Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30723| Título: | Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM |
| Título(s) alternativo(s): | Comparison between classification techniques applied to wi-fi signals, for cell location, in the UTFPR-CM facilities |
| Autor(es): | Ramos, Rafael Alessandro |
| Orientador(es): | Valentin, Lucio Geronimo |
| Palavras-chave: | Aprendizado do computador Ondas de rádio Percepção de padrões Redes locais sem fio Instalações universitárias Machine learning Radio waves Pattern perception Wireless LANs College facilities |
| Data do documento: | 1-Jul-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Campo Mourao |
| Citação: | RAMOS, Rafael Alessandro. Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM. 2022. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Campo Mourão, 2022. |
| Resumo: | Sistemas de localização interna e suas aplicabilidades estão em alta, no entanto, mitigar erros e interferências são pontos fundamentais para um bom resultado além do custo de aplica-la, seja por conta da aquisição de tecnologia ou pelos recursos disponíveis para tornar viável a execução da localização. Neste trabalho, realiza-se quatro experimentos baseados em aprendizado de máquina para resolver o problema de localização interna dentro da UTFPR-CM. O objetivo principal é identificar a melhor forma de realizar o mapeamento das células (salas) e além da comparação entre as acurácias obtidas pelos classificadores clássicos K-NN e SVM, para então definir qual o modelo mais eficiente para a localização interna. Os experimentos foram realizados coletando 1, 5, 6 ou mais pontos de mapeamento por célula, e posteriormente utilizado nos classificadores K-NN e SVM para obter a acurácia de acerto. Para construção dos modelos preditivos é utilizado o método de GridSearch através da biblioteca Sklearn. O método mais eficiente foi o cenário no qual foram coletados pontos a cada 1,5m variando de 14 a 36 pontos por célula e utilizado o classificador SVM com Kernel linear, C igual a 1 e Gamma igual a 0,002. Obtendo uma acurácia de 82% de acerto. Este resultado é promissor e abre campo para continuidade da pesquisa além de melhorias significantes tornando a solução mais eficiente. |
| Abstract: | Internal location systems and their applicability are on the rise, however, mitigating errors and interference are fundamental points for a good result in addition to the cost of applying it, either due to the acquisition of technology or the resources available to make the execution of the localization. In this work, four experiments based on machine learning are carried out to solve the problem of indoor localization within the UTFPR-CM. The main objective is to identify the best way to carry out the mapping of cells (rooms) and in addition to comparing the accuracies obtained by the classical K-NN and SVM classifiers, to then define the most efficient model for the internal location. The experiments were carried out by collecting 1, 5, 6 or more mapping points per cell, and later used in the K-NN and SVM classifiers to obtain the accuracy. To build predictive models, the GridSearch method is used through the Sklearn library. The most efficient method was the scenario in which points were collected every 1.5m, ranging from 14 to 36 points per cell, and using the SVM classifier with linear Kernel, C equal to 1 and Gamma equal to 0.002. Obtaining an accuracy of 82%. This result is promising and opens the way for further research in addition to significant improvements making the solution more efficient. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/30723 |
| Aparece nas coleções: | CM - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| comparacaoentretecnicasclassificacao.pdf | 6,21 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
