{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1319559"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1319559","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Προσαρμοστικοί αλγόριθμοι για κατανεμημένη μάθηση σε δίκτυα ασύρματων αισθητήρων","abstract":"Στην παρούσα διατριβή μελετάται το πρόβλημα της κατανεμημένης\\linebreak προσαρμοστικής μάθησης σε δίκτυα αισθητήρων. Στην προσαρμοστική μάθηση, σκοπός είναι η μελέτη και ανάπτυξη αλγορίθμων, οι οποίοι είναι ικανοί να μαθαίνουν, μέσα από μετρήσεις εισόδου/εξόδου, και να προσαρμόζονται σε αλλαγές του περιβάλλοντος, όταν στόχος είναι η εκτίμηση μιας χρονικά μεταβαλλόμενης παραμέτρου. Τέτοιες τεχνικές εμφανίζονται σε πολλές εφαρμογές της καθημερινής μας ζωής, όπως για παράδειγμα σε ηχοαφαιρέτες, στην κινητη τηλεφωνία, κ.λ.π. Με την πάροδο του χρόνου, αναπτύχθηκαν προσαρμοστικοί αλγόριθμοι οι οποίοι είναι χαμηλής πολυπλοκότητας και έχουν την ικανότητα να καταλήγουν σε μια ικανοποιητική εκτίμηση του αγνώστου συστήματος χωρίς να απαιτείται η χρήση μεγάλου αριθμού δεδομένων. Επιπλέον, έχουν προταθεί τεχνικές οι οποίες είναι ιδιαίτερα εύρωστες στο να «παρακολουθούν» μεταβολές στην άγνωστη παράμετρο και να προσαρμόζονται γρήγορα σε αυτές. Παρόλα αυτά μέχρι σχετικά πρόσφατα δεν είχε αντιμετωπιστεί το πρόβλημα της κατανεμημένης προσαρμοστικής μάθησης. Το πρόβλημα δηλαδή της ανάπτυξης αλγορίθμων προσαρμοστικής μάθησης, σε κατανεμημένα δίκτυα αισθητήρων, όπου σε κάθε αισθητήρα σκοπός είναι η εκτίμηση άγνωστης παραμέτρου, κοινής σε όλο το δίκτυο. Κατά την μελέτη αλγορίθμων αυτής της οικογένειας δύο είναι τα βασικά ζητήματα, τα οποία πρέπει να λάβει κανείς υπ’ όψιν. Το πρώτο έχει να κάνει με το πώς θα εκμεταλλεύεται κάθε κόμβος την πληροφορία την οποία λαμβάνει από το περιβάλλον, και το δεύτερο είναι το πώς υπεισέρχεται στον αλγόριθμο η πληροφορία η οποία λαμβάνεται από τους κόμβους με τους οποίους η επικοινωνία είναι εφικτή. Στην παρούσα διατριβή θα μελετήσουμε κλασικούς αλγορίθμους της βιβλιογραφίας, στο πλαίσιο της προσαρμοστικής μάθησης και θα δούμε πως γενικεύονται στο σενάριο της κατανεμημένης προσαρμοστικής μάθησης. Επιπλέον, θα μελετήσουμε έναν αλγόριθμο ο οποίος αντιμετωπίζει τυχόν δυσλειτουργίες στους κόμβους του δικτύου, καθώς και τεχνική η οποία έχει σαν στόχο την ελάττωση της πληροφορίας που αποστέλλει ο κάθε κόμβος. Τέλος, οι παραπάνω αλγόριθμοι θα ελεγχθούν πειραματικά, τόσο στο μη κατανεμημένο όσο και στο κατανεμημένο σενάριο.","abstract_html":"Στην παρούσα διατριβή μελετάται το πρόβλημα της κατανεμημένης\\linebreak προσαρμοστικής μάθησης σε δίκτυα αισθητήρων. Στην προσαρμοστική μάθηση, σκοπός είναι η μελέτη και ανάπτυξη αλγορίθμων, οι οποίοι είναι ικανοί να μαθαίνουν, μέσα από μετρήσεις εισόδου/εξόδου, και να προσαρμόζονται σε αλλαγές του περιβάλλοντος, όταν στόχος είναι η εκτίμηση μιας χρονικά μεταβαλλόμενης παραμέτρου. Τέτοιες τεχνικές εμφανίζονται σε πολλές εφαρμογές της καθημερινής μας ζωής, όπως για παράδειγμα σε ηχοαφαιρέτες, στην κινητη τηλεφωνία, κ.λ.π. Με την πάροδο του χρόνου, αναπτύχθηκαν προσαρμοστικοί αλγόριθμοι οι οποίοι είναι χαμηλής πολυπλοκότητας και έχουν την ικανότητα να καταλήγουν σε μια ικανοποιητική εκτίμηση του αγνώστου συστήματος χωρίς να απαιτείται η χρήση μεγάλου αριθμού δεδομένων. Επιπλέον, έχουν προταθεί τεχνικές οι οποίες είναι ιδιαίτερα εύρωστες στο να «παρακολουθούν» μεταβολές στην άγνωστη παράμετρο και να προσαρμόζονται γρήγορα σε αυτές. Παρόλα αυτά μέχρι σχετικά πρόσφατα δεν είχε αντιμετωπιστεί το πρόβλημα της κατανεμημένης προσαρμοστικής μάθησης. Το πρόβλημα δηλαδή της ανάπτυξης αλγορίθμων προσαρμοστικής μάθησης, σε κατανεμημένα δίκτυα αισθητήρων, όπου σε κάθε αισθητήρα σκοπός είναι η εκτίμηση άγνωστης παραμέτρου, κοινής σε όλο το δίκτυο. Κατά την μελέτη αλγορίθμων αυτής της οικογένειας δύο είναι τα βασικά ζητήματα, τα οποία πρέπει να λάβει κανείς υπ’ όψιν. Το πρώτο έχει να κάνει με το πώς θα εκμεταλλεύεται κάθε κόμβος την πληροφορία την οποία λαμβάνει από το περιβάλλον, και το δεύτερο είναι το πώς υπεισέρχεται στον αλγόριθμο η πληροφορία η οποία λαμβάνεται από τους κόμβους με τους οποίους η επικοινωνία είναι εφικτή. Στην παρούσα διατριβή θα μελετήσουμε κλασικούς αλγορίθμους της βιβλιογραφίας, στο πλαίσιο της προσαρμοστικής μάθησης και θα δούμε πως γενικεύονται στο σενάριο της κατανεμημένης προσαρμοστικής μάθησης. Επιπλέον, θα μελετήσουμε έναν αλγόριθμο ο οποίος αντιμετωπίζει τυχόν δυσλειτουργίες στους κόμβους του δικτύου, καθώς και τεχνική η οποία έχει σαν στόχο την ελάττωση της πληροφορίας που αποστέλλει ο κάθε κόμβος. Τέλος, οι παραπάνω αλγόριθμοι θα ελεγχθούν πειραματικά, τόσο στο μη κατανεμημένο όσο και στο κατανεμημένο σενάριο.","abstract_has_math":false,"creators":["Χουβαρδάς Συμεών"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2012,"date_issued":"2012","date_published":"2012","updated_at":"2026-11-19T05:26:02Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1319559"],"render_values":[{"text":"uoadl:1319559","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1319559","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1319559","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%3A1319559","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χουβαρδάς Συμεών"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2012"]},{"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:1319559","https://pergamos.lib.uoa.gr/uoa/dl/object/1319559"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην παρούσα διατριβή μελετάται το πρόβλημα της κατανεμημένης\\linebreak προσαρμοστικής μάθησης σε δίκτυα αισθητήρων. Στην προσαρμοστική μάθηση, σκοπός είναι η μελέτη και ανάπτυξη αλγορίθμων, οι οποίοι είναι ικανοί να μαθαίνουν, μέσα από μετρήσεις εισόδου/εξόδου, και να προσαρμόζονται σε αλλαγές του περιβάλλοντος, όταν στόχος είναι η εκτίμηση μιας χρονικά μεταβαλλόμενης παραμέτρου. Τέτοιες τεχνικές εμφανίζονται σε πολλές εφαρμογές της καθημερινής μας ζωής, όπως για παράδειγμα σε ηχοαφαιρέτες, στην κινητη τηλεφωνία, κ.λ.π. Με την πάροδο του χρόνου, αναπτύχθηκαν προσαρμοστικοί αλγόριθμοι οι οποίοι είναι χαμηλής πολυπλοκότητας και έχουν την ικανότητα να καταλήγουν σε μια ικανοποιητική εκτίμηση του αγνώστου συστήματος χωρίς να απαιτείται η χρήση μεγάλου αριθμού δεδομένων. Επιπλέον, έχουν προταθεί τεχνικές οι οποίες είναι ιδιαίτερα εύρωστες στο να «παρακολουθούν» μεταβολές στην άγνωστη παράμετρο και να προσαρμόζονται γρήγορα σε αυτές. Παρόλα αυτά μέχρι σχετικά πρόσφατα δεν είχε αντιμετωπιστεί το πρόβλημα της κατανεμημένης προσαρμοστικής μάθησης. Το πρόβλημα δηλαδή της ανάπτυξης αλγορίθμων προσαρμοστικής μάθησης, σε κατανεμημένα δίκτυα αισθητήρων, όπου σε κάθε αισθητήρα σκοπός είναι η εκτίμηση άγνωστης παραμέτρου, κοινής σε όλο το δίκτυο. Κατά την μελέτη αλγορίθμων αυτής της οικογένειας δύο είναι τα βασικά ζητήματα, τα οποία πρέπει να λάβει κανείς υπ’ όψιν. Το πρώτο έχει να κάνει με το πώς θα εκμεταλλεύεται κάθε κόμβος την πληροφορία την οποία λαμβάνει από το περιβάλλον, και το δεύτερο είναι το πώς υπεισέρχεται στον αλγόριθμο η πληροφορία η οποία λαμβάνεται από τους κόμβους με τους οποίους η επικοινωνία είναι εφικτή. Στην παρούσα διατριβή θα μελετήσουμε κλασικούς αλγορίθμους της βιβλιογραφίας, στο πλαίσιο της προσαρμοστικής μάθησης και θα δούμε πως γενικεύονται στο σενάριο της κατανεμημένης προσαρμοστικής μάθησης. Επιπλέον, θα μελετήσουμε έναν αλγόριθμο ο οποίος αντιμετωπίζει τυχόν δυσλειτουργίες στους κόμβους του δικτύου, καθώς και τεχνική η οποία έχει σαν στόχο την ελάττωση της πληροφορίας που αποστέλλει ο κάθε κόμβος. Τέλος, οι παραπάνω αλγόριθμοι θα ελεγχθούν πειραματικά, τόσο στο μη κατανεμημένο όσο και στο κατανεμημένο σενάριο.","In the current study, we consider the problem of adaptive distributive learning in wireless sensor networks. Generally speaking, in adaptive learning, the goal is to study and develop algorithms, which are capable of learning through input/output measurements, and adapt in possible changes of the environment and/or the unknown system to be estimated. Such techniques play a central role in a number of applications, as for example in echo cancellers, mobile communications just to name a few. In the literature, a number of adaptive algorithms, which are of low complexity and/or converge to a good estimate of the unknown parameter relatively fast, has been proposed. Moreover, adaptive techniques, which are capable of tracking changes of unknown system, have been studied. Nevertheless, it was only recently when the problem of adaptive distributed learning. In a nutshell, in adaptive distributed learning, we consider a network consisted of nodes, and each node has access to a number of measurements. The goal is to estimate an unknown, yet common parameter of interest. There are, mainly, two issues to be addressed. The first one is how the sensed measurements will be imposed in the problem and the second one is how each node will exploit the measurements received from the nodes with which communication is possible. In the current study, we will present celebrated algorithms, proposed in the literature, and we will demonstrate how the previously mentioned schemes are generalized in the distributed scenario. Moreover, an algorithm that attacks the problem of malfunctioning nodes and a scheme which reduces the number of information transmitted, will be studied. Finally, the previous techniques will be experimentally verified."]},{"key":"dc:title","label":"Title","values":["Προσαρμοστικοί αλγόριθμοι για κατανεμημένη μάθηση σε δίκτυα ασύρματων αισθητήρων"]}]}],"canonical_facts":{"dc:creator":["Χουβαρδάς Συμεών"],"dc:date":["2012"],"dc:description":["Στην παρούσα διατριβή μελετάται το πρόβλημα της κατανεμημένης\\linebreak προσαρμοστικής μάθησης σε δίκτυα αισθητήρων. Στην προσαρμοστική μάθηση, σκοπός είναι η μελέτη και ανάπτυξη αλγορίθμων, οι οποίοι είναι ικανοί να μαθαίνουν, μέσα από μετρήσεις εισόδου/εξόδου, και να προσαρμόζονται σε αλλαγές του περιβάλλοντος, όταν στόχος είναι η εκτίμηση μιας χρονικά μεταβαλλόμενης παραμέτρου. Τέτοιες τεχνικές εμφανίζονται σε πολλές εφαρμογές της καθημερινής μας ζωής, όπως για παράδειγμα σε ηχοαφαιρέτες, στην κινητη τηλεφωνία, κ.λ.