Distributed Weighted Fuzzy C-Means Clustering for Wireless Sensor Network Data Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fuzzy C-means (FCM) is a widely known clustering algorithm, which performs segregation of a dataset by giving equal weightage to all the features associated with it. In case of unbalanced datasets the FCM at times struggles due to this equal feature weighting and initialization sensitivity. Hashemzadeh et. al. in 2019 reported a new FCM method based on feature weight and cluster-weight learning. This paper suitably modify the algorithm of Hashemzadeh et. al. for effective analysis of clusters in distributed processing environment of a wireless sensor network. This proposed algorithm is termed as distributed weighted Fuzzy C-means (DWFCM) clustering. Here DWFCM uses average Euclidean Deviation as the cost function due to the use of clean datasets without outlier and noise, over non-Euclidean distance used by Hashemzadeh et. al. In the simulation DWFCM performance is tested on datasets distributed over six wireless sensor nodes which mutually process the information with diffusion based learning. Performance evaluation is carried out using Silhouette Index (SI) as validation parameter for three data sets : Synthetic dataset Circle_3_2, Thames river water quality dataset, Canada Weather station dataset. Simulation results reveal superior performance of proposed DWFCM over distributed FCM algorithm using visual clusters obtained at each nodes, SI value plot at the sensor nodes, average convergence plot.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle