能源管理在无线传感器网络中基于朴素贝叶斯、中长期规划,和支持向量机分类:比较研究

文摘

最大化无线传感器网络(网络)一生是这些网络设计的主要目标。智能能源管理模式可以帮助设计师实现这一目标。这些模型的目标是减少选择的传感器的数量报告环境测量,因此,实现更高的能源效率,同时保持所需的报告测量的精度水平。在本文中,我们提出一个比较研究的三种智能模型基于朴素贝叶斯、多层感知器(MLP)和支持向量机(SVM)分类器。仿真结果表明,Linear-SVM选择传感器,产生更高的能源效率比选择延时和朴素贝叶斯网络相同的一生扩展的因素。

1。介绍

无线传感器网络(WSN)可以被定义为网络传感器节点的集合。这些传感器是小型设备和资源非常有限。在一个典型的传感器网络中,每个节点有监控环境和物理条件如温度、声音、湿度、压力、振动、运动、和光。根据传感器网络的目的,传感器可以配合执行特定的任务。同时,生成的数据是高度相关的监测参数的性质和由于部署大量的传感器。因此,它是一种浪费资源的报告每个传感器阅读;因此,节能协议和网络模型,利用信息融合,是非常重要的1]。

AlTabbakh et al。2强调一个节能管理方案必须采用以延长网络的生命周期。传感器节点在数据通信中浪费大量的能量。因此,减少不必要的沟通将有助于减少能源浪费和延长网络的生命周期。此外,汗et al。3)指出,为传感器网络设计一个有效的能源管理方案,特别是偏远地区的部署,网络面临的主要挑战之一。明显的研究努力解决这一问题提出了基于机器学习的智能模型(4]。例如,阿布Alsheikh et al。5强调采用机器学习算法的优势在网络因为他们协助消除不必要的设计问题。作者也表明,机器学习算法的发展贡献了切实可行的解决方案,导致延长网络生命周期。此外,几个原因有压力的重要性,采用机器学习算法在传感器网络环境监测应用程序中。首先,传感器节点可能不会像预期的那样运行,因为意想不到的环境行为。在这种情况下,机器学习算法可以克服这些问题通过调整自己所获得的新知识。其次,由于不可预知的网络环境中部署,由此产生的网络可能是非常复杂的数学模型。机器学习算法可以帮助在发展中有吸引力的和复杂的解决方案。第三,传感器节点生成大量的相关性和冗余数据。机器学习算法是强大的工具,可以用于研究和确定相关数据,决策、预测和数据分类(1,6]。

算法如朴素贝叶斯、多层感知器(MLP)和支持向量机(SVM)是著名的例子也广泛采用的算法,研究了在机器学习领域,神经网络和人工智能。首先,MLP分类操作可以执行重大成功(7,8]。另一方面,MLP神经网络训练是很困难的,由于其结构的复杂性(7]。支持向量机也被认为是一个非常强大的算法在数据挖掘领域。它已经成功地应用在广泛的科学应用9]。

尽管网络应用程序的机器学习算法的重要性(5),人们却很少关注提供这些算法之间的比较研究,尤其是当涉及到能源网络的管理。此外,小的贡献已经指定一个合适的这些网络智能能源管理模式。据我们所知,没有先前的工作,支持使用一个特定的智能算法相比其他轮为(10),除了一个,我们在以前的工作报告(11]。在工作中,我们提出一个睿智而有效的能源管理网络模型使用延时,而不是天真的贝叶斯。之间的比较研究提供了延时和朴素贝叶斯为了评估他们的表现的准确分类的百分比。仿真结果表明,给定相同的生命周期扩展因子,延时达到显著改善选择精度而朴素贝叶斯。然而,延时需要更长时间来训练网络,由于其复杂性和权重的系列的更新过程。因此,传感器节点在部署阶段可能会略有消耗更多的能量。

在这项工作中,我们扩展的工作(11)进行详细和全面的比较研究在三个智能分类算法,即朴素贝叶斯、延时和Linear-SVM。我们选择包括Linear-SVM在这工作,因为它是快速和节能。不像MPL Linear-SVM消耗更少的能量在学习过程在部署阶段(11]。此外,古普塔和拉马纳坦(12和镍锰合金等。13)强调,Linear-SVM复杂性较低的分类器。镍锰合金等。13)也表示,Linear-SVM之间提供了一个良好的平衡的比例正确分类数据和成本计算和内存。此外,Linear-SVM可以有效地实现单片机内的传感器节点(13,14]。猛烈的,丰塔纳14)提出了两个强大的支持向量机的特征:高泛化和鲁棒性。同时,Bal et al。15]推断与线性内核是一种很有前途的算法支持向量机的机器学习领域。此外,元et al。16)能够得出这样的结论:SVM分类器,特别是线性内核,有学习能力和从较少的训练样本构建所需的知识,仍然提供了分类精度高,与其他分类器延时等。

