• clustering
• rbf
• reti neurali
• inverse distance weight
• anfis
• kriging
• logica fuzzy
• Self-organizing maps
• reti di sensori
• som
• interpolazione spaziale
• takagi-sugeno
• nodi sensore

La tesi si occupa dell’interpolazione spaziale di dati provenienti da una rete di sensori. In particolare, pone l'attenzione sullo studio dei vari metodi di interpolazione spaziale, sulla loro implementazione in un'applicazione software e sull'analisi dei risultati ottenuti.<br>
I metodi di interpolazione spaziale analizzati sono quelli comunemente utilizzati, soprattutto in ambito geologico e climatico, e che si basano su modelli deterministici (Nearest Neighbor, Inverse Distance Weight, ecc.) e geostatistici (Kriging).<br>
A questi si aggiungono quelli che fanno uso di tecniche di soft-compunting, un’importante tendenza nello sviluppo dei moderni metodi di interpolazione spaziale. In tale ambito si fa uso di reti neurali, come quelle multilayer perceptron (MLP), e di modelli basati sulla Logica Fuzzy tra cui troviamo: il metodo delle relazioni fuzzy, i modelli a regole di Mamdani e di Takagi-Sugeno. Quest’ultimi sono comunque quelli più indicati per operazioni di modellazione di sistemi non lineari come nel caso di sistemi per l’interpolazione spaziale.<br>
Oltre alle reti neurali MLP sono utilizzate reti neurali Self-Oganizing Maps (SOM) per la clusterizzazione di insieme di dati molti ampi. L’utilizzo di questa tecnica permette a metodi di interpolazione spaziale con un approccio globale di passare ad uno locale.<br>
I metodi di interpolazione spaziale studiati sono stati implementati in un Toolbox sviluppato in ambiente Matlab 7. Sono stati inoltre comparati considerando dati reali contenuti in due data set, SIC97 e SIC2004, i quali presentano scenari diversi che mettono in evidenza come i vari metodi si comportano in situazioni differenti.