04. Unidade Acadêmica de Garanhuns (UAG)

URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/2947

Os trabalhos que compõem as coleções desta comunidade pertencem à produção científica da antiga Unidade Acadêmica de Garanhuns (UAG) da UFRPE entre os anos de 2018 e 2019.

Para ter acesso à produção acadêmica da Universidade Federal do Agreste Pernambucano (UFAPE) a partir de 2020 CLIQUE AQUI.

Navegar

Filtros

20191

Configurações

Autor: search.filters.author.Silva, José Kellison de AlmeidaAssunto: search.filters.subject.Sistema de Posicionamento Global

Resultados da Pesquisa

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Sistema de gestão para localização indoor utilizando Wifi Fingerprints e Machine Learning
    (2019-07-17T03:00:00Z) Silva, José Kellison de Almeida; Santana, Alixandre Thiago Ferreira de; Pereira, Luis Filipe Alves; http://lattes.cnpq.br/7320714889983490; http://lattes.cnpq.br/3283294973534606; http://lattes.cnpq.br/6271011367469780
    Soluções de software que são dependentes do sinal do Sistema de Posicionamento Global (GPS) podem não apresentar uma boa precisão em espaços fechados ou indoor (shoppings, aeroportos, complexos comerciais etc.), pois as variações do sinal são capazes de inviabilizar seu uso. Este trabalho tem como objetivo implementar uma solução de gestão de localização indoor utilizando sinais de redes sem fio locais para predizer a posição de um usuário. Para tanto, a solução utiliza WiFi fingerprints captados por aparelhos celulares com sistema operacional Android, para construir bases de instâncias representando posições reais de um usuário coletadas em um dos prédios da Universidade Federal Rural de Pernambuco - Unidade Acadêmica de Garanhuns. O aplicativo móvel determina a posição do usuário e uma ferramenta web de gestão de localidades de produtos permite a inserção de pontos de interesse do usuário no mapa indoor. Para completar o processo, o aplicativo móvel realiza a plotagem de um vetor da posição predita do usuário até a posição de um objeto específico de destino compondo assim uma solução completa e funcional de rotas indoor. Os algoritmos utilizados para predição da posição do usuário foram o random forest, multi layer perceptron e Adaboost. Ao final dos experimentos, o melhor resultado de localização indoor foi obtido com o Adaboost, apresentando um erro médio de pouco menos de 1 metro em relação à posição real e 98,64% dos resultados se apresentando dentro de uma margem de erro aceitável (até 2 metros).