Návrh a optimalizace kompresních algoritmů pro potřeby nízkoenergetického bezdrátového přenosu dat z vestavěných monitorovacích zařízení

Abstract

Hlavním cílem disertační práce je návrh hybridní strategie edge computingu spojující diskrétní waveletovu transformaci a fuzzy řízení přenosu dat pro zařízení napájená energií z prostředí. Tento přístup výrazně snižuje množství přenesených dat a energii potřebnou pro přenos.

Komprese dat je každodenně využívaný prostředek k úspoře paměťových kapacit a k rychlému přenosu dat. U systémů, které monitorují parametry prostředí a často se nacházejí na obtížně dostupných místech, je potřeba účinné komprese ještě vyšší. V bezdrátových senzorových sítích je důraz kladen především na spolehlivost a energetickou nezávislost.

Základem disertační práce je diskrétní waveletova transformace jako prostředek ke kompresi dat a fuzzy logický kontrolér, který řídí přenos dat na základě dostupné energie, predikce budoucí energie a množství aproximačních koeficientů v paměti. Práce přispívá k metodě postupného zpřesňování dat na cloudu a snižování objemu dat během přenosu v závislosti na dostupné energii zařízení.

The main objective of this dissertation is to propose a hybrid edge computing strategy combining discrete wavelet transform and fuzzy data transfer control for environmentally powered devices. This approach significantly reduces the amount of data transferred and the energy required for transmission.

Data compression is an everyday means of saving memory capacity and transferring data quickly. For systems that monitor environmental parameters and are often located in remote locations, the need for efficient compression is even greater. In wireless sensor networks, the focus is primarily on reliability and energy independence.

The basis of this dissertation is a discrete wavelet transform as a means of data compression and a fuzzy logic controller that controls data transmission based on available energy, prediction of future energy, and the amount of approximation coefficients in memory. This work contributes to a method for incrementally refining data on the cloud and reducing the amount of data during transmission depending on the available energy of the device.