π. Με την πάροδο του χρόνου, αναπτύχθηκαν προσαρμοστικοί αλγόριθμοι οι οποίοι είναι χαμηλής πολυπλοκότητας και έχουν την ικανότητα να καταλήγουν σε μια ικανοποιητική εκτίμηση του αγνώστου συστήματος χωρίς να απαιτείται η χρήση μεγάλου αριθμού δεδομένων. Επιπλέον, έχουν προταθεί τεχνικές οι οποίες είναι ιδιαίτερα εύρωστες στο να «παρακολουθούν» μεταβολές στην άγνωστη παράμετρο και να προσαρμόζονται γρήγορα σε αυτές. Παρόλα αυτά μέχρι σχετικά πρόσφατα δεν είχε αντιμετωπιστεί το πρόβλημα της κατανεμημένης προσαρμοστικής μάθησης. Το πρόβλημα δηλαδή της ανάπτυξης αλγορίθμων προσαρμοστικής μάθησης, σε κατανεμημένα δίκτυα αισθητήρων, όπου σε κάθε αισθητήρα σκοπός είναι η εκτίμηση άγνωστης παραμέτρου, κοινής σε όλο το δίκτυο. Κατά την μελέτη αλγορίθμων αυτής της οικογένειας δύο είναι τα βασικά ζητήματα, τα οποία πρέπει να λάβει κανείς υπ’ όψιν. Το πρώτο έχει να κάνει με το πώς θα εκμεταλλεύεται κάθε κόμβος την πληροφορία την οποία λαμβάνει από το περιβάλλον, και το δεύτερο είναι το πώς υπεισέρχεται στον αλγόριθμο η πληροφορία η οποία λαμβάνεται από τους κόμβους με τους οποίους η επικοινωνία είναι εφικτή. Στην παρούσα διατριβή θα μελετήσουμε κλασικούς αλγορίθμους της βιβλιογραφίας, στο πλαίσιο της προσαρμοστικής μάθησης και θα δούμε πως γενικεύονται στο σενάριο της κατανεμημένης προσαρμοστικής μάθησης. Επιπλέον, θα μελετήσουμε έναν αλγόριθμο ο οποίος αντιμετωπίζει τυχόν δυσλειτουργίες στους κόμβους του δικτύου, καθώς και τεχνική η οποία έχει σαν στόχο την ελάττωση της πληροφορίας που αποστέλλει ο κάθε κόμβος. Τέλος, οι παραπάνω αλγόριθμοι θα ελεγχθούν πειραματικά, τόσο στο μη κατανεμημένο όσο και στο κατανεμημένο σενάριο.","In the current study, we consider the problem of adaptive distributive learning in wireless sensor networks. Generally speaking, in adaptive learning, the goal is to study and develop algorithms, which are capable of learning through input/output measurements, and adapt in possible changes of the environment and/or the unknown system to be estimated. Such techniques play a central role in a number of applications, as for example in echo cancellers, mobile communications just to name a few. In the literature, a number of adaptive algorithms, which are of low complexity and/or converge to a good estimate of the unknown parameter relatively fast, has been proposed. Moreover, adaptive techniques, which are capable of tracking changes of unknown system, have been studied. Nevertheless, it was only recently when the problem of adaptive distributed learning. In a nutshell, in adaptive distributed learning, we consider a network consisted of nodes, and each node has access to a number of measurements. The goal is to estimate an unknown, yet common parameter of interest. There are, mainly, two issues to be addressed. The first one is how the sensed measurements will be imposed in the problem and the second one is how each node will exploit the measurements received from the nodes with which communication is possible. In the current study, we will present celebrated algorithms, proposed in the literature, and we will demonstrate how the previously mentioned schemes are generalized in the distributed scenario. Moreover, an algorithm that attacks the problem of malfunctioning nodes and a scheme which reduces the number of information transmitted, will be studied. Finally, the previous techniques will be experimentally verified."],"dc:identifier":["uoadl:1319559","https://pergamos.lib.uoa.gr/uoa/dl/object/1319559"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Προσαρμοστικοί αλγόριθμοι για κατανεμημένη μάθηση σε δίκτυα ασύρματων αισθητήρων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:02Z"}