Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Ομαδοποίηση αλγορίθμων συμπερασμού σε δίκτυα επικοινωνιών

Kariotakis Emmanouil

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/28516A04-017A-4F5F-BB83-58B1025C51EE-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.93442-
Γλώσσαen-
Μέγεθος5.8 megabytesen
Μέγεθος77 pagesen
ΤίτλοςClustering of inference algorithms in communication networksen
ΤίτλοςΟμαδοποίηση αλγορίθμων συμπερασμού σε δίκτυα επικοινωνιώνel
ΔημιουργόςKariotakis Emmanouilen
ΔημιουργόςΚαριωτακης Εμμανουηλel
Συντελεστής [Επιβλέπων Καθηγητής]Bletsas Aggelosen
Συντελεστής [Επιβλέπων Καθηγητής]Μπλετσας Αγγελοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Zervakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Ζερβακης Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Karystinos Georgiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Καρυστινος Γεωργιοςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηThis work offers an algorithmic framework for in-network inference, using message passing among ambiently powered wireless sensor network (WSN) terminals. The stochastic nature of ambient energy harvesting dictates intermittent operation of each WSN terminal and as such, the message passing inference algorithms should be robust to asynchronous operation. A version of Gaussian Belief Algorithm (GBP) is described, which can be reduced to an affine fixed point (AFP) problem, used to solve linear systems of equations. To achieve this, we have to cluster the Probabilistic Graphical Model (PGM) behind GBP, in order to map it to the WSN terminals. We propose two different clustering approaches, namely edge and node clustering. For the first approach, we explain the reasons why a previous method does not produce the expected results and we offer another method, which performs better. We also explain limitations of edge-based clustering. On the other hand, node clustering has a clear metric for performance, which is relevant to the number of edges connecting the different clusters. For this approach, we utilize three different clustering algorithms, the k-means, the spectral clustering and an autonomous, in-network clustering algorithm. Furthermore, we show in both theory and simulation that there is strong connection between spectral radius and the convergence rate of AFP problems with probabilistic asynchronous scheduling. The latter corroborates known theory for synchronous scheduling. Interestingly, it is shown through simulations that different clustering offers similar convergence rate, when probabilistic asynchronous scheduling is utilized with carefully selected probabilities that accelerate convergence rate in the mean sense. Finally, we show an existing distinction between convergence rate and energy consumption of the network and we present experimental results comparing the different clustering methods. In most cases, spectral clustering outperforms the rest, with reduced energy consumption (by a factor of 2 compared to k-means in specific cases).en
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2022-09-28-
Ημερομηνία Δημοσίευσης2022-
Θεματική ΚατηγορίαAffine updatesen
Θεματική ΚατηγορίαAsynchronous schedulingen
Θεματική ΚατηγορίαClusteringen
Θεματική ΚατηγορίαΑλγόριθμοι συμπερασμούel
Θεματική ΚατηγορίαΑσύρματα δίκτυα αισθητήρωνel
Θεματική ΚατηγορίαInference algorithmsen
Θεματική ΚατηγορίαWireless sensor networksen
Βιβλιογραφική ΑναφοράEmmanouil Kariotakis, "Clustering of inference algorithms in communication networks", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2022en
Βιβλιογραφική ΑναφοράΕμμανουήλ Καριωτάκης, "Ομαδοποίηση αλγορίθμων συμπερασμού σε δίκτυα επικοινωνιών", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά