{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1318416"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1318416","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μελέτη και επεξεργασία αλγορίθμων για τον προσδιορισμό της θέσης μιας πηγής σε ένα ασύρματο δίκτυο αισθητήρων","abstract":"Σε αυτή τη πτυχιακή εργασία μελετούμε το πρόβλημα του προσδιορισμού της θέσης μίαςπηγής σε ένα ασύρματο δίκτυο αισθητήρων με τη χρήση RSS μετρήσεων. Για να ξεπεράσουμε την μη κυρτότητα του συνηθισμένου εκτιμητή μέγιστης πιθανοφάνειας (ML), το πρόβλημα αρχικά μετασχηματίζεται με τον ισοδύναμο εκθετικό μετασχηματισμό του συνηθισμένου μοντέλου απωλειών διαδρομής και τη χρήση του μετασχηματισμού UT. Έτσι προκύπτει ένας νέος εκτιμητής μέγιστης πιθανοφάνειας που ονομάζεται weighted least squares(WLS). Στη συνέχεια με τη χρήση ενός κυρτού (convex) εκτιμητή προσεγγίζεται το ίδιο πρόβλημα. Στη περίπτωση αυτή ένας μη κυρτός εκτιμητής προσομοιώνει τον εκτιμητή ML εξαλείφοντας από τον τύπο τον λογάριθμο. Η εφαρμογή του ημιορισμένου προγραμματισμού μετατρέπει τον μη κυρτό εκτιμητή σε ένα νέο κυρτό (SDP) προβάλλοντας πλεονεκτήματα στη χρήση του. Τέλος με τη χρήση του δεύτερης τάξης κωνικού προγραμματισμού γίνεται μια νέα προσέγγιση εκτιμητή δημιουργώντας και πάλι ένα νέο κυρτό (SOCP).Όλες οι προσεγγίσεις συγκρίθηκαν με διαφορετικές παραμέτρους κάθε φορά όπως τη διάταξη , την τυπική απόκλιση και τον αριθμό αισθητήρων του προβλήματος ώστε να προσδιοριστεί η αποδοτικότητά τους σε κάθε περίπτωση.","abstract_html":"Σε αυτή τη πτυχιακή εργασία μελετούμε το πρόβλημα του προσδιορισμού της θέσης μίαςπηγής σε ένα ασύρματο δίκτυο αισθητήρων με τη χρήση RSS μετρήσεων. Για να ξεπεράσουμε την μη κυρτότητα του συνηθισμένου εκτιμητή μέγιστης πιθανοφάνειας (ML), το πρόβλημα αρχικά μετασχηματίζεται με τον ισοδύναμο εκθετικό μετασχηματισμό του συνηθισμένου μοντέλου απωλειών διαδρομής και τη χρήση του μετασχηματισμού UT. Έτσι προκύπτει ένας νέος εκτιμητής μέγιστης πιθανοφάνειας που ονομάζεται weighted least squares(WLS). Στη συνέχεια με τη χρήση ενός κυρτού (convex) εκτιμητή προσεγγίζεται το ίδιο πρόβλημα. Στη περίπτωση αυτή ένας μη κυρτός εκτιμητής προσομοιώνει τον εκτιμητή ML εξαλείφοντας από τον τύπο τον λογάριθμο. Η εφαρμογή του ημιορισμένου προγραμματισμού μετατρέπει τον μη κυρτό εκτιμητή σε ένα νέο κυρτό (SDP) προβάλλοντας πλεονεκτήματα στη χρήση του. Τέλος με τη χρήση του δεύτερης τάξης κωνικού προγραμματισμού γίνεται μια νέα προσέγγιση εκτιμητή δημιουργώντας και πάλι ένα νέο κυρτό (SOCP).Όλες οι προσεγγίσεις συγκρίθηκαν με διαφορετικές παραμέτρους κάθε φορά όπως τη διάταξη , την τυπική απόκλιση και τον αριθμό αισθητήρων του προβλήματος ώστε να προσδιοριστεί η αποδοτικότητά τους σε κάθε περίπτωση.","abstract_has_math":false,"creators":["Αλιμπέρτης Γεώργιος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016","date_published":"2016","updated_at":"2026-11-19T05:25:21Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318416"],"render_values":[{"text":"uoadl:1318416","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318416","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318416","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1318416","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Αλιμπέρτης Γεώργιος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2016"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318416","https://pergamos.lib.uoa.gr/uoa/dl/object/1318416"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σε αυτή τη πτυχιακή εργασία μελετούμε το πρόβλημα του προσδιορισμού της θέσης μίαςπηγής σε ένα ασύρματο δίκτυο αισθητήρων με τη χρήση RSS μετρήσεων. Για να ξεπεράσουμε την μη κυρτότητα του συνηθισμένου εκτιμητή μέγιστης πιθανοφάνειας (ML), το πρόβλημα αρχικά μετασχηματίζεται με τον ισοδύναμο εκθετικό μετασχηματισμό του συνηθισμένου μοντέλου απωλειών διαδρομής και τη χρήση του μετασχηματισμού UT. Έτσι προκύπτει ένας νέος εκτιμητής μέγιστης πιθανοφάνειας που ονομάζεται weighted least squares(WLS). Στη συνέχεια με τη χρήση ενός κυρτού (convex) εκτιμητή προσεγγίζεται το ίδιο πρόβλημα. Στη περίπτωση αυτή ένας μη κυρτός εκτιμητής προσομοιώνει τον εκτιμητή ML εξαλείφοντας από τον τύπο τον λογάριθμο. Η εφαρμογή του ημιορισμένου προγραμματισμού μετατρέπει τον μη κυρτό εκτιμητή σε ένα νέο κυρτό (SDP) προβάλλοντας πλεονεκτήματα στη χρήση του. Τέλος με τη χρήση του δεύτερης τάξης κωνικού προγραμματισμού γίνεται μια νέα προσέγγιση εκτιμητή δημιουργώντας και πάλι ένα νέο κυρτό (SOCP).