University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Lalama ,zahia |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Clustering de données en utilisant les algorithmes de clustering Type de document : texte imprimé Auteurs : Bahri ,Oussama, Auteur ; Lalama ,zahia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (54f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : clustering
K-means
DBSCAN
HierarchicalIndex. décimale : 004 - Informatique Résumé : Dans ce travail, notre motivation a été d’étudier la problématique de clustering, qui a un champ d’applications très larges. Donc nous avons testé des techniques de clustering l’algorithme de clustering K-means, et l’algorithme de clustering hiérarchique, et l’algorithme de clustering DBSCAN et nous appliquons sur une Dataset (iris).
Nous avons utilisée dans notre travail une Language java nous comparé Les résultats obtenus à partir ces algorithmesNote de contenu : Sommaire
Chapitre 1: Généralisées sur la classification de données
Introduction général ----------------------------------------------------------------------------------------- 7
1.1 Introduction -------------------------------------------------------------------------------------- 10
1.2 Définition ------------------------------------------------------------------------------------------ 10
1.3 Domaines d’application ----------------------------------------------------------------------- 11
1.4 Mesure de similarité entre objets ----------------------------------------------------------- 12
1.5 Apprentissage ------------------------------------------------------------------------------------ 16
1.5.1 Apprentissage supervisé ----------------------------------------------------------------- 16
1.5.1.1 Principe --------------------------------------------------------------------------------- 17
1.6 Présentation de quelques méthodes de classification ---------------------------------- 18
1.6.1 K plus proches voisins ------------------------------------------------------------------- 18
1.6.2 Les réseaux de neurones artificiels --------------------------------------------------- 20
1.6.3 Les arbres de décision -------------------------------------------------------------------- 22
1.6.4 Les algorithmes génétiques ------------------------------------------------------------- 22
1.7 Conclusion ---------------------------------------------------------------------------------------- 24
Chapitre 2 : Classification non supervisée de données(Clustering)
2.1 Introduction -------------------------------------------------------------------------------------- 26
2.2 Apprentissage non supervisé ----------------------------------------------------------------- 26
2.2.1 Définition ------------------------------------------------------------------------------------ 26
2.2.2 Principe général --------------------------------------------------------------------------- 26
2.3 Les exigences de Clustering ------------------------------------------------------------------ 27
2.4 LES TYPES DE CLUSTERING------------------------------------------------------------ 27
2.5 Les principales étapes du clustering ------------------------------------------------------ 29
2.6 Les différentes méthodes de clustering ---------------------------------------------------- 32
2.6.1 K-means ---------------------------------------------------------------------------------------- 33
2.6.1.1 Principe de l’algorithme K-means ---------------------------------------------------- 33
2.6.2 Le clustering hiérarchique ----------------------------------------------------------------- 35
2.6.2.1 Algorithme de CHA --------------------------------------------------------------------- 35
2.6.2.2 Avantages et inconvénient de la classification hiérarchique -------------------- 36
2.6.3 L’algorithme de clustering DBSCAN --------------------------------------------------- 37
2.6.4 L’Algorithme DBSCAN ----------------------------------------------------------------- 38
2.6.4.1 Avantage et inconvénients du DBSCAN ----------------------------------------- 39
2.7 Conclusion ---------------------------------------------------------------------------------------- 40
Chapitre 3 : conception et implémentation
3.1 Introduction -------------------------------------------------------------------------------------- 42
3.1 Comparaison entre les algorithmes de clustering ------------------------------------- 43
3.2 Les données --------------------------------------------------------------------------------------- 44
3.3 Outils de développement: ------------------------------------------------------------------------ 45
3.4 Interface d’accueille ---------------------------------------------------------------------------- 46
3.5 Résulta et Expérimentation Interface d’accueille-------------------------------------- 46
3.6 Conclusion ---------------------------------------------------------------------------------------- 50
7 Conclusion générale et perspectives ----------------------------------------------------------------- 52
4 Résumé -------------------------------------------------------------------------------------------------- 53
Bibliographies ----------------------------------------------------------------------------------------------- 54
Côte titre : MAI/0337 En ligne : https://drive.google.com/file/d/1jGKPjPmeCupwGOTJsaVM8rEVb4IN1Ifn/view?usp=shari [...] Format de la ressource électronique : Clustering de données en utilisant les algorithmes de clustering [texte imprimé] / Bahri ,Oussama, Auteur ; Lalama ,zahia, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (54f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : clustering
K-means
DBSCAN
HierarchicalIndex. décimale : 004 - Informatique Résumé : Dans ce travail, notre motivation a été d’étudier la problématique de clustering, qui a un champ d’applications très larges. Donc nous avons testé des techniques de clustering l’algorithme de clustering K-means, et l’algorithme de clustering hiérarchique, et l’algorithme de clustering DBSCAN et nous appliquons sur une Dataset (iris).
