{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1319807"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1319807","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων","abstract":"Ο κινητός υπολογισμός είναι ένας κλάδος που αναπτύσσεται ταχύτατα και έχει εφαρμογές σε πολλούς τομείς της ανθρώπινης δραστηριότητας. Τα ασύρματα δίκτυα αισθητήρων χρησιμοποιούνται κατά βάση στον κινητό υπολογισμό για την συλλογή των πληροφοριών. Η μείωση των διαστάσεων είναι μια τεχνική που εφαρμόζεται ευρέως κατά τη συλλογή των δεδομένων για να ελαττωθεί το αποθηκευτικό και υπολογιστικό τους κόστος, χωρίς μεγάλη απώλεια πληροφορίας. Η τεχνική που εξετάζεται στην παρούσα διπλωματική εργασία είναι η Ανάλυση Κύριων Συνιστωσών που μειώνει στο μισό τις αρχικές διαστάσεις των δεδομένων. Επίσης, τα ασύρματα δίκτυα αισθητήρων εμφανίζουν συχνά διάφορες μορφές σφαλμάτων που συνεπάγεται την ελλιπή πληροφόρηση προς τις εφαρμογές που καλύπτουν. Για την αποφυγή των προβλημάτων που μπορεί να προκύψουν από ελλιπείς τιμές, μελετούνται στατιστικές μέθοδοι όπως η προεκβολή / παρεμβολή καθώς και αλγόριθμοι κατηγοριοποίησης που προβλέπουν ελλιπείς τιμές σε ένα δείγμα δεδομένων. Οι αλγόριθμοι που εξετάζονται είναι οι: Decision Tree, C4.5, M5P, Decision Stump και RepTree. Τέλος, συγκρίνονται οι αποδόσεις των μεθοδολογιών και διεξάγονται συμπεράσματα για την αξιοπιστία τους βάσει των ποσοστών επιτυχίας που έχουν στην πρόβλεψη των μετρήσεων.","abstract_html":"Ο κινητός υπολογισμός είναι ένας κλάδος που αναπτύσσεται ταχύτατα και έχει εφαρμογές σε πολλούς τομείς της ανθρώπινης δραστηριότητας. Τα ασύρματα δίκτυα αισθητήρων χρησιμοποιούνται κατά βάση στον κινητό υπολογισμό για την συλλογή των πληροφοριών. Η μείωση των διαστάσεων είναι μια τεχνική που εφαρμόζεται ευρέως κατά τη συλλογή των δεδομένων για να ελαττωθεί το αποθηκευτικό και υπολογιστικό τους κόστος, χωρίς μεγάλη απώλεια πληροφορίας. Η τεχνική που εξετάζεται στην παρούσα διπλωματική εργασία είναι η Ανάλυση Κύριων Συνιστωσών που μειώνει στο μισό τις αρχικές διαστάσεις των δεδομένων. Επίσης, τα ασύρματα δίκτυα αισθητήρων εμφανίζουν συχνά διάφορες μορφές σφαλμάτων που συνεπάγεται την ελλιπή πληροφόρηση προς τις εφαρμογές που καλύπτουν. Για την αποφυγή των προβλημάτων που μπορεί να προκύψουν από ελλιπείς τιμές, μελετούνται στατιστικές μέθοδοι όπως η προεκβολή / παρεμβολή καθώς και αλγόριθμοι κατηγοριοποίησης που προβλέπουν ελλιπείς τιμές σε ένα δείγμα δεδομένων. Οι αλγόριθμοι που εξετάζονται είναι οι: Decision Tree, C4.5, M5P, Decision Stump και RepTree. Τέλος, συγκρίνονται οι αποδόσεις των μεθοδολογιών και διεξάγονται συμπεράσματα για την αξιοπιστία τους βάσει των ποσοστών επιτυχίας που έχουν στην πρόβλεψη των μετρήσεων.","abstract_has_math":false,"creators":["Αργυροπούλου Αιμιλία"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2011,"date_issued":"2011","date_published":"2011","updated_at":"2026-11-19T05:26:06Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1319807"],"render_values":[{"text":"uoadl:1319807","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1319807","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1319807","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%3A1319807","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Αργυροπούλου Αιμιλία"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2011"]},{"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:1319807","https://pergamos.lib.uoa.gr/uoa/dl/object/1319807"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο κινητός υπολογισμός είναι ένας κλάδος που αναπτύσσεται ταχύτατα και έχει εφαρμογές σε πολλούς τομείς της ανθρώπινης δραστηριότητας. Τα ασύρματα δίκτυα αισθητήρων χρησιμοποιούνται κατά βάση στον κινητό υπολογισμό για την συλλογή των πληροφοριών. Η μείωση των διαστάσεων είναι μια τεχνική που εφαρμόζεται ευρέως κατά τη συλλογή των δεδομένων για να ελαττωθεί το αποθηκευτικό και υπολογιστικό τους κόστος, χωρίς μεγάλη απώλεια πληροφορίας. Η τεχνική που εξετάζεται στην παρούσα διπλωματική εργασία είναι η Ανάλυση Κύριων Συνιστωσών που μειώνει στο μισό τις αρχικές διαστάσεις των δεδομένων. Επίσης, τα ασύρματα δίκτυα αισθητήρων εμφανίζουν συχνά διάφορες μορφές σφαλμάτων που συνεπάγεται την ελλιπή πληροφόρηση προς τις εφαρμογές