我们的主要贡献在这工作如下。首先,我们提供了详细的有关能源管理网络中基于智能机器学习模型和算法。第二,我们进行了全面的比较在三个智能神经网络分类器使用三个真正的标签基准数据集。第三,这三个智能分类器的性能检查使用混淆矩阵。最后,我们提出了一个智能网络有效的能源管理模式。这个模型已经解决不仅在分类级别,但也在处理层,我们使用统计排名和选择方法。这两个方法,除了使用Linear-SVM作为智能分类器、模型构建的核心元素。我们也讨论过这个提议的评价模型。

本文的其余部分组织如下。部分2评论的状态艺术领域的能源管理网络基于智能模型。部分3提供了一个背景的分类算法应用于这项工作,也就是说,朴素贝叶斯、中长期规划,支持向量机。它还概述了实验数据集。本文的主要贡献是在部分讨论4。仿真实验和他们讨论了设置部分5。部分6讨论并总结了仿真结果。最后,部分7总结了纸和强调了未来的研究方向。

2。相关工作

提出了几种智能模型网络以达到更好的能源效率。Thiemjarus et al。17)提出了一种传感器选择技术,可以帮助确定最优网络中传感器节点的数量。通过这样做,可以减少传感器节点的数量不会减少决策过程,而且可以提高网络的生命周期。贝叶斯方法是用于传感器的选择,这个过滤器方法有助于找到最优传感器网络中。此外,自组织映射(SOM)作为分类器。在[18),作者提出了一种选择方案减少了网络的能量消耗。在他们的方案中,传感器是排名从最最低有效,基于网络的使用的重要性。然后,使用朴素贝叶斯分类算法。这种方法测试三个著名的真正的传感器数据集。结果表明,更多的能量被消耗如果使用多个传感器,随后,减少了传感器网络的生命周期。然而,如果排名传感器,传感器网络的生命周期可以增加,选择算法,其次是智能分类器。这是因为选择传感器使用的数量更少。同样的,(19)提出了一个计划,以减少能源消耗和最大化传感器网络的生命周期。这是基于一个特性/传感器选择最小化使用传感器的数量。然而,它使用一个不同的选择算法和最近的邻居(神经网络分类算法。

在[20.),聚类问题被视为一个分类问题,这样建立起来的通过使用最小二乘支持向量机(二)混合的内核,这是一个多项式和径向基函数(RBF)内核。结果表明,聚类过程中使用回归模型和混合内核有更好的结果相比,为生物一个内核。这是明显的情况下我们有多类分类问题的聚类问题。同时,李et al。21)解决能源管理的网络架构级别使用支持向量机分类器。clustering-based分布式Linear-SVM算法,称为CDLSVM,发达,与其他并行SVM算法的不同之处在于它能够获得全局最优分类器。结果表明,该算法是高效的大规模传感器网络,因为它节省了信息交换和能源消耗。

Forero et al。22)解决分布式开发算法来训练支持向量机分类的一个环境,分布式体系结构,不同节点之间的通信通过一个中央处理单元是被禁止的。分布式的操作模式表明,节能。分布式修复分区SVM (DFP-SVM)和分布式修复分区加权支持向量机(WDFP-SVM)是两个节能分布式学习算法基础上,提出了基于支持向量机(23,24]。目的是训练支持向量机有效地和在一个分布式的方式。因此,更好的分类结果实现测试数据以最小的能源成本,相比传统的支持向量机。

最近,越来越多的基于支持向量机的分类算法被提出。例如,Rajasegarar et al。25)解决了网络中的异常检测问题提出了一种集中Hyperellipsoidal支持向量机(CE-SVM)和分布式Quarter-Sphere支持向量机(QS-SVM)。比较研究CE-SVM和QS-SVM使用四个数据集是由无线传感器的数据集。四个数据集,即GDI、电离层、香蕉,Synth,被用于评估。此外,三种不同的核函数,也就是说,RBF,多项式,线性,被认为是。结果表明,CESVM达到更好的检测精度,而QSSVM。Zhang et al。26]提出两个分销网络和网络异常检测技术,以及这些技术的主要贡献是建立实时智能分类技术来识别异常值实时传感器数据的正常行为。提出了智能技术是基于SVM超椭圆体看到下面成了。这两个技术是椭圆形基于svm网络异常检测(EOOD)和椭圆形基于svm适应性异常值检测(EAOD)。EOOD和EAOD考虑传感器数据特性之间的相关性来检测网络异常。仿真结果表明,EAOD达到更好的检测精度,而EOOD。

