Show simple item record

Πράσινο έξυπνο σπίτι: Συστήματα, υλικά και σχεδίαση με προσομοίωση

dc.contributor.advisorMoussas, Vassilios
dc.contributor.authorΤούντα, Ελένη-Νεκταρία
dc.date.accessioned2022-08-25T11:43:33Z
dc.date.available2022-08-25T11:43:33Z
dc.date.issued2022-06
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/2798
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-2638
dc.description.abstractΣκοπός της παρούσας εργασίας είναι η σχεδίαση μέσω προσομοίωσης σε ειδικό λογισμικό μιας έξυπνης κατοικίας και του περιβάλλοντος χώρου της, ακολουθούμενη από τη συγκέντρωση και τη δημιουργία των συνόλων δεδομένων. Στα πλαίσια της μελέτης της εργασίας γίνεται η πρόβλεψη του σχεδιασμού μιας κατοικίας, η οποία αποτελείται από ένα υπνοδωμάτιο, σαλόνι, μπάνιο, κουζίνα και γραφείο. Κάθε δωμάτιο της κατοικίας μελέτης. Η διαδικασία σχεδιασμού και εισαγωγής του μοντέλου του σπιτιού της μελέτης περίπτωσης γίνεται με χρήση του λογισμικού OpenSHS. Κατόπιν, εισάγονται δύο σύνολα δεδομένων π για την μελέτη των έξυπνων κατοικιών. Το ένα αφορά την ταξινόμηση και το άλλο την ανίχνευση ανωμαλιών. Τα δύο σύνολα δεδομένων δημιουργούνται χρησιμοποιώντας το λογισμικό OpenSHS, με τη χρήση του οποίου 7 συμμετέχοντες προσομοίωσαν τα ADLτους (αλγόριθμοι ταξινόμησης καθημερινότητας – algorithmdailylife). Αντιπροσωπευτικά σύνολα δεδομένων έξυπνων κατοικιών, όπως αυτά που παρουσιάζονται σε αυτή την εργασία, προσφέρουν δυνατότητες εφαρμογής άμεσης μηχανικής εκμάθησης, κυρίως για την εκπαίδευση, τη δοκιμή και την επικύρωση νέων μοντέλων. Απαιτούνται διαφορετικά σύνολα δεδομένων ανάλογα με τον προκαθορισμένο στόχο της μηχανικής εκμάθησης, π.χ. ταξινόμηση, ομαδοποίηση, πρόβλεψη ή ανίχνευση ανωμαλιών. Τα προκύπτοντα από την παρούσα μελέτη σύνολα δεδομένων μπορούν να χρησιμοποιηθούν για την επικύρωση μοντέλων μηχανικής εκμάθησης που εκτελούν εργασίες ταξινόμησης ή/και εργασίες ανίχνευσης ανωμαλιών στον τομέα των έξυπνων κατοικιών. Οι εργασίες ταξινόμησης και ανίχνευσης ανωμαλιών έχουν πεδίο εφαρμογής για πολλές περιπτώσεις χρήσης όπως η αυτοματοποίηση, η φροντίδα ηλικιωμένων, η υγειονομική περίθαλψη, η ψυχαγωγία, η ασφάλεια κ.λπ.el
dc.format.extent94el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΠράσινο κτίριοel
dc.subjectΈξυπνα σπίτιαel
dc.subjectΛογισμικό προσομοίωσης OpenSHSel
dc.subjectΑλγόριθμοι ταξινόμησης καθημερινότηταςel
dc.subjectADLel
dc.titleΠράσινο έξυπνο σπίτι: Συστήματα, υλικά και σχεδίαση με προσομοίωσηel
dc.title.alternativeGreen smart home: Systems, materials and simulation designel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeRepapis, Constantinos
dc.contributor.committeeVryzidis, Isaak
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Πολιτικών Μηχανικώνel
dc.description.abstracttranslatedThe purpose of this work is the design through simulation in special software of a smart home and its surroundings, followed by the collection and creation of data sets. In the context of the study of the work, the design of a house is foreseen, which consists of a bedroom, living room, bathroom, kitchen and office. Each room of the study residence. The process of designing and introducing the case study house model is done using OpenSHS software. Then, two data sets π are introduced for the study of smart homes. One concerns the classification and the other the detection of anomalies. The two datasets are generated using OpenSHS software, using which 7 participants simulated their ADL (daily life algorithm). Representative smart home datasets, such as those presented in this paper, offer instant machine learning applications, primarily for training, testing, and validating new models. Different sets of data are required depending on the predetermined goal of the machine learning, e.g. classification, grouping, prediction or detection of anomalies. The data sets from the present study can be used to validate machine learning models that perform classification and / or anomaly detection tasks in the smart home sector. The classification and detection of anomalies has scope for many uses such as automation, care for the elderly, health care, entertainment, safety, etc.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές