<p>Adaptive Resource Allocating Vector Quantizer (ARAVQ) är en teknik för datareducering för mobila robotar. Tekniken har visats framgångsrik i enkla miljöer och det har spekulerats i att den kan fungera som ett generellt datautvinningsverktyg för tidsserier. I rapporten presenteras experiment där ARAVQ används som datareducerare på en artificiell respektive en fysiologisk datamängd inom en datautvinningskontext. Dessa datamängder skiljer sig från tidigare robotikmiljöer i och med att de beskriver objekt med diffusa eller överlappande gränser i indatarymden. Varje datamängd klassificeras efter datareduceringen med hjälp av artificiella neuronnät. Resultatet från experimenten tyder på att klassificering med ARAVQ som datareducerare uppnår ett betydligt lägre resultat än om ARAVQ inte används som datareducerare. Detta antas delvis bero på den låga generaliserbarheten hos de lösningar som skapas av ARAVQ. I diskussionen föreslås att ARAVQ skall kompletteras med en funktion för grannskap, motsvarande den som finns i Self-Organizing Map. Med ett grannskap behålls relationerna mellan de kluster som ARAVQ skapar, vilket antas minska följderna av att en beskrivning hamnar i ett grannkluster</p>

Adaptive Resource Allocating Vector Quantizer (ARAVQ) är en teknik för datareducering för mobila robotar. Tekniken har visats framgångsrik i enkla miljöer och det har spekulerats i att den kan fungera som ett generellt datautvinningsverktyg för tidsserier. I rapporten presenteras experiment där ARAVQ används som datareducerare på en artificiell respektive en fysiologisk datamängd inom en datautvinningskontext. Dessa datamängder skiljer sig från tidigare robotikmiljöer i och med att de beskriver objekt med diffusa eller överlappande gränser i indatarymden. Varje datamängd klassificeras efter datareduceringen med hjälp av artificiella neuronnät. Resultatet från experimenten tyder på att klassificering med ARAVQ som datareducerare uppnår ett betydligt lägre resultat än om ARAVQ inte används som datareducerare. Detta antas delvis bero på den låga generaliserbarheten hos de lösningar som skapas av ARAVQ. I diskussionen föreslås att ARAVQ skall kompletteras med en funktion för grannskap, motsvarande den som finns i Self-Organizing Map. Med ett grannskap behålls relationerna mellan de kluster som ARAVQ skapar, vilket antas minska följderna av att en beskrivning hamnar i ett grannkluster

Efficient data collection is one of the key research areas for 5G and beyond, since it can reduce the network burden of transferring massive data for various data analytics and machine learning applications. Specifically, 5G offers great support for massive deployment of IoT devices, and the number of IoT devices is exploding.There are mainly two complementary ways for achieving efficient data collection: one is integrating data processing into the collection process via e.g. data filtering, aggregation; the other one is reducing the amount of the data needs to be transferred via e.g. data compression/approximation.In this thesis, efficient data collection is studied from the mentioned two perspectives. In particular, we introduce enhanced syntax and functionalities to the message queueing telemetry transport (MQTT) protocol, such as data filtering and data aggregation. Furthermore, we enhance the flexibility of MQTT by supporting customized or user-defined functions to be executed in the MQTT broker, and thus data processing in the broker will not be constrained to the predefined processing functions. Lastly, dual prediction is studied for reducing the data transmissions by maintaining the same learning model on both sides of the sender and receiver. In particular, we study and prototype least mean square (LMS) as the dual prediction algorithm. Our implementations are based on MQTT and the benefits are shown and evaluated via experiments using real IoT data. / Effektiv datainsamling är ett av de viktigaste forskningsområdena för 5G och därefter, eftersom det kan minska nätbördan för att överföra massiva data för olika dataanalyser och maskininlärningsapplikationer. Specifikt erbjuder 5G bra stöd för massiv distribution av IoT-enheter, och antalet IoT-enheter exploderar.Det finns huvudsakligen två komplementära sätt att uppnå effektiv datainsamling: ett är att integrera databehandling i insamlingsprocessen via t.ex. datafiltrering, aggregering; den andra minskar mängden data som behöver överföras via t.ex. datakomprimering / tillnärmning.I denna avhandling studeras effektiv datainsamling ur nämnda två perspektiv.I synnerhet introducerar vi förbättrad syntax och funktionalitet till meddelandekö telemetri-transportprotokollet (MQTT), till exempel datafiltrering och dataggregation. Dessutom förbättrar vi MQTT-flexibiliteten genom att stödja anpassade eller användardefinierade funktioner som ska köras i MQTT-mäklaren, och därför kommer databehandling i mäklaren inte att begränsas till de fördefinierade behandlingsfunktionerna. Slutligen studeras dubbla förutsägelser för att minska dataöverföringarna genom att bibehålla samma inlärningsmodell på båda sidornaav avsändaren och mottagaren. I synnerhet studerar och prototypar vi minst genomsnitt kvadrat (LMS) som den dubbla förutsägelsealgoritmen. Våra implementeringar är baserade på MQTT och fördelarna visas och utvärderas via experiment med verkliga IoT-data.