1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 122 — Компʼютерні науки (бакалаври)
Please use this identifier to cite or link to this item: http://elartu.tntu.edu.ua/handle/lib/49566
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorМацюк, Галина Ростиславівна-
dc.contributor.authorЛичук, Інна Андріївна-
dc.contributor.authorLychuk, Inna-
dc.date.accessioned2025-07-05T07:53:16Z-
dc.date.available2025-07-05T07:53:16Z-
dc.date.issued2025-06-26-
dc.date.submitted2025-06-12-
dc.identifier.citationЛичук І. А. Смартсистема моніторингу якості питної води : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 122 - комп’ютерні науки / наук. кер. Г. Р. Мацюк. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 70 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/49566-
dc.descriptionРоботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 26.06.2025р. на засіданні екзаменаційної комісії №30 у Тернопільському національному технічному університеті імені Івана Пулюяuk_UA
dc.description.abstractКваліфікаційна робота присвячена дослідженню смарт системи спостереження якості води. Об'єктом дослідження кваліфікаційної роботи є смарт-системи моніторингу якості води на основі бездротових сенсорних мереж та штучного інтелекту. Предметом дослідження кваліфікаційної роботи є методи та засоби розробки ефективної концептуальної структури смарт-системи спостереження якості води. В першому розділі кваліфікаційної роботи розглянуто сучасні підходи до моніторингу якості води. Проаналізовано вимірювання оптичних властивостей води, інших фізичних властивостей води, хімічних властивостей води та біологічних показників води. Проведено аналіз літературних джерел в галузі смарт моніторингу якості води. В другому розділі кваліфікаційної роботи проанадізовано виклики смарт моніторингу якості води. Досліджено моделі на основі штучного інтелекту в моніторингу якості води. В третьому розділі кваліфікаційної роботи виконана оцінка моделей моніторингу якості води. Сформована концептуальна структура смарт системи моніторингу якості води (SWQM). У розділі «Безпека життєдіяльності, основи охорони праці» описано захист людини від іонізуючих випромінювань. Окремо розглянуто синдром професійного вигорання в ІТuk_UA
dc.description.abstractThe qualification work is dedicated to the study of a smart water quality monitoring system. The object of the qualification work is smart water quality monitoring systems based on wireless sensor networks and artificial intelligence. The subject of the qualification work is the methods and tools for developing an effective conceptual structure for a smart water quality monitoring system. The first chapter of the qualification work reviews modern approaches to water quality monitoring. The measurement of optical properties of water, other physical properties of water, chemical properties of water, and biological indicators of water are analyzed. A review of literature sources in the field of smart water quality monitoring has been conducted. The second chapter of the qualification work analyzes the challenges of smart water quality monitoring. Artificial intelligence-based models in water quality monitoring are investigated. The third chapter of the qualification work evaluates water quality monitoring models. A conceptual structure of a smart water quality monitoring system (SWQM) is formed. The "Life Safety, Occupational Health and Safety Fundamentals" chapter describes human protection from ionizing radiation. Separately, the professional burnout syndrome in IT is considereduk_UA
dc.description.tableofcontentsВСТУП 8 РОЗДІЛ 1. СУЧАСНІ ПІДХОДИ ДО МОНІТОРИНГУ ТА ВИМІРЮВАННЯ ЯКОСТІ ВОДИ 10 1.1 Сучасні підходи до моніторингу якості води 10 1.2 Вимірювання оптичних властивостей води 12 1.3 Вимірювання інших фізичних властивостей води 13 1.4 Вимірювання хімічних властивостей води 14 1.5 Вимірювання біологічних показників води 15 1.6 Аналіз літературних джерел в галузі смарт моніторингу якості води 17 1.7 Висновок до першого розділу 22 РОЗДІЛ 2. ВИКЛИКИ СМАРТ МОНІТОРИНГУ ТА МОДЕЛІ НА ОСНОВІ ШТУЧНОГО ІНТЕЛЕКТУ 23 2.1 Виклики смарт моніторингу якості води 23 2.1.1 Технології зв’язку смарт систем моніторингу якості води 23 2.1.2 Топологія смарт систем моніторингу якості води 23 2.1.3 Пропускна здатність смарт систем моніторингу якості води 24 2.1.4 Споживання енергії смарт систем моніторингу якості води 25 2.1.5 Виготовлення смарт систем моніторингу якості води 25 2.1.6 Безпека смарт систем моніторингу якості води 26 2.1.7 Підводне середовище смарт систем моніторингу якості води 27 2.1.8 Сенсори смарт систем моніторингу якості води 28 2.2 Моделі на основі штучного інтелекту в моніторингу якості води 29 2.2.1 Отримання та обробка набору даних у літературі 30 2.2.2 Вибір моделі моніторингу якості води 31 2.3 Висновок до другого розділу 34 РОЗДІЛ 3. ОЦІНКА МОДЕЛЕЙ ТА КОНЦЕПТУАЛЬНА СТРУКТУРА СМАРТ СИСТЕМИ МОНІТОРИНГУ ЯКОСТІ ВОДИ 35 3.1 Оцінка моделей моніторингу якості води 35 3.2 Концептуальна структура смарт системи моніторингу якості води 46 3.2.1 Система сенсорного моніторингу SWQM 46 3.2.2 Система зв’язку SWQM 48 3.2.3 Головна система «Head End System» 48 3.3 Висновок до третього розділу 49 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 50 4.1 Захист людини від іонізуючих випромінювань 50 4.2 Синдром професійного вигорання в ІТ 57 4.3 Висновок до четвертого розділу 59 ВИСНОВКИ 60 ПЕРЕЛІК ДЖЕРЕЛ 61uk_UA
dc.format.extent70-
dc.language.isoukuk_UA
dc.publisherТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.subject122uk_UA
dc.subjectіндикатори якості водиuk_UA
dc.subjectсенсори якості водиuk_UA
dc.subjectштучний інтелектuk_UA
dc.subjectвимірювання якості водиuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectwireless sensor networksuk_UA
dc.subjectбездротові сенсорні мережіuk_UA
dc.subjectwater quality measurementuk_UA
dc.subjectwater quality sensorsuk_UA
dc.subjectmachine learninguk_UA
dc.subjectwater quality indicatorsuk_UA
dc.subjectartificial intelligenceuk_UA
dc.subjectiotuk_UA
dc.titleСмарт система спостереження якості водиuk_UA
dc.title.alternativeWater Quality Monitoring Systemuk_UA
dc.typeBachelor Thesisuk_UA
dc.rights.holder© Личук Інна Андріївна, 2025uk_UA
dc.coverage.placenameТернопільuk_UA
dc.subject.udc004.9uk_UA
dc.relation.references1. Sanders, T. Design of Networks for Monitoring Water Quality; Water Resources Publications: Littleton, CO, USA, 1983.uk_UA
dc.relation.references2. Strobl, R.; Robillard, P. Network Design for Water Quality Monitoring of Surface Freshwaters: A Review. J. Environ. Manag. 2008, 87, 639–648uk_UA
dc.relation.references3. Орлов М. В., Дуда О. М., Жовнір Ю. І., Грибовський О.М. Інструменти методології DevOps в інформаційних системах на основі технологій IoT. Комп'ютерно-інтегровані технології: освіта, наука, виробництво, Випуск 57, 2024, с. 128-138. ISSN 2524-0552; eISSN 2524-0560, DOI: https://doi.org/10.36910/6775-2524-0560-2024-57-15uk_UA
dc.relation.references4. Жовнір Ю. І., Грибовський О. М., Орлов М. В., Дуда О. М. , Кунанець Н. Е. Методологія розроблення та супроводу інформаційних систем, базованих на технології інтернету речей Управління розвитком складних систем 2024.- Вип.60, С. 56-71. https://doi.org/10.32347/2412-9933.2024.60.56-70uk_UA
dc.relation.references5. Kunanets, N., Zhovnir, Y., Burov, Y., Pasichnyk, V., & Duda, O. (2025). Designing the structure and architecture of situation-aware security information systems for residential complexes. Eastern European Journal of Enterprise Technologies, 1(9(133)), 6–23.uk_UA
dc.relation.references6. DFROBOT SEN0189 Turbidity Sensor. 2023. Available online: https://www.dfrobot.com/product-1394.html.uk_UA
dc.relation.references7. YSI WQ730 Turbidity Sensor. 2023. Available online: https://www.ysi.com/wq730.uk_UA
dc.relation.references8. Aqualabo PF-CAP-C-00174 Turbidity Sensor. 2023. Available online: https://en.aqualabo.fr/turbidity-digital-sensor-bare-wires7-m-cable-b3968.html.uk_UA
dc.relation.references9. Daviteq Modbus Turbidity Sensor. 2023. Available online: https://daviteq.com/en/manuals/books/product-data-sheet-formodbus-output-sensors/page/process-turbidity-sensor-with-modbus-output-mbrtu-tbd.uk_UA
dc.relation.references10. DFROBOT SEN0244 TDS Sensor. 2023. Available online: https://www.dfrobot.com/product-1662.html.uk_UA
dc.relation.references11. Hanna Instruments HI-763133 TDS Sensor. 2023. Available online: https://www.hannainstruments.co.uk/electrodes-andprobes/2633-hi-763133-quick-connect-tds-conductivity-probe.uk_UA
dc.relation.references12. Wateranywhere TDS-3 TDS Sensor. 2023. Available online: https://wateranywhere.com/tds-meter-tests-0-9990-ppm-totaldissolved-solids-in-water-pocket-size-hm-digital/.uk_UA
dc.relation.references13. Antratek 314990742 Modbus TDS and EC Sensor. 2023. Available online: https://www.antratek.com/industrial-ec-tds-sensormodbus-rtu-rs485-0-2v.uk_UA
dc.relation.references14. YSI WQ101 Temperature Sensor. 2023. Available online: https://www.ysi.com/wq101.uk_UA
dc.relation.references15. DFROBOT DS18B20 SEN0511 Temperature Sensor. 2023. Available online: https://www.dfrobot.com/product-2481.html.uk_UA
dc.relation.references16. ComWinTop CWT-T01S Modbus Temperature Sensor. 2023. Available online: https://store.comwintop.com/products/rs485 -modbus-water-proof-temperature-humidity-sensor-probe?variant=42249549054179.uk_UA
dc.relation.references17. YSI WQ201 pH Sensor. 2023. Available online: https://www.ysi.com/wq201.uk_UA
dc.relation.references18. DFROBOT SEN0169-V2 pH Sensor. 2023. Available online: https://www.dfrobot.com/product-2069.html.uk_UA
dc.relation.references19. Tetraponics SP-P5 pH Sensor Probe. 2023. Available online: https://www.tetraponics.com/products/replacement-ec-probe.uk_UA
dc.relation.references20. Eucatech 314990622 Modbus pH Sensor Probe, 2023. Available online: https://euca.co.za/products/sensecap-industrial-phsensor-nsc257.uk_UA
dc.relation.references21. YSI EXO Chloride Smart Sensor. 2023. Available online: https://www.ysi.com/product/id-599711/EXO-Chloride-Smart-Sensor.uk_UA
dc.relation.references22. Riverplus WS102-CL Modbus Sensor. 2023. Available online: https://iiot.riverplus.com/product/ws102-cl-modbus-waterquality-analysis-residual-chloride-ion-cl-sensor/.uk_UA
dc.relation.references23. AQUAREAD Ammonia Sensor. 2023. Available online: https://www.aquaread.com/sensors/ammonium-ammonia.uk_UA
dc.relation.references24. Kacise KAN310 Modbus Ammonia Sensor. 2023. Available online: https://www.fluid-meter.com/sale-13682999-kan310-onlineammonia-nitrogen-sensor-rs485-modbus-convenient-to-connect-to-plc-dcs-patented-ammoniu.html.uk_UA
dc.relation.references25. Sea Bird Scientific SUNA V2 Nitrate Sensor. 2023. Available online: https://www.seabird.com/nutrient-sensors/suna-v2-nitratesensor/family?productCategoryId=54627869922.uk_UA
dc.relation.references26. AQUAREAD Nitrate Sensor. 2023. Available online: https://www.aquaread.com/sensors/nitrate.uk_UA
dc.relation.references27. Xylem 107066 Modbus Nitrate Sensor. 2023. Available online: https://www.xylemanalytics.com/en/general-product/id-151/ ise-combination-sensor-for-ammonium-and-nitrate---wtw.uk_UA
dc.relation.references28. Libelium Proteus Water Sensor for Real-Time Detecting E. coli Bacteria. 2023. Available online: https://proteus-instruments.com/ proteus-bod-multiparameter-water-quality-meter/.uk_UA
dc.relation.references29. YSI EXO Total Algae PC Smart Sensor. 2023. Available online: https://www.ysi.com/exo/talpc.uk_UA
dc.relation.references30. Apure BGA-206A Algae Sensor. 2023. Available online: https://apureinstrument.com/water-quality-analysis/blue-green-algaesensor/bga-206a-blue-green-algae-sensor/.uk_UA
dc.relation.references31. Yang, X.; Ong, K.G.; Dreschel, W.R.; Zeng, K.; Mungle, C.S.; Grimes, C.A. Design of a Wireless Sensor Network for Long-term, In-Situ Monitoring of an Aqueous Environment. Sensors 2002, 2, 455–472.uk_UA
dc.relation.references32. Дуда, О., & Станько, А. (2023). Архітектура мережевої платформи моніторингу об’єктів у кіберфізичних системах «розумних міст». Вісник Хмельницького національного університету. Серія: «Технічні науки», №4, 10-19. ISSN 2307-5732. DOI 10.31891/2307-5732.uk_UA
dc.relation.references33. Rosero-Montalvo, P.D.; López-Batista, V.F.; Riascos, J.A.; Peluffo-Ordóñez, D.H. Intelligent WSN System for Water Quality Analysis Using Machine Learning Algorithms: A Case Study (Tahuando River from Ecuador). Remote Sens. 2020, 12, 1988.uk_UA
dc.relation.references34. Kofi Sarpong, A.-M.; Katsriku, F.A.; Abdulai, J.-A.; Engmann, F. Smart River Monitoring Using Wireless Sensor Networks. Wirel. Commun. Mob. Comput. 2020, 2020, 8897126.uk_UA
dc.relation.references35. Murphy, K.; Heery, B.; Sullivan, T.; Zhang, D.; Paludetti, L.; O’Connor, N.; Diamond, D.; Regan, F. A low-cost autonomous optical sensor for water quality monitoring. Talanta 2014, 132, 520–527.uk_UA
dc.relation.references36. O’Flynn, B.; Martínez-Català, R.; Harte, S.; O’Mathuna, C.; Cleary, J.; Slater, C.; Regan, F.; Diamond, D.; Murphy, H. SmartCoast: A Wireless Sensor Network for Water Quality Monitoring. In Proceedings of the 32nd IEEE Conference on Local Computer Networks (LCN 2007), Dublin, Ireland, 15–18 October 2007; pp. 815–816.uk_UA
dc.relation.references37. Seders, L.; Butler, C.S.; Lemmon, M.; Talley, J.; Maurice, P.A. LakeNet: An integrated sensor network for environmental sensing in lakes. Environ. Eng. Sci. 2007, 24, 183–191.uk_UA
dc.relation.references38. Chen, C.-H.; Wu, Y.-C.; Zhang, J.-X.; Chen, Y.-H. IoT-Based Fish Farm Water Quality Monitoring System. Sensors 2022, 22, 6700.uk_UA
dc.relation.references39. Jáquez, A.D.B.; Herrera, M.T.A.; Celestino, A.E.M.; Ramírez, E.N.; Cruz, D.A.M. Extension of LoRa Coverage and Integration of an Unsupervised Anomaly Detection Algorithm in an IoT Water Quality Monitoring System. Water 2023, 15, 1351.uk_UA
dc.relation.references40. Razman, N.A.; Wan Ismail, W.Z.; Abd Razak, M.H.; Ismail, I.; Jamaludin, J. Design and analysis of water quality monitoring and filtration system for different types of water in Malaysia. Int. J. Environ. Sci. Technol. 2023, 20, 3789–3800.uk_UA
dc.relation.references41. Ubah, J.I.; Orakwe, L.C.; Ogbu, K.N.; Awu, J.I.; Ahaneku, I.E.; Chukwuma, E.C. Forecasting water quality parameters using artificial neural network for irrigation purposes. Sci. Rep. 2021, 11, 24438.uk_UA
dc.relation.references42. Khan, S.I.; Islam, S.; Nasir, M. Predicting Water Quality using WSN and Machine Learning. Bachelor’s Thesis, Mawlana Bhashani Science and Technology, University Santosh, Tangail, Bangladesh, 2020.uk_UA
dc.relation.references43. Aldhyani, T.H.H.; Al-Yaari, M.; Alkahtani, H.; Maashi, M. Water Quality Prediction Using Artificial Intelligence Algorithms. Appl. Bionics Biomech. 2020, 2020, 6659314.uk_UA
dc.relation.references44. Paepae, T.; Bokoro, P.N.; Kyamakya, K. From Fully Physical to Virtual Sensing for Water Quality Assessment: A Comprehensive Review of the Relevant State-of the-Art. Sensors 2021, 21, 6971.uk_UA
dc.relation.references45. Chen, L.; Wu, T.; Wang, Z.; Lin, X.; Cai, X. A novel hybrid BPNN model based on adaptive evolutionary Artificial Bee Colony Algorithm for water quality index prediction. Ecol. Indic. 2023, 146, 109882.uk_UA
dc.relation.references46. Stocker, M.D.; Pachepsky, Y.A.; Hill, R.L. Prediction of E. coli Concentrations in Agricultural Pond Waters: Application and Comparison of Machine Learning Algorithms. Front. Artif. Intell. 2022, 4, 768650.uk_UA
dc.relation.references47. Naloufi, M.; Lucas, F.S.; Souihi, S.; Servais, P.; Janne, A.; Wanderley Matos De Abreu, T. Evaluating the Performance of Machine Learning Approaches to Predict the Microbial Quality of Surface Waters and to Optimize the Sampling Effort. Water 2021, 13, 2457.uk_UA
dc.relation.references48. Singh, Y., & Walingo, T. (2024). Smart water quality monitoring with IOT wireless sensor networks. Sensors, 24(9), 2871.uk_UA
dc.relation.references49. Olatinwo, S.O.; Joubert, T.-H. Enabling Communication Networks for Water Quality Monitoring Applications: A Survey. IEEE Access 2019, 7, 100332–100362.uk_UA
dc.relation.references50. Suciu, G.; Suciu, V.; Dobre, C.; Chilipirea, C. Tele-Monitoring System for Water and Underwater Environments Using Cloud and Big Data Systems. In Proceedings of the 2015 20th International Conference on Control Systems and Computer Science, Bucharest, Romania, 27–29 May 2015; pp. 809–813.uk_UA
dc.relation.references51. Awan, K.M.; Shah, P.A.; Iqbal, K.; Gillani, S.; Ahmad, W.; Nam, Y. Underwater Wireless Sensor Networks: A Review of Recent Issues and Challenges. Wirel. Commun. Mob. Comput. 2019, 2019, 6470359.uk_UA
dc.relation.references52. Myint, C.Z.; Gopal, L.; Aung, Y.L. Reconfigurable smart water quality monitoring system in IoT environment. In Proceedings of the 2017 IEEE/ACIS 16th International Conference on Computer and Information Science (ICIS), Wuhan, China, 24–26 May 2017; pp. 435–440.uk_UA
dc.relation.references53. Marais, J.; Malekian, R.; Ye, N.; Wang, R. A Review of the Topologies Used in Smart Water Meter Networks: A Wireless Sensor Network Application. J. Sens. 2016, 2016, 9857568.uk_UA
dc.relation.references54. Sehgal, A.; Tumar, I.; Schonwalder, J. Variability of available capacity due to the effects of depth and temperature in the underwater acoustic communication channel. In Proceedings of the Oceans 2009-Europe, Bremen, Germany, 11–14 May 2009.uk_UA
dc.relation.references55. Gallagher, M. Effect of topology on network bandwidth, Master of Engineering (Hons.). Master’s Thesis, Faculty of Informatics, University of Wollongong, Wollongong, NSW, Australia, 1998. Available online: https://ro.uow.edu.au/theses/2539.uk_UA
dc.relation.references56. Pottie, G.J.; Kaiser, W.J. Wireless integrated network sensors. Commun. ACM 2000, 43, 51–58.uk_UA
dc.relation.references57. Kofi, A.-M.; Tapparello, C.; Heinzelman, W.; Katsriku, F.; Abdulai, J.-D. Water Quality Monitoring Using Wireless Sensor Networks: Current Trends and Future Research Directions. ACM Trans. Sens. Netw. 2017, 13, 1–41.uk_UA
dc.relation.references58. Ryecroft, S.; Shaw, A.; Fergus, P.; Kot, P.; Hashim, K.S.; Tang, A.; Moody, A.; Conway, L. An Implementation of a Multi-Hop Underwater Wireless Sensor Network using Bowtie Antenna. Karbala Int. J. Mod. Sci. 2021, 7, 3.uk_UA
dc.relation.references59. Watt, A.J.; Phillips, M.R.; Campbell, C.E.; Wells, I.; Hole, S. Wireless Sensor Networks for monitoring underwater sediment transport. Sci. Total Environ. 2019, 667, 160–165.uk_UA
dc.relation.references60. Júnior, A.C.D.S.; Munoz, R.; Quezada, M.D.L.Á.; Neto, A.V.L.; Hassan, M.M.; De Albuquerque, V.H.C. Internet of Water Things: A Remote Raw Water Monitoring and Control System. IEEE Access 2021, 9, 35790–35800.uk_UA
dc.relation.references61. Luethi, R.; Phillips, M. Challenges and solutions for long-term permafrost borehole temperature monitoring and data interpretation. Geogr. Helv. 2016, 71, 121–131.uk_UA
dc.relation.references62. Stanko, A., Mykytyshyn, A., Totosko, O., Koroliuk, R., & Duda, O. (2024). Artificial Intelligence of Things (AIoT): Integration challenges and security issues. CEUR Workshop Proceedings, 3842, 92–105.uk_UA
dc.relation.references63. Duda, O., Mykytyshyn, A., Mytnyk, M., & Stanko, A. (2023). Information technology sets formation and TNTU Smart Campus services network support. CEUR Workshop Proceedings, 3628, 661–671.uk_UA
dc.relation.references64. Palka, O., Dmytrotsa, L., Duda, O., Kunanets, N., & Pasichnyk, V. (2024). Information and technological tools for analysis and visualization of open data in smart cities. CEUR Workshop Proceedings, 3742, 1–12.uk_UA
dc.relation.references65. Duda, O., Matsiuk, O., Kunanets, N., Pasichnyk, V., & Veretennikova, N. (2020). Selection of effective methods of big data analytical processing in information systems of smart cities. CEUR Workshop Proceedings, 2643, 68–78.uk_UA
dc.relation.references66. Masindi, V. Dataset on physicochemical and microbial properties of raw water in four drinking water treatment plants based in South Africa. Data Brief 2020, 31, 105822.uk_UA
dc.relation.references67. Rokem, A.; Kay, K. Fractional ridge regression: A fast, interpretable reparameterization of ridge regression. GigaScience 2020, 9, giaa133.uk_UA
dc.relation.references68. Ogutu, J.O.; Schulz-Streeck, T.; Piepho, H.P. Genomic selection using regularized linear regression models: Ridge regression, lasso, elastic net and their extensions. BMC Proc. 2012, 6 (Suppl. 2), S10.uk_UA
dc.relation.references69. Segal, M.R. Machine Learning Benchmarks and Random Forest Regression. Center for Bioinformatics and Molecular Biostatistics; University of California: San Francisco, CO, USA, 2004. Available online: https://escholarship.org/uc/item/35x3v9t4.uk_UA
dc.relation.references70. Friedman, J.H. Stochastic gradient boosting. Comput. Stat. Data Anal. 2002, 38, 367–378.uk_UA
dc.relation.references71. Boswell, D. Introduction to Support Vector Machines; Departement of Computer Science and Engineering, University of California: San Diego, CA, USA, 2002.uk_UA
dc.relation.references72. Kramer, O. Unsupervised K-nearest neighbor regression. arXiv 2011, arXiv:1107.3600.uk_UA
dc.relation.references73. Xiao, F.; Wang, Y.; He, L.; Wang, H.; Li, W.; Liu, Z. Motion Estimation from Surface Electromyogram Using Adaboost Regression and Average Feature Values. IEEE Access 2019, 7, 13121–13134.uk_UA
dc.relation.references74. Koduri, S.; Gunisetti, L.; Ramesh, C.; Mutyalu, K.; Ganesh, D. Prediction of crop production using adaboost regression method. J. Phys. Conf. Ser. 2019, 1228, 012005.uk_UA
dc.relation.references75. Willmott, C.J.; Matsuura, K. Advantages of the Mean Absolute Error (MAE) over the Root Mean Square Error (RMSE) in Assessing Average Model Performance. Clim. Res. 2005, 30, 79–82.uk_UA
dc.relation.references76. Robeson, S.M.; Willmott, C.J. Decomposition of the mean absolute error (MAE) into systematic and unsystematic components. PLoS ONE 2023, 18, e0279774.uk_UA
dc.relation.references77. Chai, T.; Draxler, R.R. Root mean square error (RMSE) or mean absolute error (MAE)?—Arguments against avoiding RMSE in the literature. Geosci. Model Dev. 2014, 7, 1247–1250.uk_UA
dc.relation.references78. Sessions, V.; Valtorta, M. The Effects of Data Quality on Machine Learning Algorithms. ICIQ 2006, 6, 485–498.uk_UA