杜塔和Terhorst27]介绍了一种基于人工智能的方法对多传感器融合和集成。研究人员解决了智能传感器融合系统在分类级别克服常见的传感器错误和错误的问题。特别是智能分类技术大部分土壤水分估计利用宇宙射线传感器介绍了实现最优容错估计。在这项研究中,四个分类器进行评估,即自适应神经模糊推理系统(简称ANFIS),概率神经网络(并),径向基函数(RBF)网络和多层感知器(MLP)网络。实验三数据和结果表明,简称ANFIS提供了最佳性能的正确分类的百分比比其他分类器。猛烈的,丰塔纳14)提出了一个传感器系统及其相关信号处理和模式识别的方法来检测时间的食物摄入量。本研究是基于下颌运动的监测和分类。研究人员使用远期选择最相关的特征选择方法,代表传感器的信号。另外,使用支持向量机作为分类算法咀嚼检测。此外,内核激活函数是线性的(Linear-SVM)。通过使用这种智能分类器,研究人员能够达到平均精度高,也就是说,80.98%,为该应用程序。此外,根据Karatzoglou et al。28),线性内核是最简单的支持向量机的核函数。火腿等。29日)还表示,Linear-SVM比其他机器学习分类器性能更好。大量的注意力目前已经给这个分类器由于其高性能,分类精度而言,相比之下,其他机器学习分类器。因此,这种智能分类器已应用于各种应用程序。Yun和歌曲30.人类提出了一个移动的方向检测系统。系统是基于热释电红外传感器和智能分类技术(PIR)。在这项研究中,收集的数据集是捕捉PIR传感器信号,一个人走。从数据中提取和选择的特性减少了同样大小和内存成本。此外,7智能分类算法,即贝叶斯网络,C4.5,决策表,延时,神经网络算法,朴素贝叶斯和支持向量机使用。SVM, Linear-SVM使用因为它的内核要求更少的计算成本相对于其他内核。实验上进行减少特性集显示Linear-SVM是最好的分类器对于这样的应用程序。

3所示。预赛

本节提供了一个简短的背景的分类算法在这项研究中,以及对实验数据的比较。

3.1。分类算法

本研究项目中使用分类算法简要描述如下。

3.1.1。朴素贝叶斯分类器

朴素贝叶斯的分类器是一个著名的类型是基于贝叶斯定理的应用,并有很强的独立性假设。它被认为是一个简单的概率计算类条件概率分类器,然后预测最可能的类(31日]。换句话说,它将分配一个类对象的基于概率模型描述属性的值。

3.1.2。多层感知器(MLP)

延时是由大量的高度相互连接的神经元,在平行于工作解决一定的问题。它是组织在层前馈信息流。MLP网络的主要结构包括顺序信号流在不同的层从输入到输出层。输入层和输出层之间的中间层次。又被称为隐藏层,因为它们是不可见的输入或输出。每个单元首先是用来计算权重向量和向量之间的差异由前一层的输出。生成下一层的输入,应用传递函数也称为激活结果(32]。双相乙状结肠、单极乙状结肠和RBF是著名的例子和常用的激活函数(33]。

主要步骤训练阶段的MLP网络如下:首先,给定一个输入模式的数据集,这种模式是forward-propagated MLP网络的输出,然后与期望的输出;第二,网络的输出之间的误差信号和期望响应back-propagated网络;最后,在突触权重进行调整(34]。这个过程被重复下一个输入向量,直到所有的培训模式是通过网络。

3.1.3。支持向量机(SVM)

支持向量机将数据集分为两类,通过将一个线性分离正常和攻击类之间的边界,这样利润最大化。SVM是寻找出最大的超平面的距离超平面最近的正面和负面的样品(35,36]。一个支持向量机网络的基本结构类似于普通的RBF网络,而是指数激活函数(通常是高斯激活函数),内核激活函数的应用。可以一个多项式的内核,内核激活函数高斯径向基核,或两层前馈神经网络内核。

3.2。数据集

本节提供了一个简短描述的三个数据集用于这项工作。

3.2.1之上。电离层

电离层数据集是一个雷达数据集收集鹅湾,拉布拉多。它有两个类雷达信号,也就是说,好的和坏的。良好的数据是显示某种类型的结构电离层的证据。糟糕的回报是那些不让他们的信号通过电离层(18]。这个数据集包含34个读数和351条记录。

3.2.2。森林CoverType

森林CoverType数据集已经在科罗拉多大学开发的。它的目的是预测未知区域的森林植被类型。使用它在几个研究论文数据流分类。这个数据集包含了581年、012年54实例和属性(18,37]。它被认为是最大的数据集。在我们的研究中,记录的数量减少到25000,因为有限的内存容量。

3.2.3。传感器的歧视

这个数据集由12种不同数值的未知物质的样品。有三个类的标签数据集,也就是说,a组、B组,和假警报(38]。接收者节点,这对一个未知样本收到12个数值,是为了确定该样本属于哪个阶级。换句话说,接收方应该表明这个未知的样本是否在A组或组b。相反,它属于假警报当样本不落入第一的两组。这个数据集包括12个读数和2211条记录。

4所示。提出了系统

在这项工作中,一个有效的能源管理智能神经网络模型提出了网络使用的分类算法。我们的工作采用相同的传感器选择算法是用于(18]。在这项研究中,我们利用电离层,森林CoverType,歧视和传感器数据集评估性能的三种智能算法的分类精度。此外,所有实验中,数据集用于训练数据的30%,剩下的70%是用于测试。这使我们能够提供一个公平的比较中三种分类器,即朴素贝叶斯、中长期规划,和Linear-SVM修复共享和共同的参数。此外,由于在18是由],延长生命周期因素

