Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Αντιστρέψιμες συνόψεις δεδομένων και η επίδρασή τους στην εξόρυξη γνώσης από δεδομένα αισθητήρων

Skevis Antonis

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/FC3D401C-C0F4-44C7-95AE-62C08B9D8FEC
Έτος 2024
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Αντώνης Σκεύης, "Αντιστρέψιμες συνόψεις δεδομένων και η επίδρασή τους στην εξόρυξη γνώσης από δεδομένα αισθητήρων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024 https://doi.org/10.26233/heallink.tuc.98646
Εμφανίζεται στις Συλλογές

Περίληψη

Σκοπός αυτής της διπλωματικής εργασίας είναι η έρευνα της επίδρασης των αντιστρέψιμων συνόψεων δεδομένων για την εξόρυξη γνώσης από δεδομένα αισθητήρων. Η μελέτη εξετάζει τέσσερις εγκεκριμένες μεθόδους συμπίεσης δεδομένων, την Discrete Fourier Transform (DFT), την Discrete Cosine Transform (DCT), την Discrete Wavelet Transform (DWT) και την Piecewise Aggregate Approximation (PAA), σε συνδυασμό με μια μέθοδο η οποία αναπτύχθηκε στα πλαίσια της εργασίας και η λειτουργία της βασίζεται στην χρήση Random Hypeplane Projection.Στο πλαίσιο αυτής της έρευνας, εφαρμόζουμε τις παραπάνω τεχνικές συμπίεσης σε δύο σύνολα δεδομένων που περιλαμβάνουν μετρήσεις αισθητήρων. Χρησιμοποιούμε κυλιόμενα παράθυρα διαφόρων μεγεθών και αξιοποιούμε μια σειρά από τεχνικές εξόρυξης δεδομένων. Πιο συγκεκριμένα, χρησιμοποιήσαμε μεθόδους συσταδοποίησης όπως οι K-Means και DBSCAN (Density-Based Spatial Clustering of Applications with Noise), αλγόριθμους παλινδρόμησης όπως η Γραμμική και η Λογιστική Παλινδρόμηση, και διάφορες προσεγγίσεις στατιστικής ταξινόμησης όπως οι K-NN (K-Nearest Neighbors), SVM (Support Vector Machines) και ένα Νευρωνικό Δίκτυο. Εφαρμόζουμε αυτές τις τεχνικές τόσο στα ακατέργαστα όσο και στα συμπιεσμένα σύνολα δεδομένων, εξασφαλίζοντας έτσι μια σφαιρική ανάλυση των δεδομένων. Η μελέτη στοχεύει στο να αξιολογήσει την δυνατότητα κάθε μεθόδου συμπίεσης να διατηρεί την ακρίβεια των αποτελεσμάτων σε σύγκριση με τα αρχικά, ασυμπίεστα, δεδομένα. Με την άμεση σύγκριση αυτών των μεθόδων, μπορούμε να εξάγουμε αποτελέσματα σχετικά με την αποτελεσματικότητά τους στη διατήρηση κρίσιμων πληροφοριών για σκοπούς εξόρυξης δεδομένων.Επιπροσθέτως, με την προσομοίωση ενός δικτύου αισθητήρων, χρησιμοποιώντας τον προσομοιωτή TOSSIM (TinyOS Simulation), η μελέτη ερευνά την επίδραση των τεχνικών συμπίεσης σε πραγματικές συνθήκες αξιολογώντας πώς η συμπίεση δεδομένων επηρεάζει τον αριθμό των bits καθώς και την ενεργειακή κατανάλωση που απαιτούνται για τη μετάδοση ενός συνόλου δεδομένων. Μέσω της μελέτης αυτών των αποτελεσμάτων, η εργασία συμβάλλει στην καλύτερη κατανόηση της επίδρασης των τεχνικών συμπίεσης στην επέκταση της διάρκειας ζωής των δικτύων αισθητήρων, ένα σημαντικό παράγοντα για βιώσιμες και αποτελεσματικές αναπτύξεις πόρων, όχι μόνο στον τομέα των αισθητήρων, αλλά και σε ευρύτερα πλαίσια του Διαδικτύου των Πραγμάτων (Internet of Things).Αυτή η λεπτομερής ανάλυση έχει δύο στόχους: πρώτον, την σύγκριση της απόδοσης διαφορετικών μεθόδων συμπίεσης, και δεύτερον, να παρέχει πρακτικές γνώσεις ως προς τη χρήση τους σε πραγματικά δίκτυα αισθητήρων.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά