Οικονόμου, ΚωνσταντίνοςOikonomou, Konstantinos2024-03-122024-03-122024-01-29https://hdl.handle.net/10889/26783Σε αυτή τη μελέτη, παρουσιάζονται πειραματικές μέθοδοι που στοχεύουν στη βελτιστοποίηση του μηχανισμού Adaptive Data Rate (ADR) σε δίκτυα LoRa, χρησιμοποιώντας δεδομένα από πραγματικά πειράματα. Κοινόχρηστοι αλγόριθμοι Μηχανικής Μάθησης, όπως νευρωνικά δίκτυα, υποστηριζόμενη διανυσματική μηχανή, και δέντρα αποφάσεων, χρησιμοποιούνται για την ανάλυση των δεδομένων και την αναγνώριση προτύπων που μπορούν να εφαρμοστούν στην αυτόματη ρύθμιση του ADR. Με αυτήν την προσέγγιση, δημιουργείται ένα εργαλείο για τη βελτιστοποίηση της απόδοσης των δικτύων LoRa, λαμβάνοντας υπόψη τις πραγματικές συνθήκες λειτουργίας και προσφέροντας νέα είσοδο στον τομέα του IoT και των ασύρματων επικοινωνιών. Ο κύριος στόχος του έργου είναι η βελτιστοποίηση του μηχανισμού ADR στα δίκτυα LoRa με χρήση αλγορίθμων μηχανικής μάθησης. Η προτεινόμενη προσέγγιση θα εκμεταλλευτεί έναν συνδυασμό τεχνικών ενισχυτικής μάθησης και επιβλεπόμενης μηχανικής μάθησης για την προσαρμογή του συντελεστή διασποράς και της ισχύος μετάδοσης στις συσκευές. Το έργο χρησιμοποιηεί επίσης τον προσομοιωτή LoRaSim, ο οποίος έχει αναπτυχθεί από τον Alex Sortori, και έχει υποστεί αλλαγές και αναβαθμίσεις για την ενσωμάτωση τεχνικών μηχανικής μάθησης και τη βελτίωση της χρηστικότητάς του, τόσο σε ό,τι αφορά το γραφικό περιβάλλον χρήστη όσο και την εκτέλεση του.elΔίκτυα LoRaΠροσαρμοστικός ρυθμός δεδομένων (ADR)Αλγόριθμοι μηχανικής μάθησηςΑσύρματες επικοινωνίεςΔιαδίκτυο των ΠραγμάτωνΕνισχυτική μάθησηΠροσομοιωτής LoRaSimLoRa networksAdaptive Data Rate (ADR)Algorithms machine learningWireless communicationsInternet of of Things (IoT)LoRaSim simulator