Wireless sensor networks are formed by mobile devices that collect and process data from
an enviroment, and transmit them to a data center wich is responsible for taking decisions.
This work aims to analyze the signal reconstruction in these networks using geostatistic
techniques. Three processes of kriging are used: simple, ordinary and bayesian. Three approaches
to simple krigingwere found in the literature, according to the way themean of the
data is estimated,were assessed themall. A newBayesian approach is proposed: use general
least square to estimate the mean, and set it as a constant into the Bayesian inference. The
effect of clustering techniques is assessed, namely without clusters and with clusters formed
by LEACH and SKATER algorithms. Bayesian kriging presents the best qualitative results in
almost all scenarios, but it is not available to systems that require fast aswers; in this case
we recommend ordinary kriging. The proposed variant of Bayesian kriging reduces the time
required, without hampering the quality of the reconstructed signal, but the time reduction
is not enough for real-time systems / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / As Redes de Sensores sem Fios (RSsF) são conjuntos de dispositivos que obtêmamostras de
fenômenos ambientais, sejam eles naturais (como, por exemplo, temperatura, pressão atmosférica,
intensidade de iluminação, concentração de substâncias em cursos d água) ou
antrópicos (qualidade do ar em sinais de trânsito, pressão ao longo de um oleoduto). Esses
dispositivos têm despertadomuito interesse, tanto pelas suas potenciais aplicações quanto
pelos desafios teóricos e tecnológicos que seu uso otimizado oferece. O objetivo deste trabalho
trata da análise da reconstrução de sinais nessas redes, com base em técnicas de geoestatística.
Analisam-se três processos de kriging: simples, ordinário e bayesiano. Ao simples,
analisam-se três abordagens encontradas na literatura para estimação ou informação do parâmetro
damédia e ao bayesiano propõe-se uma variante capaz de reduzir o tempo de processamento
necessário, estimando a média por mínimos quadrados generalizados, sendo
uma constante na inferência bayesiana. Leva-se em consideração o processo de agrupamento
dos nós sensores, com simulações sem agrupamento e com os sensores agrupados
pelos algoritmos LEACH e SKATER. O algoritmo de kriging bayesiano apresenta osmelhores
resultados qualitativos namaioria dos casos,mas se torna inviável para sistemas que necessitemde
respostas rápidas. Nesses casos, recomenda-se o algoritmo de kriging ordinário. A
variante proposta para o kriging bayesiano reduz o tempo de computação, mas não o suficiente
para sistemas de tempo real
i
| Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.ufal.br:riufal/833 |
| Date | 28 May 2010 |
| Creators | Vieira, Bruno Lopes |
| Contributors | Orgambide, Alejandro César Frery, FRERY, A. C., Almeida, Eliana Silva de, ALMEIDA, E. S., Cintra, Renato José de Sobral, http://lattes.cnpq.br/7413544381333504 |
| Publisher | Universidade Federal de Alagoas, BR, Modelagem Computacional de Conhecimento, Programa de Pós-Graduação em Modelagem Computacional de Conhecimento, UFAL |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFAL, instname:Universidade Federal de Alagoas, instacron:UFAL |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | bitstream:http://www.repositorio.ufal.br:8080/bitstream/riufal/833/1/DissertacaoBrunoLopes_2010.pdf, bitstream:http://www.repositorio.ufal.br:8080/bitstream/riufal/833/2/DissertacaoBrunoLopes_2010.pdf.txt |
Page generated in 0.0016 seconds