FundaÃÃo de Amparo a Pesquisa do Estado do Piauà / A prediÃÃo de dados nÃo enviados ao sorvedouro à uma tÃcnica usada para economizar energia em RSSF atravÃs da reduÃÃo da quantidade de dados trafegados. PorÃm, os dispositivos devem rodar mecanismos simples devido as suas limitaÃÃes de recursos, os quais podem gerar erros indesejÃveis e isto pode nÃo ser muito preciso. Este trabalho propÃe um mÃtodo baseado na correlaÃÃo espacial e temporal multivariada para melhorar a precisÃo da prediÃÃo na reduÃÃo de dados de Redes de Sensores Sem Fio (RSSF). SimulaÃÃes foram feitas envolvendo funÃÃes de regressÃo linear simples e regressÃo linear mÃltipla para verificar o desempenho do mÃtodo proposto. Os resultados mostram um maior grau de correlaÃÃo entre as variÃveis coletadas em campo, quando comparadas com a variÃvel tempo, a qual à uma variÃvel independente usada para prediÃÃo. A precisÃo da prediÃÃo à menor quando a regressÃo linear simples à usada, enquanto a regressÃo linear mÃltipla à mais precisa. AlÃm disto, a soluÃÃo proposta supera algumas soluÃÃes atuais em cerca de 50% na prediÃÃo da variÃvel umidade e em cerca de 21% na prediÃÃo da variÃvel luminosidade. / Prediction of data not sent to the sink node is a technique used to save energy in WSNs by reducing the amount of data traffic. However, sensor devices must run simple mechanisms due to its constrained resources, which may cause unwanted errors and this may not be very accurate. This work proposes a method based on multivariate spatial and temporal correlation to improve prediction accuracy in data reduction for Wireless Sensor Networks (WSN). Simulations were made involving simple linear regression and multiple linear regression functions to assess the performance of the proposed method. The results show a higher correlation between gathered inputs when compared to variable time, which is an independent variable widely used for prediction and forecasting. Prediction accuracy is lower when simple linear regression is used, whereas multiple linear regression is the most accurate one. In addition to that, the proposed solution outperforms some current solutions by about 50% in humidity prediction and 21% in light prediction.

nÃo hà / De modo a suprirem o aumento de trÃfego previsto para os prÃximos anos, os sistemas de comunicaÃÃes mÃveis da prÃxima geraÃÃo contam com tecnologias avanÃadas, como mÃltiplas subportadoras ortogonais e coordenaÃÃo entre pontos de transmissÃo. Os recursos de rÃdio passam a ser organizados em um nÃmero maior de dimensÃes, tornando mais complexas tarefas como a alocaÃÃo de recursos e a avaliaÃÃo de desempenho do enlace. Com base em tÃcnicas de aprendizagem de mÃquinas, foram investigadas novas maneiras de abordar essas tarefas, de modo a realizÃ-las eficientemente. Esta tese traz duas propostas: (i) agrupamento de pontos de transmissÃo e (ii) realizaÃÃo de interface enlace-a-sistema. Na proposta (i), utiliza-se o algoritmo k-mÃdias para identificar os vetores de forÃa do sinal similares, resultando em reduÃÃo na complexidade de cooperaÃÃo. Na proposta (ii), utilizam-se redes neurais artificiais para que o comportamento de simulaÃÃes de enlace possa ser aprendido, resultando em uma interface enlace-a-sistema mais confiÃvel para certas situaÃÃes na regiÃo de borda de cÃlula. Os resultados obtidos em ambas as propostas confirmam a aprendizagem de mÃquinas como abordagem apropriada aos problemas tratados, sendo capaz de conduzir a interpretaÃÃes alternativas e soluÃÃes eficientes. / In order to bear the growth in the traffic volume expected for the coming years, the next generation of mobile communication systems relies on advanced technologies such as multiple orthogonal subcarriers and coordination of multiple transmission points. The radio resources are organized in a higher number of dimensions, making resource allocation and assessment of link-level performance more complex tasks. Based on techniques from machine learning, we investigated novel ways of addressing these tasks in order to perform them efficiently. This thesis provides two proposals: (i) clustering of transmission points and (ii) design of a link-to-system interface. In proposal (i), the k-means algorithm is used to identify the strength signal vectors that are similar to each other, leading to a decrease on the cooperation complexity. In proposal (ii), we make use of artificial neural networks to learn the behavior of link-level simulations, resulting in a link-to-system interface more reliable for certain situations on the cell-edge region. The results obtained in both proposals confirm machine learning as an appropriate approach to the problems addressed, being able to lead to alternative interpretations and efficient solutions.