Geri Dön

Analysis of a regression tree classifier for energy aware data gathering in WSN

Enerji farkındalık için regresyon ağacı sınıflayıcı analizi WSN'de veri toplama

  1. Tez No: 768379
  2. Yazar: AHMED SADEQ MOHAMMED MOHAMMED
  3. Danışmanlar: YRD. DOÇ. DR. SEFER KURNAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 59

Özet

Kablosuz Sensör Ağı (WSN), kaynak ve hedef düğümler arasında en uygun veri dağıtımını sunmak için çeşitli sensör düğümlerinden oluşur. WSN'deki bilgi çeşitliliği, yayılmış sensör merkezlerinden ek bilgi toplamanın ve etkili yazışma için bir havuz merkezine göndermenin en yaygın yolunu ima eder. Bilgi paketi iletimi sırasında enerji koruması, kuruluşun ömrünü iyileştirmeye yardımcı olur. Son zamanlarda, WSN'de yönetmenliğin verimliliğini artırmak için birkaç inceleme çalışması amaçlanmaktadır. Bununla birlikte, enerji verimliliği, sensör hub'larının yetersiz pil limitine atfedilebilecek şekilde objektif maddede ana acil sorun olarak görülüyor. Hedef takibi sırasında, bilgi toplamı, yönlendirme, rezervasyon ve enerji koruması dahil olmak üzere birkaç sorunun gerçekleştiği söylenir. Bu giriş istemleri, kuruluşun ömrünü sınırlar. Bu doğrultuda, önerilen çalışmalar, WSN'deki kaynaktan hedef merkeze bilgi paketi yayını için enerji üretken yönlendirme ve hedef takibinin sergilenmesini teşvik etme etrafında odaklanmaktadır. Bu derlemede, bir organizasyon üzerinde bilgi toplama verimliliğini genişletmek için bir Regresyon Ağacı Sınıflandırması (RTC) yöntemi tanıtılmaktadır. Başlangıçta, WSN'deki tüm sensör göbeklerinin enerjisini hesaplayın. Ardından, daha az gecikme ve enerji tüketimi ile veri toplamayı artıran minimum mesafe komşu düğümlere göre mobil alıcı düğüm tarafından algılanan bilgileri toplayın. Doğrusal olmayan regresyon ağacını kullanarak daha kısa sürede WSN'de toplanan veri paketinin sınıflandırmasını gerçekleştirin. Son olarak, geliştirilmiş sınıflandırma doğruluğu ile tek bir güçlendirilmiş sınıflandırıcı çıktısı üretmek için çok sayıda zayıf doğrusal olmayan regresyon ağacı sınıflandırıcısını kümelemek için bir AdaBoost tekniği önerilmiştir. Ayrıca, sınıflandırılmış veri paketleri ek işlem için baz istasyonlarına gönderilir. Bu nedenle, önerilen RTC tekniği, kablosuz ağ iletişimi üzerinden veri toplama ve sınıflandırma performansını artırır. Ayrıca önerilen RTC tekniğinin performansı, veri toplama verimliliği, sınıflandırma doğruluğu, yanlış pozitif oran, sınıflandırma süresi, enerji tüketimi, ağ ömrü ve WSN'deki gecikme gibi parametrelerle değerlendirilir.

Özet (Çeviri)

Wireless Sensor Network (WSN) comprises diverse sensor nodes to present an optimal data delivery between the source and destination nodes. Information assortment in WSN alludes to the most common way of gathering additional information from disseminated sensor hubs and sending it to a sink hub for effective correspondence. Energy protection during information bundle transmission helps in improving the organization lifetime. As of late, a few examination works are intended for expanding the productivity of directing in WSN. Notwithstanding, energy productivity is viewed as a main pressing issue in the objective item following attributable to the inadequate battery limit of sensor hubs. During objective following, a few issues are said to happen including information total, steering, booking, and energy protection. This in goes prompts limit the organization lifetime. Along these lines, proposed works center around fostering the exhibition of the energy productive directing and target following for information parcel broadcasting from source to the objective hub in WSN. In this review a Regression Tree Classification (RTC) method is introduced to expand the information gathering productivity over an organization. Initially, figure the energy of all sensor hubs in WSN. Then, gather the sensed information by mobile sink node with respect to minimum distance neighboring nodes which resulting in enhances data gathering with lesser delay and energy consumption. Perform classification of the gathered data packet in WSN with smaller time using nonlinear regression tree. Finally, an AdaBoost technique is proposed for clustering numerous weak nonlinear regression tree classifiers to produce a single boosted classifier output with improved classification accuracy. Furthermore, the classified data packets are sent to the base stations for additional processing. Therefore, proposed RTC technique enhances the performance of data gathering and classification over a wireless network communication. Also, the performance of the proposed RTC technique is evaluated with parameters including data gathering efficiency, classification accuracy, false positive rate, classification time, energy consumption, network lifetime and delay in WSN.

Benzer Tezler

  1. Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids

    Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi

    FATHI FARAH FADOUL FATHI FARAH FADOUL

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RAMAZAN ÇAĞLAR

  2. Makine öğrenim yöntemlerini kullanarak gecol'daki güç yükü tahmini

    The power load prediction in gecol using machine learning methods

    ASHRAF MOHAMMED ABUSIDA

    Doktora

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriKastamonu Üniversitesi

    Malzeme Bilimi ve Mühendisliği Ana Bilim Dalı

    PROF. DR. AYBABA HANÇERLİOĞULLARI

  3. Dağıtım şebekesinde kısa dönem yük tahmini

    Short-term load forecasting in distribution network

    MERT SAÇLI

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN EMRE TÜRKAY

  4. Elektrik pano yangınlarına karşı nesnelerin interneti destekli algılama sisteminin geliştirilmesi

    Development of an internet of things supported detection system against electric panel fires

    MUHAMMED FATİH PEKŞEN

    Doktora

    Türkçe

    Türkçe

    2024

    Mühendislik BilimleriSakarya Üniversitesi

    Yangın ve Yangın Güvenliği Anabilim Dalı

    PROF. DR. YILMAZ UYAROĞLU

  5. Dağıtık üretim sistemlerinin akıllı şebekeler üzerine etkilerinin incelenmesi

    Examination of the effects of distributed generation on smart grids

    MİKAİL PÜRLÜ

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN TÜRKAY