تحلیل چالش‌های داده‌های نامتوازن در شبکه‌های حسگر بی‌سیم و راه‌حل‌های موجود

تحلیل چالش‌های داده‌های نامتوازن در شبکه‌های حسگر بی‌سیم و راه‌حل‌های موجود

سید سعید مقدم نیا1

1) دانشجوی مقطع دکترا تخصصی رشته علوم کامپیوتر، محاسبات نرم و هوش مصنوعی، دانشکده ریاضیات و علوم کامپیوتر، دانشگاه آزاد اسلامی، واحد لاهیجان، استان مازندران، ایران.

کد IOI مقاله : XKBA-AAADFA
محل انتشار : سومین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com/3rd)
چکیده :
    شبکه‌های حسگر بی‌سیم (WSN) نقش مهمی در برنامه‌های کاربردی مدرن مانند نظارت بر محیط‌زیست، مراقبت‌های بهداشتی، و شهرهای هوشمند دارند، جایی که داده‌های بی‌درنگ را از حسگرهای توزیع شده جمع‌آوری می‌کنند. با این حال، یکی از چالش‌های اصلی در WSN‌ها مسئله داده‌های نامتعادل است که می‌تواند به شدت بر توانایی‌های پیش‌بینی و طبقه‌بندی مدل‌های یادگیری ماشین مستقر در این شبکه‌ها تأثیر بگذارد. مجموعه داده‌های نامتعادل اغلب منجر به عملکرد طبقه‌بندی ضعیف می‌شود، به‌ویژه برای رویدادهای نادر مانند نشت گاز یا بلایای زیست‌محیطی، که برای قابلیت اطمینان و امنیت سیستم بسیار مهم هستند. علاوه بر این، داده‌های نامتعادل منجر به نرخ منفی کاذب بالا می‌شود، جایی که رویدادهای نادر اما مهم نادیده گرفته می‌شوند و خطرات قابل‌توجهی در برنامه‌های کاربردی حیاتی ایمنی ایجاد می‌کنند. منابع محدود WSN ها، مانند انرژی و پهنای باند، مدیریت موثر داده های نامتعادل را چالش برانگیزتر می کند. کمبود داده‌های کلاس اقلیت، به‌ویژه در محیط‌های دور یا سخت، با محدود کردن توانایی شبکه برای شناسایی این رویدادهای نادر، مشکل را تشدید می‌کند. علاوه بر این، عوامل طراحی شبکه، مانند توزیع فضایی حسگرها و شرایط محیطی، می‌توانند بیشتر به عدم تعادل داده‌ها کمک کنند و اطمینان از جمع‌آوری دقیق و منسجم داده‌ها را دشوار می‌سازند. هدف این مقاله بررسی چالش های داده های نامتعادل در WSN ها و ارائه راه حل های مختلف برای کاهش این مسائل است. ما چندین تکنیک پیش پردازش، از جمله روش های نمونه برداری بیش از حد مانند SMOTE (تکنیک نمونه برداری بیش از حد اقلیت مصنوعی)، روش های نمونه برداری کم، و ADASYN (نمونه گیری مصنوعی تطبیقی) را بررسی می کنیم. ما همچنین اثربخشی روش‌های مجموعه، مانند جنگل‌های تصادفی و AdaBoost را بررسی می‌کنیم، که نشان داده شده است عملکرد طبقه‌بندی را برای مجموعه داده‌های نامتعادل بهبود می‌بخشد. علاوه بر این، رویکردهای یادگیری حساس به هزینه و اصلاحات در الگوریتم‌های طبقه‌بندی، مانند ماشین‌های بردار پشتیبان (SVM) و درخت‌های تصمیم، به عنوان راه‌هایی برای بهبود تشخیص رویدادهای کلاس اقلیت مورد بحث قرار می‌گیرند. علاوه بر این، ما نقش بهبود طراحی شبکه، مانند معماری شبکه سلسله مراتبی و توزیع شده، را در رسیدگی به چالش های جمع آوری داده ها بررسی می کنیم. این استراتژی ها به اطمینان از نمایش بهتر رویدادهای نادر و بهبود دقت تشخیص کلی در شرایط نامتعادل داده کمک می کند. با استفاده از این راه حل ها، WSN ها می توانند کارایی و قابلیت اطمینان را حتی در محیط های با محدودیت منابع حفظ کنند.

کلمات کلیدی : شبکه‌های حسگر بی‌سیم داده‌های نامتعادل یادگیری ماشینی پیش‌پردازش داده‌ها الگوریتم‌های طبقه‌بندی