Clustering basé sur les algorithmes de différence de profondeur, Kmeans et Q-Learning dans les WSNs-IoT / Djamila Maroua Chitri  

Public ISBD Titre : Clustering basé sur les algorithmes de différence de profondeur, Kmeans et Q-Learning dans les WSNs-IoT Type de document : texte imprimé Auteurs : Djamila Maroua Chitri, Auteur ; Selma Boufenik ; Zouaoui Zibouda Aliouat Née, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (51 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : L’internet des objets Les réseaux de capteurs sans fil Apprentissage automatique Regroupement Index. décimale : 004 - Informatique Résumé : l’intégration de l’Internet des Objects (IdO) dans les Réseaux de Capteurs Sans Fil (RCSFs) pose des défis spécifiques liés à la gestion des ressources limitées des capteurs, tels que l’énergie, la mémoire et la puissance de calcul. Pour résoudre ces problèmes, l’utilisation de techniques de clustering dans les RCSFs s’avère être une solution efficace. Le clustering dans les RCSFs est une méthode importante pour regrouper les noeuds capteurs en groupes afin de faciliter la communication et de réduire la consommation d’énergie. Cependant, la détermination du nombre optimal de clusters est un défi majeur dans la division en cluster pour les RCSFs. Les méthodes de détection de cluster basées sur Machine Learning (ML), telles que la méthode du coude, la méthode de silhouette et la statistique de l’écart ont été utilisé avec succès, cependant, elles présentent des limitations dans la gestion de données complexes avec des clusters non convexes. Des approches plus récentes, telles que la méthode de Différence de Profondeur (DdP), ont été proposées pour surmonter ces limitations. Cette méthode introduite avec l’algorithme de clustering k-means peut construite un routage basé sur cluster efficace pour les RCSFs. Le nÅ“ud Cluster Head (CH), joue un rôle essentiel dans l’organisation, la gestion des données, le routage et la conservation de l’énergie dans les RCSFs basé sur cluster. Un Super-Head peut être selectionné en utilisant l’algorithme d’apprentissage par renforcement Q-learning pour offrir une solution prometteuse pour résoudre le problème de consommation excessive d’énergie par le nÅ“ud CH dans les réseaux de capteurs, prolongeant ainsi la durée de vie du réseau = The integration of Internet Of things (IoT) into Wireless Sensor Networks (WSNs) also poses specific challenges. One of the main problems is related to managing the limited resources of sensors, such as energy, memory, and computational power. To address these issues, the use of clustering techniques in WSNs proves to be an effective solution. Clustering in WSNs is an important method for grouping sensor nodes into clusters to facilitate communication and reduce energy consumption. However, determining the optimal number of clusters is a major challenge in cluster formation for WSNs. Machine learning-based cluster detection methods, such as the elbow method, silhouette method, and gap statistic, have been successfully used. However, they have limitations in handling complex data with non-convex clusters. More recent approaches, such as the Depth Difference (DeD) method, have been proposed to overcome these limitations. This method can be combined with the k-means clustering algorithm to construct an efficient cluster-based routing for WSNs. The Cluster Head (CH) node, plays an essential role in organization, data management, routing, and energy conservation in cluster-based RCSFs. A Super-Head can be selected using the Q-learning reinforcement learning algorithm to offer a promising solution to the problem of excessive energy consumption by the CH node in sensor networks, thus extending the network lifetime. Côte titre : MAI/0771 En ligne : https://drive.google.com/file/d/1ygbPCA_GRwEYUdG4HYtfL1bSkhGgI0-G/view?usp=drive [...] Format de la ressource électronique : pdf Clustering basé sur les algorithmes de différence de profondeur, Kmeans et Q-Learning dans les WSNs-IoT [texte imprimé] / Djamila Maroua Chitri, Auteur ; Selma Boufenik ; Zouaoui Zibouda Aliouat Née, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (51 f.) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : L’internet des objets Les réseaux de capteurs sans fil Apprentissage automatique Regroupement Index. décimale : 004 - Informatique Résumé : l’intégration de l’Internet des Objects (IdO) dans les Réseaux de Capteurs Sans Fil (RCSFs) pose des défis spécifiques liés à la gestion des ressources limitées des capteurs, tels que l’énergie, la mémoire et la puissance de calcul. Pour résoudre ces problèmes, l’utilisation de techniques de clustering dans les RCSFs s’avère être une solution efficace. Le clustering dans les RCSFs est une méthode importante pour regrouper les noeuds capteurs en groupes afin de faciliter la communication et de réduire la consommation d’énergie. Cependant, la détermination du nombre optimal de clusters est un défi majeur dans la division en cluster pour les RCSFs. Les méthodes de détection de cluster basées sur Machine Learning (ML), telles que la méthode du coude, la méthode de silhouette et la statistique de l’écart ont été utilisé avec succès, cependant, elles présentent des limitations dans la gestion de données complexes avec des clusters non convexes. Des approches plus récentes, telles que la méthode de Différence de Profondeur (DdP), ont été proposées pour surmonter ces limitations. Cette méthode introduite avec l’algorithme de clustering k-means peut construite un routage basé sur cluster efficace pour les RCSFs. Le nÅ“ud Cluster Head (CH), joue un rôle essentiel dans l’organisation, la gestion des données, le routage et la conservation de l’énergie dans les RCSFs basé sur cluster. Un Super-Head peut être selectionné en utilisant l’algorithme d’apprentissage par renforcement Q-learning pour offrir une solution prometteuse pour résoudre le problème de consommation excessive d’énergie par le nÅ“ud CH dans les réseaux de capteurs, prolongeant ainsi la durée de vie du réseau = The integration of Internet Of things (IoT) into Wireless Sensor Networks (WSNs) also poses specific challenges. One of the main problems is related to managing the limited resources of sensors, such as energy, memory, and computational power. To address these issues, the use of clustering techniques in WSNs proves to be an effective solution. Clustering in WSNs is an important method for grouping sensor nodes into clusters to facilitate communication and reduce energy consumption. However, determining the optimal number of clusters is a major challenge in cluster formation for WSNs. Machine learning-based cluster detection methods, such as the elbow method, silhouette method, and gap statistic, have been successfully used. However, they have limitations in handling complex data with non-convex clusters. More recent approaches, such as the Depth Difference (DeD) method, have been proposed to overcome these limitations. This method can be combined with the k-means clustering algorithm to construct an efficient cluster-based routing for WSNs. The Cluster Head (CH) node, plays an essential role in organization, data management, routing, and energy conservation in cluster-based RCSFs. A Super-Head can be selected using the Q-learning reinforcement learning algorithm to offer a promising solution to the problem of excessive energy consumption by the CH node in sensor networks, thus extending the network lifetime. Côte titre : MAI/0771 En ligne : https://drive.google.com/file/d/1ygbPCA_GRwEYUdG4HYtfL1bSkhGgI0-G/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0771	MAI/0771	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)