Μελέτη χρήσης νευρωνικών δικτύων για την επεξεργασία χωροχρονικών δεδομένων από δίκτυα αισθητήρων
Στόχος της παρούσας διπλωματικής εργασίας ήταν η ανάπτυξη ενός μοντέλου αναγνώρισης κινδύνων μέσω της επεξεργασίας δεδομένων που παράγονται από ένα δίκτυο αισθητήρων. Τα δεδομένα θεωρήσαμε ότι συλλέγονται από ένα δίκτυο συσκευών Internet of Things (IoT) και μέσω της επεξεργασίας τους μπορεί να αναγ...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | el_GR |
| Published: |
2020
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/11610/20441 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Στόχος της παρούσας διπλωματικής εργασίας ήταν η ανάπτυξη ενός μοντέλου αναγνώρισης κινδύνων μέσω της επεξεργασίας δεδομένων που παράγονται από ένα δίκτυο αισθητήρων.
Τα δεδομένα θεωρήσαμε ότι συλλέγονται από ένα δίκτυο συσκευών Internet of Things (IoT) και μέσω της επεξεργασίας τους μπορεί να αναγνωρίζεται η εξάπλωση επικίνδυνων φαινομένων, όπως φωτιά, πλημμύρα, καιρικά φαινόμενα, διαρροή επικίνδυνων χημικών ουσιών, παραβίαση κλειστών χώρων κ.τ.λ.
Αναπτύχθηκε ένα μοντέλο νευρωνικού δικτύου το οποίο μας δίνει τη δυνατότητα να μελετήσουμε τους τύπους νευρωνικών δικτύων που είναι κατάλληλοι για την αναγνώριση επικίνδυνων καταστάσεων μέσω της επεξεργασίας χωρικών και μετεωρολογικών δεδομένων, τα οποία συλλέγονται σε μία γεωγραφική περιοχή όπου λειτουργεί και συλλέγει δεδομένα ένα δίκτυο συσκευών IoT.
Για την υλοποίηση του μοντέλου αξιοποιήθηκε η γνώση που υπάρχει από την υλοποίηση δικτύου αισθητήρων σε μικρό εύρος, από προηγούμενη εργασία. Πιο συγκεκριμένα αξιοποιήθηκαν οι δομές δεδομένων που έχουν προδιαγραφεί, όσον αφορά τη μετάδοση των δεδομένων και την καταχώρηση τους σε κεντρικό κόμβο του δικτύου. Μέσω της μοντελοποίησης του νευρωνικού δικτύου μελετήθηκαν τα ακόλουθα:
• Αν ο αλγόριθμος Self Organizing Map (SOM) είναι κατάλληλος για την δημιουργία χωροχρονικών μοντέλων και την αναγνώριση επικίνδυνων φαινομένων.
• Οι τιμές των παραμέτρων του αλγορίθμου εκμάθησης (unsupervised learning) του δικτύου SOM, ώστε η επεξεργασία να μας δίνει τα επιθυμητά αποτελέσματα αναγνώρισης ενός φαινομένου.
• Το πλήθος και το μέγεθος των ομάδων των κόμβων αισθητήρων που απαιτούνται καθώς και η χωρική τους τοποθέτηση, ώστε να γίνεται σωστή μοντελοποίηση μιας γεωγραφικής περιοχής, με χρήση του SOM.
• Η συχνότητα επανεκπαίδευσης του δικτύου SOM ώστε να προσαρμόζεται δυναμικά και βαθμιαία στις χωροχρονικές αλλαγές, αλλά ταυτόχρονα και να μπορεί να εντοπίζει έγκαιρα επικίνδυνα φαινόμενα. |
|---|