Resumen

El espacio de datos recogidos por una red de sensores inalámbricos (WSN) es la base de la minería y la visualización de datos. En el proceso de monitorización de cantidades físicas con grandes correlaciones temporales y espaciales, se puede adoptar una estrategia de adquisición incompleta con interpolación de datos para reducir el coste de despliegue. Para mejorar el rendimiento de la interpolación de datos en este escenario, hemos propuesto una interpolación de datos robusta basada en un operador de red neuronal artificial de retropropagación. En este trabajo, se propone un operador de aprendizaje de red neuronal basado en la fuerte tolerancia a fallos de las redes neuronales artificiales. El operador de aprendizaje se entrena utilizando los datos históricos de los nodos de adquisición de datos de la WSN y se transfiere para estimar el valor de las magnitudes físicas en las ubicaciones donde no están desplegados los sensores. Los resultados experimentales muestran que nuestro método propuesto produce un error de interpolación menor que el método tradicional de interpolación inversa-distancia-ponderada (IDWI).

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:interpolación de datos, magnitudes físicas, operador de red neuronal artificial, redes neuronales artificiales, nodos de adquisición de datos, estrategia de adquisición incompleta, interpolación robusta de datos, menor error de interpolación, fuerte tolerancia a fallos, red inalámbrica de sensores
• Keywords:data interpolation, physical quantities, artificial neural network operator, artificial neural networks, data acquisition nodes, incomplete acquisition strategy, robust data interpolation, smaller interpolation error, strong fault tolerance, wireless sensor network