Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Fonseca, Mauro Sergio Pereira | - |
Autor(es): dc.contributor | http://orcid.org/0000-0003-1604-0915 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/6534637358360971 | - |
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1861-3369 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Lazzaretti, André Eugênio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1861-3369 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/7649611874688878 | - |
Autor(es): dc.contributor | Fonseca, Anelise Munaretto | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-0182-7128 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4992303457891284 | - |
Autor(es): dc.contributor | Pedrini, Hélio | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-0125-630X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9600140904712115 | - |
Autor(es): dc.contributor | Moraes, Igor Monteiro | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-5919-7923 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1342924024681635 | - |
Autor(es): dc.contributor | Amorim, Marcelo Dias de | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-3710-6805 | - |
Autor(es): dc.creator | Gomes, Eduardo Luis | - |
Data de aceite: dc.date.accessioned | 2025-08-29T13:01:54Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T13:01:54Z | - |
Data de envio: dc.date.issued | 2022-09-16 | - |
Data de envio: dc.date.issued | 2022-09-16 | - |
Data de envio: dc.date.issued | 2022-08-17 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/29646 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1106202 | - |
Descrição: dc.description | Object location in indoor environments is a challenging task due to the absence of physical contact or field of vision, reflective materials, excessive obstacles, and a high density of items. Several surveys propose using Radio Frequency Identification (RFID) technology and Machine Learning (ML) methods to construct Indoor Positioning System (IPS). However, using an object as a target class makes learning and prediction slow in large-scale environments. Another difficulty frequently encountered in the use of machine learning methods is the need to train all the positions of the tags mapped in the environment. This training increases the complexity of the system deployment process. To circumvent such problems, we present in this thesis four new approaches to location systems for indoor environments using RFID technology and machine learning techniques. The first approach uses hierarchical classification by dividing the environment into regions to reduce the number of classes in the training and prediction of the classifiers. The second approach applies the sliding window concept to statically extract new features from the Received Signal Strength Indicator (RSSI) attribute and then trains the Random Forest regressor algorithm using reference tags to predict the coordinates of the target tags. In addition to using the concepts of sliding windows and reference labels, the third approach also applies hierarchical classification. The fourth approach applies a genetic algorithm to identify which reference tags contribute most to the system’s accuracy. One of the main results got was a precision of 4.82 cm in an environment with 7,000 target tags, reducing by up to 92.91% the average error w.r.t. other IPS approaches presented in the literature, including more complex indoor scenarios. Another main contribution of the present thesis is the public availability of an RFID dataset for future research in the area of indoor location. | - |
Descrição: dc.description | A localização de objetos em ambientes internos é uma tarefa desafiadora devido à ausência de contato físico ou campo de visão, à presença de materiais reflexivos, excesso de obstáculos e grande densidade de itens. Várias pesquisas propõem o uso da tecnologia Identificação por Rádio Frequência (RFID) e métodos de aprendizagem de máquina para a construção dos sistemas de localização. Entretanto, a utilização de um objeto como classe alvo torna a aprendizagem e predição lentas em ambientes de grande escala. Outra dificuldade frequentemente encontrada na utilização de métodos de aprendizagem de máquina, é a necessidade de treinamento de todas as posições das etiquetas mapeadas no ambiente. Este treinamento aumenta a complexidade no processo de implantação do sistema. Para contornar tais problemas, nós apresentamos nesta tese quatro novas abordagens de sistemas de localização para ambientes internos usando a tecnologia RFID e técnicas de aprendizagem de máquina. A primeira abordagem utiliza a classificação hierárquica dividindo o ambiente em regiões para reduzir a quantidade de classes no treinamento e predição dos classificadores. A segunda abordagem aplica o conceito de janela deslizante para extrair estaticamente novas características do atributo Indicador de Intensidade do Sinal Recebido (RSSI) e após treina o algoritmo regressor Floresta Aleatória fazendo o uso de etiquetas de referência para prever as coordenadas das etiquetas alvo. A terceira abordagem além de utilizar os conceitos de janela deslizante e etiquetas de referência também aplica a classificação hierárquica. A quarta abordagem aplica um algoritmo genético para identificar quais etiquetas de referência mais contribuem para a precisão do sistema. Um dos principais resultados obtidos foi uma precisão de 4,82 cm em ambiente com 7.000 etiquetas alvo, reduzindo em até 92,91% a média de erro de outras abordagens apresentadas na literatura, inclusive em cenários mais complexos de localização em ambientes internos. Outra contribuição principal da presente tese é a disponibilização pública de um conjunto de dados RFID para futuras pesquisas na área de localização indoor. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Sistemas de identificação por radiofrequência | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Algorítmos genéticos | - |
Palavras-chave: dc.subject | Análise por agrupamento | - |
Palavras-chave: dc.subject | Análise de regressão | - |
Palavras-chave: dc.subject | Radio frequency identification system | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Genetic algorithms | - |
Palavras-chave: dc.subject | Cluster analysis | - |
Palavras-chave: dc.subject | Regression analysis | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | Aprendizagem de máquina para sistemas de localização em ambientes internos RFID | - |
Título: dc.title | Machine learning for RFID indoor positioning systems | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: