Publikace detail

Sampling control in environmental monitoring systems using recurrent neural networks

Autoři: Ezeora Obiora Sam | Heckenbergerová Jana | Musílek Petr | Rodway James

Rok: 2016

Druh publikace: článek ve sborníku

Název zdroje: Proceedings of 2016 IEEE Canadian Conference on Electrical and Computer Engineering (CCECE)

Název nakladatele: IEEE (Institute of Electrical and Electronics Engineers)

Místo vydání: New York

Strana od-do: 101-110

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte