Analysis of wireless sensor networks (WSN) using support vector machine(SVM)
Destek vektör makinası (SVM) kullanarak kablosuz algılayıcı ağlarının (WSN) analizi
- Tez No: 796399
- Danışmanlar: Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Destek vektör makinesi, Kablosuz algılayıcı ağlar, Makine öğrenmesi, sınıflandırma stratejisi, simülasyon, Support vector machine, Wireless sensor networks, Machine learning, classification strategy, simulation
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Genellikle WSN'ler olarak bilinen kablosuz algılayıcı ağlar, iletişim arızaları, donanım arızaları ve yazılım hataları dahil olmak üzere çeşitli sorunlara karşı hassastır. Kablosuz sensör ağlarındaki (WSN'ler) zorlukların belirlenmesi zorlu bir konudur. Bunun nedeni, sınırlı kullanılabilir sensör kaynakları ve çeşitli dağıtım sektörleridir. Ek olarak, tespitin doğru olması gerekir, böylece yanlış pozitif olmaz ve hızlı olması gerekir, böylece kayıp olmaz. Makine öğrenimi, bir WSN'nin düzgün çalışıp çalışmadığını belirlemek için değerli bir yaklaşım gibi görünebilir. Kablosuz sensör ağlarının, genellikle WSN'lerin, insanların nasıl yaşadığını, çalıştığını ve fiziksel dünyayla etkileşimini temelden değiştireceği tahmin edilmektedir. Bu tez, WSN'lerin teorik ve gerçek olasılıkları arasındaki boşluğu daraltmayı ve sonuç olarak bu ağların günlük yaşamda kullanımını genişletmeyi amaçlamaktadır. Bu çalışma, destek vektör makineleri (SVM) olarak bilinen bir sınıflandırma stratejisi kullanır. İstatistiksel öğrenme teorisi SVM'nin temelinde yer aldığından, bir karar fonksiyonu oluşturmak için kullanılabilir. Küme başkanları, küçük kaynakları zahmetsizce gerektirdiğinden, bu değerlendirme görevini yerine getirmek için iyi bir konumdadır. Görevi, ortamda yanlış çalışan sensörleri bulmaktır. Aynı amaç için oluşturulan en son algoritmalarla karşılaştırılan bir deneyde, SVM, WSN'lerdeki kusurları belirlemek için kullanılan diğer yaklaşımlardan çok daha iyi performans gösterdi. Performans göstergesinin doğru olduğunu doğrulamak için analiz ve simülasyon sonuçlarından yararlanılır. Ayrıca, gözetleme modelinin ağın performansı üzerindeki etkisini göstermek için gerçek örnekler kullanıldı. Tercih edilen yolların, ağın algılama yeteneklerini önemli ölçüde etkilediği gösterilmiştir. Algılama modeli ve uygulama senaryoları gibi çeşitli sistem bileşenlerinin algılama kalitesi üzerindeki etkisini analitik ve modelleme teknikleriyle inceliyoruz. Öngörülen tespit performansını değerlendirmek ve bir davetsiz misafir hareket modeli doğrultusunda ağı geliştirmek için analitik yöntemler oluşturduk.
Özet (Çeviri)
Wireless sensor networks, often known as WSNs, are susceptible to various issues, including communication breakdowns, hardware malfunctions, and software bugs. Identifying difficulties in wireless sensor networks (WSNs) is a challenging topic. This is due to the limited available sensor resources and the diverse deployment sectors. In addition, the detection has to be accurate, so there are no false positives, and it needs to be quick, so there are no losses. Machine learning might seem a valuable approach for determining whether or not a WSN has failed to function properly. It is anticipated that wireless sensor networks, often WSNs, would fundamentally alter how people live, work, and interact with the physical world. This thesis aims to narrow the gap between the theoretical and actual possibilities of WSNs and, consequently, broaden the use of these networks in everyday life. This study uses a classification strategy known as support vector machines (SVM). Because the statistical learning theory is at the foundation of SVM, it can be utilized to create a decision function. Cluster heads are in a good position to fulfill this judging duty because it requires small resources effortlessly. Its mission is to locate sensors that are functioning incorrectly in the environment. In an experiment compared to the most recent algorithms created for the same goal, SVM performed far better than other approaches used to identify flaws in WSNs. Analysis and simulation results are utilized to verify that the performance indicator is accurate. Furthermore, real examples were used to demonstrate the influence of the snooping model on the network's performance. Preferred paths have been demonstrated to impact the network's detection capabilities significantly. We examine the impact of various system components, such as the sensing model and application scenarios, on detection quality through analytic and modeling techniques. We've built analytical methods to assess projected detection performance and enhance the network in line with an intruder movement model.
Benzer Tezler
- Hybrid channel estimation in wireless sensor networks using machine learning
Makine öğrenmesi ile kablosuz sensör ağlarında hibrit kanal kestirimi
AZAM ISAM ABDULKAREEM ALADWANI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH TALHA SÖZER
- Yapay arı kolonisi temelli kablosuz sensör ağlarında simülasyon ve regresyon analizi ile hava kalitesi tahmini
Air quality estimation with regression analysis and simulation in wireless sensor networks based on artificial bee colony
MERVE ÖZDEMİR
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SERHAT ÖZEKES
- Mobil kablosuz algılayıcı ağlarda hedef kapsama probleminin yeni nesil optimizasyon algoritmaları ile analizi
Analysis of target coverage problem in mobile wireless sensor networks with next-generation optimization algorithms
GÖZDE BAYAT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EYÜP EMRE ÜLKÜ
DOÇ. DR. BUKET DOĞAN
- Design and simulation of wireless sensor networks (WSN) for smart home applications using MATLAB and AI
MATLAB ve yapay zeka kullanarak akıllı ev uygulamaları için kablosuz sensör ağlarının (WSN) tasarımı ve simülasyonu
MOHAMMED SAJM ALSAEEDI
Yüksek Lisans
İngilizce
2026
Mekatronik MühendisliğiDokuz Eylül ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ LÜTFİYE ÖZLEM AKKAN
- Akıllı anten sistemi kullanan kablosuz algılayıcı ağlarda bağlantı analizi ve konum belirleme algoritması
Connectivity analysis and development of a localization algorithm for smart antenna system integrated wireless sensor networks
KEREM KÜÇÜK
Doktora
Türkçe
2010
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. ADNAN KAVAK