Sensors：高被引文章合集 (二) | MDPI 编辑荐读
点击左上角“MDPI工程科学”关注我们，为您推送更多最新研究。
本期编读为您精选五篇发表在Sensors 期刊的高被引文章，内容涵盖山洪风险预测、压缩传感技术、人类活动识别、变压器绝缘油故障监测和水下无线传感器网络等，希望能为相关领域学者提供新的思路和参考，欢迎阅读。
01
Flash-Flood Potential Mapping Using Deep Learning, Alternating Decision Trees and Data Provided by Remote Sensing Sensors
使用深度学习、交替决策树和遥感传感器提供的数据绘制暴洪淹水潜势图
Romulus Costache et al.
https://www.mdpi.com/948564
本研究所采用的方法步骤流程图。
文章亮点：
(1) 本文提出了一个工作流程，该流程根据遥感和地理信息系统数据 (GIS)，以及深度学习和交替决策树的集成来确定易受山洪影响的地区。
(2) 本研究提出了四个集合模型，模型的总体准确度在0.878 (ADT-FR) 和0.985 (DLNN-WOE) 之间，其中DLNN-WOE模型的精度最高。
(3) 本研究创新之处在于首次提出了山洪潜势指数的四个集合模型，利用该研究结果可改进减轻山洪负面影响的措施。
识别二维码
阅读英文原文
原文出自Sensors 期刊：
Costache, R.; Arabameri, A.; Blaschke, T.; Pham, Q.B.; Pham, B.T.; Pandey, M.; Arora, A.; Linh, N.T.T.; Costache, I. Flash-Flood Potential Mapping Using Deep Learning, Alternating Decision Trees and Data Provided by Remote Sensing Sensors. Sensors 2021, 21, 280.
02
Image Denoising Using a Compressive Sensing Approach Based on Regularization Constraints
基于正则化约束的压缩感知图像去噪方法
Assia El Mahdaoui, Abdeldjalil Ouahabi and Mohamed Said Moulay
https://www.mdpi.com/1538698
椒盐噪声损坏的灰度图像：四种去噪方法的性能分析。
文章亮点：
(1) 本文提出了一种将全变分正则化和非局部自相似约束相结合的压缩感知重建方法——正则化压缩感知去噪 (DCSR) 算法。
(2) DCSR算法采用增广拉格朗日方法进行优化，不仅可以进行图像重建，还可以进行去噪。
(3) 本文从去噪、保留边缘、纹理和图像细节、计算复杂性方面将其与现有方法进行比较，发现该算法可以在去噪效率和视觉质量方面提高25%。
识别二维码
阅读英文原文
原文出自Sensors 期刊：
Mahdaoui, A.E.; Ouahabi, A.; Moulay, M.S. Image Denoising Using a Compressive Sensing Approach Based on Regularization Constraints. Sensors 2022, 22, 2199.
03
Sensor-Based Human Activity Recognition with Spatio-Temporal Deep Learning
利用时空深度学习进行基于传感器的人类活动识别
Ohoud Nafea et al.
https://www.mdpi.com/1040106
长短期记忆 (LSTM) 单元的架构。
文章亮点：
(1) 本文设计了一种新的CNN-BiLSTM学习模型，该模型使用具有不同内核尺寸的卷积神经网络 (CNN) 以及双向长短期记忆 (BiLSTM) 来实现不同分辨率下的特征捕获。
(2) 这项研究的新颖性在于有效选择最佳视频以及使用传统CNN和BiLSTM从传感器数据中有效提取空间和时间特征。
(3) 结果表明，该模型具有较高的精度、较好的泛化能力和较快的收敛速度，能有效地改善人类活动识别 (HAR) 准确度。
识别二维码
阅读英文原文
原文出自Sensors 期刊：
Nafea, O.; Abdul, W.; Muhammad, G.; Alsulaiman, M. Sensor-Based Human Activity Recognition with Spatio-Temporal Deep Learning. Sensors 2021, 21, 2141.
