Publisher's Synopsis
O sucesso das soluções da Internet das Coisas permitiu o estabelecimento de novas aplicações, como a agricultura hidropónica inteligente. Um problema típico deste tipo de aplicação é a rápida degradação dos sensores instalados. Tradicionalmente, este problema é resolvido através da manutenção manual frequente, que é considerada ineficaz e pode prejudicar as culturas a longo prazo. O principal objetivo desta tese foi propor uma abordagem de aprendizagem automática para automatizar a deteção de desvios de falhas nos sensores. Além disso, a operacionalidade da solução foi investigada num ambiente de computação em nuvem em termos de tempo de resposta. Esta tese propõe um algoritmo de deteção que utiliza NN na previsão de desvios de sensores a partir de fluxos de dados de séries temporais. O algoritmo de deteção foi posteriormente denominado; CNN, e NB, foram concebidos para prever desvios de sensores utilizando técnicas de previsão e classificação. Os algoritmos foram comparados entre si em termos de métricas de precisão relevantes para previsão e classificação. A operacionalidade da solução foi investigada através do desenvolvimento de um servidor Web que alojava o algoritmo numa instância de computação Thing Speak.
