.png){kind=icon}
返回
QUEST: Eliminating Online Supervised Learning for Efficient Classification Algorithms
.png){kind=icon}
OA
AI
DOI：10.3390/s16101629.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在这项工作中，我们介绍了QUEST (监督训练后的分位数估计)，这是一种无线传感器网络 (wsn) 的自适应分类算法，消除了在线监督学习的必要性。在线处理对于许多传感器网络应用很重要。传输原始传感器数据对电池提出了很高的要求，从而缩短了网络寿命。通过仅仅发送基于采样数据的部分结果或分类，可以显著减少网络上的业务量。可以通过使用采样数据的基于学习的算法来进行这样的分类。然而，一个重要的问题是这些基于学习的算法的训练阶段。训练部署的传感器网络需要大量的通信和不切实际的人工参与。QUEST是一种混合算法，将受控环境中的监督学习与部署位置的无监督学习相结合。使用SITEX02数据集，我们证明了所提出的解决方案在90% 测试中的性能损失均小于10%。在某些情况下，它甚至优于完全经过监督学习训练的分类器网络。因此，我们的解决方案完全消除了对现场监督学习和培训交流的需求。
Keyword:
wireless sensor networks
unsupervised learning
classification algorithms
Naive Bayes
semi-supervised learning
adaptive
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。