Show simple document record

dc.contributor.advisorRoy, Sébastien
dc.contributor.authorLavoie, Jeanfr
dc.date.accessioned2015-03-10T20:09:58Z
dc.date.available2015-03-10T20:09:58Z
dc.date.created2015fr
dc.date.issued2015-03-10
dc.identifier.urihttp://hdl.handle.net/11143/6696
dc.description.abstractLes réseaux sans fil créent des changements importants dans le comportement des utilisateurs par rapport aux réseaux dits câblés ou filaires. Ainsi, les utilisateurs peuvent être mobiles, ce qui les amène à évoluer d’un point d’accès (PA) à un autre. Lors du changement de PA, l’utilisateur mobile (UM) peut expérimenter des délais de transmission occasionnés par les étapes de recherches du prochain PA. Un délai de quelques dixièmes de secondes est désagréable lors d’utilisation d’applications à flux constant de données (comme la téléphonie IP). En général, les gens utilisent souvent les mêmes trajets pour les déplacements courants, comme aller au travail ou faire les courses. L’objectif de ce travail de recherche est de démontrer qu’il est possible d’ajouter des algorithmes à l’appareil mobile pour lui permettre, de façon autonome, d’apprendre les habitudes de l’UM pour améliorer la sélection du prochain PA. En utilisant les temps libres du module de communication WiFi pour sonder l’environnement et accumuler des informations sur les habitudes, trois algorithmes ont été développés et sont présentés dans ce travail de recherche. Le premier algorithme, « Optimisation par courbes comparatives de Puissance sans le Temps » (OPT), mémorise les variations des niveaux de puissances des signaux WiFi. En couplant les mesures de variations, nous avons développé un mécanisme qui détermine les meilleures paires de PA pour les transitions. OPT donne de bonnes performances lorsque l’UM peut se relier à tous les PA qu’il rencontre, ce qui n’est pas le cas lorsque certains PA sont sécurisés. Une deuxième approche a été testée en utilisant un mécanisme d’apprentissage par renforcement (nommé APP). Cet algorithme permet de catégoriser les PA et permet de déterminer les meilleurs candidats aux transferts. En environnement sécurisé, cet algorithme présente des performances nettement supérieures à OPT. Par contre, dans un environnement présentant beaucoup de PA, le temps d’apprentissage est non négligeable puisque APP doit tenter de se relier à tous les PA accessibles pour les caractériser. Pour réduire la période d’apprentissage d’APP, nous avons combiné les deux algorithmes pour mettre en commun leurs avantages. Cette troisième solution (nommée APPOPT) a produit un mécanisme de transfert intercellulaire efficient pour la qualité de sélection du prochain PA comparativement au mécanisme standard de transfert du WiFi.fr
dc.language.isofrefr
dc.publisherUniversité de Sherbrookefr
dc.rights© Jean Lavoiefr
dc.rightsAttribution - Pas d’Utilisation Commerciale - Partage dans les Mêmes Conditions 2.5 Canada*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/2.5/ca/*
dc.subjectMobilitéfr
dc.subjectUbiquitéfr
dc.subjectWiFifr
dc.subjectTransfertfr
dc.subjectVoIPfr
dc.subjectApprentissagefr
dc.subjectHabitudesfr
dc.titleApprentissage des comportements et de l'environnement d'un utilisateur mobile en support à l'amélioration des transferts intercellulaires autonomes utilisant la technologie Wififr
dc.typeThèsefr
tme.degree.disciplineGénie électriquefr
tme.degree.grantorFaculté de géniefr
tme.degree.levelDoctoratfr
tme.degree.namePh.D.fr


Files in this document

Thumbnail
Thumbnail

This document appears in the following Collection(s)

Show simple document record

© Jean Lavoie
Except where otherwise noted, this document's license is described as © Jean Lavoie