@mastersthesis{wartenburger08experimentelle,
  title = {{Experimentelle Analyse verteilter Ereigniserkennung in Sensornetzen}},
  author = {Christian Wartenburger},
  school = {Department of Mathematics and Computer Science, Freie Universit{\"a}t Berlin},
  year = {2008},
  month = {},
  abstract = {Die verteilte Anordnung von Sensorknoten in einem drahtlosen Sensornetz erm{\"o}glicht es, Eigenschaften und Ver{\"a}nderungen der Umwelt an unterschiedlichen Stellen zu beobachten. Durch ein Zusammenwirken der Sensorknoten k{\"o}nnen in der Umwelt auftretende Ereignisse verteilt erkannt werden. Es existiert ein verteiltes Erkennungssystem, welches Ereignisdaten mehrerer Sensorknoten im Sensornetz fusioniert und anhand einer lokal durchgef{\"u}hrten Mustererkennung klassifiziert. Dieses System wurde unter Laborbedingungen entwickelt und getestet. Mit dieser Arbeit wird eine Weiterentwicklung des verteilen Erkennungssystems vorgestellt, welches den Anforderungen einer praktischen Anwendbarkeit gerecht wird.\\ W{\"a}hrend des Mustertrainings k{\"o}nnen Ereignisdaten von einer dynamischen Anzahl von Sensorknoten verarbeitet werden. Die Daten werden dabei auf die f{\"u}r die Erkennung geeignetsten und aussagekr{\"a}ftigsten Werte reduziert. Die verteilte Ereigniserkennung ist nicht auf den Ort des Trainings beschr{\"a}nkt. Ein unbekanntes Ereignis kann an jedem Punkt des Sensornetzes von den das Ereignis wahrnehmenden Sensorknoten unter Austausch von Merkmalswerten klassifiziert werden. Ort und Typ des Ereignisses werden auf einer Basisstation angezeigt.\\ Das in der vorliegenden Arbeit entwickelte System wird anhand eines praktischen Anwendungsfalls getestet. Dabei handelt es sich um die Erkennung sicherheitsrelevanter Ereignisse an einem Bauzaun. Die Evaluation erfolgt f{\"u}r die Erkennung der Ereignisse am Ort gleich und ungleich des Trainings. Es wird untersucht, wie sich die {\"A}nderung des Ortes auf die Erkennungsraten auswirkt und wie viel Einfluss die Bedingungen der realen Welt auf die Ergebnisse im Vergleich zu denen unter Laborbedingungen besitzen. Am Ort des Trainings wird eine Korrektklassifikationsrate von 74,8% erzielt. Im Vergleich zum Projekt Fence Monitoring, welches sich ebenfalls mit der verteilten Erkennung von Ereignissen an Bauz{\"a}unen besch{\"a}ftigt, wird eine Steigerung von 15,9 Prozentpunkten erzielt. In Bezug auf das dieser Arbeit zugrunde liegenden Erkennungssystem, dessen Ergebnisse durch Versuche unter Laborbedingungen entstanden, ist ein R{\"u}ckgang von 21,5 Prozentpunkten zu verzeichnen. F{\"u}r den Fall der Erkennung am Ort ungleich des Trainings ergibt sich eine Korrektklassifikationsrate von 57,7%.},
  day = {19},
  file = {http://cst.mi.fu-berlin.de/papers/wartenburger08experimentelle.pdf},
  keywords = {Wireless Sensor Networks, Distributed Event Detection, In-network Data Processing, Pattern Recognition},
  slides = {http://cst.mi.fu-berlin.de/papers/wartenburger08experimentelle_slides.pdf},
  theme = {wsn},
}