DOI: 10.18413/2518-1092-2022-8-1-0-2

КЛАССИФИКАТОРЫ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ В БЕСПРОВОДНЫХ СЕНСОРНЫХ СЕТЯХ В ЭКСТРЕМАЛЬНЫХ УСЛОВИЯХ

Хотайфа Рабеа Агха
Джассим Абдул-Джаббар

Прогресс в области компьютерных сетей породил множество областей исследований, которые проложили путь для изучения множества новых приложений. Одним из самых популярных приложений, перешедших с исследовательского уровня на уровень приложений, являются беспроводные сенсорные сети (WSN), на основе которых строятся другие передовые области, такие как Интернет вещей.

Эти беспроводные сенсорные сети применялись во многих приложениях и зарекомендовали себя как эффективный инструмент для сбора информации в различных средах. С расширением круга мест, которые интересуют людей и исследуются, возникла острая необходимость в применении беспроводных сенсорных сетей в средах, с которыми людям трудно иметь дело. Это вызывает новые препятствия для реализации и работы беспроводных сенсорных сетей, таких сферах как космос, или приложения, требующие погружения датчиков в воду, промышленные среды с высоким уровнем шума или медицинские среды, а также, возможно, токсичные среды или среды, характеризующиеся очень высоким или очень низким уровнем шума, температуры. Все это, упомянутое ранее, побудило нас открыть новые горизонты исследований беспроводных сенсорных сетей для сбора данных из этих сред.

Появилось много исследований, посвященных этим типам сред, и мы добавим к ним использование граничных вычислений для обработки данных в месте их сбора, особенно в космической среде и аэрофотосъемке, где данные будут обрабатываться в конце сбора и передачи данных, так как передача потребляет большую часть энергии, основную часть энергии мы уменьшим объем за счет обработки данных на границе сети. Закрытая информация отправляется только на наземную станцию, чтобы уменьшить использование полосы пропускания и выполнять вычисления в реальном времени.

Ключевые слова: гиперспектральные изображения, классификация, пограничная коммутация, беспроводная сенсорная сеть, экстремальные условия.

Количество просмотров: 536 (смотреть статистику)

Количество скачиваний: 1650

Полный текст (PDF)К списку статей

Информация для цитирования:

Агха Х.Р., Абдул-Джаббар Дж. Классификаторы гиперспектральных изображений в беспроводных сенсорных сетях в экстремальных условиях // Научный результат. Информационные технологии. – Т.8, №1, 2023 – С. 23-37. DOI: 10.18413/2518-1092-2022-8-1-0-2

Комментарии
Список литературы

Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.

