1. На главную
  2. Электронные версии
  3. Радиотехника и электроника
  4. T. 68, № 11, 2023

Радиотехника и электроника, 2023, T. 68, № 11, стр. 1099-1107

Совместное обнаружение и классификация объектов при комплексировании решений, выносимых сенсорами в беспроводных сенсорных сетях

В. И. Парфенов a, *, А. А. Калининский a

a Воронежский государственный университет
394018 Воронеж, Университетская пл., 1, Российская Федерация

* E-mail: vip@phys.vsu.ru

Поступила в редакцию 12.10.2022
После доработки 06.12.2022
Принята к публикации 25.01.2023

Аннотация

Разработан оптимальный комплексный алгоритм совместного обнаружения и классификации объектов при радиальной структуре беспроводных сенсорных сетей. В основе этого алгоритма лежит обработка решений о принадлежности объекта тому или иному классу отдельными сенсорами со своим весом, зависящим от характеристик сенсора. Выбор количества и типов используемых сенсоров может быть осуществлен на основе решения оптимизационной задачи, представленной в работе.

Список литературы

  1. Yaraly A. Wireless Sensor Networks (WSN): Technology and Applications. N.Y.: Nova Sci. Publ. Inc., 2021.

  2. Лихтциндер Б.Я., Киричек Р.В., Федотов Е.Д. и др. Беспроводные сенсорные сети. М.: Горячая Линия-Телеком, 2020.

  3. Sreeja B.P., Jakyakumar L., Devi G.S. // Intern. J. Pure Appl. Mathem. 2018. V. 118. № 11. P. 385.

  4. Arampatzis Th., Lygeros J., Manesis S. // Proc. 13th Mediterranean Conf. on Control and Automation Intelligent Control. Limassol. 27–29 Jun. N.Y.: IEEE. 2005. P. 27. https://doi.org/10.1109/.2005.1467103

  5. Logambal M., Thiagarasu Dr. V. // Intern. J. of Engineering Sciences & Research Technology. 2017. V. 6. № 3. P. 35. https://doi.org/10.5281/zenodo.345688

  6. Chair Z., Varshney P.K. // IEEE Trans. 1986. V. TAES-31. № 1. P. 98. https://doi.org/10.1109/TAES.1986.310699

  7. Sriranga N., Nagananda K.G., Blum R.S. et al. // Proc. 21st Int. Conf. Inf. Fusion. Cambridge. 10–13 Jul. N.Y.: IEEE, 2018. P. 1541. https://doi.org/10.23919/ICIF.2018.8454976

  8. Аггарвал Ч. Нейронные сети и глубокое обучение. М.: Диалектика, 2020.

  9. Wu X., Kumar V., Ross Q.J. et al. // Knowledge Inform. Systems. 2008. V. 14. № 1. P. 1. https://doi.org/10.1007/s10115-007-0114-2

  10. Eibe F., Witter I. Data Mining. Practical Machine Learning Tools and Techniques. Waltham: Morgan Kaufmann Publ., 2005.

  11. Калан Р. Основные концепции нейронных сетей. М.: ИД “Вильямс”, 2003.

  12. Фу К. Последовательные методы в распознавании образов и обучение машин. М.: Наука, 1971.

  13. Kitter J., Hatef M., Duin R.P.W., Matas J. // IEEE Trans. 1998. V. PAMI-20. № 3. P. 226. https://doi.org/10.1109/34.667881

  14. Wang T-Y., Han Y.S., Chen B., Varshney P.K. // IEEE Trans. 2006. V. WC-5. № 7. P. 1695. https://doi.org/10.1109/TWC.2006.1673081

  15. Gok J., Yazici A., Cosar A., George R. // IEEE World Congress on Computational Intelligence. Barcelona, Spain. 18–23 Jul. 2010. https://doi.org/10.1109/FUZZY.2010.5583956

  16. Gutta S., Cheng Qi. // 15th Intern. Conf. on Information Fusion. Singapore. 9–12 Jul. 2012. P. 1519.

  17. Javaid A., Javaid N., Wadud Z. et al. // Sensors. 2019. V. 19. № 6. P. 1334. https://doi.org/10.3390/s19061334

  18. Скляр Б. Цифровая связь: Теоретические основы и практическое применение. М.: ИД “Вильямс”, 2003.

  19. Левин Б.Р. Теоретические основы статистической радиотехники. М.: Сов. радио, 1975. Кн. 2.

  20. Парфенов В.И., Ле В.Д. // Физика волновых процессов и радиотехнические системы. 2020. Т. 23. № 2. С. 49. https://doi.org/10.18469/1810-3189.2020.23.2.49-54

  21. Парфенов В.И., Ле В.Д. // Компьютерная оптика. 2021. Т. 45. № 3. С. 364. https://doi.org/10.18287/2412-6179-CO-788

  22. Parfenov V.I., Le V.D. // Int. J. Sensor Networks. 2022. V. 38. № 2. P. 71. https://doi.org/10.1504/IJSNET.2022.121157

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Радиотехника и электроника

Архивы выпусков Информация о журнале Отправить рукопись в журнал