A Sampling Data Stream Algorithm For Wireless Sensor Networks

Aquino, André L. L.; Figueiredo, Carlos M. S.; Nakamura, Eduardo F.; Buriol, Luciana S.; Loureiro, Antônio A. F.; Fernandes, A.O.; Coelho, Carlyle Mendes

doi:10.1109/icc.2007.532

Cited by 7 publications

(8 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…• Em [de Aquino et al 2007], o algoritmo propostoé baseado em técnicas de amostragem aplicadas a histogramas de dados criados a partir de fluxos de dados originais adquiridos por nós sensores. Como resultado, o algoritmo fornece uma amostra de apenas log(n) itens para representar os dados originais de n elementos.…”

Section: Resultsunclassified

“…O teste K-S biamostralé uma das técnicas não paramétricos maisúteis e conhecidas para comparar duas amostras, poisé sensível a diferenças tanto no local, como na forma das funções das duas amostras [Corder and Foreman 2009]. Os resultados obtidos são apresentados na figura 2 e mostram que nosso algoritmo teve distância vertical inferior aproximadamente 0.076 a [de Aquino et al 2007] e 0.307 a [Aquino et al 2010].…”

Section: Resultsunclassified

“…Dessa forma, temos o chamado Erro de Dados queé definido como Erro de dados = M ax {|inf erior amostra − media original | , |superior amostra − media original |}, onde media originalé a média dos dados originais e o par (inf erior amostra , superior amostra ) e o intervalo de confiança da amostra. Os resultados calculados do Erro de dados são exibidos na figura 3 e mostram que nosso algoritmo apresentou erro médio inferior apenas 0.42 a [de Aquino et al 2007], enquanto a diferença para [Aquino et al 2010] foi de aproximadamente 107.2.…”

Section: Figura 2 Comparação Das Das Distâncias Médias Verticais Obtunclassified

See 2 more Smart Citations

Algoritmo para redução de dados em redes de sensores baseado em Teoria da Informação

Júnior¹,

Freitas²,

Rosso³

et al. 2019

Anais Do Simpósio Brasileiro De Computação Ubíqua E Pervasiva (SBCUP)

View full text Add to dashboard Cite

Este trabalho propõe um algoritmo de redução do fluxo de dados baseado no comportamento de séries temporais no plano Complexidade-Entropia para redes de sensores sem fio (RSSF). A variação da dinâmica do sistema é identificada em tempo real através de um delimitador construı́do dentro do plano, denominado Ponto de Corte de Complexidade Máxima. Assim, podemos determinar em quais instantes se deve atualizar o intervalo de amostragem, de modo a maximizar a complexidade estatı́stica da amostra de dados resultante. Este método foi aplicado a uma base de dados caóticos e os resultados obtidos foram comparados com os de outros algoritmos de amostragem, apresentando melhor desempenho nas métricas de estatı́stica avaliadas.

show abstract

Section: Resultsunclassified

Section: Figura 2 Comparação Das Das Distâncias Médias Verticais Obtunclassified

See 1 more Smart Citation

Algoritmo para redução de dados em redes de sensores baseado em Teoria da Informação

Júnior¹,

Freitas²,

Rosso³

et al. 2019

Anais Do Simpósio Brasileiro De Computação Ubíqua E Pervasiva (SBCUP)

View full text Add to dashboard Cite

show abstract

“…WSNs consist of built-in, independent and tiny equipment's called sensor nodes. Sensor nodes contain four main components: energy source, processing unit, sensing [1] unit and transducer. Sensor nodes are mainly used in processing data and report parameters continuously.…”

Section: Introductionmentioning

confidence: 99%

“…Data are considered to be unlimited and the arriving order of elements being processed is out of control. Such data are called Data Streams [1,3].…”

Section: Introductionmentioning

confidence: 99%

Improving K-Means Algorithm by Grid-Density Clustering for Distributed WSN Data Stream

Alghamdi¹,

Abdullah²

2018

ijacsa

View full text Add to dashboard Cite

At recent years, Wireless Sensor Networks (WSNs) had a widespread range of applications in many fields related to military surveillance, monitoring health, observing habitat and so on. WSNs contain individual nodes that interact with the environment by sensing and processing physical parameters. Sometimes, sensor nodes generate a big amount of sequential tuple-oriented and small data that is called Data Streams. Data streams usually are huge data that arrive online, flowing rapidly in a very high speed, unlimited and can't be controlled orderly during arrival. Due to WSN limitations, some challenges are faced and need to be solved. Extending network lifetime and reducing energy consumption are main challenges that could be solved by Data Mining techniques. Clustering is a common data mining technique that effectively organizes WSNs structure. It has proven its efficiency on network performance by extending network lifetime and saving energy of sensor nodes. This paper develops a grid-density clustering algorithm that enhances clustering in WSNs by combining grid and density techniques. The algorithm helps to face limitations found in WSNs that carry data streams. Grid-density algorithm is proposed based on the well-Known K-Means clustering algorithm to enhance it. By using Matlab, the grid-density clustering algorithm is compared with K-Means algorithm. The simulation results prove that the grid-density algorithm outperforms K-Means by 15% in network lifetime and by 13% in energy consumption.

show abstract