Data augmentation for enhanced performance of deep neural networks based localization in wireless sensor networks for the internet of things.

Esheh, Jehan Basher (2024). Data augmentation for enhanced performance of deep neural networks based localization in wireless sensor networks for the internet of things. Thèse. Québec, Université du Québec, Institut national de la recherche scientifique, Doctorat en télécommunications, 112 p.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

La localisation est l'un des problèmes les plus complexes dans les réseaux de capteurs sans fil, et de nombreux chercheurs se sont récemment tournés vers l'apprentissage automatique pour trouver des solutions. Nous exploitons les réseaux neuronaux profonds (RNP) pour améliorer la performance de localisation sans augmenter les coûts de l'Internet des Objets. Les RNP nécessitent de grandes quantités de données d'entraînement pour obtenir des résultats précis. Cependant, pour relever ce défi, nous proposons une solution par la mise en œuvre de trois stratégies d'augmentation de données (SAD).
La première stratégie implique la création de plusieurs ancres virtuelles autour des ancres réelles existantes. Par conséquent, cette SAD génère plus de données d'entraînement, augmentant significativement la taille des données et conduisant à une localisation plus précise.
Une deuxième stratégie alternative de SAD est mise en œuvre en injectant du bruit gaussien dans les ancres avec différentes valeurs de ratio de bruit aléatoire. Différentes distances estimées influencées (ensembles de données) entre les nœuds inconnus et les nœuds d'ancrage correspondent à chaque ratio de bruit aléatoire calculé sur la base de Dv-hop. En combinant ces ensembles de données, ils peuvent être utilisés comme une DAS. Cette approche augmente la quantité de données disponibles pour entraîner les RNP, leur permettant d'être entraînés sur des données bruitées.
Les première et deuxième SAD proposées augmentent les données d'entraînement liées aux ancres, soit en créant des ancres virtuelles, soit en y injectant du bruit. De plus, nous proposons une troisième approche intelligente pour améliorer l'ensemble de données d'entraînement, qui consiste à répliquer plusieurs fois les données originales (coordonnées estimées des échantillons de nœuds inconnus basées sur l'algorithme Dv-hop), et ces répliques sont perturbées par du bruit gaussien pour modification. Les multiples ensembles de données répliquées et modifiées sont agrégés pour être utilisés comme SAD. Ce processus augmentera la quantité de données disponibles et peut être utilisé comme augmentation de données. Par conséquent, cela représente un compromis équitable entre l'augmentation des performances des SAD basées sur les RNP proposées et le coût computationnel de l'augmentation de données.
Les métriques de performance considérées pour la validation sont l'erreur quadratique moyenne normalisée et la fonction de distribution cumulée. L'analyse et les résultats expérimentaux montrent que les SADS basées sur les RNP proposées ont été comparées avec les RNP sans SAD et l'algorithme classique Dv-hop.

The localization is one of the most challenging problems in wireless sensor networks (WSNs), and many researchers have recently turned to machine learning (ML) for solutions. We exploit deep neural network (DNN) to improve the localization performance without burdening the Internet of Things (IoT) cost. DNN needs large training data to yield accurate results. However, to address this challenge, we propose a solution through the implementation of three Data Augmentation Strategies (DAS). The first strategy involves the creation of multiple virtual anchors around the existing real anchors. Consequently, DAS generates more training data and significantly increase data size and leading to more precise localization.
However, in this thesis we implement a second alternative type of DAS by injecting Gaussian noise into anchors with different values of random noise ratio. Different influenced estimated distances (datasets) between unknown nodes and anchor nodes correspond to each random noise ratio calculated based on Dv-hop. By combining these datasets, they can be used as a DAS. This approach augments the amount of data available for training DNNs, enabling them to be trained on noisy data. This improves their capability to generalize effectively in noisy environments and enhances the practicality of low-cost DNNs for localization in WSNs within the IoT framework.
The first, and second proposed DAS augmented the training data related to the anchors, either by creating virtual anchors or by injecting noise into them. Moreover, we propose a third intelligent approach to enhance the training dataset, which involves replicating the original data (estimated coordinates of unknown nodes datasets samples based Dv-hop algorithm) multiple times, and these replications were perturbed with Gaussian noise for modification. The multiple modified replications datasets are aggregated to be used as DAS. This process will increase the amount of available data and can be used as data augmentation. Consequently, this leads to the largest decrease in normalized root mean square error (NRMSE). Therefore, extending the original training data with modified replication thereof represents a fair compromise between the increased performance of the proposed DNN-based DAS and the computational cost of data augmentation.
Performance metrics considered for validation are NRMSE, and Cumulative Distribution Function (CDF). The analysis and experimental results show that the proposed DNN-based DAS have been compared with DNN without DAS and classic Dv-hop algorithm.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Affes, Sofiène
Mots-clés libres:	Wireless Sensor Networks ; Data Augmentation Strategy ; Distance Vector-Hop ; Internet of Things ; Deep Neural Network.
Centre:	Centre Énergie Matériaux Télécommunications
Date de dépôt:	29 nov. 2024 01:15
Dernière modification:	29 nov. 2024 01:15
URI:	https://espace.inrs.ca/id/eprint/16207

Gestion Actions (Identification requise)

Modifier la notice