Registro fonte: Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM

Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM

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 localiza...

ver descrição completa

Autor principal:	Ramos, Rafael Alessandro
Formato:	Trabalho de Conclusão de Curso (Graduação)
Idioma:	Português
Publicado em:	Universidade Tecnológica Federal do Paraná 2023
Assuntos:	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 CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Acesso em linha:	http://repositorio.utfpr.edu.br/jspui/handle/1/30723
Tags:	Adicionar Tag Sem tags, seja o primeiro a adicionar uma tag!

id	riut-1-30723
recordtype	dspace
spelling	riut-1-307232023-03-07T06:07:30Z Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM Comparison between classification techniques applied to wi-fi signals, for cell location, in the UTFPR-CM facilities Ramos, Rafael Alessandro Valentin, Lucio Geronimo Martinez, Roberto Wilhelm Krauss Valentin, Lucio Geronimo Martinez, Roberto Wilhelm Krauss Foleiss, Juliano Henrique Kawamoto, André Luiz Satoshi 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 CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO 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. 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. 2023-03-06T19:04:20Z 2023-03-06T19:04:20Z 2022-07-01 bachelorThesis 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. http://repositorio.utfpr.edu.br/jspui/handle/1/30723 por openAccess http://creativecommons.org/licenses/by/4.0/ application/pdf Universidade Tecnológica Federal do Paraná Campo Mourao Brasil Departamento Acadêmico de Computação Ciência da Computação UTFPR
institution	Universidade Tecnológica Federal do Paraná
collection	RIUT
language	Português
topic	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 CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
spellingShingle	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 CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Ramos, Rafael Alessandro Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM
description	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.
format	Trabalho de Conclusão de Curso (Graduação)
author	Ramos, Rafael Alessandro
author_sort	Ramos, Rafael Alessandro
title	Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM
title_short	Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM
title_full	Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM
title_fullStr	Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM
title_full_unstemmed	Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM
title_sort	comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da utfpr-cm
publisher	Universidade Tecnológica Federal do Paraná
publishDate	2023
citation	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.
url	http://repositorio.utfpr.edu.br/jspui/handle/1/30723
_version_	1805453021995335680
score	10,814766

Comparação entre técnicas de classificação aplicadas em sinais de wi-fi para localização de células nas instalações da UTFPR-CM

Registros relacionados