在使用人工神经网络的边缘设备上的测量信号中的异常检测和细分
Jerzy Dembski1, Bogdan Wiszniewski1, Agata Kołakowska1
1Faculty of Electronics, Telecommunications and Informatics, Gdańsk University of Technology, Narutowicza 11/12, 80-233 Gdańsk, Poland.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
本研究探讨了三种人工神经网络模型,用于检测和清理低功耗物联网设备上的土壤信号异常. 基于U-Net的模型看起来很有前途,但资源密集型,使得启发式和自动编码器方法成为实际的替代方案.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 土壤信号时间序列中的异常可能会损害数据完整性.
- 在资源有限的边缘设备 (MCU) 上部署先进的异常检测带来了重大的计算和功率挑战.
研究的目的:
- 调查和比较三种人工神经网络 (ANN) 方法,用于现场异常检测和清理土壤传感器数据.
- 评估运行在微控制器单元 (MCU) 上的ANN的预测准确性和计算复杂性之间的权衡.
主要方法:
- 开发并测试了三个ANN模型:神经启发式启发式 (NPH),基于Autoencoder的 (AEB) 和基于U-Net的 (UNB).
- 在云基础设施上使用标记数据训练模型,将异常检测转化为异常细分任务.
- 在受限制的终端设备上对准确性和计算复杂性的评估模型.
主要成果:
- 这三种模型都表现出不同程度的预测准确性和计算复杂性.
- 基于U-Net (UNB) 的方法取得了良好的结果,但要求大量的培训数据,并表现出高时间复杂性,导致功耗增加.
- 神经启发式启发式 (NPH) 和基于自动编码器 (AEB) 的模型在准确性和资源效率之间提供了更平衡的妥协.
结论:
- 虽然UNB显示出潜力,但其资源需求限制了其在低功耗物联网应用中的实用性.
- 推NPH和AEB作为可行的替代方案,用于开发物联网测量系统中高效的现场数据清理解决方案.
- 该研究强调了在边缘设备上部署机器学习模型时考虑计算约束的重要性.