που καλύπτουν. Για την αποφυγή των προβλημάτων που μπορεί να προκύψουν από ελλιπείς τιμές, μελετούνται στατιστικές μέθοδοι όπως η προεκβολή / παρεμβολή καθώς και αλγόριθμοι κατηγοριοποίησης που προβλέπουν ελλιπείς τιμές σε ένα δείγμα δεδομένων. Οι αλγόριθμοι που εξετάζονται είναι οι: Decision Tree, C4.5, M5P, Decision Stump και RepTree. Τέλος, συγκρίνονται οι αποδόσεις των μεθοδολογιών και διεξάγονται συμπεράσματα για την αξιοπιστία τους βάσει των ποσοστών επιτυχίας που έχουν στην πρόβλεψη των μετρήσεων.","Mobile Computing constitutes a rapidly growing scientific area with many applications in everyday human activity. Mobile Computing exploits wireless sensor networks for the information collection. Data reduction techniques are applied in the collected data in order to reduce storage and computational cost, without much loss of information. The technique investigated in the current thesis is the Principal Component Analysis, which reduces the original size of the initial dataset. Further to the above, Wireless sensor networks often encounter various types of errors. As a result, incomplete data is supplied in the application systems. To face such phenomena, we performed statistical methods such as extrapolation / interpolation and classification algorithms which predict missing values in a sample data. The algorithms considered are: Decision Tree, C4.5, M5P, Decision Stump and RepTree. Finally, we present a comparison of the performance of the aforementioned methodologies. The conclusions are based on the success rates of the predicted values."]},{"key":"dc:title","label":"Title","values":["Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων"]}]}],"canonical_facts":{"dc:creator":["Αργυροπούλου Αιμιλία"],"dc:date":["2011"],"dc:description":["Ο κινητός υπολογισμός είναι ένας κλάδος που αναπτύσσεται ταχύτατα και έχει εφαρμογές σε πολλούς τομείς της ανθρώπινης δραστηριότητας. Τα ασύρματα δίκτυα αισθητήρων χρησιμοποιούνται κατά βάση στον κινητό υπολογισμό για την συλλογή των πληροφοριών. Η μείωση των διαστάσεων είναι μια τεχνική που εφαρμόζεται ευρέως κατά τη συλλογή των δεδομένων για να ελαττωθεί το αποθηκευτικό και υπολογιστικό τους κόστος, χωρίς μεγάλη απώλεια πληροφορίας. Η τεχνική που εξετάζεται στην παρούσα διπλωματική εργασία είναι η Ανάλυση Κύριων Συνιστωσών που μειώνει στο μισό τις αρχικές διαστάσεις των δεδομένων. Επίσης, τα ασύρματα δίκτυα αισθητήρων εμφανίζουν συχνά διάφορες μορφές σφαλμάτων που συνεπάγεται την ελλιπή πληροφόρηση προς τις εφαρμογές που καλύπτουν. Για την αποφυγή των προβλημάτων που μπορεί να προκύψουν από ελλιπείς τιμές, μελετούνται στατιστικές μέθοδοι όπως η προεκβολή / παρεμβολή καθώς και αλγόριθμοι κατηγοριοποίησης που προβλέπουν ελλιπείς τιμές σε ένα δείγμα δεδομένων. Οι αλγόριθμοι που εξετάζονται είναι οι: Decision Tree, C4.5, M5P, Decision Stump και RepTree. Τέλος, συγκρίνονται οι αποδόσεις των μεθοδολογιών και διεξάγονται συμπεράσματα για την αξιοπιστία τους βάσει των ποσοστών επιτυχίας που έχουν στην πρόβλεψη των μετρήσεων.","Mobile Computing constitutes a rapidly growing scientific area with many applications in everyday human activity. Mobile Computing exploits wireless sensor networks for the information collection. Data reduction techniques are applied in the collected data in order to reduce storage and computational cost, without much loss of information. The technique investigated in the current thesis is the Principal Component Analysis, which reduces the original size of the initial dataset. Further to the above, Wireless sensor networks often encounter various types of errors. As a result, incomplete data is supplied in the application systems. To face such phenomena, we performed statistical methods such as extrapolation / interpolation and classification algorithms which predict missing values in a sample data. The algorithms considered are: Decision Tree, C4.5, M5P, Decision Stump and RepTree. Finally, we present a comparison of the performance of the aforementioned methodologies. The conclusions are based on the success rates of the predicted values."],"dc:identifier":["uoadl:1319807","https://pergamos.lib.uoa.gr/uoa/dl/object/1319807"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:06Z"}