Knowledge discovery for behavioral patterns in wireless sensor networks
Notice bibliographique
Résumé
The research consolidated in this thesis is motivated by the recent evolvement of wireless technologies and microelectronic devices, which instigated the emergence of Wireless Sensor Networks (WSNs). Many WSN-based applications have come about; these applications are related, but not limited, to the fields of military, environment and health care. Research in WSNs is still in its early stages, and efforts have been put forward to design fast, reliable, and fault-tolerant protocols that guarantee acceptable levels of quality for events delivery, to meet the limited capabilities of sensor nodes and the effects of unreliable wireless communication. In this thesis, we focus on the design of a Knowledge-based framework for extracting behavioral patterns regarding sensor nodes from WSNs. Three types of behavioral patterns are introduced: Sensor Association Rules, Coverage-based Rules and Sensor Chronological Patterns. The proper steps in the Knowledge Discovery process that pertain to the extraction of the behavioral patterns are defined. These steps are: (i) a formal definition of the required 'knowledge'; (ii) the data preparation stage that covers the communication aspects of the process of preparing data that is needed to extract these patterns; (iii) the data mining techniques that are essential for extracting the required patterns. A set of schemes have been proposed to attain these steps, and meet the critical properties of WSNs. In contrast to other techniques, the proposed behavioral patterns are mainly about the sensor nodes, instead of the area under monitoring. The direct application of the proposed patterns is enhancing the performance of WSNs by participating in the resource management process of sensor nodes, and reducing the undesired cons of wireless communication; thus improving the Quality of Service of WSNs. Several experiments have been conducted, using synthetic and real data, to report about the performance of proposed schemes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».