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

• Autor(a) principal: Ramos, Rafael Alessandro
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/30723
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; 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

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.