Nous avons utilisée dans notre travail une Language java nous comparé Les résultats obtenus à partir ces algorithmesNote de contenu : Sommaire
Chapitre 1: Généralisées sur la classification de données
Introduction général ----------------------------------------------------------------------------------------- 7
1.1 Introduction -------------------------------------------------------------------------------------- 10
1.2 Définition ------------------------------------------------------------------------------------------ 10
1.3 Domaines d’application ----------------------------------------------------------------------- 11
1.4 Mesure de similarité entre objets ----------------------------------------------------------- 12
1.5 Apprentissage ------------------------------------------------------------------------------------ 16
1.5.1 Apprentissage supervisé ----------------------------------------------------------------- 16
1.5.1.1 Principe --------------------------------------------------------------------------------- 17
1.6 Présentation de quelques méthodes de classification ---------------------------------- 18
1.6.1 K plus proches voisins ------------------------------------------------------------------- 18
1.6.2 Les réseaux de neurones artificiels --------------------------------------------------- 20
1.6.3 Les arbres de décision -------------------------------------------------------------------- 22
1.6.4 Les algorithmes génétiques ------------------------------------------------------------- 22
1.7 Conclusion ---------------------------------------------------------------------------------------- 24
Chapitre 2 : Classification non supervisée de données(Clustering)
2.1 Introduction -------------------------------------------------------------------------------------- 26
2.2 Apprentissage non supervisé ----------------------------------------------------------------- 26
2.2.1 Définition ------------------------------------------------------------------------------------ 26
2.2.2 Principe général --------------------------------------------------------------------------- 26
2.3 Les exigences de Clustering ------------------------------------------------------------------ 27
2.4 LES TYPES DE CLUSTERING------------------------------------------------------------ 27
2.5 Les principales étapes du clustering ------------------------------------------------------ 29
2.6 Les différentes méthodes de clustering ---------------------------------------------------- 32
2.6.1 K-means ---------------------------------------------------------------------------------------- 33
2.6.1.1 Principe de l’algorithme K-means ---------------------------------------------------- 33
2.6.2 Le clustering hiérarchique ----------------------------------------------------------------- 35
2.6.2.1 Algorithme de CHA --------------------------------------------------------------------- 35
2.6.2.2 Avantages et inconvénient de la classification hiérarchique -------------------- 36
2.6.3 L’algorithme de clustering DBSCAN --------------------------------------------------- 37
2.6.4 L’Algorithme DBSCAN ----------------------------------------------------------------- 38
2.6.4.1 Avantage et inconvénients du DBSCAN ----------------------------------------- 39
2.7 Conclusion ---------------------------------------------------------------------------------------- 40
Chapitre 3 : conception et implémentation
3.1 Introduction -------------------------------------------------------------------------------------- 42
3.1 Comparaison entre les algorithmes de clustering ------------------------------------- 43
3.2 Les données --------------------------------------------------------------------------------------- 44
3.3 Outils de développement: ------------------------------------------------------------------------ 45
3.4 Interface d’accueille ---------------------------------------------------------------------------- 46
3.5 Résulta et Expérimentation Interface d’accueille-------------------------------------- 46
3.6 Conclusion ---------------------------------------------------------------------------------------- 50
7 Conclusion générale et perspectives ----------------------------------------------------------------- 52
4 Résumé -------------------------------------------------------------------------------------------------- 53
