Laplacian Scores-Based Feature Reduction in IoT Systems for Agricultural Monitoring and Decision-Making Support.
Laplacian Scores-Based Feature Reduction in IoT Systems for Agricultural Monitoring and Decision-Making Support.
复制标题
DOI：
10.3390/s20185107
复制
发表时间：
2020-09-08
期刊：
影响因子：
--
通讯作者：
Fehringer G
中科院分区：
文献类型：
--
作者：
Tsapparellas G;Jin N;Dai X;Fehringer G
物联网（IoT）系统一直在生成大量数据。如何选择和传输对决策至关重要的数据是一个挑战。这对于低成本和低功耗设计尤其重要，例如基于远程广域网（LoRaWan）的物联网系统，其中数据量和频率受到协议的限制。本文提出了一种无监督学习方法，使用拉普拉斯得分来发现哪些类型的传感器可以减少，而不影响决策。这里，传感器的类型是特征。针对工厂监控场景设计并实现了物联网系统。我们收集了数据并进行了拉普拉斯评分。分析结果有助于选择最重要的特征。一项比较研究表明，使用较少类型的传感器，决策的准确性仍然处于令人满意的水平。
Internet of things (IoT) systems generate a large volume of data all the time. How to choose and transfer which data are essential for decision-making is a challenge. This is especially important for low-cost and low-power designs, for example Long-Range Wide-Area Network (LoRaWan)-based IoT systems, where data volume and frequency are constrained by the protocols. This paper presents an unsupervised learning approach using Laplacian scores to discover which types of sensors can be reduced, without compromising the decision-making. Here, a type of sensor is a feature. An IoT system is designed and implemented for a plant-monitoring scenario. We have collected data and carried out the Laplacian scores. The analytical results help choose the most important feature. A comparative study has shown that using fewer types of sensors, the accuracy of decision-making remains at a satisfactory level.
登录
查看更多内容
具有结构正则化的自适应无监督特征选择
DOI：
10.1109/tnnls.2017.2650978
发表时间：
2018-04-01
影响因子：
10.4
作者：
Luo, Minnan;Nie, Feiping;Zheng, Qinghua
通讯作者：
Zheng, Qinghua
影响因子：
1.6
作者：
Meidan, Yair;Bohadana, Michael;Elovici, Yuval
通讯作者：
Elovici, Yuval
影响因子：
4.3
作者：
Gaura, Elena I.;Brusey, James;Rednic, Ramona
通讯作者：
Rednic, Ramona
影响因子：
2.7
作者：
Alalga, Abdelouahid;Benabdeslem, Khalid;Taleb, Nora
通讯作者：
Taleb, Nora
影响因子：
3.9
作者：
Rani, Meenu;Dhok, Sanjay;Deshmukh, Raghavendra
通讯作者：
Deshmukh, Raghavendra