view in publisher's site

Missing Data Imputation with Bayesian Maximum Entropy for Internet of Things Applications

Internet of Things (IoT) enables the seamless integration of sensors, actuators and communication devices for real-time applications. IoT systems require good quality sensor data in order to make real-time decisions. However, values are often missing from the sensor data collected owing to faulty sensors, a loss of data during communication, interference and measurement errors. Considering the spatiotemporal nature of IoT data and the uncertainty of the data collected by sensors, we propose a new framework with which to impute missing values utilizing Bayesian Maximum Entropy (BME) as a convenient means to estimate the missing data from IoT applications. Missing sensor measurements adversely affect the quality of data, and consequently the performance and outcomes of IoT systems. Our proposed framework incorporates BME in order to impute missing values in diverse IoT scenarios by making use of the combination of low-and high-precision sensors. Our approach can incorporate the measurement errors of low-precision sensors as interval quantities along with the high-precision sensor measurements, making it highly suitable for real-time IoT systems. Our framework is robust to variations in data, requires less execution time, and requires only a single input parameter, thus outperforming existing IoT data imputation methods. The experimental results obtained for three IoT datasets demonstrate the superiority of the BME framework as regards accuracy, running time and robustness. The framework can additionally be extended to distributed IoT nodes for the online imputation of missing values.

فقدان اطلاعات ناقص با Bayesian حداکثر آنتروپی برای اینترنت از همه برنامه‌ها

اینترنت اشیا (IOT)به یکپارچه‌سازی یکپارچه حسگرها، عملگرها و دستگاه‌های ارتباطی برای کاربردهای بلادرنگ این امکان را می‌دهد. سیستم‌های IoT به داده‌های حسگر با کیفیت خوب به منظور تصمیم‌گیری در زمان واقعی نیاز دارند. با این حال، مقادیر معمولا از داده‌های حسگر به‌دست‌آمده به علت حسگرهای معیوب، از دست دادن داده‌ها در طول ارتباط، تداخل و خطاهای اندازه‌گیری گم می‌شوند. با در نظر گرفتن ماهیت spatiotemporal داده‌های IoT و عدم اطمینان داده‌های جمع‌آوری‌شده از طریق حسگرها، ما یک چارچوب جدید را پیشنهاد می‌کنیم که در آن مقادیر از دست رفته را با استفاده از Bayesian حداکثر آنتروپی (BME)به عنوان ابزاری مناسب برای تخمین داده‌های گم‌شده از کاربردهای اینترنت ارائه می‌کنیم. اندازه‌گیری دقیق سنسور بر کیفیت داده‌ها تاثیر منفی می‌گذارد و در نتیجه عملکرد و نتایج سیستم‌های IoT را تحت‌تاثیر قرار می‌دهد. چارچوب پیشنهادی ما شامل BME برای نسبت دادن مقادیر از دست رفته در سناریوهای مختلف IoT با استفاده از ترکیبی از حسگرهای دقیق و با دقت بالا است. رویکرد ما می‌تواند خطاهای اندازه‌گیری حسگرهای با دقت پایین را به عنوان مقادیر فواصل به همراه اندازه‌گیری‌های سنسور دقت بالا در نظر بگیرد، که آن را برای سیستم‌های - بلادرنگ بسیار مناسب می‌سازد. چارچوب ما برای تغییرات در داده‌ها، نیازمند زمان اجرای کم‌تر است و تنها نیازمند یک پارامتر ورودی منفرد است، در نتیجه از روش‌های imputation داده‌های IoT موجود استفاده می‌کند. نتایج آزمایشی بدست‌آمده برای سه مجموعه داده IoT نشان‌دهنده برتری چارچوب BME نسبت به دقت، زمان اجرا و مقاومت است. این چارچوب علاوه بر این می‌تواند برای توزیع آنلاین IoT برای استفاده آنلاین از مقادیر از دست رفته تعمیم یابد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Computer Science Applications
  • ترجمه مقاله Computer Science Applications
  • مقاله کاربردهای علوم کامپیوتر
  • ترجمه مقاله کاربردهای علوم کامپیوتر
  • مقاله Information Systems
  • ترجمه مقاله Information Systems
  • مقاله سیستم‌های اطلاعاتی
  • ترجمه مقاله سیستم‌های اطلاعاتی
  • مقاله Signal Processing
  • ترجمه مقاله Signal Processing
  • مقاله پردازش سیگنال
  • ترجمه مقاله پردازش سیگنال
  • مقاله Computer Networks and Communications
  • ترجمه مقاله Computer Networks and Communications
  • مقاله شبکه‌ها و ارتباطات کامپیوتری
  • ترجمه مقاله شبکه‌ها و ارتباطات کامپیوتری
  • مقاله Hardware and Architecture
  • ترجمه مقاله Hardware and Architecture
  • مقاله سخت‌افزار و معماری
  • ترجمه مقاله سخت‌افزار و معماری
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.