| dc.description.abstract | Batteridrevne trådløse sensornettverk kan dra nytte av intelligente metoder for å spare strøm
på batteriene. Denne oppgaven ser på tre forskjellige maskinlæringsalgoritmer for kontroll av
strømforbruket, Hensikten med den intelligente kontrollen er å oppnå ønsket tjenestekvalitet,
samtidig som sensorenes forbruk av batteri minimaliseres.
I utfordrende miljøer der sensorer kan bli ødelagt eller der radioforbindelsen kan ha
vanskelige sendingsforhold, kan man benytte seg av flere sensorer enn man egentlig har
behov for. Det er da viktig at de sensorene som er overflødig ikke er aktive, men skrudd av.
På den måten kan sensorene spare på batteriet. Det er nettopp den styringen av hvem som skal
være aktive og hvem som skal være avslått som er vurdert i denne masteroppgaven.
De tre metodene jeg har vurdert er alle maskinlæringsalgoritmer. Den første metoden er basert
på Goore-spill paradigmet og viser seg å være en treg metode. Goore-spill metoden bruker
over 5000 iterasjoner for å slå på riktig antall sensorer. Iterasjoner regnes å være like for alle
metodene og varer ett sekund. Den andre metoden jeg har jobbet med kalles Stochastic Weak
Estimators. Denne metoden viser seg å være en rask og stabil metode, som ikke trenger mer
enn 100 iterasjoner for å slå på riktig antall sensorer. Den tredje og siste metoden baserer seg
på Bayes teorem, og viser seg å være den raskeste metoden. Den trenger bare 2-3 iterasjoner
for å slå på det riktig antallet sensorer.
Metodene er også testet med støy. Støy betyr tap av meldinger fra sensor til basestasjon, og
grunnen er som regel vanskelige sendingsforhold. Det viser seg at Stochastic Weak
Estimators metoden klarer seg med 0-30 flere iterasjoner selv om man har støy helt opptil
50%. Den Bayesianske metoden trenger ingen flere iterasjoner. Goore-spill metoden ser ikke
ut til å bli særlig påvirket av støy på opptil 20 %, men metoden viser kun svake tegn til læring
med støy på 50 %. Ellers ser man at støy gir et visst utslag for alle metodene ved at
variasjonen øker (selv om middelverdien forblir den samme).
Når det gjelder strømforbruket, så vil metoder som bruker få iterasjoner slik som Stochastic
Weak estimators og den Bayesianske metoden, bruke mindre strøm enn metoder som trenger
lenger tid for å nå riktig antall sensorer. Det kan også være andre faktorer som vil virke inn på
strømforbruket, som for eksempel prosessering i sensorer, sensorer som er mer komplekse
enn andre kan for eksempel bruke mer strøm enn de mer enkle utgavene. I denne oppgaven er
Goore-spill metoden den metoden som bruker de mest komplekse sensorene. | en |
