مروری بر الگوریتم یادگیری نظارتی K-NN و کاربرد آن در شبکه های حسگر بی سیم

ML. یادگیری ماشینی (ML) فرآیندی است که به طور خودکار از مطالعه یا تجربه یاد می گیرد و بدون برنامه ریزی صریح عمل می کند. ML فرآیندهای محاسباتی ما را کارآمدتر، قابل اعتمادتر و مقرون به صرفه تر می کرد. با تجزیه و تحلیل داده های پیچیده تر به صورت خودکار، سریع و دقیق تر، مدل هایی را تولید می کند. عمدتا به یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری نیمه نظارتی و یادگیری تقویتی طبقه بندی می شود. قدرت ML در توانایی آنها برای ارائه راه حل های تعمیم یافته از طریق معماری است که می تواند بهبود عملکرد خود را یاد بگیرد. الگوریتم K-Nearest Neighbors (KNN) یکی از روش های یادگیری نظارت شده است که می تواند برای طبقه بندی و رگرسیون استفاده شود. اصل ترین موضوع روش های نزدیک ترین همسایه، یافتن تعداد از پیش تعریف شده نمونه های آموزشی در نزدیک ترین فاصله به نقطه جدید و پیش بینی برچسب از روی آن ها است. یکی از موضوعات مهم بررسی کاربرد الگوریتم های یادگیری ماشین در شبکه حسگر بی سیم (WSN) می باشد. WSN یکی از امیدوارکننده ترین فناوری ها برای برخی کاربردهای بلادرنگ به دلیل اندازه، مقرون به صرفه و ماهیت قابل استقرار آسان است. وظیفه WSN نظارت بر یک زمینه مورد علاقه و جمع آوری اطلاعات خاص و ارسال آنها به ایستگاه پایه برای تجزیه و تحلیل داده های پستی است. استفاده از ML نه تنها عملکرد WSN ها را بهبود می بخشد و همچنین مداخله یا برنامه مجدد انسانی را محدود می کند. دسترسی به حجم وسیعی از داده های جمع آوری شده توسط حسگرها و استخراج اطلاعات مفید از داده ها بدون ML چندان آسان نیست. این مقاله به بررسی این الگوریتم و کاربرد آن در شبکه های حسگر بی سیم پرداخته است.

کلیدواژه ها:

الگوریتم ، KNN ، شبکه های حسگر ، نظارت ، ML ، WSN.