Deep learning dual-model for predicting and validating sensor Data in undn / Mohamed Lazhari Krobba

Public ISBD Titre : Deep learning dual-model for predicting and validating sensor Data in undn Type de document : document multimédia Auteurs : Mohamed Lazhari Krobba, Auteur ; Abdelmadjid Benarfa, Directeur de thèse ; Taher Bendouma, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2025 Autre Editeur : Laghouat : Université Amar Telidji - Département d'informatique Importance : 66 p. Accompagnement : 1 disque optique numérique (CD-ROM) Note générale : Option:Data science et artificial intelligence Langues : Anglais Mots-clés : Réseau de Données Nommées Sous-Marines (UNDN)  Réseaux de Capteurs Sans Fil Sous-Marins (UWSN)  Réseautage de Données Nommées (NDN)  Apprentissage Profond  Prévision de Séries Temporelles  Validation des Capteurs  Fiabilité des Données des Capteurs Résumé : Ce mémoire présente une approche à double modèle dapprentissage profond visant à améliorer la fiabilité des données capteurs dans les Réseaux de Données Nommées Sous-Marins (UNDNs). Ce paradigme novateur intègre le Réseautage de Données Nommées (NDN) aux Réseaux de Capteurs Sans Fil Sous-Marins (UWSNs). Les UWSNs jouent un rôle clé dans des domaines tels que la surveillance environnementale, la détection de lactivité sismique et lexploration sous-marine. Cependant, ils rencontrent de sérieuses limitations, notamment une latence élevée, une bande passante restreinte, une atténuation importante du signal et des défaillances fréquentes des capteurs. Le NDN améliore la communication sous-marine en permettant une récupération des données centrée sur le contenu, grâce à une mise en cache dans le réseau et à une sécurité intégrée. Toutefois, le NDN seul ne peut résoudre les problèmes de lectures manquantes, de dysfonctionnements des capteurs ou de mauvaise qualité des données. Pour remédier à cela, nous proposons une architecture à double modèle basée sur lapprentissage profond : un modèle de prédiction de séries temporelles pour estimer les valeurs futures et compléter les données manquantes, et un modèle de classification pour vérifier la validité des lectures. Plusieurs architectures ont été évaluées, telles que LSTM, GRU, CNN-1D, Transformer et TCN. Parmi elles, seul le TCN a montré une bonne capacité de généralisation sur des données inédites. Pour la classification, un Perceptron Multi-Couche (MLP) a été utilisé avec des performances solides. Tous les modèles ont été implémentés sans frameworks externes. Cette étude contribue à la conception de systèmes de surveillance sous-marins intelligents, adaptatifs et fiables. note de thèses : Mémoire de master en informatique Deep learning dual-model for predicting and validating sensor Data in undn [document multimédia] / Mohamed Lazhari Krobba, Auteur ; Abdelmadjid Benarfa, Directeur de thèse ; Taher Bendouma, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique : Laghouat : Université Amar Telidji - Département d'informatique, 2025 . - 66 p. + 1 disque optique numérique (CD-ROM). Option:Data science et artificial intelligence Langues : Anglais Mots-clés : Réseau de Données Nommées Sous-Marines (UNDN)  Réseaux de Capteurs Sans Fil Sous-Marins (UWSN)  Réseautage de Données Nommées (NDN)  Apprentissage Profond  Prévision de Séries Temporelles  Validation des Capteurs  Fiabilité des Données des Capteurs Résumé : Ce mémoire présente une approche à double modèle dapprentissage profond visant à améliorer la fiabilité des données capteurs dans les Réseaux de Données Nommées Sous-Marins (UNDNs). Ce paradigme novateur intègre le Réseautage de Données Nommées (NDN) aux Réseaux de Capteurs Sans Fil Sous-Marins (UWSNs). Les UWSNs jouent un rôle clé dans des domaines tels que la surveillance environnementale, la détection de lactivité sismique et lexploration sous-marine. Cependant, ils rencontrent de sérieuses limitations, notamment une latence élevée, une bande passante restreinte, une atténuation importante du signal et des défaillances fréquentes des capteurs. Le NDN améliore la communication sous-marine en permettant une récupération des données centrée sur le contenu, grâce à une mise en cache dans le réseau et à une sécurité intégrée. Toutefois, le NDN seul ne peut résoudre les problèmes de lectures manquantes, de dysfonctionnements des capteurs ou de mauvaise qualité des données. Pour remédier à cela, nous proposons une architecture à double modèle basée sur lapprentissage profond : un modèle de prédiction de séries temporelles pour estimer les valeurs futures et compléter les données manquantes, et un modèle de classification pour vérifier la validité des lectures. Plusieurs architectures ont été évaluées, telles que LSTM, GRU, CNN-1D, Transformer et TCN. Parmi elles, seul le TCN a montré une bonne capacité de généralisation sur des données inédites. Pour la classification, un Perceptron Multi-Couche (MLP) a été utilisé avec des performances solides. Tous les modèles ont été implémentés sans frameworks externes. Cette étude contribue à la conception de systèmes de surveillance sous-marins intelligents, adaptatifs et fiables. note de thèses : Mémoire de master en informatique

---

page 1/1