|
早稲田大学
鄭 顕志
准教授
機関別共同研究
Discovery Saga
論文分野別Discovery Saga
研究テーマDiscovery Saga
協賛企業
共同研究先:Eindhoven University of Technology
Academic
共同研究数 1
Conference Paper
2017
A comparative analysis of machine learning algorithms for faults detection in wireless sensor networks
(Last author)
ワイヤレスセンサネットワークにおける故障検出のための機械学習アルゴリズムの比較分析
Ehsan Ullah Warriach, Kenji Tei
International Journal of Sensor Networks
【抄録】
Wireless sensor networks (WSNs) deployment experiences show that collected data is prone to be faulty. Faults are due to internal and external influences, such as calibration, low battery, environmental interference and sensor aging. In this paper, we focus on faults occurred due to low battery and calibration in WSNs. Machine learning algorithms have been successfully used to identify and classify various types of faults. In this paper, we evaluate and compare the performance of k-nearest neighbour, support vector machine (SVM), and Naive Bayes machine learning algorithms by using the real-world datasets to identify and classify the faults. We present here a comparative study of the above mentioned approaches on experimental datasets. The approach is validated using real data obtained from over one month of samples from motes deployed in an actual living lab. The results show that the k-nearest neighbour (kNN) algorithm obtained a better fault detection rate than other algorithms based on given performance metrics. Copyright © 2017 Inderscience Enterprises Ltd.
【抄録日本語訳】
ワイヤレスセンサネットワーク(WSNs)の導入経験から、収集したデータには不具合が生じやすいことが分かっています。欠陥は、校正、電池残量不足、環境干渉、センサーの老朽化など、内部および外部の影響に起因する。本論文では、WSNにおける電池残量とキャリブレーションによって発生する不具合に焦点を当てる。機械学習アルゴリズムは、様々なタイプの故障を識別し、分類するために成功裏に使用されている。本論文では、実世界のデータセットを用いて、k-nearest neighbor、サポートベクターマシン(SVM)、ナイーブベイズの機械学習アルゴリズムの性能を評価・比較し、故障の特定と分類を行う。ここでは、実験的なデータセットを用いて、上記のアプローチの比較研究を行う。本アプローチは、実際のリビングラボに配置されたモットから1ヶ月以上かけて取得した実データを用いて検証している。その結果、k-nearest neighbour (kNN)アルゴリズムが、与えられた性能指標に基づき、他のアルゴリズムよりも優れた故障検出率を得たことが示された。著作権 © 2017 Inderscience Enterprises Ltd.