| Περίληψη : | Το έργο αυτό αποτελείται από δυο μέρη που αρχικά αναπτύσσονται και στο τέλος ενοποιούνται. Στο 1ο μέρος κάνουμε μετρήσεις ρυθμαπόδοσης σε διάφορες στατικές και δυναμικές τοπολογίες σε δίκτυα υπολογιστών χωρίς Σημεία Πρόσβασης. Στο 2ο μέρος προτείνουμε μια μέθοδο Βαθιάς Μάθησης για την σύνθετη αναγνώρισηεντοπισμού του χώρου μέσα σε ένα διαμέρισμα κτιρίου οπου βρίσκεται μια κινούμενη συσκευή και την αναγνώριση της κινητικής της κατάστασης (κινούμενη ή σταθμευμένη). Για την μέθοδο αυτή χρησιμοποιούμε ένα μέτρο της ποιότητας επικοινωνίας δικτύων μεταξύ της κινούμενης συσκευής και στατικών συσκευών που βρίσκονται μέσα στο κτίριο. Κατά τη μάθηση για την αναγνώριση εντοπισμού των χώρων, εκπαιδεύουμε ένα νευρωνικό δίκτυο για συγκεκριμένους χώρους ώστε να ελεγχθεί η δυνατότητα αναγνώρισης άλλων και μετράμε την αποδοτικότητα τηςμεθόδου. Τέλος για την ενοποίηση των δύο μερών μοντελοποιούμε μια μέθοδο Βαθιάς Μάθησης για την αναγνώριση που γίνετε στο 2ο μέρος όπου η κινούμενη συσκευή επίσης κινείτΙδυναμικά σε ένα δίκτυο υπολογιστών χωρίς Σημείο Πρόσβασης για εφαρμογές σε μεγάλα κτίρια ή συγκρότημα κτιρίων.
This work is comprised of two parts, unified towards its end. In the first partwe measure throughout for a wireless network on different typologies (static &dynamic through time) without Access Points. In the second part we proposea Deep Learning System for indoor localization specialized in recognising thelocation and moving status (standing or moving), inside a building, of a mobiledevice. In order to perform localization, the mobile device learns to recognizespecific areas and also recognize spaces that have not been included in thelearning process. At the final part of the thesis we propose a Extended DeepLearning System for big buildings or cluster of buildings were the mobile devicebelong to a dynamic Computer Network.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.