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 | Viterbo Filho, José | - |
Autor(es): dc.contributor | Bernardini, Flavia Cristina | - |
Autor(es): dc.contributor | Monteiro, Rodrigo Salvador | - |
Autor(es): dc.creator | Souza, Raphael Gonçalves Bittencourt de | - |
Autor(es): dc.creator | Coelho, Igor da Silva | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:19:06Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:19:06Z | - |
Data de envio: dc.date.issued | 2018-07-17 | - |
Data de envio: dc.date.issued | 2018-07-17 | - |
Data de envio: dc.date.issued | 2017 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/7024 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/768157 | - |
Descrição: dc.description | Os sistemas de localização indoors têm se tornado cada vez mais uma alternativa viável para a identificação do posicionamento geográfico em ambientes onde a cobertura de satélites não é capaz de operar de maneira apropriada, como por exemplo, o interior de um prédio. Esses sistemas podem tirar proveito da infraestrutura de redes Wi-Fi e o crescente do uso de aparelhos móveis para definir o posicionamento a partir do mapeamento de assinaturas, que contêm a informação intensidade do sinal recebido. Para que o posicionamento seja definido, uma das possibilidades é utilizar algoritmos de aprendizado de máquina para o reconhecimento de padrões entre os níveis de intensidade dos sinais recebidos e um modelo mapeado anteriormente contendo os níveis esperados para determinado local. Um dos maiores desafios desses sistemas é a escolha ideal do algoritmo de aprendizado de máquina. Neste trabalho, foram testadas diferentes técnicas de aprendizado de máquina para realizar a avaliação dos sistemas de localização indoors, através da aplicação dos algoritmos em uma base de dados chamada UJIIndoorLoc. Através da avaliação de diferentes métricas, foram comparadas a performance dos algoritmos de aprendizado de máquina considerando a eficiência na estimativa da localização | - |
Descrição: dc.description | Indoor localization systems have become an increasingly viable alternative for identification of the geographical positioning in environments where satellite coverage is not able to operate properly, such as the interior of a building. These systems can take advantage of the Wi-Fi network infrastructure and the growing use of mobile devices to define the position from fingerprints, which contains the information received signal strength. To define the position, one of the possibilities is to use machine learning algorithms for pattern recognition between the intensity of the received signal levels and mapped model containing previously expected levels for a given location. One of the biggest challenges of these systems is the ideal choice of the machine learning algorithm. In this work, different machine learning techniques are tested to carry out the assessment of indoor location systems through the application of algorithms in a database called UJIIndoorLoc. Through the evaluation of different metrics, the performance of the machine learning algorithms was compared considering the efficiency in the estimation of the location | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Localização indoors | - |
Palavras-chave: dc.subject | Impressões digitais de rede | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Geolocalização | - |
Palavras-chave: dc.subject | Localization systems | - |
Palavras-chave: dc.subject | WLAN fingerprints | - |
Título: dc.title | Aplicação de técnicas de aprendizado de máquina em sistemas de localização indoors | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: