SysGpr: Sistema de generación de señales sintéticas pseudo-realistas

F. León, Fco. J. Rodríguez-Lozano, A. Cubero-Fernández, José M. Palomares, J. Olivares.

Resumen

Las señales obtenidas desde sensores son ampliamente utilizadas en diferentes campos científicos. Sin embargo, no siempre se dispone de los recursos necesarios para obtener dichos datos, debido a limitaciones estructurales, físicas, económicas, ambientales, fallos en la recolección de los datos, etc. Es en este escenario limitante, donde se erige la generación de datos sintéticos. La generación de datos sintéticos tiene la característica de reducir tiempos de espera frente a los largos periodos temporales que necesitan algunos sensores para obtener grandes volúmenes de muestras. Además, los datos generados pueden llegar a ser todo lo robustos que los usuarios necesiten. Por ello este trabajo presenta un sistema de generación de señales sintéticas con carácter pseudo-realista para su uso aplicado a la validación de métodos y diseño de experimentos. El método de la generación de señales propuesto, hace uso de modelos estadísticos y el comportamiento del gradiente de la señal para ir generando nuevos datos. El sistema desarrollado se encuentra disponible públicamente como herramienta web.

Palabras clave

Análisis y tratamiento de señales; Diseño de experimentos; Modelado de señales; Datos sintéticos; Distribuciones estadísticas

Clasificación por materias

100: Filtrado, estimación y análisis y tratamiento de señales e imágenes; 80: Modelado, identificación, simulación y optimización de sistemas;

Texto completo:

PDF

Referencias

A. Biru, R. M., Rotondi, D., 2015. Towards a definition of the internet of things (iot). Tech. rep., IEEE Tech. Rep.

Alee, N., Ehkan, P., Kamarudin, L. M., Harun, A., aug 2016. Size efficiency for sensor node with embedded processing unit. En: 2016 3rd International Conference on Electronic Design (ICED). IEEE. https://doi.org/10.1109/ICED.2016.7804642

Alzantot, M., Chakraborty, S., Srivastava, M., mar 2017. SenseGen: A deep learning architecture for synthetic sensor data generation. En: 2017 IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops). IEEE. https://doi.org/10.1109/PERCOMW.2017.7917555

Anderson, J. W., Kennedy, K. E., Ngo, L. B., Luckow, A., Apon, A. W., oct 2014. Synthetic data generation for the internet of things. En: 2014 IEEE International Conference on Big Data (Big Data). IEEE. https://doi.org/10.1109/BigData.2014.7004228

Ayala-Rivera, V., McDonagh, P., Cerqueus, T., Murphy, L., 2013. Synthetic data generation using benerator tool. CoRR abs/1311.3312.

Bergmann, V., 2013. Data benerator tool. [OnLine] Available: http://databene.org/databene-benerator. [Accessed: 23-may-2017].

Castrillón-Santan, M., Lorenzo-Navarro, J., Hernández-Sosa, D., jul 2014. Conteo de personas con un sensor RGBD comercial. Revista Iberoamericana de Automática e Informática Industrial RIAI 11 (3), 348–357. https://doi.org/10.1016/j.riai.2014.05.006

Chen, H., Xue, M., Mei, Z., Oetomo, S. B., Chen, W., dec 2016. A review of wearable sensor systems for monitoring body movements of neonates. Sensors 16 (12), 2134. https://doi.org/10.3390/s16122134

CW, R., DA, W., 1984. Wgen: A model for generating daily weather variables. US Department of Agriculture, Agricultural Research Service, ARS-8.USDA, Washington, DC. 1984.

Dormido, S., Sánchez, J., Kofman, E., jan 2008. Muestreo, control y comunicación basados en eventos. Revista Iberoamericana de Automática e Informática Industrial RIAI 5 (1), 5–26. https://doi.org/10.1016/S1697-7912(08)70120-1

Ekbatani, H. K., Pujol, O., Segui, S., 2017. Synthetic data generation for deep learning in counting pedestrians. En: Proceedings of the 6th International Conference on Pattern Recognition Applications and Methods. pp. 318–323. https://doi.org/10.5220/0006119203180323

F. Espinosa, J.L. Lázaro, J. O., 2018. Proyecto alcor: Contribuciones a la optimización del guiado remoto de robots en espacios inteligentes. Revista Iberoamericana de Automática e Informática industrial [Submitted].

Fisher, R. A., Jan. 2011. UCI Machine Learning Repository: Iris Data Set. http://archive.ics.uci.edu/ml/datasets/Iris.

