Proyección del comportamiento de enlaces en redes analambricas lln mediante series de tiempo aplicando algoritmos de aprendizaje por refuerzo
dc.contributor.advisor | Trujillo Tarazona, Pedro Javier | |
dc.contributor.advisor | Niño Quiñonez, Héctor | |
dc.contributor.author | Rivera Cepeda, Brayan Orlando | |
dc.date.accessioned | 2024-03-04T01:17:51Z | |
dc.date.available | 2021 | |
dc.date.available | 2024-03-04T01:17:51Z | |
dc.date.created | 2021 | |
dc.date.issued | 2021 | |
dc.description.abstract | Algunos parámetros de enlaces de las redes IEEE 802.15.4 se pueden caracterizar y estudiar mediante series de tiempo, por lo que resulta factible proyectar estos parámetros, como lo son el LQI y el RSSI para evaluar el comportamiento de los enlaces. En este reporte se presenta el uso de algoritmos de aprendizaje por refuerzo para predecir el comportamiento de parámetros de enlaces en redes LLN IEEE 802.15.4 mediante series de tiempo. Se incluyen algunos fundamentos sobre las series de tiempo, algoritmo ARIMA, algoritmos de aprendizaje por refuerzo: Monte Carlo, Monte Carlo con acotación, DDPG y RDPG, métricas de error utilizadas, de enlaces en las redes LLN IEEE 802.15.4, también se muestran detalles alrededor de la estructura y tratamiento de los conjuntos de datos, experimentación, resultados y evaluación. Se concluye que la implementación del algoritmo DDPG aplicando WFV obtuvo los mejores resultados en LQI y RSSI; y para RSSI, este algoritmo DDPG generó las métricas de error más bajas de la experimentación. La utilización de WFV en las implementaciones de ARIMA es poco favorable porque genera mayores métricas de error que cuando no se utiliza. De los algoritmos basados en el método Monte Carlo, el acotado obtuvo menores métricas de error. Los algoritmos RDPG y Monte Carlo obtuvieron las métricas de error más altas de la experimentación | |
dc.description.abstractenglish | Some link parameters of networks IEEE 802.15.4 can be characterized and studied using time series. Therefore, it turns out feasible to project link parameters such as LQI and RSSI to assess the efficiency of a network. In this report is presented the use of reinforcement learning algorithms to foretell the behavior of link parameters through time series. This document shows the logical, theoretical and practical concepts of the time series, the ARIMA algorithm, and the implemented reinforcement learning algorithms: Monte Carlo, Monte Carlo with bounding, DDPG and RDPG, LLN 802.15.4 networks, structure and treatment of data sets, experimentation, results and evaluation. It is concluded that the implementation of the DDPG algorithm applying WFV obtained the best results in LQI and RSSI, and for RSSI study case, it obtained the lowest error metrics experimentation results in the project. WFV procedure in ARIMA implementations is unfavorable because it generates higher error metrics than when WFV is not used. Comparing the algorithms based on the Monte Carlo method (Monte Carlo and Monte Carlo with bounding), the bounded one obtained lower error metrics than the other one without bounding. The RDPG and Monte Carlo algorithms obtained the highest error metrics of the experimentation in the Project | |
dc.description.degreelevel | Pregrado | |
dc.description.degreename | Ingeniero de Sistemas | |
dc.format.mimetype | application/pdf | |
dc.identifier.instname | Universidad Industrial de Santander | |
dc.identifier.reponame | Universidad Industrial de Santander | |
dc.identifier.repourl | https://noesis.uis.edu.co | |
dc.identifier.uri | https://noesis.uis.edu.co/handle/20.500.14071/41582 | |
dc.language.iso | spa | |
dc.publisher | Universidad Industrial de Santander | |
dc.publisher.faculty | Facultad de Ingenierías Fisicomecánicas | |
dc.publisher.program | Ingeniería de Sistemas | |
dc.publisher.school | Escuela de Ingeniería de Sistemas e Informática | |
dc.rights | http://creativecommons.org/licenses/by/4.0/ | |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
dc.rights.license | Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0 | |
dc.subject | IEEE 802.15.4 | |
dc.subject | Series de tiempo | |
dc.subject | Aprendizaje por refuerzo | |
dc.subject | ARIMA | |
dc.subject | Monte Carlo | |
dc.subject | DDPG | |
dc.subject | RDPG | |
dc.subject | predicciones en series de tiempo. | |
dc.subject.keyword | IEEE 802.15.4 | |
dc.subject.keyword | Time series | |
dc.subject.keyword | Reinforcement Learning | |
dc.subject.keyword | ARIMA | |
dc.subject.keyword | Monte Carlo | |
dc.subject.keyword | DDPG | |
dc.subject.keyword | RDPG | |
dc.subject.keyword | time series forecasting. | |
dc.title | Proyección del comportamiento de enlaces en redes analambricas lln mediante series de tiempo aplicando algoritmos de aprendizaje por refuerzo | |
dc.title.english | Behavior estimation of the links in LLN wireless networks through time series forecasting applying reinforcement learning algorithms. * | |
dc.type.coar | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
dc.type.hasversion | http://purl.org/coar/resource_type/c_7a1f | |
dc.type.local | Tesis/Trabajo de grado - Monografía - Pregrado |
Files
Original bundle
1 - 3 of 3
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 330.31 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 573.93 KB
- Format:
- Adobe Portable Document Format