Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Ribeiro, Mariana Neves Ferreira |
| Orientador(a): |
Mesquita, Diego Parente Paiva |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
eng |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Inglês: |
|
| Link de acesso: |
https://hdl.handle.net/10438/35731
|
Resumo: |
A multilateração tem como objetivo determinar a posição de um objeto analisando as medições de distância de vários pontos conhecidos. Apesar de sua ampla aplicação, os métodos tradicionais de multilateração são vulneráveis a observações com ruídos e podem ser custosos do ponto de vista computacional. Esta dissertação propõe o DSM, que integra Deep Sets em arquiteturas de redes neurais para tratar dessas limitações. Os Deep Sets permitem que as redes neurais lidem com um número variável de entradas sem retreinamento, tratando as entradas como conjuntos. Testamos o DSM em conjuntos de dados sintéticos e do mundo real, e ele demonstrou sua capacidade de gerenciar dados ausentes com mais eficácia do que os métodos convencionais. Além disso, nosso método apresentou uma redução notável no tempo de computação em comparação com os outros métodos de multilateração testados. Os resultados indicam que o DSM é um candidato altamente adequado para aplicações em tempo real e em grande escala. O estudo também abre caminhos para pesquisas futuras, incluindo a quantificação da incerteza do DSM. |
