基于PCA优化深度神经网络切片的WSN高效故障检测——基于GOA
人工智能
2025-05-13 v1 机器学习
信号处理
摘要
WSN（无线传感器网络）中的故障检测对于可靠数据传输和网络寿命至关重要。传统故障检测方法往往在针对高维数据和捕获非线性关系时难以优化深度神经网络（DNN）以实现高效性能。此外，这些方法通常 suffer于收敛缓慢且难以发现最佳网络架构。本研究提出一种新型混合方法，将主成分分析（PCA）与由草地蚂蚁优化算法（GOA）优化的DNN结合，以解决上述局限。该方法首先从原始12维数据集中计算特征值并按降序排列。计算这些值的累计和，直到实现99.5%方差为止，从而将维度降低到4个特征，同时保留关键信息。该压缩表示训练一个六层DNN，其中GOA优化网络结构，克服反向传播在发现非线性关系方面的局限。该混合PCA-GOA-DNN框架压缩数据并训练一个由GOA优化的六层DNN，提高了训练效率和故障检测准确性。本研究使用由北卡罗来纳大学（University of North Carolina）开发的真实世界WSN数据集进行评估。广泛的仿真结果表明，我们的方法实现了惊人的99.72%分类准确率，具有卓越的精确度和召回率，优于传统方法。该方法计算高效，适用于大规模WSN部署，代表了资源受限WSN故障检测的重大进步。
引用
@article{arxiv.2505.07030,
title = {Efficient Fault Detection in WSN Based on PCA-Optimized Deep Neural Network Slicing Trained with GOA},
author = {Mahmood Mohassel Feghhi and Raya Majid Alsharfa and Majid Hameed Majeed},
journal= {arXiv preprint arXiv:2505.07030},
year = {2025}
}
备注
22 pages, 18 figures, Accepted for publication in International Journal of Intelligent Engineering and Systems, May 2025