04
Towards Precise Interpretation of Oil Transformers via Novel Combined Techniques Based on DGA and Partial Discharge Sensors
通过基于DGA和局部放电传感器的新型组合技术精确解释油浸式变压器
Sayed A. Ward et al.
https://www.mdpi.com/1044344
感应电压升高与局部放电 (PD) 水平的关系。
文章亮点：
(1) 本文介绍了四种不同的溶解气体分析技术 (DGA)，并将其进行不同的整合。
(2) 通过DGA以及在测量过程中的局部放电 (PD) 测试比较了不同整合方式的诊断准确率。
(3) 结果表明，通过结合最合适的DGA技术可以提高变压器绝缘油故障监测的水平，为系统操作人员提供油浸式变压器的精确解释。
识别二维码
阅读英文原文
原文出自Sensors 期刊：
Ward, S.A.; El-Faraskoury, A.; Badawi, M.; Ibrahim, S.A.; Mahmoud, K.; Lehtonen, M.; Darwish, M.M.F. Towards Precise Interpretation of Oil Transformers via Novel Combined Techniques Based on DGA and Partial Discharge Sensors. Sensors 2021, 21, 2223.
05
Chaotic Search-and-Rescue-Optimization-Based Multi-Hop Data Transmission Protocol for Underwater Wireless Sensor Networks
基于混沌搜救优化的水下无线传感器网络多跳数据传输协议
Durairaj Anuradha et al.
https://www.mdpi.com/1578994
CSRO-MHDT技术与现有方法比较的NAN分析。
文章亮点：
(1) 本文提出了一种新颖的基于混沌搜索和救援优化的水下无线传感器网络 (UWSNs) 多跳数据传输 (CSRO-MHDT) 协议。
(2) CSRO-MHDT技术的主要目的是减少能量耗散并延长UWSN的寿命，独特之处在于内部开发的用于路线优化的CSRO算法的开发。
(3) 结果表明，CSRO-MHDT方法的数据包投递率 (PDR) 为88%，比现有方法性能更优越，是用于UWSNs中数据传输路由的最佳选择。
识别二维码
阅读英文原文
原文出自Sensors 期刊：
Anuradha, D.; Subramani, N.; Khalaf, O.I.; Alotaibi, Y.; Alghamdi, S.; Rajagopal, M. Chaotic Search-and-Rescue-Optimization-Based Multi-Hop Data Transmission Protocol for Underwater Wireless Sensor Networks. Sensors 2022, 22, 2867.
Sensors 期刊介绍
主编：Vittorio Passaro, Politecnico di Bari, Italy
期刊涵盖所有传感器科学和技术研究领域，例如物理传感器、智能传感器、传感网络、生物传感器、化学传感器、雷达、可穿戴电子设备和先进的传感材料及其他们在物联网、工业、农业、环境、遥感、导航、通信、车辆、成像、生物医药等领域的应用。目前期刊已被Science Citation Index Expanded (SCIE)、PubMed、EI、Scopus等数据库收录。
2022 Impact Factor | 3.9 |
2022 CiteScore | 6.8 |
Time to First Decision | 16.4 Days |
Time to Publication | 41 Days |
识别二维码，
订阅Sensors 期刊最新资讯。
精选视频
Sensors：高被引文章合集 (一) | MDPI 编辑荐读
往期回顾
版权声明：
*本文由MDPI中国办公室翻译撰写，文中涉及到的论文翻译部分，为译者在个人理解之上的概述与转达，论文详情及准确信息请参考英文原文。本文遵守 CC BY 4.0 许可 (https://creativecommons.org/licenses/by/4.0/)。如需转载，请于公众号后台留言咨询。
由于微信订阅号推送规则更新，您可以将“MDPI工程科学”设为星标，便可在消息栏中便捷地找到我们，及时了解最新开放出版动态资讯！
点击左下方“阅读原文”，进入期刊主页。
喜欢今天的内容？给我们点个【在看】吧！