Localização em ambientes internos utilizando redes IEEE 802.11

• Ano de defesa: 2019
• Autor(a) principal: Ferreira, David Alan de Oliveira
• Outros Autores: http://lattes.cnpq.br/3863655668683045, https://orcid.org/0000-0001-5717-4018
• 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: Localização interna; Algoritmo kNN; Análise de quartis; Wi-Fi; Indoor location; kNN algorithm; Quartile analysis; ENGENHARIAS: ENGENHARIA ELÉTRICA: ELETRÔNICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRÔNICOS; ENGENHARIAS: ENGENHARIA ELÉTRICA: TELECOMUNICAÇÕES
• Link de acesso: https://tede.ufam.edu.br/handle/tede/7129

Este trabalho propõe um método que emprega o algoritmo de aprendizado de máquina k-Nearest Neighbors (kNN) para determinar a localização de objetos móveis em ambientes internos. No cenário de testes, o objeto móvel é representado por uma estação sem fio (Wireless Station - WSTA) que utiliza tecnologia Wi-Fi (Wireless Fidelity). Para estimar a localização da WSTA realizaram-se medições do Indicador de Intensidade do Sinal Recebido (Received Signal Strength Indicator - RSSI), dos sinais provenientes de pontos de acesso (Access Points - APs), a partir de pontos de coleta específicos denotados como pontos de referência (Reference Points - RPs). Neste cenário, em uma fase inicial de treinamento do algoritmo, cada RP é utilizado para coletar amostras de RSSI em um processo de varredura dos APs instalados no ambiente. Ainda na fase de treinamento, utilizam-se medidas de quartis para representar o comportamento destas amostras de RSSI. Posteriormente, na fase de testes, os dados do conjunto de treinamento, formado pelos quartis, são comparados com novos dados a fim de determinar a posição da WSTA. Na avaliação de desempenho, verificou-se que o algoritmo proposto possuiu erro nulo com apenas quatro APs e 10 leituras por amostras com 17,27 segundos de tempo de processamento. Verifica-se que os resultados com estes valores são contribuições importantes, o que assegura que utilizar o algoritmo kNN adotando um conjunto de dados sumarizado com medidas de quartis, é um método promissor para localizar objetos em ambientes internos.