Kandris D., Nakas C., Vomvas D., Koulouras G. Applications of wireless sensor networks: an up-to-date survey. Applied System Innovation, vol. 3, no. 1, p. 14, 2020.
Sharma S., Bansal R.K., Bansal S. Issues and challenges in wireless sensor networks. 2013 international conference on machine intelligence and research advancement, 2013, pp. 58–62.
Abdulkarem M., Samsudin K., Rokhani F.Z., Rasid M.F.A. Wireless sensor network for structural health monitoring: A contemporary review of technologies, challenges, and future direction. Struct Health Monit, vol. 19, no. 3, pp. 693–735, 2020.
Rashvand H.F., Abedi A. Wireless Sensor Systems for Extreme Environments. Wireless Sensor Systems for Extreme Environments, John Wiley & Sons, Ltd, 2017, pp. 1–19. doi: 10.1002/9781119126492.ch1.
Goetz A.F.H., Vane G., Solomon J.E., Rock B.N. Imaging spectrometry for earth remote sensing. Science (1979), vol. 228, no. 4704, pp. 1147–1153, 1985.
Goetz A.F.H. Three decades of hyperspectral remote sensing of the Earth: A personal view. Remote Sens Environ, vol. 113, pp. S5–S16, 2009.
Thenkabail P.S. Hyperspectral remote sensing of vegetation: knowledge gain and knowledge gap after 50 years of research (Conference Presentation). Hyperspectral Imaging Sensors: Innovative Applications and Sensor Standards 2017, vol. 10213, p. 16, 2017.
Ben-Dor E. et al. Using imaging spectroscopy to study soil properties. Remote Sens Environ, vol. 113, pp. S38–S55, 2009.
Van der Meer F.D. et al. Multi-and hyperspectral geologic remote sensing: A review. International Journal of Applied Earth Observation and Geoinformation, vol. 14, no. 1, pp. 112–128, 2012.
Mallat S. Group invariant scattering. Commun Pure Appl Math, vol. 65, no. 10, pp. 1331–1398, 2012.
Tschannen M., Kramer T., Marti G., Heinzmann M., Wiatowski T. Heart sound classification using deep structured features. 2016 Computing in Cardiology Conference (CinC), 2016, pp. 565–568.
Andén J., Lostanlen V., Mallat S. Joint time-frequency scattering for audio classification. 2015 IEEE 25th International Workshop on Machine Learning for Signal Processing (MLSP), 2015, pp. 1–6.
Oyallon E. A hybrid network: scattering and convnet. 2017.
Trinks S., Felden C. Edge computing architecture to support real time analytic applications: A state-of-the-art within the application area of smart factory and industry 4.0. 2018 IEEE International Conference on Big Data (Big Data), 2018, pp. 2930–2939.
Dustdar S. et al. Internet of Things, People, and Processes A Serverless Real-Time Data Analytics Platform for Edge Computing. 2017. [Online]. URL: http://aws.amazon.com/
Ananthanarayanan G. et al. Real-time video analytics: The killer app for edge computing,” Computer (Long Beach Calif), vol. 50, no. 10, pp. 58–67, 2017.
Cao H., Wachowicz M., Cha S. Developing an edge computing platform for real-time descriptive analytics. 2017 IEEE International Conference on Big Data (Big Data), 2017, pp. 4546–4554.
Huang Y., Lu Y., Wang F., Fan X., Liu J., Leung V.C.M. An Edge Computing Framework for Real-Time Monitoring in Smart Grid. Proceedings – 2018 IEEE International Conference on Industrial Internet, ICII 2018, Nov. 2018, pp. 99–108. doi: 10.1109/ICII.2018.00019.
Shannigrahi S., Mastorakis S., Ortega F.R.Next-generation networking and edge computing for mixed reality real-time interactive systems. 2020 IEEE International Conference on Communications Workshops (ICC Workshops), 2020, pp. 1–6.
Yu S., Chen X., Wang S., Pu L., Wu D. An Edge Computing-Based Photo Crowdsourcing Framework for Real-Time 3D Reconstruction. IEEE Trans Mob Comput, vol. 21, no. 2, pp. 421–432, Feb. 2022, doi: 10.1109/TMC.2020.3007654.
Ullah I., Qian S., Deng Z., Lee J.-H. Extended Kalman filter-based localization algorithm by edge computing in wireless sensor networks. Digital Communications and Networks, vol. 7, no. 2, pp. 187–195, 2021.
Hong C.H., Varghese B. Resource management in fog/Edge computing: A survey on architectures, infrastructure, and algorithms. ACM Comput Surv, vol. 52, no. 5, Sep. 2019, doi: 10.1145/3326066.
Buyya R., Srirama S.N., Fog and edge computing: principles and paradigms. John Wiley & Sons, 2019.
Hassan N., Gillani S., Ahmed E., Yaqoob I., Imran M. The Role of Edge Computing in Internet of Things. IEEE Communications Magazine, vol. 56, no. 11, pp. 110–115, Nov. 2018, doi: 10.1109/MCOM.2018.1700906.
Shi W., Cao J., Zhang Q., Li Y., Xu L. Edge Computing: Vision and Challenges. IEEE Internet Things J, vol. 3, no. 5, pp. 637–646, Oct. 2016, doi: 10.1109/JIOT.2016.2579198.
Multi-Access Edge Computing in Action.
Al-Turjman F., Al-Turjman F., Edge computing. Springer, 2019.
Barbalace A., Karaoui M.L., Wang W., Xing T., Olivier P., Ravindran B. Edge computing: The case for heterogeneous-ISA container migration. VEE 2020 - Proceedings of the 16th ACM SIGPLAN/SIGOPS International Conference on Virtual Execution Environments, Mar. 2020, pp. 73–87. doi: 10.1145/3381052.3381321.
Aruna K., Pradeep G. Performance and Scalability Improvement Using IoT-Based Edge Computing Container Technologies. SN Comput Sci, vol. 1, no. 2, Mar. 2020, doi: 10.1007/s42979-020-0106-9.
Khan W.Z., Ahmed E., Hakak S., Yaqoob I., Ahmed A. Edge computing: A survey. Future Generation Computer Systems, vol. 97, pp. 219–235, 2019.
Spatharakis D. et al. A scalable Edge Computing architecture enabling smart offloading for Location Based Services. Pervasive Mob Comput, vol. 67, Sep. 2020, doi: 10.1016/j.pmcj.2020.101217.
Zhou Z., Chen X., Li E., Zeng L., Luo K., Zhang J. Edge Intelligence: Paving the Last Mile of Artificial Intelligence With Edge Computing. Proceedings of the IEEE, 2019, doi: 10.1109/JPROC.2019.2918951.
Wang X., Han Y., Leung V.C.M., Niyato D., Yan X., Chen X. Convergence of Edge Computing and Deep Learning: A Comprehensive Survey. IEEE Communications Surveys and Tutorials, vol. 22, no. 2. Institute of Electrical and Electronics Engineers Inc., pp. 869–904, Apr. 01, 2020. doi: 10.1109/COMST.2020.2970550.
