srp https://phaidrabg.bg.ac.rs/o:11796 cobiss:47589903 thesis:3332 Milutinović, Veljko 1951- Bojović, Miroslav, 1957- Kovačević, Miloš, 1968- Milićev, Dragan, 1968- All rights reserved info:eu-repo/semantics/bachelorThesis OSNO - Opšta sistematizacija naučnih oblasti, Telekomunikacije. Telegrafija. Telefonija OSNO - Opšta sistematizacija naučnih oblasti, Telekomunikacije. Telegrafija. Telefonija OSNO - Opšta sistematizacija naučnih oblasti, Veštačka inteligencija. Robotika OSNO - Opšta sistematizacija naučnih oblasti, Veštačka inteligencija. Robotika mašinsko učenje, bežične senzorske mreže, distribuirana klasifikacija,distribuirani sistemi machine learning, wireless sensor networks, distributed classification, distributed systems) 2014 Mašinsko učenje u bežičnim senzorskim mrežama : doktorska disertacija Rakočević, Goran M. 116 listova 6020302 bytes Bežične senzorske mreže predstavljaju sisteme koji se sastoje iz većeg broja računarskih uređaja malih dimenzija, koji su opremljeni izvesnim brojem senzora za prikupljanje podataka iz okruženje i koji su sposobni da komuniciraju pomoću radio veze. Bežične senzorkse mreže mogu biti izvor velikih količina podataka, pa su pogodne za upotrebu sa tehnikama mašinskog učenja. Cilj ovog rada je prilagođavanje odabranih algoritama mašinskog učenja, tako da se izračunavanja izvršavaju distribuirano, na samim uređajima koji sačinjavaju senzorsku mrežu. Kroz analizu problema, dobijena su tri osnovna zahteva koje algoritam distribuiranog mašinskog učenja treba da zadovolji pri radu u bežičnoj senzorskoj mreži. Prvo, neophodno je minimizovati kominikaciju između čvorova u mreži, pošto se prilikom komunikacije troši znatna količina energije. Drugo, potrebno je da su rezultati rada algoritma precizni. Treće, potrbeno je, u što većoj meri, izbeći upotrebu centralizovanih računarski resursa, koji su izvan bežične senzorske mreže. Centralni doprinos ovog rada predstavljaju dva algoritma distribuiranog mašinksog učenja koji su prilagođeni upotrebi u bežičnim senzorskim mrežama. Prvi algoritam je klasifikacioni sistem kod kojega se klasifikacija vrši na dva nivoa. Prvo se na samim čvorovima, primenom proizvoljnog (dat je primer sa stabilma odlučivanja) klasifikatora donosi lokalna odluka. Potom se odluka na nivou mreže donosi težinskom većinskom logikom na osnovu svih lokalnih odluka. Pokazuje se da upotrebom Kapa statiske moguće ostvariti visok nivo tačnosti pri radu ovog algoritma. Drugi predstavljeni algoritam je algoritam za grupisanje podataka, na osnovu Kohonenovih neuralnih mreža. Arhitektura predložene mreže je prilagođena podacima koji se dobijaju sa senzora u bežičnim senzorksim mrežama. Takvi podaci sadrže u sebi dve informacije, gde se neki događaj desio i tip događaja desio. Na osnovu ovog zapažanja konstruisana je Kohonenova neuralna mreža sa dva sloja, prvi koji služi da odredi lokaciju dogadjaja i drugi koji služi da odredi njegov tip. Oba algoritma su ispitana matematičkom analizom i pokazano je da nude značajne mogućnosti za energetsku uštedu pri radu. Tačnost algoritama je analizirana primenom računarskih simulacija. Zaključuje se da opisani algoritmi mogu imati praktičnu primenu, te da tehnike distribuiranog mašinskog učenja predstavljaju moguće rešenja za održiv razvoj velikih senzorskih mreža. Wireless sensor networks are systems that consist of a number of small computational devices, called sensor nodes. A sensor node is also equipped with one or more sensors for gathering data from the environment, and is capable of establishing radio communications with other nodes in the network. Wireless sensor networks can produce large amounts of data, making them suitable for applying machine learning techniques. The goal of the work presented here is the adaptation of selected data mining algorithms for distributed execution, so that they can be run directly on the sensor nodes. Through the analyses of the problem, three basic requirements for a distributed dataTmining algorithm suitable for execution in a wireless sensor network have been reached. First, minimizing the communication between the nodes is of paramount importance, since commination consumes significant amounts of energy. Second, the algorithm should yield accurate results. Third, use of centralized computational resources should be avoided as much as possible. The major contribution of the work presented in this thesis comes in the form of two novel algorithms for distributed machine learning, that are adapted to suit the needs of the execution in a wireless sensor network. First of the two algorithms is a classification scheme that consists out of two layers. The first layer is executed on the sensor nodes, and can utilize any type of a classifier (the approach was tested using J48 decision trees). The results of this step are than propagated to a centralized, second layer classifier that is based on a weighted voting scheme. The second of the two algorithms is a clustering algorithm, based on Kohonen neural networks. The architecture of the network is adapted to the nature of the data that are obtained from sensor nodes in wireless sensor networks. Such data contain two sources of variability: the information about the location of an event that has taken place and is being sensed and the properties of the event that has taken place. Based on this observation, the proposed Kohonen neural network is constructed two contain two layers, the first layer clustering data with respect to the location of origin, and the second layer that clusters data with respect to the underlying event type. Calculations show that both of the proposed algorithms offer significant savings in terms of energy consumption. The accuracy of the algorithms was verified using computational simulations. In conclusion, the proposed algorithms are suitable for a number of practical applications, while the machine learning techniques present a viable approach to building sustainable large wireless sensor networks. Elektrotehnika - Računarska tehnika i informatika / Electrical Engineering - Computer engineering and information theory Datum odbrane: 03.02.2015.