Publicação
Implementação de soluções para confiabilidade de dados em redes de sensores sem fios
| Resumo: | Redes de sensores sem fios consistem num número variado de dispositivos eletrónicos (nós) que realizam monitorização de factores físicos ou ambientais. Dependendo do tipo de sensor acoplado ao nó, este pode executar inúmeras medições, tal como, temperatura, pressão, movimentos, entre outros. Estes dispositivos estarão sempre sujeitos a interferências devido a condições externas ambientais ou humanas, levando os sensores a relatar medições erradas tornando os relatórios não confiáveis. Quando estas medições inesperadas são produzidas, é necessário detectá-las e identificá-las em tempo real. Para tal serão combinadas diversas técnicas de redundância e fusão de dados que, em conjunto, permitirão melhorar a qualidade da monitorização. O trabalho desenvolvido para esta dissertação concentra-se sobre o domínio dos sistemas ciber-físicos e está incluído no projecto AQUAMON. Este projecto tem como objectivo principal o desenvolvimento de uma plataforma de recolha e tratamento de dados de sensores aquáticos. A monitorização contínua de ambientes aquáticos usando sensores de água é importante para diversas aplicações relacionadas com prevenção de acidentes, recursos hídricos e gestão da aquicultura e actividades recreativas. Portanto, é fundamental garantir a qualidade dos dados de monitorização para evitar falsos alarmes ou ignorar eventos relevantes. Este trabalho irá concentrar-se na implementação de uma plataforma de acordo com uma arquitectura previamente definida, denominada de ANNODE. Esta arquitectura utiliza técnicas de Aprendizagem Automática, mais especificamente Redes Neuronais, com o intuito de criar previsões, medir a qualidade destas, detectar falhas e corrigi-las, em ambiente off-line. No entanto o foco deste trabalho, não é apenas a implementação desta arquitectura, mas sim a modificação desta permitindo utilizá-la num ambiente on-line, possibilitando o processamento de medições em tempo-real, mantendo todos os aspectos centrais anteriores. Como será possível ver nos capítulos seguintes, este trabalho obteve resultados positivos e comparando-os com a arquitectura original observaram-se melhorias. |
|---|---|
| Autores principais: | Penim, João Miguel Mendes |
| Assunto: | Redes de sensores Confiabilidade Aprendizagem automática Previsão em tempo-real Redes Neuronais Teses de mestrado - 2020 |
| Ano: | 2020 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Lisboa |
| Idioma: | português |
| Origem: | Repositório da Universidade de Lisboa |
| Resumo: | Redes de sensores sem fios consistem num número variado de dispositivos eletrónicos (nós) que realizam monitorização de factores físicos ou ambientais. Dependendo do tipo de sensor acoplado ao nó, este pode executar inúmeras medições, tal como, temperatura, pressão, movimentos, entre outros. Estes dispositivos estarão sempre sujeitos a interferências devido a condições externas ambientais ou humanas, levando os sensores a relatar medições erradas tornando os relatórios não confiáveis. Quando estas medições inesperadas são produzidas, é necessário detectá-las e identificá-las em tempo real. Para tal serão combinadas diversas técnicas de redundância e fusão de dados que, em conjunto, permitirão melhorar a qualidade da monitorização. O trabalho desenvolvido para esta dissertação concentra-se sobre o domínio dos sistemas ciber-físicos e está incluído no projecto AQUAMON. Este projecto tem como objectivo principal o desenvolvimento de uma plataforma de recolha e tratamento de dados de sensores aquáticos. A monitorização contínua de ambientes aquáticos usando sensores de água é importante para diversas aplicações relacionadas com prevenção de acidentes, recursos hídricos e gestão da aquicultura e actividades recreativas. Portanto, é fundamental garantir a qualidade dos dados de monitorização para evitar falsos alarmes ou ignorar eventos relevantes. Este trabalho irá concentrar-se na implementação de uma plataforma de acordo com uma arquitectura previamente definida, denominada de ANNODE. Esta arquitectura utiliza técnicas de Aprendizagem Automática, mais especificamente Redes Neuronais, com o intuito de criar previsões, medir a qualidade destas, detectar falhas e corrigi-las, em ambiente off-line. No entanto o foco deste trabalho, não é apenas a implementação desta arquitectura, mas sim a modificação desta permitindo utilizá-la num ambiente on-line, possibilitando o processamento de medições em tempo-real, mantendo todos os aspectos centrais anteriores. Como será possível ver nos capítulos seguintes, este trabalho obteve resultados positivos e comparando-os com a arquitectura original observaram-se melhorias. |
|---|