在[11),两个重要的步骤进行,以减少能源消耗和延长寿命的因素。这两个步骤如下:最主要的网络中传感器节点被选中后排名基于使用的重要性,从最重要到最不,朴素贝叶斯和MLP分类算法被应用。强调是很重要的,在我们的研究中,一个智能模型有效的能源管理介绍了网络通过使用线性支持向量机分类算法的内核是一个多项式内核与指数1。我们的方案在四个阶段,如下:

(1)预处理。(2)处理:(一)排名:(我)计算/传感器特性的显著性水平。(2)降序排序。(b)选择。(3)机器学习。(4)绩效评估。

图1显示了拟议的系统框图。根据数据块,我们有三个数据集,即电离层,森林CoverType,传感器的歧视。预处理阶段需要清洁的输入数据集和把它放在适当的格式。在处理块,两个函数执行所选择的数据集。首先是排名的排名功能特性/传感器从最重要到最不重要的根据他们使用的数据集的意义对应于无线传感器网络,提出了(18]。这个函数包含两个连续的过程,即显著性水平的计算过程和排序过程。计算特征的显著性水平/传感器在MATLAB环境下进行了使用一个内置的过程(39功能测试)被称为独立的意义。维斯和Indurkhya40]命名这个过程特性测试(IndFeat)作为独立的意义。这个过程通常是采用人工智能的工程应用领域的快速识别和丢弃薄弱的特点。换句话说,输入的数量需要在选择过程中考虑将显著下降。因此,它可以作为前体选择过程。此外,它减少了所需计算时间最后的选择过程。另一方面,排序过程用于排序的输出显著性水平计算过程在降序排列。秩函数的最终输出是一个数组排序的功能/传感器从最重要到最不重要。排名的作用函数计算重要性水平的每个特性/传感器。然后,它在降序排序;即功能或传感器将排序从最重要到最不重要。

图2显示了一个示例的输出在显著水平的计算过程和排序过程传感器数据集的歧视。图清楚地解释了流程将按顺序进行排序的功能。此后,选择函数用于选择第一个特性/传感器。例如,如果,这意味着该方法返回前10的数字特性/传感器。类似地,如果,它返回前20的数字特性/传感器等等。第四块是机器学习的块,运行选中的朴素贝叶斯分类器,延时,或Linear-SVM选择功能/传感器。在这一块,执行两个阶段;首先是培训或学习阶段,使得智能系统构建合适的知识库。智能系统学习关系/相关性存在的构造训练数据集。简单,训练阶段被认为是适应过程的智能系统给最好的响应在测试阶段。测试阶段用于测试该系统使用测试数据集。这个阶段的输出结果显示系统的性能和其有效性的分类精度和计算速度。

5。实验工作

三个不同的三个数据集上进行了实验。在每个实验中,我们采用相同的算法18)选择和排名占主导地位的传感器节点。此外,所有的实验中,我们使用30%的数据集进行训练,剩下的70%进行测试。此外,WEKA模拟器v3.6 [41是在分类过程中使用。延时和Linear-SVM算法,表1列表的值学习速率等重要参数,数量的时代(通过数据)的数量,数量的隐藏层,隐藏层的隐藏单元数量,内核类型用于支持向量机。所有其他参数都设置为默认设置在WEKA。

5.1。实验1

这个实验是进行电离层数据集,这是一个来自34个不同的雷达数据集收集真实的传感器节点。MATLAB是用来执行的选择算法18]。这个选择算法(见图3)排名的意义上的传感器的使用,从最最低有效。

表2显示了这个传感器的结果排名在电离层数据集。表的第一行显示了10个最重要的传感器的数量。我们也选择这种情况下为了提供神经网络结构(如图3),因为它是小的。第一行的数据表2是完全相同的神经网络结构在图吗3。因此,输入的神经网络结构的选择在图103S7 S2、S3 S5, S1, S9, S31, S33, S29, S21,是完全相同的数据表的第一行吗2。重要的是要指出,有一个隐藏层图3有六个隐藏的单位。这是因为如果我们应用公式表1,由,选择的传感器的数量是10。同样清楚的是规范的电离层数据集类的数量/输出是2。因此,有隐藏的单位。

如果我们考虑第一和第二行,很明显这20个传感器是最重要的。例如,考虑最好的20。如果我们看看表2,很明显,功能/传感器,2号是最重要的,虽然这6号是最重要的。同样,最好的选择30特性/传感器计算通过考虑第一,第二,第三行,功能/传感器,2号是最重要的,32号是最重要的。

5.2。实验2

这个实验是进行森林CoverType数据集,已在科罗拉多大学开发的。通过检查接收到的数据从传感器、森林CoverType未知的区域,其中包含581012条记录和54传入的值,可以预测。在实验中相同的步骤也表现在这里(参见图吗4)和选择结果如表所示3。表的第一行3代表10个最好的选择。第一和第二行代表20的最佳选择。第一、第二、第三行代表30的最佳选择,等等。例如,对于最好的30特性/传感器的情况下,功能/传感器数量15是最重要的,虽然这49号是最重要的。这里重要的是要突出特性/传感器排名根据他们在森林CoverType数据集使用的重要性。