Vance N., Tahmid Rashid M.D., Zhang D., Wang D. Towards reliability in online high-churn edge computing: A deviceless pipelining approach. Proceedings - 2019 IEEE International Conference on Smart Computing, SMARTCOMP 2019, Jun. 2019, pp. 301–308. doi: 10.1109/SMARTCOMP.2019.00066.
Peng Q., Jiang H., Chen M., Liang J., Xia Y. Reliability-aware and Deadline-constrained workflow scheduling in Mobile Edge Computing. 2019.
Rhee S., Seetharam D., Liu S. Techniques for minimizing power consumption in low data-rate wireless sensor networks. 2004 IEEE Wireless Communications and Networking Conference (IEEE Cat. No. 04TH8733), 2004, vol. 3, pp. 1727–1731.
Schurgers C., Aberthorne O., Srivastava M. Modulation scaling for energy aware communication systems. Proceedings of the 2001 international symposium on Low power electronics and design, 2001, pp. 96–99.
Mukhopadhyay S., Panigrahi D., Dey S. Data aware, low cost error correction for wireless sensor networks. 2004 IEEE Wireless Communications and Networking Conference (IEEE Cat. No. 04TH8733), 2004, vol. 4, pp. 2492–2497.
Pavlina J.M., Santos B., Kozlovski N., Malocha D.C. SAW wireless, passive sensor spread spectrum platforms. 2008 IEEE Ultrasonics Symposium, 2008, pp. 1112–1115.
Arora A. et al. Exscal: Elements of an extreme scale wireless sensor network. 11th IEEE International Conference on Embedded and Real-Time Computing Systems and Applications (RTCSA’05), 2005, pp. 102–108.
Falco N., Benediktsson J.A., L. Bruzzone Spectral and spatial classification of hyperspectral images based on ICA and reduced morphological attribute profiles. IEEE Transactions on Geoscience and Remote Sensing, vol. 53, no. 11, pp. 6223–6240, 2015.
Adão T. et al. Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sens (Basel), vol. 9, no. 11, p. 1110, 2017.
Xu Z. et al. Noisy labels are treasure: mean-teacher-assisted confident learning for hepatic vessel segmentation. Medical Image Computing and Computer Assisted Intervention–MICCAI 2021: 24th International Conference, Strasbourg, France, September 27–October 1, 2021, Proceedings, Part I 24, 2021, pp. 3–13.
Ghamisi P., Yokoya N., Li J., Liao W., Liu S., Rasti B., Plaza A. Advances in hyperspectral image and signal processing: A comprehensive overview of the state of the art”, IEEE Geoscience and Remote Sensing Magazine, vol. 5, no. 4, pp. 37–78, 2017.
Northcutt C., Jiang L., Chuang I. Confident learning: Estimating uncertainty in dataset labels”, Journal of Artificial Intelligence Research, vol. 70, pp. 1373–1411, 2021.
Northcutt C.G., Wu T., Chuang I.L. Learning with confident examples: Rank pruning for robust classification with noisy labels. arXiv preprint arXiv:1705.01936, 2017.
Beirami B.A., Mokhtarzade M. Band grouping SuperPCA for feature extraction and extended morphological profile production from hyperspectral images. IEEE Geoscience and Remote Sensing Letters, vol. 17, no. 11, pp. 1953–1957, 2020.
Xia J., Bombrun L., Adalı T., Berthoumieu Y., Germain C. Spectral–spatial classification of hyperspectral images using ICA and edge-preserving filter via an ensemble strategy. IEEE Transactions on Geoscience and Remote Sensing, vol. 54, no. 8, pp. 4971–4982, 2016.
Imani M., Ghassemian H. Principal component discriminant analysis for feature extraction and classification of hyperspectral images. 2014 Iranian Conference on Intelligent Systems (ICIS), 2014, pp. 1–5.
Li W., Prasad S., Fowler J.E., Bruce L.M. Locality-preserving discriminant analysis in kernel-induced feature spaces for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, vol. 8, no. 5, pp. 894–898, 2011.
Cao X., Yao J., Fu X., Bi H., Hong D. An enhanced 3-D discrete wavelet transform for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, vol. 18, no. 6, pp. 1104–1108, 2020.
B.A. Beirami, M. Mokhtarzade Band grouping SuperPCA for feature extraction and extended morphological profile production from hyperspectral images. IEEE Geoscience and Remote Sensing Letters, vol. 17, no. 11, pp. 1953–1957, 2020.
Peng J., Chen H., Zhou Y., Li L. Ideal regularized composite kernel for hyperspectral image classification. IEEE J Sel Top Appl Earth Obs Remote Sens, vol. 10, no. 4, pp. 1563–1574, 2016.
Liu J., Wu Z., Li J., Plaza A., Yuan Y. Probabilistic-kernel collaborative representation for spatial–spectral hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, vol. 54, no. 4, pp. 2371–2384, 2015.
Li J., Marpu P.R., Plaza A., Bioucas-Dias J.M., Benediktsson J.A. Generalized composite kernel framework for hyperspectral image classification. IEEE transactions on geoscience and remote sensing, vol. 51, no. 9, pp. 4816–4829, 2013.
Paoletti M.E., Haut J.M., Plaza J., Plaza A. Deep learning classifiers for hyperspectral imaging: A review. ISPRS Journal of Photogrammetry and Remote Sensing, vol. 158, pp. 279–317, 2019.
Chowdhary C.L., Patel P.V., Kathrotia K.J., Attique M., Perumal K., Ijaz M.F. Analytical study of hybrid techniques for image encryption and decryption. Sensors, vol. 20, no. 18, p. 5162, 2020.
Jia S., Jiang S., Lin Z., Li N., Xu M., Yu S. A survey: Deep learning for hyperspectral image classification with few labeled samples. Neurocomputing, vol. 448, pp. 179–204, 2021.
Quan Y., Zhong X., Feng W., Chan J.C.-W., Li Q., Xing M. SMOTE-based weighted deep rotation forest for the imbalanced hyperspectral data classification. Remote Sens (Basel), vol. 13, no. 3, p. 464, 2021.
Hughes G. On the mean accuracy of statistical pattern recognizers. IEEE Trans Inf Theory, vol. 14, no. 1, pp. 55–63, 1968.
Paoletti M.E., J.M. Haut, J. Plaza, A. Plaza Deep learning classifiers for hyperspectral imaging: A review. ISPRS Journal of Photogrammetry and Remote Sensing, vol. 158, pp. 279–317, 2019.