Frasch, J. V., Lodwich, A., Shafait, F., Breuel, T. M., aug 2011. A bayes-true data generator for evaluation of supervised and unsupervised learning methods. Pattern Recognition Letters 32 (11), 1523–1531. https://doi.org/10.1016/j.patrec.2011.04.010

Ganesan, D., Estrin, D., Heidemann, J., Jan. 2003. Dimensions: Why do we need a new data handling architecture for sensor networks? SIGCOMM Comput. Commun. Rev. 33 (1), 143–148. https://doi.org/10.1145/774763.774786

Garcia-Alvarez, D., Fuente, M., jul 2011. Estudio comparativo de técnicas de detección de fallos basadas en el análisis de componentes principales (PCA). Revista Iberoamericana de Automática e Informática Industrial RIAI 8 (3), 182–195. https://doi.org/10.1016/j.riai.2011.06.006

Girod, L., Govindan, R., Ganesan, D., Estrin, D., Yu, Y., aug 2004. Synthetic data generation to support irregular sampling in sensor networks. En: GeoSensor Networks. CRC Press, pp. 211–234. https://doi.org/10.1201/9780203356869.ch12

Hoag, J. E., 2008. Synthetic data generation: Theory, techniques and applications. Ph.D. thesis, University of Arkansas, Fayetteville, AR, USA, aAI3317844.

Hoag, J. E., Thompson, C. W., mar 2007. A parallel general-purpose synthetic data generator. ACM SIGMOD Record 36 (1), 19–24. https://doi.org/10.1145/1276301.1276305

ITU–T, 1996. Methods for subjective determination of transmissions quality. Recommendation P.800.

Jiang, F., Gao, W., Yao, H., Zhao, D., Chen, X., apr 2009. Synthetic data generation technique in signer-independent sign language recognition. Pattern Recognition Letters 30 (5), 513–524. https://doi.org/10.1016/j.patrec.2008.12.007

Josh Eno, C. W. T., may 2008. Generating synthetic data to match data mining patterns. IEEE Internet Computing 12 (3), 78–82. 78–82. https://doi.org/10.1109/MIC.2008.55

Kamila, N. K. (Ed.), 2017. Handbook of Research on Wireless Sensor Network Trends, Technologies, and Applications. IGI Global. https://doi.org/10.4018/978-1-5225-0501-3

Kuchar, L., apr 2004. Using WGENK to generate synthetic daily weather data for modelling of agricultural processes. Mathematics and Computers in Simulation 65 (1-2), 69–75. https://doi.org/10.1016/j.matcom.2003.09.009

Leon, F., Rodriguez-Lozano, F. J., Cubero-Fernandez, A., Palomares, J. M., Olivares, J., 2018. Sysgpr, servicio web para la generación de señales sintéticas. [OnLine] Available: http://www.uco.es/giia/software/SysGpr/. [Accessed: 23-Apr-2018].

Muñoz, F., aug 2014. Distribuciones poisson y gamma: Una discreta y continua relación. Prospectiva 12 (1), 99. https://doi.org/10.15665/rp.v12i1.156

Nyquist, H., April 1928. Certain topics in telegraph transmission theory. Transactions of the American Institute of Electrical Engineers 47 (2), 617–644. https://doi.org/10.1109/T-AIEE.1928.5055024

Ollero, A., Maza, I., Rodríguez-Castaño, A., de Dios, J. M., Caballero, F., Capitán, J., jan 2012. Proyecto AWARE. integración de vehículos aéreos no tripulados con redes inalámbricas de sensores y actuadores. Revista Iberoamericana de Automática e Informática Industrial RIAI 9 (1), 46-56. https://doi.org/10.1016/j.riai.2011.11.007

Pei, Y., Zaïane, O., 2006. A synthetic data generator for clustering and outlier analysis. Tech. rep., Department of computing Science, University of Alberta.

Peng, T., Hanke, F., 2016. Towards a synthetic data generator for matching decision trees. In: Proceedings of the 18th International Conference on Enterprise Information Systems. SCITEPRESS - Science and and Technology Publications. https://doi.org/10.5220/0005829001350141

Quinlan, R., 1993. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, San Mateo, CA.

Shannon, C. E., Jan 1949. Communication in the presence of noise. Proceedings of the IRE 37 (1), 10-21. https://doi.org/10.1109/JRPROC.1949.232969

Streijl, R. C., Winkler, S., Hands, D. S., dec 2014. Mean opinion score (MOS) revisited: methods and applications, limitations and alternatives. Multimedia Systems 22 (2), 213-227. https://doi.org/10.1007/s00530-014-0446-1

Theodoridis, Y., Silva, J. R. O., Nascimento, M. A., 1999. On the generation of spatiotemporal datasets. In: Advances in Spatial Databases. Springer Berlin Heidelberg, pp. 147-164.

https://doi.org/10.1007/3-540-48482-5

Abstract Views

2055
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912