Localização em Ambientes Internos utilizando redes IEEE 802.11 e algoritmo WKNN

• Ano de defesa: 2021
• Autor(a) principal: Carvalho, Alípio de Sales
• Outros Autores: http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4299594H4&tokenCaptchar=03AGdBq25jiywlni8Bdj4R6ZLJllWJfffILQXjSraz_7lDT2YCvyKy4P8gXgrHwU3wH9thdfrsy032eAtDtbnRAVVbr89t9X7B4uEd-TiAtlIV3fiCS2ixJbrW_WGqmvKMogjkMW_xxp6prIU2Rqc0svDCYgzY7RHHT3VRN8oKOyy6LlXRekcQEcydRSCEqBCTuQEkTlMKcvPuiCO0wgfXB0pv4e22gxhLb4BcWGEw-xft__eNhX7MasQIXqdM7a5jbd2De4KJyb0IbSN2Y4I6MsVmWeFeg4swrWpRCKsnfYEPIoSCoC6FHzO8BEWuDXC9rPRL2U23Mweuon-c8Bl6nln8YguNl_PwfEO-SggoEvRYj_G1Y90Vnzvwgtq6VWbZMrc5PL1YFlB1nKDBA_TQCTJqbwuFT29Vp5IdjTT93GLcE34NAF4QhywL4uoZv4CFpTc9A71CKh0G
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Sistemas de controle inteligente; ENGENHARIAS: ENGENHARIA ELETRICA; ILS; RSS; Redes Wi-Fi; Algoritmo WKNN
• Link de acesso: https://tede.ufam.edu.br/handle/tede/8564

Nos últimos anos, com a evolução das tecnologias de informação e comunicação, surgiram novas técnicas de localização de objetos ou usuários em ambientes internos. Apesar disso, os sistemas de localização interna (ILSs) continuam sendo um desafio, pois os trabalhos da literatura dependem de sensores com tecnologia específica e alto custo para obter a acurácia adequada para o sistema. Além disso, muitas trabalhos da literatura relacionados a ILS apresentam limitações em sua interface homem máquina (Human Machine Interface - HMI), dificultando a operação e a usabilidade. Nesta dissertação de mestrado apresenta-se proposta de ILS de alta capacidade computacional, fácil operação e usabilidade para determinar a localização de um usuário, a partir de seu smartphone, utilizando assinaturas dos sinais de RF (Radio Frequency) transmitidos em redes Wi-Fi pré-existentes no ambiente, uma base de dados criada a partir das assinaturas de RSSI coletadas e e algoritmo de aprendizagem supervisionada WKNN (Weighted K-Nearest Neighbor). O ILS proposto apresentou erro de localização RMSE (Root Mean Square Error) de 2,87m, superando trabalhos recentes da literatura, onde o menor erro de localização RMSE obtido foi de 4,31m, além disso, nesta dissertação propõe-se fornecer facilidades de configuração de HMI.