Original scientific paper This study uses the largest Lyapunov exponent algorithm to predict the fault types in the wireless sensor network of the Internet of Agricultural Things. System fault data are collected from the Internet of Agricultural Things, which is composed of a calibrated TDR soil moisture sensor network, to develop a sensor fault instability prediction model based on the largest Lyapunov exponent algorithm. To verify the applicability of this model in forecasting training

more »

... under various conditions, this study tests and compares such algorithm with the C4.5 algorithm model as a fault data account for different percentages of training samples. The largest Lyapunov exponent instability prediction method is also applied on the training set that mostly comprises normal data. The algorithm achieves a prediction accuracy of 90,43 %, which is 5,55 % higher than that of the C4.5 algorithm (84,88 %). Different algorithms demonstrate a certain degree of adaptability in various application conditions. The largest Lyapunov exponent instability prediction method achieves better results when many accurate samples are used. The results from the application adaptability test show that the sensor fault instability prediction model based on the largest Lyapunov exponent algorithm provides a reliable approach for collecting sensor fault information collection and predicting faults in the Internet of Agricultural Things. Istraživanje o predviđanju nestabilnosti greške senzora "Interneta poljoprivrednih stvari" na temelju najvećeg Lyapunovog eksponenta Izvorni znanstveni članak U ovom se istraživanju primjenjuje algoritam najvećeg Lyapunovog eksponenta za predviđanje tipova greške u mreži bežičnog senzora "Interneta poljoprivrednih stvari". Podaci o greški u sustavu dobiveni su od Interneta poljoprivrednih stvari, koji se sastoji od mreže kalibriranog TDR senzora vlage tla u svrhu razvijanja modela za predviđanje nestabilnosti greške senzora na temelju algoritma najvećeg Lyapunovog eksponenta. U svrhu provjere primjenjivosti tog modela u predviđanju uzoraka za uvježbavanje pod različitim uvjetima, u ovom se istraživanju ispituje i uspoređuje takav algoritam s modelom C4.5 algoritma kao prikaza podataka o grešci za različite postotke uzoraka za uvježbavanje. Metoda najvećeg Lyapunovog eksponenta za predviđanje nestabilnosti primjenjuje se također na niz za uvježbavanje koji uglavnom uključuje normalne podatke. Algoritmom se postiže točnost predviđanja od 90,43 %, što je 5,55 % više nego kod algoritma C4.5 (84,88 %). Različiti algoritmi pokazuju određeni stupanj prilagodljivosti u različitim uvjetima primjene. Metodom najvećeg Lyapunovog eksponenta za predviđanje nestabilnosti postižu se bolji rezultati kad se koriste mnogi autentični primjeri. Rezultati testa prilagodljivosti primjene pokazuju da model predviđanja nestabilnosti greške senzora zasnovan na algoritmu najvećeg Lyapunovog eksponenta omogućuje pouzdan pristup za dobivanje informacija o greški senzora i predviđanje grešaka u Internetu Poljoprivrednih Stvari.