Bibliographies ----------------------------------------------------------------------------------------------- 54
Côte titre : MAI/0337 En ligne : https://drive.google.com/file/d/1jGKPjPmeCupwGOTJsaVM8rEVb4IN1Ifn/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0337 MAI/0337 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : LOCALISATION DANS LES RESEAUX DE CAPTEUR SANS FIL 3D Type de document : document électronique Auteurs : Khaled moncef Hamoudi, Auteur ; Fares Kasdi, Auteur ; Lalama ,zahia, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2024 Importance : 1 vol (40 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux de capteurs sans fil
Localisation
Centroide 3D
Noeud ancreIndex. décimale : 004 Informatique Résumé :
Un Réseau de Capteurs Sans Fil (RCSF) est un ensemble de capteurs déployés dans une
zone d’intérêt pour observer, collecter et transmettre des données environnementales de
manière autonome. Plusieurs problèmes sont abordés dans le RCSF : l’auto-organisation,
la consommation d’énergie, la qualité de service et la localisation des noeuds. Pour obtenir
une localisation réelle et très précise nous avons opté pour la localisation tridimensionnelle.
Dans ce mémoire nous avons adopté la technique (centroide 3D) afin d’élever le nombre
des noeuds localisés et minimiser le nombre des noeuds perdus, l’étude expérimentale
et les résultats de la simulation obtenus prouvent l’efficacité de cette amélioration de
l’algorithme proposé.Note de contenu : Sommaire
Dédicace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . I
Dédicace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II
Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III
Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V
VI . . . . . . . . . . . . . . . ملخص . . . . . . . . . . . . . . . . . . . .
Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1 Généralités sur les RCSF . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Présentation des réseaux de capteurs sans fil . . . . . . . . . . . . . . . . . 4
1.2.1 Définition d’un RCSF . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Définition d’un noeud capteur . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Architecture d’un noeud capteur . . . . . . . . . . . . . . . . . . . . 5
1.3 Types des RCSFs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Caractéristiques des RCSFs . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Contraintes et limites des RCSFs . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Architecture de communication des RCSFs . . . . . . . . . . . . . . . . . . 9
1.6.1 La pile protocolaire dans un RCSF . . . . . . . . . . . . . . . . . . 9
1.7 Domaines d’application des RCSFs . . . . . . . . . . . . . . . . . . . . . . 11
1.7.1 Applications militaires . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.2 Applications environnementales . . . . . . . . . . . . . . . . . . . . 11
1.7.3 Applications médicales . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.4 Applications industrielles . . . . . . . . . . . . . . . . . . . . . . . 12
1.7.5 Applications de la sécurité . . . . . . . . . . . . . . . . . . . . . . . 12
1.7.6 Les villes intelligentes . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.7.7 Autre applications additionnelles . . . . . . . . . . . . . . . . . . . 12
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 La localisation dans les réseaux de capteurs sans fil . . . . . . . . . . . . 14
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 La localisation dans les réseaux de capteur sans fil . . . . . . . . . . . . . . 15
2.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.3 Les défis de la localisation dans les RCSFs . . . . . . . . . . . . . . 16
2.2.4 Caractérisations d’un système de localisation . . . . . . . . . . . . 17
2.2.5 Composition d’un système de localisation . . . . . . . . . . . . . . 18
2.3 Les mécanismes de calcul de la position . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Modèle d’estimation des distances . . . . . . . . . . . . . . . . . . . 19
2.3.2 Combinaison de la distance . . . . . . . . . . . . . . . . . . . . . . 19
2.4 La localisation dans les réseaux de capteur sans fil tridimensionnel 3D . . . 23
2.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.2 Aperçu de quelques algorithmes de localisation 3D . . . . . . . . . 23
