???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tede.ufam.edu.br/handle/tede/7129
Tipo do documento: Dissertação
Título: Localização em ambientes internos utilizando redes IEEE 802.11
Título(s) alternativo(s): Localization in internal environments using IEEE 802.11 networks
Autor: Ferreira, David Alan de Oliveira 
Primeiro orientador: Carvalho, Celso Barbosa
Primeiro membro da banca: Bezerra, Thiago Brito
Segundo membro da banca: Ayres Júnior, Florindo Antônio de Carvalho
Resumo: Este trabalho propõe um método que emprega o algoritmo de aprendizado de máquina k-Nearest Neighbors (kNN) para determinar a localização de objetos móveis em ambientes internos. No cenário de testes, o objeto móvel é representado por uma estação sem fio (Wireless Station - WSTA) que utiliza tecnologia Wi-Fi (Wireless Fidelity). Para estimar a localização da WSTA realizaram-se medições do Indicador de Intensidade do Sinal Recebido (Received Signal Strength Indicator - RSSI), dos sinais provenientes de pontos de acesso (Access Points - APs), a partir de pontos de coleta específicos denotados como pontos de referência (Reference Points - RPs). Neste cenário, em uma fase inicial de treinamento do algoritmo, cada RP é utilizado para coletar amostras de RSSI em um processo de varredura dos APs instalados no ambiente. Ainda na fase de treinamento, utilizam-se medidas de quartis para representar o comportamento destas amostras de RSSI. Posteriormente, na fase de testes, os dados do conjunto de treinamento, formado pelos quartis, são comparados com novos dados a fim de determinar a posição da WSTA. Na avaliação de desempenho, verificou-se que o algoritmo proposto possuiu erro nulo com apenas quatro APs e 10 leituras por amostras com 17,27 segundos de tempo de processamento. Verifica-se que os resultados com estes valores são contribuições importantes, o que assegura que utilizar o algoritmo kNN adotando um conjunto de dados sumarizado com medidas de quartis, é um método promissor para localizar objetos em ambientes internos.
Abstract: This work proposes a method that employs the k-Nearest Neighbors (kNN) machine learning algorithm to determine the location of moving objects indoors. In the test scenario, the mobile object is represented by a Wireless Station (WSTA) that uses Wi-Fi (Wireless Fidelity) technology. In order to estimate the location of the WSTA, measurements were made of the Received Signal Strength Indicator (RSSI), from signals from access points (APs), from specific collection points denoted as points reference points (RPs). In this scenario, in an initial phase of training the algorithm, each RP is used to collect RSSI samples in a process of scanning APs installed in the environment. Also in the training phase, quartiles measurements are used to represent the behavior of these RSSI samples. Subsequently, in the test phase, the training set data, formed by the quartiles, are compared with new data in order to determine the position of the WSTA. In the performance evaluation, it was verified that the proposed algorithm had null error with only four APs e 10 readings per sample with 17.27 seconds of processing time. It is verified that the results with these values are important contributions, which ensures that using the kNN algorithm adopting a dataset summarized with quartiles measurements is a promising method to locate objects indoors.
Palavras-chave: Localização interna
Algoritmo kNN
Wi-Fi
Análise de quartis
Indoor location
kNN algorithm
Quartile analysis
Área(s) do CNPq: ENGENHARIAS: ENGENHARIA ELÉTRICA: ELETRÔNICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRÔNICOS
ENGENHARIAS: ENGENHARIA ELÉTRICA: TELECOMUNICAÇÕES
Idioma: por
País: Brasil
Instituição: Universidade Federal do Amazonas
Sigla da instituição: UFAM
Departamento: Faculdade de Tecnologia
Programa: Programa de Pós-graduação em Engenharia Elétrica
Citação: FERREIRA, David Alan de Oliveira. Localização em ambientes internos utilizando redes IEEE 802.11. 2019. 61 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2019.
Tipo de acesso: Acesso Aberto
Endereço da licença: http://creativecommons.org/licenses/by-nc-nd/4.0/
URI: https://tede.ufam.edu.br/handle/tede/7129
Data de defesa: 27-Mar-2019
Appears in Collections:Mestrado em Engenharia Elétrica

Files in This Item:
File Description SizeFormat 
Dissertação_DavidFerreira_PPGEE.pdf1,75 MBAdobe PDFThumbnail

Download/Open Preview


This item is licensed under a Creative Commons License Creative Commons