Όλες οι προσεγγίσεις συγκρίθηκαν με διαφορετικές παραμέτρους κάθε φορά όπως τη διάταξη , την τυπική απόκλιση και τον αριθμό αισθητήρων του προβλήματος ώστε να προσδιοριστεί η αποδοτικότητά τους σε κάθε περίπτωση.","This thesis studies certain approaches to the localization problem in wireless sensor networks using received-signal-strength measurements.In order to circumvent the nonconvexity of the conventional maximum likelihood (ML) estimator,the problem is firstly reformulated under the equivalent exponential transformation of the conventional path loss measurement model and the unscented transformation (UT).It is approximately approached by the maximum likelihood (ML) parameter estimation. This estimation is referred to as the weighted least squares (WLS) approach.Secondly,the use of convex estimator is being examined for the same RSS-based localization problem. In this case, a nonconvex estimator approximates the ML estimator but has no logarithm in the residual.The semidefinite relaxation technique is then applied to the nonconvex estimator and the convex estimator is developed.Finally the use of second order cone programming is being explored as an approach to relax the estimator by applying efficient convex relaxations.All approaches have been critically compared in terms of geometric layout, standard deviation and number of sensors in order to determine their effectiveness."]},{"key":"dc:title","label":"Title","values":["Μελέτη και επεξεργασία αλγορίθμων για τον προσδιορισμό της θέσης μιας πηγής σε ένα ασύρματο δίκτυο αισθητήρων"]}]}],"canonical_facts":{"dc:creator":["Αλιμπέρτης Γεώργιος"],"dc:date":["2016"],"dc:description":["Σε αυτή τη πτυχιακή εργασία μελετούμε το πρόβλημα του προσδιορισμού της θέσης μίαςπηγής σε ένα ασύρματο δίκτυο αισθητήρων με τη χρήση RSS μετρήσεων. Για να ξεπεράσουμε την μη κυρτότητα του συνηθισμένου εκτιμητή μέγιστης πιθανοφάνειας (ML), το πρόβλημα αρχικά μετασχηματίζεται με τον ισοδύναμο εκθετικό μετασχηματισμό του συνηθισμένου μοντέλου απωλειών διαδρομής και τη χρήση του μετασχηματισμού UT. Έτσι προκύπτει ένας νέος εκτιμητής μέγιστης πιθανοφάνειας που ονομάζεται weighted least squares(WLS). Στη συνέχεια με τη χρήση ενός κυρτού (convex) εκτιμητή προσεγγίζεται το ίδιο πρόβλημα. Στη περίπτωση αυτή ένας μη κυρτός εκτιμητής προσομοιώνει τον εκτιμητή ML εξαλείφοντας από τον τύπο τον λογάριθμο. Η εφαρμογή του ημιορισμένου προγραμματισμού μετατρέπει τον μη κυρτό εκτιμητή σε ένα νέο κυρτό (SDP) προβάλλοντας πλεονεκτήματα στη χρήση του. Τέλος με τη χρήση του δεύτερης τάξης κωνικού προγραμματισμού γίνεται μια νέα προσέγγιση εκτιμητή δημιουργώντας και πάλι ένα νέο κυρτό (SOCP).Όλες οι προσεγγίσεις συγκρίθηκαν με διαφορετικές παραμέτρους κάθε φορά όπως τη διάταξη , την τυπική απόκλιση και τον αριθμό αισθητήρων του προβλήματος ώστε να προσδιοριστεί η αποδοτικότητά τους σε κάθε περίπτωση.","This thesis studies certain approaches to the localization problem in wireless sensor networks using received-signal-strength measurements.In order to circumvent the nonconvexity of the conventional maximum likelihood (ML) estimator,the problem is firstly reformulated under the equivalent exponential transformation of the conventional path loss measurement model and the unscented transformation (UT).It is approximately approached by the maximum likelihood (ML) parameter estimation. This estimation is referred to as the weighted least squares (WLS) approach.Secondly,the use of convex estimator is being examined for the same RSS-based localization problem. In this case, a nonconvex estimator approximates the ML estimator but has no logarithm in the residual.The semidefinite relaxation technique is then applied to the nonconvex estimator and the convex estimator is developed.Finally the use of second order cone programming is being explored as an approach to relax the estimator by applying efficient convex relaxations.All approaches have been critically compared in terms of geometric layout, standard deviation and number of sensors in order to determine their effectiveness."],"dc:identifier":["uoadl:1318416","https://pergamos.lib.uoa.gr/uoa/dl/object/1318416"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Μελέτη και επεξεργασία αλγορίθμων για τον προσδιορισμό της θέσης μιας πηγής σε ένα ασύρματο δίκτυο αισθητήρων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:21Z"}