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Implémentation et résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Le choix de langage de programmation . . . . . . . . . . . . . . . . . . . . 28
3.3 L’algorithme centroide tridimensionnel 3D . . . . . . . . . . . . . . . . . . 29
3.4 les avantages et les inconvénients de l’algorithme centroide 3D . . . . . . . 30
3.4.1 les avantages : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4.2 les inconvénients : . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.5 L’algorithme centroide tridimensionnel 3D amélioré . . . . . . . . . . . . . 30
3.6 Simulation et Implémentation . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.7 Les paramètres de la simulation . . . . . . . . . . . . . . . . . . . . . . . . 33
3.8 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37Côte titre : MAI/0942 LOCALISATION DANS LES RESEAUX DE CAPTEUR SANS FIL 3D [document électronique] / Khaled moncef Hamoudi, Auteur ; Fares Kasdi, Auteur ; Lalama ,zahia, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2024 . - 1 vol (40 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux de capteurs sans fil
Localisation
Centroide 3D
Noeud ancreIndex. décimale : 004 Informatique Résumé :
Un Réseau de Capteurs Sans Fil (RCSF) est un ensemble de capteurs déployés dans une
zone d’intérêt pour observer, collecter et transmettre des données environnementales de
manière autonome. Plusieurs problèmes sont abordés dans le RCSF : l’auto-organisation,
la consommation d’énergie, la qualité de service et la localisation des noeuds. Pour obtenir
une localisation réelle et très précise nous avons opté pour la localisation tridimensionnelle.
Dans ce mémoire nous avons adopté la technique (centroide 3D) afin d’élever le nombre
des noeuds localisés et minimiser le nombre des noeuds perdus, l’étude expérimentale
et les résultats de la simulation obtenus prouvent l’efficacité de cette amélioration de
l’algorithme proposé.Note de contenu : Sommaire
Dédicace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . I
Dédicace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . II
Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III
Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V
VI . . . . . . . . . . . . . . . ملخص . . . . . . . . . . . . . . . . . . . .
Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1 Généralités sur les RCSF . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Présentation des réseaux de capteurs sans fil . . . . . . . . . . . . . . . . . 4
1.2.1 Définition d’un RCSF . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Définition d’un noeud capteur . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Architecture d’un noeud capteur . . . . . . . . . . . . . . . . . . . . 5
1.3 Types des RCSFs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Caractéristiques des RCSFs . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Contraintes et limites des RCSFs . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Architecture de communication des RCSFs . . . . . . . . . . . . . . . . . . 9
1.6.1 La pile protocolaire dans un RCSF . . . . . . . . . . . . . . . . . . 9
1.7 Domaines d’application des RCSFs . . . . . . . . . . . . . . . . . . . . . . 11
1.7.1 Applications militaires . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.2 Applications environnementales . . . . . . . . . . . . . . . . . . . . 11
1.7.3 Applications médicales . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7.4 Applications industrielles . . . . . . . . . . . . . . . . . . . . . . . 12
1.7.5 Applications de la sécurité . . . . . . . . . . . . . . . . . . . . . . . 12
1.7.6 Les villes intelligentes . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.7.7 Autre applications additionnelles . . . . . . . . . . . . . . . . . . . 12
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 La localisation dans les réseaux de capteurs sans fil . . . . . . . . . . . . 14
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 La localisation dans les réseaux de capteur sans fil . . . . . . . . . . . . . . 15
2.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.3 Les défis de la localisation dans les RCSFs . . . . . . . . . . . . . . 16
2.2.4 Caractérisations d’un système de localisation . . . . . . . . . . . . 17
2.2.5 Composition d’un système de localisation . . . . . . . . . . . . . . 18
2.3 Les mécanismes de calcul de la position . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Modèle d’estimation des distances . . . . . . . . . . . . . . . . . . . 19