在实验选择,选择10提供其神经网络结构,如图4。输入到神经网络结构的选择,如图4,S15、S19 S28、S29 S51, S1, S26, S36, S37、S52,完全相同的表的第一行3。在这种情况下,功能/传感器数量15是最重要的,虽然这已52数量是最重要的一个。很明显的规范森林CoverType数据集选择的传感器的数量是10和类的数量/输出是7。通过应用公式表1,我们得到。这意味着有8个隐藏在隐藏层单元的输入层和输出层之间是完全相同的(显示在图4),显示了神经网络结构的选择10森林CoverType数据集。

5.3。实验3

这个实验是在传感器进行歧视的数据集,由12阅读和2213条记录。接收方节点应该能够确定未知样品,表示未知样本属于哪个阶级。本研究中使用的完整的记录工作。在实验和,使用MATLAB运行选择算法(见图5)。表4显示选择的最好的3、6和9,分别。换句话说,第一行显示的最佳选择3。第一行和第二行6提供最好的选择。最后,第一、第二和第三行显示9的最佳选择。例如,功能/传感器的选择排名如下6:S2、S3, S1, S11, S4, S6,根据他们的使用在这个传感器数据集的重要性。

神经网络结构的选择3,在实验1和2,在图提供5。这个图显示了神经网络的输入,S2、S3, S1。这些正是在同一行表4。由于选择的数量是3类/输出的数量是3,表示在数据集的传感器歧视,隐藏在隐藏层单元的数量是完全一样的,如图5。

重要的是要指出,表2,3,4显示的结果排名的方法,提出了传感器(8],降序排名/传感器的特性对他们的意义在电离层中使用,森林CoverType分别歧视和传感器的数据集。这些公共数据集对应于无线传感器网络。

6。讨论的结果

三个智能分类算法的性能是衡量使用混淆矩阵[30.,42]。这个矩阵给出了可视化分类器的输入数据集上执行。不同的性能指标,如准确性、召回和特异性,可以从这个矩阵。表5显示了混合矩阵的结构。有四种可能的情况/结果的假阳性(FP),真阳性(TP),假阴性(FN),和真正的负面(TN) [42,43),(1)FP当实际的类的测试样品是消极和分类错误,积极;(2)TN当实际的类的测试样品是负和正确分类为负;(3)FN当实际的类的测试样品是积极和分类错误消极;(4)TP当实际的类的测试样品和积极积极和正确分类。我们使用精度作为本研究评估这些算法的性能指标。准确性代表数据集的整体智能分类的正确性,它是由

例如,表6,7,8显示朴素贝叶斯的混淆矩阵、延时和Linear-SVM,分别在电离层数据集的选择10。他们透露有多少实例分配给每个类。正确分类样本的数量由对角线之和表示。例如,朴素贝叶斯的正确分类样本总数是187,也就是说,123年和64年的总和。在这种情况下的准确性,实例在测试数据集的总数是246。然而,准确性是延时和Linear-SVM 84.14%和85.36%,分别。同样的程序应用于其余三个分类数据集有不同的选择。

图6显示了整个实验的结果,这是电离层数据集上进行的。这表明Linear-SVM和MLP给三个选择更好的结果情况下,也就是说,选择10,20日和30传感器与朴素贝叶斯相比,在精度在同一一生扩展的因素。例如,当10传感器选择34,延长生命周期因素(见图10)和准确性为85.4%和84.1%,分别使用Linear-SVM和延时。然而,使用朴素贝叶斯导致有76%的准确率同样的生命周期扩展的因素。此外,它可以看出Linear-SVM达到最好的结果在第一和第二选择,尤其是在选择20。Linear-SVM时,这种强大的分类器保持高性能的第一和第二选择。即使选择30,略有下降约2%,这是微不足道的。

中长期规划,它可以指出,中长期规划的准确性并不显著增加,尽管选择的传感器的数量的增长。例如,在选择30传感器节点的情况下,延时精度达到了84.9%,这是一个微不足道的进步选择10 0.8%。中长期规划的准确性下降也有20个传感器节点被选中时,相比10。有轻微的准确性下降延时和Linear-SVM选择20到30,分别。很明显,这是由于训练数据集没有足够大的这两个分类器构建的知识库。换句话说,结果可以解释为考虑训练样本的数量,这样的功能简要和Linear-SVM都没有完全利用。可以验证这一点进行多个测试运行不同的训练数据的百分比,如图7。在这个图中,我们能够表明,精度与训练样本的数量增加;也就是说,当训练样本数量的增加,分类精度将会增加。这个问题也证实,证实了人形et al。44),Fernandez-Rodriguez et al。45],Murty和井斜46]。

