Ir para o conteúdo PPGCC Ir para o menu PPGCC Ir para a busca no site PPGCC Ir para o rodapé PPGCC
  • Acessibilidade
  • Sítios da UFSM
  • Área restrita

Aviso de Conectividade Saber Mais

Início do conteúdo

Defesa de Dissertação – 25/10 – Localização de Nodos em Redes de Sensores Sem Fio Utilizando Redes Neurais Artificiais e Metaheurísticas



Título: Localização de Nodos em Redes de Sensores Sem Fio Utilizando Redes Neurais Artificiais e Metaheurísticas


Aluno:
Stephan Hermes Chagas

Orientador: João Baptista dos Santos Martins


Banca Examinadora:

Prof. Dr. Joao Baptista dos Santos Martins – Presidente – Orientador ;

Prof. Dr. Leonardo Londero de Oliveira ;

Prof. Dr. Rolf Fredi Molz ;

Prof. Dr. Giovani Baratto (Suplente) ;

 


Local e data:
Sala 321, dia 25/10/2012 (qui) às 14:00 horas

Resumo:
Localização de nodos em redes de sensores sem fio (RSSF) tem importância em diversas aplicações, tais como monitoramento ambiental, robótica, vigilância militar, automação residencial, rastreamento de animais e muitas outras. A percepção da posição espacial pelos elementos da rede é um tema importante uma vez que os dados transmitidos/recebidos pelos nodos podem tornar-se inúteis se desprovidos dessa informação. Este procedimento é especialmente delicado quando a aplicação tem fortes restrições de energia, o que é situação comum em aplicações de RSSF. O uso de abordagens sem GPS é, então, necessário para fornecer um sistema de baixo custo e energeticamente eficiente. Métodos que usam informação indireta tal como RSSI (do inglês, Received Signal Strength Indicator) são utilizados para este tipo de aplicação. Este trabalho apresenta uma abordagem para o problema de localização de nodos em RSSF utilizando Redes Neurais Artificiais (RNAs) com estruturas otimizadas através das metaheurísticas Algoritmos Genéticos (AGs) e Simulated Annealing (SA). No AG, uma população composta por diversas RNAs é criada inicialmente, na qual cada indivíduo tem suas características estruturais principais codificadas em um código genético. A cada geração, os indivíduos são avaliados através do treinamento das RNAs e posterior cálculo da raiz do erro quadrático médio (REQM) para todo o conjunto de teste. De forma similar, a otimização é realizada com SA para melhorias sucessivas em um indivíduo (estrutura da RNA).

Uma abordagem utilizando a concatenação de duas RNAs também foi proposta. Uma rede tem sua estrutura otimizada e parâmetros treinados para determinar a posição dos nodos e, em sequência, uma rede auxiliar é utilizada para corrigir o erro da primeira.

Em todos os estudos, as medições de RSSI foram utilizadas como entradas para as RNAs visando localizar nodos. Os métodos foram testados usando o simulador de redes sem fio probabilístico chamado Prowler, que é baseado no software MatLab, para coletar os dados de entrada de um ambiente de rede estático interno. O ambiente de testes foi de 26×26 metros com quantidade e posições variadas para os âncoras, i.e., nodos com percepção de suas posições. Simulações com diferente número de nodos-treino também foram realizados. As ferramentas de algoritmos genéticos e RNAs do MatLab foram utilizadas.

O melhor resultado obteve REQM de 0,23 metro, um erro máximo de 0,65 metro e um erro mínimo de 0,014 metro, utilizando 3 nodos-âncora e 64 nodos-treino.

 

 


Publicações Recentes