2.3.2 Combinaison de la distance . . . . . . . . . . . . . . . . . . . . . . 19
2.4 La localisation dans les réseaux de capteur sans fil tridimensionnel 3D . . . 23
2.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.2 Aperçu de quelques algorithmes de localisation 3D . . . . . . . . . 23
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Implémentation et résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Le choix de langage de programmation . . . . . . . . . . . . . . . . . . . . 28
3.3 L’algorithme centroide tridimensionnel 3D . . . . . . . . . . . . . . . . . . 29
3.4 les avantages et les inconvénients de l’algorithme centroide 3D . . . . . . . 30
3.4.1 les avantages : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4.2 les inconvénients : . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.5 L’algorithme centroide tridimensionnel 3D amélioré . . . . . . . . . . . . . 30
3.6 Simulation et Implémentation . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.7 Les paramètres de la simulation . . . . . . . . . . . . . . . . . . . . . . . . 33
3.8 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37Côte titre : MAI/0942 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0942 MAI/0942 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Optimisation De La Localisation Dans Les Reseaux de Capteurs Sans Fil Type de document : texte imprimé Auteurs : zahrat-el-dounia Kebaili, Auteur ; Houria Imene Bourouba, Auteur ; Lalama ,zahia, Directeur de thèse Editeur : Sétif:UFA1 Année de publication : 2023 Importance : 1 vol (60 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé : Un réseau de capteurs est un ensemble coopérant de
noeuds capteurs utilisant des communications sans fil
dans le cadre d’un réseaux. Chaque noeud comporte un
capteur permettant d’observer un phénomène. Cette technologie
a ouvert de nouvelles perspectives applicatives
variées dans de nombreux domaines (militaires, domotiques,
environnementales, etc.). Cependant, son exploitation
reste difficile et pose beaucoup de problèmes. Les
difficultés se situent au niveau algorithmique, localisation,
déploiement, collecte/fusion de données . La connaissance
des positions des senseurs dans l’environnement
est souvent souhaitable.
Les travaux présentés se concentrent sur l’étude et la
mise en oeuvre de nouveaux algorithmes distribués qui
utilisent les méta-heuristiques bio-inspirées pour résoudre
le problème de localisation.
Dans ce memoire , nous adaptons la méta-heuristique
de l’algorithme doptimisation par des essaims de particules
(PSO) pour optimiser la position estimée par la
techniques de localisation (CENTROIDE).Côte titre : MAI/0726 En ligne : https://drive.google.com/file/d/15s7tvkSwkfZaPR6-0NF-Q8_pKdTQEIlJ/view?usp=drive [...] Format de la ressource électronique : Optimisation De La Localisation Dans Les Reseaux de Capteurs Sans Fil [texte imprimé] / zahrat-el-dounia Kebaili, Auteur ; Houria Imene Bourouba, Auteur ; Lalama ,zahia, Directeur de thèse . - [S.l.] : Sétif:UFA1, 2023 . - 1 vol (60 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé : Un réseau de capteurs est un ensemble coopérant de
noeuds capteurs utilisant des communications sans fil
dans le cadre d’un réseaux. Chaque noeud comporte un
capteur permettant d’observer un phénomène. Cette technologie
a ouvert de nouvelles perspectives applicatives
variées dans de nombreux domaines (militaires, domotiques,
environnementales, etc.). Cependant, son exploitation
reste difficile et pose beaucoup de problèmes. Les
difficultés se situent au niveau algorithmique, localisation,
déploiement, collecte/fusion de données . La connaissance
des positions des senseurs dans l’environnement
est souvent souhaitable.
Les travaux présentés se concentrent sur l’étude et la
mise en oeuvre de nouveaux algorithmes distribués qui
utilisent les méta-heuristiques bio-inspirées pour résoudre
le problème de localisation.
Dans ce memoire , nous adaptons la méta-heuristique
de l’algorithme doptimisation par des essaims de particules
(PSO) pour optimiser la position estimée par la
techniques de localisation (CENTROIDE).Côte titre : MAI/0726 En ligne : https://drive.google.com/file/d/15s7tvkSwkfZaPR6-0NF-Q8_pKdTQEIlJ/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0726 MAI/0726 Mémoire Bibliothéque des sciences Français Disponible
Disponible