这里重要的是要注意,如果训练数据增加的百分比,计算复杂性和训练时间也会增加。因此,30%的数据集是用于训练为了正确分类的百分比数据之间有良好的平衡和成本的计算和内存WSN应用程序。对实验,因此可以得出的结论是,10个节点的选择与Linear-SVM智能分类器是最好的选择,因为它会导致更高的寿命扩展的因素。因此,它更节能。虽然延时和Linear-SVM互相接近时精度水平,Linear-SVM被选为最佳分类器,而不是特别是中长期规划,因为它花了很少的时间,平均而言,构建完整的训练集上的分类器模型Linear-SVM比延时。

实验另一方面,森林CoverType数据集上执行。仿真结果表明,中长期规划产生更好的准确性在同一一生扩展因子,朴素贝叶斯和Linear-SVM相比,当20、30、40、50。在这四种情况下,朴素贝叶斯的准确性和Linear-SVM几乎在同一水平上,在70%左右。然而,延时达到68%,76.7%,77.7%,和78.5%,分别在四个选择情况下(见图8)。尽管提高MLP,朴素贝叶斯10传感器节点被选中时表现略好。其准确性高3%,而中长期规划。是很重要的说,中长期规划精度水平之间的差异和Linear-SVM平均约为5.5%。这不能被视为一个巨大的,显著改善,如果我们考虑到事实MLP最高运行时间在构建分类器模型在所有选择的情况下。30日的选择与Linear-SVM作为分类器,因此是最好的选择,如果我们考虑在计算精度和节省时间。

实验3传感器歧视进行了数据集,结果如图所示9。延时和Linear-SVM算法有更好的结果相比,朴素贝叶斯的三个选择的情况下,选择的3、6和9的传感器。延时实现精度水平的76%、95.9%、97.2%,这些选择的情况下,分别。对于Linear-SVM, 73%, 91%,和93%,分别。然而,朴素贝叶斯平均约有73%的准确率的情况下。因此,尽管MLP略优于Linear-SVM对于这个数据集,最好选择场景的选择与Linear-SVM 6传感器节点分类器。这是因为Linear-SVM中长期规划的速度比在构建模型的完整的训练集。此外,一生中有选择6结果扩展因子2(见图10)。

值得一提的是,尽管其精度高、延时需要更多的时间来训练网络相比朴素贝叶斯和Linear-SVM如表所示9,10,11。例如,训练时间最长的实验发生在30特性/传感器选择(见表9)。在这种情况下,延时的时间增加了206倍和30朴素贝叶斯和Linear-SVM相比,分别。延时是更糟糕的是朴素贝叶斯相比,如表所示10。这是由于其复杂性和一系列权值的更新过程。此外,随着选择的节点数量的增加,也对模型输入的大小。

所有上述模拟*是基于我们的实验也进行了与英特尔Atom处理器的电脑(N450) @ 1.66 GHz和2.00 GB的RAM运行32位Windows 8企业版。因此,这样的模型非常适用于传感器网络的端系统可以在合理的时间执行培训的过程。然而,如果训练过程是由正常的传感器节点执行,即使是强大的,那么我们期待大量的能源消耗和延误,特别是中长期规划的情况下。在这种情况下,我们认为,支持向量机是一种可行的选择。这是因为它的特点是快速训练时间和高可伸缩性而延时。此外,它具有更好的准确性而朴素贝叶斯。

7所示。结论和未来的工作

介绍了一个智能网络有效的能源管理模式。它提供了一个比较研究朴素贝叶斯、延时和Linear-SVM。目标是确定最合适的网络智能高效的能源管理分类模型。为了评估三个分类器的性能,不同的实验在三个基准数据集,即电离层,森林CoverType,传感器的歧视。这些数据集对应于不同的网络中使用各种类型的应用程序。

歧视电离层和传感器数据集的仿真结果表明,给定相同的生命周期扩展因子,Linear-SVM和延时算法实现相比,选择精度显著提高朴素贝叶斯。中长期规划森林CoverType数据集,有最好的精度,平均而言,相比所有分类器。然而,MLP的最长运行时间在构建分类器模型。总体结果显示Linear-SVM是最好的分类器,可以作为智能网络有效的能源管理分类模型。这是因为所花费的平均时间在整个训练集训练分类器模型显著短于中长期规划的同时保持准确性水平接近中长期规划的实现,甚至更好。

对于未来的工作,我们打算评估其他基准数据集下SVM的性能。此外,与不同的内核支持向量机的性能比较,如高斯或乙状结肠内核,将进行。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

