Please use this identifier to cite or link to this item: https://repository.ufrpe.br/handle/123456789/1510
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSantana, Alixandre Thiago Ferreira de-
dc.contributor.authorSilva, José Kellison de Almeida-
dc.date.accessioned2019-09-12T19:28:46Z-
dc.date.available2019-09-12T19:28:46Z-
dc.date.issued2019-07-17-
dc.identifier.citationSILVA, José Kellison de Almeida.Sistema de gestão para localização indoor utilizando Wifi Fingerprints e Machine Learning. 2019. 62 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Unidade Acadêmica de Garanhuns, Universidade Federal Rural de Pernambuco, Garanhuns, 2019.pt_BR
dc.identifier.urihttps://repository.ufrpe.br/handle/123456789/1510-
dc.descriptionSoluções 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).pt_BR
dc.description.abstractSoftware solutions that are dependent on the Global Positioning System (GPS) signal may not display good accuracy in indoor spaces (malls, airports, commercial complexes, etc.), as the signal variations are likely to make it unreliable. This work aims to implement an indoor location management solution using signals from local wireless networks to predict the position of a user. To do so, the solution uses WiFi fingerprints, captured by mobile devices with Android operating system, to build bases of instances representing real positions of a user collected in one of the Federal Rural University of Pernambuco - Academic Unit of Garanhuns (UFRPE - UAG) buildings. The mobile application determines the user’s position and a product location management web tool allows the insertion of user points of interest on the indoor map. To complete the process, the mobile application plots a vector from the predicted position of the user to the position of a specific target object, thus composing a complete and functional solution of indoor routes. The algorithms used to predict the position of the user were random forest, multi layer perceptron and Adaboost. The best indoor localization result was obtained with Adaboost, presenting an average error just under 1 meter from the actual position and 98.64% of the results were under an acceptable margin of error (up to 2 meters).pt_BR
dc.format.extent62 f.pt_BR
dc.language.isoporpt_BR
dc.rightsopenAccesspt_BR
dc.rightsAtribuição-NãoComercial-CompartilhaIgual 4.0 Internacional (CC BY-NC-SA 4.0)pt_BR
dc.rightshttps://creativecommons.org/licenses/by-nc-sa/4.0/deed.pt_BRpt_BR
dc.rightsopenAccesspt_BR
dc.rightsopenAccesspt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectSistema de Posicionamento Globalpt_BR
dc.subjectBanco de dadospt_BR
dc.titleSistema de gestão para localização indoor utilizando Wifi Fingerprints e Machine Learningpt_BR
dc.typebachelorThesispt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/6271011367469780pt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3283294973534606pt_BR
dc.contributor.advisor-coPereira, Luis Filipe Alves-
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/7320714889983490pt_BR
dc.degree.levelGraduacaopt_BR
dc.publisher.countryBrasilpt_BR
dc.degree.localGaranhunspt_BR
dc.degree.grantorUniversidade Federal Rural de Pernambucopt_BR
dc.degree.graduationBacharelado em Ciência da Computaçãopt_BR
dc.degree.departamentUAGpt_BR
Appears in Collections:TCC - Bacharelado em Ciência da Computação (UAG)

Files in This Item:
File Description SizeFormat 
tcc_josékellisondealmeidasilva.pdf2,09 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.