عنوان پایان‌نامه
ارائه یک سیستم یادگیری برای پیش بینی وارسال داده با هدف کاهش مصرف انرژی درشبکه های حسگر بیسیم
- رشته تحصیلی
- مهندسی کامپیوتر- آلگوریتم ها و محاسبات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 30..;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 53332
- تاریخ دفاع
- ۰۸ اسفند ۱۳۹۰
- دانشجو
- حامد نازک تبار
- استاد راهنما
- مجید نیلی احمدآبادی
- چکیده
- استفاده از شبکه‌های حسگر بیسیم در سال‌های اخیر افزایش چشم گیری داشته است. این شبکه‌ها از تعداد زیادی حسگر تشکیل شده‌اند که علاوه بر حس کردن محیط، دارای قدرت ذخیره و پردازش اطلاعات و همچنین ارسال داده از طریق فرستنده‌ی شبکه‌ای بیسیم هستند. محدودیت منبع تامین انرژی در حسگر‌ها از مهم‌ترین مسائل در این شبکه‌ها است. عموماً ارسال داده و انجام محاسبات از پر مصرف‌ترین فعالیت‌های یک حسگر است. برای بهبود در این فعالیت‌ها، پژوهش‌های زیادی در حال انجام است که هر یک، بسته به کاربرد، قابلیت‌های خوبی به این شبکه‌ها افزوده است. در بسیاری از کاربرد‌های عملی شبکه‌های حسگر، کافی است تا حسگر‌ها تقریبی از داده‌های خوانده شده را ارسال کنند. در این کاربرد‌ها نشان داده شده است که استفاده از مدل‌های پیش‌بینی کننده، هم ارسال داده را به شکل قابل ملاحظه‌ای کم می‌کند و هم دقت مورد نیاز را در داده ها تضمین می‌کند. میزان کاهش داده‌های ارسال شده توسط مدل پیش‌بین بسیار وابسته به سیگنال محیط و نحوه تغییرات آن است. علاوه بر این، خصوصیات مدل، بر حجم داده منتقل شده تاثیر می‌گذارد. مدل‌های مختلفی مانند مدل احتمالی، مدل سری‌زمانی و فیلتر کالمن برای پیش‌بینی سیگنال در شبکه‌های حسگر بیسیم استفاده شده‌اند. این مدل‌ها یا مرتبه محاسـباتی بالائی دارند یا به پارامتر‌های زیادی برای به روز رسانی نیاز دارند. با توجه به پویائی محیط، خاصیت مهمی که مدل‌های پیش‌بین باید داشته باشند این است که به پارامتر‌های کمتری برای به روز رسانی نیاز داشته باشند. در این پژوهش ما به دنبال طراحی مدلی هستیم که هم قدرت پیش‌بینی مناسبی داشته باشد و هم با توجه به خصوصیت شبکه های حسگر، کم‌ترین داده را برای به روز رسانی نیاز داشته باشد. الگوریتم RLSP (Reinforcement Learning based Signal Predictor)، که در این پژوهش ارائه می‌شود، با این ایده و مبتنی بر یادگیری تقویتی طراحی شده است. این الگوریتم از ابتدا شروع به یادگیری سیگنال داده‌های محیط می‌کند و همزمان پیش‌بینی نیز انجام می‌دهد. ما الگوریتم RLSP را در MATLAB شبیه سازی و برای ارزیابی، آن را با الگوریتم‌های سری زمانی مقایسه کردیم. نتایج شبیه سازی نشان می‌دهد که از نظر مصرف انرژی، الگوریتم RLSP تقریباً در همه سیگنال‌ها عملکرد بهتری دارد و از نظر قدرت پیش‌بینی نیز عملکرد قابل توجهی دارد.
- Abstract
- Using wireless sensor networks has significantly increased in recent years. These networks contain many sensors. These sensors can sense the environment, save and process information and send data via the wireless network transceiver. The limitation of the sensor’s power supply source is one of the most challenging issues in WSNs. Generally, data transfer and computing are two most energy consuming activities in sensors. Many researches have done in this area and each has improved less or more the state of the art. In many applications, sensors need to send the approximation of the read data. In these applications, it has been shown that using predictive models reduces the number of data transfers as it guarantees the accuracy of data. This reduction depends on environment’s signal and its changing trend. Also, the model's characteristics have significant effects on transferred data volume. Till now, various models have been applied to signal prediction in wireless sensor networks, like "Probabilistic models", "Time-series models" and "Kalman Filter model". The main drawbacks of these models are high computational order and their need for too many parameters for model updating. Regarding to the dynamics of environment, needing few parameters for updating, is an essential feature of these sorts of models. In this research, we aim to design a predictive model which has significant forecasting power, while it needs as less as possible data for updating, according to WSNs features. The "RLSP" (Reinforcement Learning based Signal Predictor) algorithm, presented in this research, is designed to satisfy these criteria based on Reinforcement Learning. This algorithm learns the environment signal and extracts the model of signal based on its experiences. Simultaneously, this model is used to make prediction. To evaluate, we have simulated our algorithm in MATLAB and compared our results to the Time-series algorithms. The simulation results show that RLSP algorithm has superior performance in approximately all signals. Moreover, it shows good efficiency in prediction.
