In recent times, Machine Learning algorithms have gained significant interest in the area of infrastructureless networks. Infrastructureless wireless networks are an important class of wireless networks that is best applicable for scenarios where there is temporary and localized telecommunication demand. Machine Learning algorithms could play an important role in providing reliable and energy efficient communication and resource management; indeed it can be beneficial in handling the large volumes of computation and communication as required by evolving wireless applications. In this context, this thesis was realized with the aim of studying the relevant aspects concerned with application of Machine Learning in infrastructureless networks. In particular, in the first part of this work the application of Machine Learning in the scenario of Wireless Sensor Networks is addressed. More specifically, the application of Federated Learning is studied and combined with model gossiping to provide energy efficient operations. Also, a software defined networking approach is introduced for wireless sensor networks with data mules. A simple machine learning algorithm is implemented to forecast the route of the data mule. In the second part of this work, a Transfer Learning approach is introduced for detecting anomalies in driving behaviour. The transfer learning approach with convolutional neural networks based auto-encoders is applied to a specific case study in which riding data has been collected from different bicyclists riding along the same path. A layer separation approach is also introduced to partition the Neural Network layers of the model into some layers specific of the user behaviour and others layers specific of the road-environment. The layer separation approach has been experimented with the dataset. Finally, this thesis explores also the use of ML in specific challenging infrastructureless networks, namely underwater networks. Specifically, a hybrid acoustic/LoRa system is designed and developed to collect data from underwater in real time. The collection of multimedia data in real time could pave the way for utilization of Machine Learning algorithms for evolving underwater applications.
Negli ultimi tempi, l’utilizzo di tecniche di Machine Learning in reti senza infrastruttura ha riscosso un notevole interesse nell'area delle reti. Le reti wireless senza infrastruttura sono una classe importante di reti wireless che è meglio applicabile per scenari in cui è presente una richesta di communicazione temporanea e localizzata. Gli algoritmi di apprendimento automatico potrebbero svolgere un ruolo importante nel fornire comunicazioni e gestione delle risorse affidabili ed efficienti dal punto di vista energetico; in effetti può essere utile nella gestione dei grandi volumi di calcolo e comunicazione richiesti così come dalle applicazioni wireless della prossima generazione. In questo contesto, questa tesi è stata realizzata con l'obiettivo di studiare gli aspetti rilevanti relativi all'applicazione del Machine Learning in reti senza infrastruttura. In particolare, nella prima parte di questo lavoro viene affrontata l'applicazione del Machine Learning nello scenario delle Wireless Sensor Networks. Più in particolare, l'applicazione del Federated Learning è studiata e combinata con il gossiping del modello per fornire operazioni di efficienza energetica. Inoltre, viene introdotto un approccio di rete definito dal software per le reti di sensori wireless con data mule. Un semplice algoritmo di apprendimento automatico è implementato per prevedere il percorso dei data mules. Nella seconda parte di questo lavoro viene introdotto un approccio di Transfer Learning per rilevare anomalie nel comportamento alla guida. L'approccio del transfer learning con auto-encoder basati su reti neurali convoluzionali viene applicato a un caso di studio specifico in cui i dati di guida sono stati raccolti da diversi ciclisti che percorrono lo stesso percorso. Viene anche introdotto un approccio di separazione dei livelli per suddividere i livelli della rete neurale del modello in alcuni livelli specifici del comportamento dell'utente e altri livelli specifici dell'ambiente stradale. L'approccio di separazione degli strati è stato sperimentato con il set di dati. Infine, questa tesi esplora anche l'uso del ML in specifiche reti prive di infrastrutture complesse, in particolare le reti sottomarine. Nello specifico, un sistema ibrido acustico/LoRa è progettato e sviluppato per raccogliere dati sott'acqua in tempo reale. La raccolta di dati multimediali in tempo reale potrebbe aprire la strada all'utilizzo di algoritmi di Machine Learning per l'evoluzione delle applicazioni subacquee.
Tecniche di Machine Learning per Applicazione in Reti prive di Infrastruttura / JOSEPH THATHEYUS, JOANNES SAM MERTENS. - (2022 Nov 24).
Tecniche di Machine Learning per Applicazione in Reti prive di Infrastruttura
JOSEPH THATHEYUS, JOANNES SAM MERTENS
2022-11-24
Abstract
In recent times, Machine Learning algorithms have gained significant interest in the area of infrastructureless networks. Infrastructureless wireless networks are an important class of wireless networks that is best applicable for scenarios where there is temporary and localized telecommunication demand. Machine Learning algorithms could play an important role in providing reliable and energy efficient communication and resource management; indeed it can be beneficial in handling the large volumes of computation and communication as required by evolving wireless applications. In this context, this thesis was realized with the aim of studying the relevant aspects concerned with application of Machine Learning in infrastructureless networks. In particular, in the first part of this work the application of Machine Learning in the scenario of Wireless Sensor Networks is addressed. More specifically, the application of Federated Learning is studied and combined with model gossiping to provide energy efficient operations. Also, a software defined networking approach is introduced for wireless sensor networks with data mules. A simple machine learning algorithm is implemented to forecast the route of the data mule. In the second part of this work, a Transfer Learning approach is introduced for detecting anomalies in driving behaviour. The transfer learning approach with convolutional neural networks based auto-encoders is applied to a specific case study in which riding data has been collected from different bicyclists riding along the same path. A layer separation approach is also introduced to partition the Neural Network layers of the model into some layers specific of the user behaviour and others layers specific of the road-environment. The layer separation approach has been experimented with the dataset. Finally, this thesis explores also the use of ML in specific challenging infrastructureless networks, namely underwater networks. Specifically, a hybrid acoustic/LoRa system is designed and developed to collect data from underwater in real time. The collection of multimedia data in real time could pave the way for utilization of Machine Learning algorithms for evolving underwater applications.File | Dimensione | Formato | |
---|---|---|---|
PhD_thesis_Joannes_Sam_Mertens.pdf
accesso aperto
Tipologia:
Tesi di dottorato
Licenza:
PUBBLICO - Pubblico con Copyright
Dimensione
51.23 MB
Formato
Adobe PDF
|
51.23 MB | Adobe PDF | Visualizza/Apri |
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.