Outlier Detection in Wireless Sensor Networks Using Machine Learning and Statistical Based Approaches
Notice bibliographique
Résumé
Outliers in wireless sensor networks (WSNs), stemming from harsh environmental conditions and limited processing and communication capacities of sensor nodes, pose a significant challenge to data reliability and quality collected by the network.Energyefficient outlier detection methods are crucial for prolonging network lifespan.This study introduces a two-phase approach to address this challenge.At sensor nodes, a lightweight statistical method based on mean and standard deviation detects and removes outliers, conserving energy.Early outlier filtering reduces data transmission, saving substantial energy due to the high energy cost of communication in WSNs.At the base station, several unsupervised Machine Learning algorithms, including One Class Support Vector Machine (OCSVM), Histogram Based Outlier Score (HBOS), Isolation Forest (IForest), K-Nearest Neighbor (KNN), and Cluster Based Local Outlier Factor (CBLOF), identify remaining outliers.The base station, with greater computational power and energy resources, can handle these tasks without the constraints faced by sensor nodes.Evaluation using realworld datasets demonstrates the effectiveness of our approach, achieving a 77.59% outlier removal rate at the node level while maintaining over 90% detection accuracy at the base station.By employing computationally light statistical methods at sensor nodes, reducing data transmission, and shifting complex tasks to the base station, our approach optimizes energy efficiency, minimizing consumption and reducing the need for frequent recalibration or maintenance, thereby extending the lifespan of the network.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».