传感器网络盲漂移校准的深度学习方法
机器学习
2017-07-13 v1 分布式、并行与集群计算
摘要
传感数据的时间漂移是影响无线传感器网络（WSNs）数据质量的严重问题。随着大规模和长期 WSN 的激增，在真值不可用时校准传感器变得更加重要。此问题称为“盲校准”。在本文中，我们提出一种名为投影-恢复网络（PRNet）的新型深度学习方法来在线盲校准传感器测量值。PRNet 首先将漂移数据投影到特征空间，并使用强大的深度卷积神经网络恢复估计的无漂移测量值。我们部署了一个 24 传感器测试床，并提供全面的经验证据，表明所提方法显著提高了感知精度和漂移传感器检测。与先前方法相比，在相同精度要求下，PRNet 能以 80% 的恢复率校准 2 倍的漂移传感器。我们还为设计用于传感器校准的深度神经网络提供了有益见解。我们希望我们提出的简单有效方法将作为传感器网络盲漂移校准的坚实基线。
引用
@article{arxiv.1707.03682,
title = {A Deep Learning Approach for Blind Drift Calibration of Sensor Networks},
author = {Yuzhi Wang and Anqi Yang and Xiaoming Chen and Pengjun Wang and Yu Wang and Huazhong Yang},
journal= {arXiv preprint arXiv:1707.03682},
year = {2017}
}