dc.relation.references79. Arimie, C.O.; Biu, E.O.; Ijomah, M.A. Outlier Detection and Effects on Modeling. Open Access Libr. J. 2020, 7, e6619.uk_UA
dc.relation.references80. Li, A.H.; Bradic, J. Boosting in the Presence of Outliers: Adaptive Classification with Nonconvex Loss Functions. J. Am. Stat. Assoc. 2017, 113, 660–674.uk_UA
dc.relation.references81. Morón-López, J.; Rodríguez-Sánchez, M.C.; Carreño, F.; Vaquero, J.; Pompa-Pernía, Á.G.; Mateos-Fernández, M.; Aguilar, J.A.P. Implementation of Smart Buoys and Satellite-Based Systems for the Remote Monitoring of Harmful Algae Bloom in Inland Waters. IEEE Sens. J. 2021, 21, 6990–6997.uk_UA
dc.relation.references82. Safaric, S.; Malaric, K. ZigBee wireless standard. In Proceedings of the ELMAR 2006, Zadar, Croatia, 7–9 June 2006; pp. 259–262.uk_UA
dc.relation.references83. IEEE Std 802.15.4-2015 (Revision of IEEE Std 802.15.4-2011); IEEE Standard for Low-Rate Wireless Networks. IEEE: Piscataway, NJ, USA, 22 April 2016; pp. 1–709.uk_UA
dc.relation.references84. IEEE Std 802.11-2020 (Revision of IEEE Std 802.11-2016); IEEE Standard for Information Technology–Telecommunications and Information Exchange between Systems–Local and Metropolitan Area Networks–Specific Requirements–Part 11: Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications–Redline. IEEE: Piscataway, NJ, USA, 26 February 2021; pp. 1–7524.uk_UA
dc.relation.references85. IEEE Std 802.15.1-2005 (Revision of IEEE Std 802.15.1-2002); IEEE Standard for Information technology–Local and Metropolitan Area Networks–Specific Requirements–Part 15.1a: Wireless Medium Access Control (MAC) and Physical Layer (PHY) Specifications for Wireless Personal Area Networks (WPAN). IEEE: Piscataway, NJ, USA, 14 June 2005; pp. 1–700.uk_UA
dc.relation.references86. Sigfox Whitepapers. Available online: https://www.sigfox.com/.uk_UA
dc.relation.references87. Devalal, S.; Karthikeyan, A. LoRa Technology—An Overview. In Proceedings of the 2018 Second International Conference on Electronics, Communication and Aerospace Technology (ICECA), Coimbatore, India, 29–31 March 2018; pp. 284–290.uk_UA
dc.relation.references88. NB-IoT Whitepapers. Available online: https://www.narrowband.com/.uk_UA
dc.relation.references89. Labdaoui, N.; Nouvel, F.; Dutertre, S. Energy-efficient IoT Communications: A Comparative Study of Long-Term Evolution for Machines (LTE-M) and Narrowband Internet of Things (NB-IoT) Technologies. In Proceedings of the 2023 IEEE Symposium on Computers and Communications (ISCC), Gammarth, Tunisia, 9–12 July 2023; pp. 823–830.uk_UA
dc.relation.references90. Cisco Systems. IoT Threat Defense for Manufacturing SAFE. Design & Implementation Guide. Cisco White Paper, v1.0, 2021. 131 p.uk_UA
dc.relation.references91. 78% of US consumers demand businesses do more to protect data, IBM survey finds – WRALTechWire, 2018.uk_UA
dc.relation.references92. Gartner. Risk Management in Cyber-Physical Systems: IoT Security. – Аналітичний звіт, 2023. – https://www.gartner.com/uk_UA
dc.relation.references93. Бакшаєва О. В., Ковальчук І. М. Психоемоційний стан працівників ІТ-сфери в умовах сучасного робочого середовища. Науковий журнал «Психологія праці». – 2020. – № 4 (15). – С. 45 – 48.uk_UA
dc.relation.references94. Воронова Н. Професійне вигорання: причини, наслідки, шляхи подолання Журнал «Охорона праці». – 2019. – № 2 (8). – С. 32 – 37.uk_UA
dc.contributor.affiliationТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
Appears in Collections:122 — Компʼютерні науки (бакалаври)

Files in This Item:
File Description SizeFormat 
2025_KRB_SN-42_Lychuk IA.pdfДипломна робота1,06 MBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

Admin Tools