Bücher von Geethamani R

Le succès des solutions de l'internet des objets a permis la mise en place de nouvelles applications telles que l'agriculture hydroponique intelligente. L'un des problèmes typiques de ce type d'application est la dégradation rapide des capteurs déployés. Traditionnellement, ce problème est résolu par une maintenance manuelle fréquente, qui est considérée comme inefficace et peut nuire aux cultures à long terme. L'objectif principal de cette thèse est de proposer une approche d'apprentissage automatique pour automatiser la détection des dérives des capteurs. En outre, l'opérabilité de la solution a été étudiée dans un environnement de cloud computing en termes de temps de réponse. Cette thèse propose un algorithme de détection qui utilise le NN pour prédire les dérives des capteurs à partir de flux de données chronologiques. L'algorithme de détection a été nommé par la suite ; CNN, et NB, ont été conçus pour prédire les dérives des capteurs en utilisant des techniques de prévision et de classification. Les algorithmes ont été comparés les uns aux autres en termes de mesures de précision pertinentes pour la prévision et la classification. L'opérabilité de la solution a été étudiée en développant un serveur web qui hébergeait l'algorithme sur une instance informatique Thing Speak.

O sucesso das soluções da Internet das Coisas permitiu o estabelecimento de novas aplicações, como a agricultura hidropónica inteligente. Um problema típico deste tipo de aplicação é a rápida degradação dos sensores instalados. Tradicionalmente, este problema é resolvido através da manutenção manual frequente, que é considerada ineficaz e pode prejudicar as culturas a longo prazo. O principal objetivo desta tese foi propor uma abordagem de aprendizagem automática para automatizar a deteção de desvios de falhas nos sensores. Além disso, a operacionalidade da solução foi investigada num ambiente de computação em nuvem em termos de tempo de resposta. Esta tese propõe um algoritmo de deteção que utiliza NN na previsão de desvios de sensores a partir de fluxos de dados de séries temporais. O algoritmo de deteção foi posteriormente denominado; CNN, e NB, foram concebidos para prever desvios de sensores utilizando técnicas de previsão e classificação. Os algoritmos foram comparados entre si em termos de métricas de precisão relevantes para previsão e classificação. A operacionalidade da solução foi investigada através do desenvolvimento de um servidor Web que alojava o algoritmo numa instância de computação Thing Speak.

El éxito de las soluciones de Internet de las Cosas permitió el establecimiento de nuevas aplicaciones, como la agricultura hidropónica inteligente. Un problema típico en este tipo de aplicaciones es la rápida degradación de los sensores desplegados. Tradicionalmente, este problema se resuelve mediante un mantenimiento manual frecuente, que se considera ineficaz y puede perjudicar a los cultivos a largo plazo. El principal objetivo de esta tesis era proponer un enfoque de aprendizaje automático para automatizar la detección de las derivas por fallos de los sensores. Además, se investigó la operatividad de la solución en un entorno de computación en nube en términos de tiempo de respuesta. Esta tesis propone un algoritmo de detección que utiliza NN en la predicción de derivas del sensor a partir de flujos de datos de series temporales. El algoritmo de detección se denominó posteriormente; CNN, y NB, se diseñaron para predecir las derivas de los sensores utilizando técnicas de predicción y clasificación. Los algoritmos se compararon entre sí en términos de métricas de precisión relevantes para la previsión y la clasificación. La operatividad de la solución se investigó desarrollando un servidor web que alojaba el algoritmo en una instancia de computación Thing Speak.

Il successo delle soluzioni Internet of Things ha permesso la nascita di nuove applicazioni, come l'agricoltura idroponica intelligente. Un problema tipico di queste applicazioni è il rapido degrado dei sensori installati. Tradizionalmente, questo problema viene risolto con una frequente manutenzione manuale, che è considerata inefficace e può danneggiare le colture nel lungo periodo. Lo scopo principale di questa tesi è stato quello di proporre un approccio di machine learning per automatizzare il rilevamento delle derive dei guasti dei sensori. Inoltre, è stata studiata l'operatività della soluzione in un ambiente di cloud computing in termini di tempo di risposta. Questa tesi propone un algoritmo di rilevamento che utilizza NN per prevedere le derive dei sensori da flussi di dati in serie temporale. L'algoritmo di rilevamento è stato poi denominato CNN e NB, progettato per prevedere le derive dei sensori utilizzando tecniche di previsione e classificazione. Gli algoritmi sono stati confrontati tra loro in termini di metriche di accuratezza rilevanti per la previsione e la classificazione. L'operatività della soluzione è stata studiata sviluppando un server web che ospitava l'algoritmo su un'istanza di Thing Speak computing.

Der Erfolg von Lösungen für das Internet der Dinge ermöglichte die Einführung neuer Anwendungen wie die intelligente hydroponische Landwirtschaft. Ein typisches Problem bei einer solchen Anwendung ist die schnelle Verschlechterung der eingesetzten Sensoren. Traditionell wird dieses Problem durch häufige manuelle Wartung gelöst, die als ineffektiv angesehen wird und den Pflanzen auf lange Sicht schaden kann. Das Hauptziel dieser Arbeit war es, einen maschinellen Lernansatz für die automatische Erkennung von Sensorfehlern vorzuschlagen. Darüber hinaus wurde die Funktionsfähigkeit der Lösung in einer Cloud-Computing-Umgebung im Hinblick auf die Reaktionszeit untersucht. In dieser Arbeit wird ein Erkennungsalgorithmus vorgeschlagen, der NN zur Vorhersage von Sensordrifts aus Zeitseriendatenströmen verwendet. Der Erkennungsalgorithmus wurde später benannt; CNN und NB wurden entwickelt, um Sensorabweichungen mithilfe von Vorhersage- und Klassifizierungstechniken vorherzusagen. Die Algorithmen wurden im Hinblick auf relevante Genauigkeitsmetriken für Vorhersage und Klassifizierung miteinander verglichen. Die Funktionsfähigkeit der Lösung wurde durch die Entwicklung eines Webservers untersucht, der den Algorithmus auf einer Thing-Speak-Computing-Instanz hostete.