作者承认计算机工程系和法赫德国王大学的石油和矿产(KFUPM)支持这项研究工作。

引用

1. e . f .中村a . a . f . Loureiro和a·c·Frery”为无线传感器网络:信息融合方法,模型,和分类,“ACM计算调查,39卷,不。3、第九条,2007年。视图:出版商的网站|谷歌学术搜索
2. s . m . AlTabbakh e . m . Elshahed r . a .斋月和h . m . Elzahed“能源管理博弈论的基于无线传感器网络的建模方法,”《IEEE欧洲造型研讨会(EMS 15)2015年10月,马德里,西班牙,。视图:谷歌学术搜索
3. j·a·汗·h·k·库雷希,伊克巴尔,“无线传感器网络中能源管理:一项调查,“电脑和电子工程41卷,第176 - 159页,2015年。视图:出版商的网站|谷歌学术搜索
4. y,“聪明的调查方法在无线传感器网络高效的能源消耗,”学报》国际会议软件和计算机应用(ICSCA 12)2012年6月,新加坡,。视图:谷歌学术搜索
5. m·阿布Alsheikh林,d . Niyato, H.-P。谭”,在无线传感器网络:机器学习算法、策略、和应用程序,”IEEE通信调查和教程,16卷,不。4、1996 - 2018年,2014页。视图:出版商的网站|谷歌学术搜索
6. n . Enami r . a . Moghadam k . Dadashtabar和m . Hoseini“基于神经网络的无线传感器网络中能源效率:一项调查,“国际计算机科学与工程杂志调查,1卷,不。1,39-53,2010页。视图:谷歌学术搜索
7. y . m . m . Hassim和r . Ghazali”功能链接使用一个人工神经网络训练蜜蜂殖民地为解决分类问题,“《计算,4卷,不。9日,第115 - 110页,2012年。视图:谷歌学术搜索
8. a . k .朋友和美国朋友”,分类模型的预测位置的学生,“国际现代教育与计算机科学杂志》上,5卷,不。11日,49页,2013年。视图:谷歌学术搜索
9. s . w . Purnami j . m . Zain和t . Heriawan,”另一个大型数据集分类算法分类:k-mode集群减少支持向量机,”国际期刊数据库理论和应用,4卷,不。1,19-30,2011页。视图:谷歌学术搜索
10. a . Mitrokotsa m . Tsagkaris, c . Douligeris”入侵检测在移动ad hoc网络使用分类算法,”特设网络的进步卷,265联合会国际信息处理联合会施普林格,页133 - 144年,纽约,纽约,美国,2008年。视图:出版商的网站|谷歌学术搜索
11. a . y . Barnawi i m . Keshta,“能源管理的基于无线传感器网络的多层感知器,”学报20欧洲无线会议上,欧洲无线,页1 - 6、VDE、巴塞罗那,西班牙,2014年5月。视图:谷歌学术搜索
12. g·r·古普塔和p·拉马纳坦”,水平集估计用不协调移动传感器,”特别、移动和无线网络卷,4686在计算机科学的课堂讲稿施普林格,页101 - 114年,柏林,德国,2007年。视图:出版商的网站|谷歌学术搜索
13. m .镍锰合金d·布鲁内利、p . Zappi和l . Benini“合作多通道环境监测、节能”智能传感和上下文施普林格,页56 - 70年,柏林,德国,2010年。视图:谷歌学术搜索
14. e . s .猛烈的j·m·丰塔纳,“自动检测的传感器系统通过非侵入性监测咀嚼食物摄入量,”IEEE传感器杂志,12卷,不。5,1340 - 1348年,2012页。视图:出版商的网站|谷歌学术搜索
15. 落下帷幕,m . m . f . Amasyali h .切断g .高丝,a . Demirhan“绩效评估中使用的机器学习算法的一个医学决策支持系统的推理机制,“科学世界日报137896卷,2014篇文章ID, 15页,2014年。视图:出版商的网站|谷歌学术搜索
16. 梁元,d, l .秋和m .刘”移动多智能评价方法对无线传感器为基础的网络大型结构健康监测,“国际期刊的分布式传感器网络164527卷,2012篇文章ID, 15页,2012年。视图:出版商的网站|谷歌学术搜索
17. s . Thiemjarus b p l . Lo k . v . Laerhoven g . z杨,“无线传感器网络的特征选择,”学报第一国际研讨会可穿戴和植入身体传感器网络(BSN ' 04)2004年4月,伦敦,英国。视图:谷歌学术搜索
18. m . Alwadi和g·柴提”,特征选择和无线传感器网络的能源管理,“IJCSNS国际计算机科学杂志和网络安全,12卷,不。6、2012。视图:谷歌学术搜索
19. p . j . Csirik Bertholet h .煤仓,“模式识别在无线传感器网络的传感器故障,”12圆柱学报》国际会议上神经网络(NN的11)2011年4月,Brașov,罗马尼亚,。视图:谷歌学术搜索
20. j . Martyna“最小二乘支持向量机集群在无线传感器网络中,”第二届全国科学大会上数据处理技术2007年9月,Poznań,波兰,。视图:谷歌学术搜索
21. 王y, y, g .他“Clustering-based分布式无线传感器网络中支持向量机,”信息与计算科学杂志》上,9卷,不。4、1083 - 1096年,2012页。视图:谷歌学术搜索
22. p . a . Forero a·卡诺和g . b . Giannakis“一致同意的分布式支持向量机,”机器学习研究杂志》上11卷,第1707 - 1663页,2010年。视图:出版商的网站|谷歌学术搜索|MathSciNet
