Resumen

La fusión de datos puede reducir el tiempo de comunicación de datos entre nodos sensores, disminuir el consumo de energía y prolongar la vida útil de la red, lo que la convierte en un importante foco de investigación en el campo de las redes de sensores inalámbricos heterogéneos (HWSN). Los nodos sensores normales son susceptibles a las interferencias ambientales externas, que afectan a los resultados de las mediciones. Además, los datos brutos contienen información redundante. La transmisión de información redundante consume un exceso de energía, lo que reduce la vida útil de la red. Proponemos un método de fusión de datos basado en una máquina de aprendizaje extremo optimizada por enjambre de partículas para redes HWSN. Se determina la correlación espacio-temporal entre los datos de las HWSN y se utiliza el método de la máquina de aprendizaje extremo para procesar los datos recogidos por los nodos sensores en la estructura de enrutamiento jerárquico de la HWSN. El algoritmo de optimización de enjambre de partículas se utiliza para optimizar la matriz de pesos de entrada y el sesgo de la capa oculta de la máquina de aprendizaje extremo. Se crea una matriz de pesos de salida para reducir el número de nodos de la capa oculta y mejorar la capacidad de generalización del modelo. El modelo de fusión de datos fusiona los datos originales recogidos por los nodos sensores. Los resultados de la simulación muestran que el algoritmo propuesto reduce el consumo de energía de la red y mejora su vida útil, la eficiencia de la fusión de datos y la fiabilidad de la transmisión de datos en comparación con otros métodos de fusión de datos.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:máquina de aprendizaje extremo, hwsns, vida útil, red, información redundante, nodos sensores, método de la máquina de aprendizaje extremo, redes de sensores inalámbricas heterogéneas, otros métodos de fusión de datos, algoritmo de optimización de enjambre de partículas
• Keywords:extreme learning machine, hwsns, lifetime, network, redundant information, sensor nodes, extreme learning machine method, heterogeneous wireless sensor networks, other data fusion methods, particle swarm optimization algorithm