Procesos gaussianos multi-salida aplicados al modelamiento y reducción en la dimensionalidad de los datos transmitidos en una red inalámbrica de sensores
Autores: Ortega Vela, José Aicardo; Muñoz Gutiérrez, Pablo Andrés; Vargas Cardona, Hernán Darío
Idioma: Inglés
Editor: Universidad Pedagógica y Tecnológica de Colombia - UPTC
Año: 2025
Acceso abierto
Artículo OA
2025
Procesos gaussianos multi-salida aplicados al modelamiento y reducción en la dimensionalidad de los datos transmitidos en una red inalámbrica de sensores
Categoría
Ingeniería y Tecnología
Subcategoría
Inteligencia Artificial
Palabras clave
Aprendizaje supervisado
Optimización de recursos
Procesamiento de datos
Procesos gaussianos de múltiples salidas
Redes de sensores inalámbricos
Reducción de dimensionalidad
Licencia
CC BY – Atribución
Consultas: 19
Citaciones: Revista Facultad de Ingeniería Vol. 34 Núm. 71
En este trabajo se presenta el modelamiento de datos provenientes de redes de sensores inalámbricos (WSN), aplicando procesos Gaussianos de múltiples salidas (MOGP). El objetivo, además de describir la dinámica de las magnitudes medidas (temperatura, humedad relativa, presión atmosférica y humedad de suelo), es aprovechar que los MOGP son máquinas de aprendizaje probabilísticas y usar la varianza (incertidumbre) que entrega este método para reducir la dimensionalidad en los datos de la red, es decir, eliminar datos redundantes. Se hace una comparación con otras máquinas de aprendizaje como procesos Gaussianos simples (GP), regresor basado en máquina de soporte vectorial (SVR), redes neuronales (NN), y Random Forest (RF), donde se evalúa el rendimiento en términos del RMSE, en el modelamiento de datos reales medidos por la WSN ubicada en la Universidad del Quindío. Los resultados prueban que los MOGP son algoritmos de aprendizaje supervisado de alta exactitud, flexibles para modelar cualquier magnitud física y, además, detectan datos redundantes, en algunos casos con reducción mayor al 50%.
Descripción
En este trabajo se presenta el modelamiento de datos provenientes de redes de sensores inalámbricos (WSN), aplicando procesos Gaussianos de múltiples salidas (MOGP). El objetivo, además de describir la dinámica de las magnitudes medidas (temperatura, humedad relativa, presión atmosférica y humedad de suelo), es aprovechar que los MOGP son máquinas de aprendizaje probabilísticas y usar la varianza (incertidumbre) que entrega este método para reducir la dimensionalidad en los datos de la red, es decir, eliminar datos redundantes. Se hace una comparación con otras máquinas de aprendizaje como procesos Gaussianos simples (GP), regresor basado en máquina de soporte vectorial (SVR), redes neuronales (NN), y Random Forest (RF), donde se evalúa el rendimiento en términos del RMSE, en el modelamiento de datos reales medidos por la WSN ubicada en la Universidad del Quindío. Los resultados prueban que los MOGP son algoritmos de aprendizaje supervisado de alta exactitud, flexibles para modelar cualquier magnitud física y, además, detectan datos redundantes, en algunos casos con reducción mayor al 50%.