Multi-output gaussian processes applied to modeling and reducing dimensionality of data transmitted in a wireless sensor network

• José-Aicardo Ortega-Vela ^[1] ; Pablo-Andrés Muñoz-Gutiérrez ^[1] ; Hernán-Darío Vargas-Cardona ^[2]
  1. [1] Universidad del Quindío

     Universidad del Quindío

     Colombia

     
  2. [2] Pontífica Universidad Javeriana

     Pontífica Universidad Javeriana

     Colombia

     
• Localización: Revista Facultad de Ingeniería, ISSN-e 2357-5328, ISSN 0121-1129, Vol. 34, Nº. 71, 2025
• Idioma: inglés
• Títulos paralelos:
  • Procesos gaussianos multi-salida aplicados al modelamiento y reducción en la dimensionalidad de los datos transmitidos en una red inalámbrica de sensores
• Enlaces
  • Texto completo (pdf)
  • Texto completo
• Resumen
  • español

    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%.

  • English

    This work presents data modelling from Wireless Sensor Networks (WSN) applying Multiple Output Gaussian Processes (MOGP). The objective, in addition to describing the dynamics of sensed magnitudes (temperature, relative humidity, atmospheric pressure, and soil humidity), is to exploit the probabilistic learning nature of MOGPs and use the variance (uncertainty) provided by this method to reduce dimensionality in the network data, meaning the elimination of redundant data. It is compared with other machine learning models such as simple Gaussian Processes (GP), Support Vector Regressor (SVR), Neural Networks (NN), and Random Forest (RF), in terms of Root Mean Squared Error (RMSE) for modeling real data sensed by the WSN located at Universidad del Quindío. Results demonstrate that MOGPs are highly accurate supervised learning algorithms, flexible in modeling any physical magnitude, and capable of detecting redundant data, in some cases achieving a reduction greater than 50 %.