文献

J-GLOBAL ID：202002252274669002   整理番号：20A0805715

スマート農業のためのWSNにおける機械学習ベースのデータ削減【JST・京大機械翻訳】

Machine Learning Based Data Reduction in WSN for Smart Agriculture

著者 (2件)： Salim Christian (Inria, Villeneuve d’Ascq, France) ,  Mitton Nathalie (Inria, Villeneuve d’Ascq, France)
資料名： Advances in Intelligent Systems and Computing  (Advances in Intelligent Systems and Computing)
巻： 1151  ページ： 127-138  発行年： 2020年 
JST資料番号： W5075A  ISSN： 2194-5357  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 今日,農業領域はその天然資源のより良い利用のために多くの挑戦に直面している。この目的のために,気候変動の危険性を増加させるために,気象データと土壌条件を局所的に監視する必要があり,より迅速でより適応的な意思決定を支援する助けとなる。無線センサネットワーク(WSN)は,それらのタイプの特徴のための監視システムとして機能することができる。しかしながら,WSNは,全体のネットワークの寿命を短くするモートの限られたエネルギー資源を被っている。すべての運動は監視された特徴を周期的に捕捉し,特定のサンプリング速度に依存する更なる解析のためにデータをシンクに送る。大量のデータを送るこのプロセスは,センサノードの高エネルギー消費とネットワーク上の重要な帯域幅利用を引き起こす。本論文では,機械学習に基づくデータ推論アルゴリズム(MLDR)を紹介した。mldrは農業の利益のための環境データに焦点を合わせている。mldrは,シンクにおけるデータアベイラビリティと精度を保つことにより,センサノードレベルでいくつかの機械学習技術を追加することにより,送信データ量をシンクに低減するデータ削減手法である。このデータ削減はエネルギー消費と帯域幅利用を低減し,情報の精度を維持しながら媒体の使用を強化する。この手法を,Weather-Undergedセンサネットワークからの実温度データセットを用いたMATLABに関するシミュレーションにより検証した。結果は,送られたデータの量は,2[数式:原文を参照]を超えない分散で非常に良い精度を維持しながら,[数式:原文を参照]よりも減少することを示した。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意思決定 ,  監視装置 ,  センサネットワーク ,  気候変動 ,  農業 ,  アベイラビリティ ,  アルゴリズム ,  *機械学習 ,  ネットワーク ,  帯域幅 ,  媒質 ,  エネルギー消費 ,  気象データ ,  エネルギー資源
準シソーラス用語： センサノード , 【Automatic Indexing@JST】

分類 (3件)： 通信網  (ND07030A) ,  リモートセンシング一般  (AD04000L) ,  その他の無線通信  (ND08050D)

タイトルに関連する用語 (2件)： スマート農業 ,  機械学習