Login for students

Login for employees

Publication detail

Sampling control in environmental monitoring systems using recurrent neural networks
Authors: Ezeora Obiora Sam | Heckenbergerová Jana | Musílek Petr | Rodway James
Year: 2016
Type of publication: článek ve sborníku
Name of source: Proceedings of 2016 IEEE Canadian Conference on Electrical and Computer Engineering (CCECE)
Publisher name: IEEE (Institute of Electrical and Electronics Engineers)
Place: New York
Page from-to: 101-110
Titles:
Language Name Abstract Keywords
cze Adaptivní metoda v systémech monitorování životního prostředí využívající rekurentní neuronové sítě Minimalizace spotřeby energie systémů monitorování životního prostředí je důležitá pro zajištění delší provozní životnosti a nížších nároků na údržbu. Jednou z možných cest pro úsporu energie je použití nízkofrekvenčních analogově-digitálních převodníků a přidružených vzorkovacích technik. V tomto článku je navržen a diskutován nový model využívající snížení vzorkovací frekvence. Zaznamenaná data jsou využívána k tvorbě modelu založeného na časové prodlevě rekurentní neuronové sítě. Odběr vzorků je realizován při nízkých frekvencích. Modely jsou použity k předpovědi budoucích a chybějících hodnot. Modely jsou aktualizovány, pokud se predikované hodnoty významně liší od skutečných měření. Navrhovaný postup je demonstrován na skutečných měření vzorků při různých frekvencích. Výsledky jsou důkladně analyzovány z hlediska chyb aproximací a úspory energie. rekurentní neuronové sítě, měření frekvence, analýza časové řady, komprimace dat, bezdrátové senzorové sítě, měření teploty
eng Sampling control in environmental monitoring systems using recurrent neural networks Minimization of energy consumption of environmental monitoring systems is important to ensure their extended operational lifetime and low maintenance costs. One possible way to conserve energy is the use of low-frequency analog-to-digital conversion devices and associated data sampling techniques. In this paper, a new approach to lowering sampling frequency using model-based data imputation is proposed and discussed. Recorded data is used to develop models based on time-delay recurrent neural network. While sampling at low frequencies, the models are used to predict future and missing values. The models are updated when predicted values differ significantly from the actual measurements. The proposed approach is demonstrated using actual measurements sampled at different frequencies. The results are thoroughly analyzed from the perspective of approximation error and energy savings. Recurrent neural networks, Frequency measurement, Time series analysis, Compressed sensing, Wireless sensor networks, Temperature measurement

Department

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives