Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΜΔΕ)
Permanent URI for this collection
Browse
Recent Submissions
- ItemOpen AccessCoordinated beamforming for hyper-cellular mmWave communications using machine learning(2023-02-28)The rapid evolution of technology, the increasing use of wireless devices and the ever-increasing volume of data that needs to be transferred have created the need to design new, innovative standards for the fast and reliable distribution of information. The new generation of 5G wireless telecommunications is set to provide a solution to this problem. The 5G generation promises a big increase in data transmission speeds, as well as global coverage through the interconnection of all devices in a network and a large increase in network coverage stations. It is understood that managing such a large network is a complex process and requires large amounts of energy to achieve. Advances in machine learning are creating new perspectives for the design of fifth generation telecommunication systems and for the optimization of automated data management techniques. The purpose of this paper is to present an innovative concept in which machine learning techniques can be used to select the antenna stations that will serve each user and how they will be served, in a mmWave coordinated beamforming scenario. The consequence of this technique is a drastic reduction of the energy footprint of the network, through the temporary deactivation of antenna stations not selected to serve users. It has to be noted that for our simulations we will use the system model and the data of the DeepMIMO project. The present work contains six chapters. Chapter 1 provides a detailed description of the fifth generation systems and the technologies they use. Chapter 2 discusses hyper-cellular networks which is a specific type of network we will deal with and gives basic concepts and information about it. Chapter 3 gives an extensive description of the subject of machine learning and in particular neural networks and ways of training them. Chapter 4 describes the implementation of the DeepMIMO system model and discusses in detail the concept of coordinated beamforming. In Chapter 5 there is the final implementation of the system and its simulation results and in Chapter 6 the main conclusions of the paper are collected and suggestions for further research of the system are made.
- ItemOpen AccessΤεχνικές βαθιάς μηχανικής μάθησης για την εύρεση βέλτιστων θαλάσσιων διαδρομών(2023-02-17)Ο σχεδιασμός και η πρόταση συντομότερων διαδρομών σε χερσαίο έδαφος είναι κάτι που έχει αναλυθεί εις βάθος στην μέχρι τώρα βιβλιογραφία και θεωρείται αναπόσπαστο κομμάτι μίας έξυπνης πόλης. Είναι γνωστό ότι αλγόριθμοι όπως ο Dijkstra και ο A* χρησιμοποιούνται ευρέως για την λύση του παραπάνω προβλήματος. Αντίστοιχος όγκος έρευνας δεν φαίνεται να υπάρχει στο κομμάτι των θαλάσσιων διαδρομών καθώς δεν υπάρχουν σταθεροί «κόμβοι» ώστε να εφαρμοστούν οι παραπάνω αλγόριθμοι και φαίνεται πως ο σχεδιασμός μία θαλάσσιας διαδρομής βασίζεται περισσότερο σε δεξιότητες όπως η εμπειρία αλλά και ο τύπος του σκάφους. Συμπερασματικά ο καθορισμός των θαλάσσιων διαδρομών είναι αρκετά πιο περίπλοκος αφού ένα σκάφος μπορεί θεωρητικά να ακολουθήσει οποιαδήποτε διαδρομή μεταξύ δύο θαλάσσιων σημείων. Μέχρι στιγμής υπάρχουν υλοποιήσεις οι οποίες βασίζονται στους αλγόριθμους Dijkstra και A*, αλλά και υλοποιήσεις που βασίζονται σε γενετικούς αλγόριθμους. Οι παραπάνω προσεγγίσεις φαίνεται ότι μπορούν να εφαρμοστούν σε περιπτώσεις μεγάλων σκαφών καθώς τα μοναδικά κριτήρια είναι ο χρόνος ή η απόσταση και όχι σε μικρά σκάφη τα οποία εκτελούν ταξίδια αναψυχής(πχ ιστιοπλοϊκά) και υπάρχουν και άλλες παράμετροι εκτός του χρόνου και της κατανάλωσης καυσίμου(πχ ομορφιά τοπίου ή αποφυγή επικίνδυνων υφάλων).Για την κατασκευή και τον προσδιορισμό πλοηγήσιμων γραφημάτων τα οποία είναι πρακτικά πολύ κοντά στις πραγματικές διαδρομές των σκαφών, οι έρευνες ξεκίνησαν να χρησιμοποιούν δεδομένα από τα GPS των σκαφών, τα οποία περιέχουν συνεχείς πληροφορίες σχετικά με την θέση του σκάφους σε κάθε χρονική στιγμή. Σε αυτή την διπλωματική εργασία προτείνεται η μελέτη των AIS (Automatic Identification System) δεδομένων της Δανίας(τα οποία είναι ελεύθερα δεδομένα). Αρχικά τα δεδομένα αυτά θα επεξεργασθούν ώστε να μειωθεί ο μεγάλος όγκος τους και θα μετασχηματιστούν ώστε να αποκτήσουν νόημα. Έπειτα θα αναπαρασταθούν σε χάρτη οι πραγματικές διαδρομές που ακολούθησαν τα σκάφη αναψυχής στα χωρικά ύδατα της Δανίας. Επιπρόσθετα σε αυτή την διπλωματική εργασία προτείνεται ένα υπολογιστικό σύστημα τεχνητής νοημοσύνης το οποίο εκπαιδεύεται μέσω των AIS δεδομένων της Δανίας. Τα δεδομένα τροφοδοτούν ένα μοντέλο LSTM (Long Short Term Memory), το οποίο χρησιμοποιείται ως σύστημα συστάσεων θαλάσσιων διαδρομών για τους τουρίστες που θέλουν να επισκεφθούν την Δανία μέσω της ιστιοπλοΐας.
- ItemOpen AccessTinyML applications on embedded systems for industry(2023-02-16)In the recent years, artificial intelligence, machine learning and IoT technologies have enabled a great number of industrial applications with profitable results. Predicting the remaining useful life (RUL) of turbofan engines constitutes a successful example of industrial AI, and it has received thorough attention from the researchers worldwide, with numerous novel and effective methods being proposed in the literature. Meanwhile, TinyML is a recent trend that has emerged in the AI field and demonstrates, amongst others, promising potential to break through the existing barriers of trusting and deploying real-time critical industrial AI solutions. In this context, this thesis aims to further contribute to the literature and demonstrate the realization of RUL predictions in the extreme edge via TinyML, using the popular C-MAPSS dataset from National Aeronautics and Space Administration (NASA) Ames Research Center, X-CUBE-AI tool and an STM32 microcontroller for the deployment of ML models. We benchmark different ML algorithms, with a special focus on deep learning algorithms (LSTMs and CNNs). The results indicate that there is potential for deploying machine learning models for RUL prediction in resource-scarce IoT devices, with acceptable accuracy loss, while taking advantage of the benefits TinyML has to offer over cloud-based AI inference. Finally, industrial work areas and production lines can benefit from the implementation of a predictive maintenance solution to increase productivity and decrease downtime. Such an application requires the generation and collection of sensor data, monitoring and processing of this data, as well as running an inference of a machine learning model to make predictions and deliver the necessary output. A PLC is a common device used in industry and can generate similar sensor data. The communication between PLC and STM32 microcontroller is handled by a Raspberry pi which acts as an intermediate. OPC UA protocol is implemented on Raspberry Pi for PLC communication and UART protocol for STM32 communication.
- ItemOpen AccessFeature evaluation for energy disaggregation(2023-02-13)The challenge of energy disaggregation focuses on the process of separating the total energy consumption of a household into the individual consumption of each appliance. The objective of this work is to identify an efficient and effective solution for energy disaggregation using a specific din-rail meter provided by Meazon S.A. This meter offers a comprehensive set of measurement data, making it a suitable choice for energy disaggregation solutions. The study focuses on evaluating the impact of different features on the performance of energy disaggregation and examining the results of selecting specific subsets of features. More specifically, this master thesis focuses on developing a solution to accurately detect the presence of a washing machine in a domestic setting by analyzing its energy consumption patterns. The method uses a unsupervised machine learning algorithm, DBSCAN, and is based on the cyclic behavior of the washing machine’s motor. The energy consumption data is collected by the DinRail 3-Phase Advanced WiFi meter provided by Meazon S.A., which records the consumption at regular intervals. The process involves detecting the cycles of the washing machine, extracting the motor consumption from the total consumption, and testing the accuracy of the algorithm with real-world data. The outcome is a reliable and efficient system for monitoring and optimizing energy consumption in a smart and economical manner.
- ItemOpen AccessΑξιολόγηση της συμπεριφοράς χρηστών κατά την εισαγωγή κειμένου σε κινητές συσκευές αξιοποιώντας δεδομένα ανοιχτής πρόσβασης(2022-12)Ενεργό κομμάτι έρευνας αποτελεί η αξιολόγηση εναλλακτικών μεθόδων εισαγωγής κειμένου σε σταθερές και κινητές συσκευές. Ωστόσο, κατά την περίοδο της πανδημίας COVID-19, η αξιολόγηση των μεθόδων αυτών μέσω κατάλληλων πειραμάτων με συμμετέχοντες, κατέστη ανέφικτη. Πολλοί ερευνητές κατέφυγαν στην αξιοποίηση ανοιχτών δεδομένων (open data) για τη συνέχιση των ερευνών τους, γεγονός που ανέδειξε τη σημασία της ανοιχτής διάθεσης δεδομένων στο πεδίο της Αλληλεπίδρασης Ανθρώπου και Υπολογιστή. Στο πλαίσιο της παρούσας διπλωματικής, θα μελετηθεί η σχετική βιβλιογραφία που αφορά τη διάθεση ανοιχτών δεδομένων στο πεδίο της Αλληλεπίδρασης Ανθρώπου και Υπολογιστή (open data in HCI) και θα επισημανθούν ζητήματα που ανακύπτουν κατά τη χρήση ανοικτών δεδομένων. Επιπλέον, θα αναλυθεί η σχετική βιβλιογραφία για τη μελέτη των συμπεριφορών των συμμετεχόντων κατά την εισαγωγή κειμένου. Τέλος, θα αξιοποιηθεί ένα σύνολο ανοιχτών δεδομένων, για την αξιολόγηση της συμπεριφοράς των χρηστών κατά την εισαγωγή κειμένου σε κινητές συσκευές και την εξαγωγή σχετικών συμπερασμάτων.