Analysis of a wireless sensor network behavior using machine learning techniques

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Morales Hernández, Carlos Raúl
Orientador(a): Sousa, Fernando Rangel de
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/229757
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2021.
id UFSC_84cc01f7bd9a2c9e0b6f3d870a2fb162
oai_identifier_str oai:repositorio.ufsc.br:123456789/229757
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaMorales Hernández, Carlos RaúlSousa, Fernando Rangel de2021-11-11T19:23:38Z2021-11-11T19:23:38Z2021373699https://repositorio.ufsc.br/handle/123456789/229757Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2021.Este trabalho apresenta uma revisão dos principais conceitos das WSN e aborda um de seus principais problemas, que é o consumo de energia. Isso é feito a partir dos dados coletados por uma rede implantada na Usina Hidrelétrica de Cachoeira Dourada. Primeiro, uma análise exploratória de dados da WSN usando métodos estatísticos e de aprendizado de máquina foi realizada para descobrir padrões e entender o estado atual da rede. A análise forneceu informações sobre quais nós são mais estáveis, correlações entre os dados que podem ser explorados para otimizar as transmissões e informações sobre a estabilidade dos links. O trabalho também propõe a utilização de um modelo de Deep Learning, em esquema de predição dual, para reduzir as transmissões entre dispositivos da rede, diminuir o congestionamento e economizar energia na transmissão. Para fazer isso, uma revisão das estratégias de previsão de dados em WSNs é realizada. Diferentes modelos baseados em redes neurais são introduzidos e comparados usando diferentes métricas de erro na predição. Finalmente, uma me dida da redução na transmissão é dada, considerando diferentes limiares de erro. Os resultados mostram que o modelo pode economizar uma quantidade considerável de dados na transmissão e ainda manter uma boa representação dos dados medidos.Abstract: This work presents a review of the main concepts of Wireless Sensor Networks (WSN)s and tackles one of their main problems, which is energy consumption. This is done using the data collected by a network deployed at the Hydropower power plant in Cachoeira Dourada. First, an exploratory data analysis of the WSN using statistical and machine learning methods was performed to discover insights about the current state of the network. The analysis provided information about which nodes are more stable, correlations between the data that can be exploited to optimize transmissions, and information about the stability of the links. The work also proposes the use of a Deep Learning model, in a dual prediction scheme, to reduce the transmissions between devices in the network, reduce congestion, and save energy. To do so, a review of data prediction strategies in WSNs is performed. Different neural network based models are introduced and compared using different error metrics in prediction. Finally, a measure of the reduction in data transmission is given, considering different error thresholds. Results show that the model can save a considerable amount of data in transmission, from 70% to 90%, and still maintain a good representation of the measured data.116 p.| il., gráfs.engEngenharia elétricaRedes de sensores sem fioEnergiaAprendizado do computadorAnalysis of a wireless sensor network behavior using machine learning techniquesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEEL2046-D.pdfPEEL2046-D.pdfapplication/pdf38539317https://repositorio.ufsc.br/bitstream/123456789/229757/-1/PEEL2046-D.pdf47ebcaf76a88f73e4fdc53e24be4e453MD5-1123456789/2297572021-11-11 16:23:38.681oai:repositorio.ufsc.br:123456789/229757Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732021-11-11T19:23:38Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Analysis of a wireless sensor network behavior using machine learning techniques
title Analysis of a wireless sensor network behavior using machine learning techniques
spellingShingle Analysis of a wireless sensor network behavior using machine learning techniques
Morales Hernández, Carlos Raúl
Engenharia elétrica
Redes de sensores sem fio
Energia
Aprendizado do computador
title_short Analysis of a wireless sensor network behavior using machine learning techniques
title_full Analysis of a wireless sensor network behavior using machine learning techniques
title_fullStr Analysis of a wireless sensor network behavior using machine learning techniques
title_full_unstemmed Analysis of a wireless sensor network behavior using machine learning techniques
title_sort Analysis of a wireless sensor network behavior using machine learning techniques
author Morales Hernández, Carlos Raúl
author_facet Morales Hernández, Carlos Raúl
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Morales Hernández, Carlos Raúl
dc.contributor.advisor1.fl_str_mv Sousa, Fernando Rangel de
contributor_str_mv Sousa, Fernando Rangel de
dc.subject.classification.none.fl_str_mv Engenharia elétrica
Redes de sensores sem fio
Energia
Aprendizado do computador
topic Engenharia elétrica
Redes de sensores sem fio
Energia
Aprendizado do computador
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2021.
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-11-11T19:23:38Z
dc.date.available.fl_str_mv 2021-11-11T19:23:38Z
dc.date.issued.fl_str_mv 2021
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/229757
dc.identifier.other.none.fl_str_mv 373699
identifier_str_mv 373699
url https://repositorio.ufsc.br/handle/123456789/229757
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 116 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/229757/-1/PEEL2046-D.pdf
bitstream.checksum.fl_str_mv 47ebcaf76a88f73e4fdc53e24be4e453
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759264234733568

Registros relacionados