@PHDTHESIS{ 2024:763641573,
 	title = {Localização em ambientes semiabertos com redução de esforço por super-resolução e fusão de sinais Wi-Fi e FM baseada na distribuição Nakagami-m},
 	year = {2024},
 	url = "https://tede.ufam.edu.br/handle/tede/10699",
 	abstract = "A localização em ambientes internos e semiabertos é um campo de crescente interesse devido à ampla aplicação em sistemas inteligentes, como navegação em locais fechados, gestão logística e monitoramento de pacientes. No entanto, métodos tradicionais de construção de mapas de fingerprints, baseados em medicões extensivas, enfrentam desafios relacionados ao alto custo de coleta e manutenção dos dados. Esta tese propõe um método inovador que combina técnicas de super-resolução de imagens e fusão de dados para otimizar a construção de fingerprints, reduzindo significativamente o esforço de coleta. O estudo integra medições de diferentes tecnologias, como redes Wireless Fidelity (Wi-Fi) e estações de rádio de frequência modulada ou Frequency Modulation (FM), para melhorar a robustez e precisão do sistema em cenários onde fontes de dados são limitadas ou inconsistentes. A metodologia envolve o uso de redes neurais convolucionais ou Convolutional Neural Network (CNN) previamente treinadas para processar dados do indicador de itensidade do sinal recebido ou Received Signal Strength Indicator (RSSI), permitindo a modelagem e previsão da propagação de sinal com maior detalhamento. Além disso, técnicas de fusão de dados são aplicadas para integrar informações de múltiplas fontes, maximizando a confiabilidade da localização em condições desafiadoras. Os experimentos foram conduzidos em 716 pontos de referência em um ambiente controlado, com avaliação de desempenho comparativo entre os métodos tradicionais e o modelo proposto. Os resultados demonstraram redução no esforço de coleta de dados, mantendo uma alta precisão de localização, com erro médio próximo a 1,31 metros utilizando menos da metade das redes Wi-Fi pré-defindas. Conclui-se que a abordagem proposta oferece uma solução eficiente para a construção de mapas de fingerprints, com potencial de aplicação em diversos cenários práticos. Este estudo avança o estado da arte em localização indoor e semiaberta, abrindo novos caminhos para o uso de aprendizado profundo e combinação de dados em sistemas de localização.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Engenharia Elétrica},
 	note = {Faculdade de Tecnologia}
}