Все журналы

Отправить статью

Научный результат. Информационные технологии включен в научную базу РИНЦ (лицензионный договор № 765-12/2014 от 08.12.2014).

Журнал включен в перечень рецензируемых научных изданий, рекомендуемых ВАК

Журнал индексируется следующими научными базами и платформами

Научный результат. Научный результат. Информационные технологии (ISSN 2518-1092)

The journal materials and website are licensed under Creative Commons «Attribution» 4.0 International.

Учредитель: федеральное государственное автономное образовательное учреждение высшего образования «Белгородский государственный национальный исследовательский университет» (НИУ «БелГУ»). Адрес: 308015, Белгородская область, г. Белгород, ул. Победы, 85.

Издатель: федеральное государственное автономное образовательное учреждение высшего образования «Белгородский государственный национальный исследовательский университет» (НИУ «БелГУ»). Адрес: 308015, Белгородская область, г. Белгород, ул. Победы, 85.

Редакция: главный редактор Черноморец Андрей Алексеевич, e-mail: RR_IT@bsu.edu.ru, тел.: +7 (4722) 30-13-92.

Зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор)

Свидетельство о регистрации СМИ

Информационное письмо (русс. яз)

Остались вопросы?
Можете написать нам:

✉ Контент менеджер

✉ Администратор сайта

✉ Ответственный cекретарь