AG Technische Informatik

Verteilte Ereigniserkennung in Sensornetzen

Norman Dziengel— 2007

Drahtlose Sensornetze haben aufgrund ihrer verteilten Struktur die Möglichkeit, differenziert Informationen an unterschiedlichen Stellen der Umwelt zu erfassen. Die Erkennung von Ereignissen, die in ihrer Umgebung mehrere Parameter und Messpunkte verschiedentlich beeinflussen, wird mittels drahtlosen Sensornetzen möglich. Das vorgestellte System nutzt die Vorteile drahtloser Sensornetze, indem mehrere Sensorknoten das Problem der verteilten Ereigniserkennung gemeinsam lösen. Mit dieser Arbeit wird ein Erkennungssystem vorgestellt, das verteilt zu betrachtende Ereignisdaten auf Basis einer lokal auf den Sensorknoten durchgeführten Mustererkennung im Netz fusioniert und klassifiziert. Eine dynamische Kalibrierung des Beschleunigungssensors und ein Mustertraining mit den Sensorknoten ermöglichen eine nachfolgende differenzierte Erkennung der gelernten Bewegungsmuster. Die erfassten Beschleunigungsdaten werden lokal auf den jeweiligen Sensorknoten komprimiert und mit den Daten benachbarter Sensorknoten fusioniert, um im Bezug auf das globale Ereignis ausgewertet zu werden. Verschiedene Fusionstechniken auf Ebene der Klassifizierung sowie der Mustermerkmale werden getrennt und miteinander verknüpft untersucht und bewertet. Ein qualitativer Vergleich zwischen der hier erarbeiteten lokalen und verteilten Ereigniserkennung sowie einem bestehenden verteilten Erkennungsansatz wird gezogen. Die lokale Ereigniserkennung erreicht eine Korrektklassifikationsrate von 89,4 %. Basierend auf der Komponente der lokalen Erkennung erzielt das verteilte Erkennungssystem in den untersuchten Fusionsmethoden eine Korrektklassifikationsrate von 93,8 % bis 96,3 %. Die Erkennungsratensteigerungen werden auf den Einsatz der verteilten Erkennungsstrategie zurückgeführt. Die energietechnisch kostenintensivste Operation in drahtlosen Sensornetzen ist das Versenden von Datenpaketen. Aufgrund dieser Problematik wird die Rentabilität der Datenübertragung innerhalb des Sensornetzes in Bezug auf die erbrachte Korrektklassifikationsrate in den Fusionsmethoden analysiert. Au{ss}erdem werden während der lokalen und verteilten Mustererkennung die Einflussstärken der Probanden auf die ermittelten Kennwerte untersucht und evaluiert.

TitelVerteilte Ereigniserkennung in Sensornetzen
VerfasserNorman Dziengel
VerlagDepartment of Mathematics and Computer Science, Freie Universität Berlin, 2007
ThemaWireless Sensor Networks, Event Detection
Datum2007
Quelle/n
Spracheger
ArtText
BibTeX Code@mastersthesis{dziengel07verteilte, author = {Norman Dziengel}, title = {{Verteilte Ereigniserkennung in Sensornetzen}}, school = {Department of Mathematics and Computer Science, Freie Universit{\"a}t Berlin}, year = {2007}, month = {}, abstract = {Drahtlose Sensornetze haben aufgrund ihrer verteilten Struktur die M{\"o}glichkeit, differenziert Informationen an unterschiedlichen Stellen der Umwelt zu erfassen. Die Erkennung von Ereignissen, die in ihrer Umgebung mehrere Parameter und Messpunkte verschiedentlich beeinflussen, wird mittels drahtlosen Sensornetzen m{\"o}glich. Das vorgestellte System nutzt die Vorteile drahtloser Sensornetze, indem mehrere Sensorknoten das Problem der verteilten Ereigniserkennung gemeinsam l{\"o}sen. Mit dieser Arbeit wird ein Erkennungssystem vorgestellt, das verteilt zu betrachtende Ereignisdaten auf Basis einer lokal auf den Sensorknoten durchgef{\"u}hrten Mustererkennung im Netz fusioniert und klassifiziert.\\ Eine dynamische Kalibrierung des Beschleunigungssensors und ein Mustertraining mit den Sensorknoten erm{\"o}glichen eine nachfolgende differenzierte Erkennung der gelernten Bewegungsmuster. Die erfassten Beschleunigungsdaten werden lokal auf den jeweiligen Sensorknoten komprimiert und mit den Daten benachbarter Sensorknoten fusioniert, um im Bezug auf das globale Ereignis ausgewertet zu werden. Verschiedene Fusionstechniken auf Ebene der Klassifizierung sowie der Mustermerkmale werden getrennt und miteinander verkn{\"u}pft untersucht und bewertet.\\ Ein qualitativer Vergleich zwischen der hier erarbeiteten lokalen und verteilten Ereigniserkennung sowie einem bestehenden verteilten Erkennungsansatz wird gezogen. Die lokale Ereigniserkennung erreicht eine Korrektklassifikationsrate von 89,4 %. Basierend auf der Komponente der lokalen Erkennung erzielt das verteilte Erkennungssystem in den untersuchten Fusionsmethoden eine Korrektklassifikationsrate von 93,8 % bis 96,3 %. Die Erkennungsratensteigerungen werden auf den Einsatz der verteilten Erkennungsstrategie zur{\"u}ckgef{\"u}hrt.\\ Die energietechnisch kostenintensivste Operation in drahtlosen Sensornetzen ist das Versenden von Datenpaketen. Aufgrund dieser Problematik wird die Rentabilit{\"a}t der Daten{\"u}bertragung innerhalb des Sensornetzes in Bezug auf die erbrachte Korrektklassifikationsrate in den Fusionsmethoden analysiert. Au{\ss}erdem werden w{\"a}hrend der lokalen und verteilten Mustererkennung die Einflussst{\"a}rken der Probanden auf die ermittelten Kennwerte untersucht und evaluiert.}, day = {24}, file = {http://cst.mi.fu-berlin.de/papers/dziengel07verteilte.pdf}, keywords = {Wireless Sensor Networks, Event Detection}, slides = {http://cst.mi.fu-berlin.de/papers/dziengel07verteilte_slides.pdf}, theme = {wsn} }