23. k·弗洛里、b . Beferull-Lozano和t . Tsakalides”节能的无线传感器网络分布式支持向量机,”诉讼第三欧洲无线传感器网络研讨会(EWSN 06年)2006年2月,瑞士苏黎世。视图:谷歌学术搜索
24. k·弗洛里、b . Beferull-Lozano和t . Tsakalides“分布式一致支持向量机训练算法在无线传感器网络中,”第16届欧洲信号处理研讨会论文集(EUSIPCO ' 08)2008年,瑞士洛桑。视图:谷歌学术搜索
25. s . Rajasegarar c . Leckie j . c . Bezdek和m . Palaniswami”为中心的超球面的支持向量机和hyperellipsoidal看到下面成了在传感器网络异常检测,”IEEE取证和安全信息,5卷,不。3、518 - 533年,2010页。视图:出版商的网站|谷歌学术搜索
26. y张:Meratnia, p . j . m .真的,做出“分布式网络异常检测无线传感器网络使用椭圆形支持向量机,”特设网络,11卷,不。3、1062 - 1074年,2013页。视图:出版商的网站|谷歌学术搜索
27. r·杜塔和a . Terhorst”,基于自适应神经模糊推理系统的远程批量土壤水分估计:利用CosmOz宇宙射线传感器,”IEEE传感器杂志,13卷,不。6,2374 - 2381年,2013页。视图:出版商的网站|谷歌学术搜索
28. a . Karatzoglou d·迈耶,k . Hornik“支持向量机在R,”杂志的统计软件,15卷,不。9日,学会年会,2006页。视图:谷歌学术搜索
29. H.-S。火腿,h。金,M.-S。金,蔡明俊。崔,“线性可靠的物联网服务的基于svm android恶意软件检测,”应用数学学报文章ID 594501卷,2014年,10页,2014。视图:出版商的网站|谷歌学术搜索
30. j . Yun, M.-H。歌曲“使用热释电红外传感器检测方向的运动,”IEEE传感器杂志,14卷,不。5,1482 - 1489年,2014页。视图:出版商的网站|谷歌学术搜索
31. y郭,g .呗,y,“使用贝叶斯网络的预测2型糖尿病,”第七届国际会议的程序对网络技术与安全事务(ICITST 12),页471 - 476,伦敦,英国,2012年12月。视图:谷歌学术搜索
32. r . Battiti m . Brunato, f . Mascia被动搜索和智能优化计算机科学、运筹学/接口,施普林格,2008年。
33. b . Karlik和a . VehbiOlgac”性能分析各种激活函数的广义MLP神经网络的体系结构。”人工智能和专家系统的国际期刊,1卷,不。4、111 - 122年,2011页。视图:谷歌学术搜索
34. h . Bouzgou和n . Benoudjit”多个架构系统风速预测,”应用能源,卷88,不。7,2463 - 2471年,2011页。视图:出版商的网站|谷歌学术搜索
35. k·p·班尼特和c·坎贝尔,“支持向量机:炒作或哈利路亚?”ACM SIGKDD探索通讯,卷2,不。2,1-13,2000页。视图:出版商的网站|谷歌学术搜索
36. 诉Vapnik,统计学习理论的自然施普林格,纽约,纽约,美国,1995年。
37. g m . Alwadi和柴提,“一个新的特征选择方案能量高效的无线传感器网络,”算法和并行处理架构:12国际会议,ICA3PP 2012年9月4 - 7,2012年,日本福冈诉讼,第二部分卷,7440在计算机科学的课堂讲稿施普林格,页264 - 273年,柏林,德国,2012年。视图:出版商的网站|谷歌学术搜索
38. http://www.technologyforge.net/Datasets/。
39. MathWorks,MATLAB和统计工具箱释放2012 bMathWorks纳蒂克,质量,美国,2012年。
40. 美国韦斯h和n . Indurkhya预测数据挖掘:实用指南,摩根Kaufmann出版商,旧金山,加州,美国,1998年。
41. http://www.cs.waikato.ac.nz/ml/weka/。
42. A . Ahmim和n . Ghoualmi-Zine”一个新的快速、高效的入侵检测系统,”国际期刊的安全性及其应用,7卷,不。5,67 - 80年,2013页。视图:出版商的网站|谷歌学术搜索
43. a . k . Santra和c约瑟芬克里斯蒂,”文档聚类、遗传算法和混合矩阵”国际计算机科学杂志》上的问题,9卷,不。1,第328 - 322页,2012。视图:谷歌学术搜索
44. c . o .人形,o . Kursun和f . Gurgen“特征提取基于歧视交替回归,”十三地中海会议2013年医学和生物工程和计算施普林格,页730 - 733年,2014年。视图:出版商的网站|谷歌学术搜索
45. j . j . Fernandez-Rodriguez卡纳斯,e·罗卡j . Fernandez-Mena f·j·皮雷约和a .普列托”应用人工神经网络对胸部图像分类,”神经计算的新趋势卷,686在计算机科学的课堂讲稿施普林格,页542 - 549年,柏林,德国,1993年。视图:出版商的网站|谷歌学术搜索
46. m . n . Murty v . s .井斜,模式识别:一个算法2011年,施普林格科学与商业媒体。

版权

版权©2016 Abdulaziz y Barnawi和伊斯梅尔·m·Keshta。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。