Evaluar de forma cuantitativa el potencial de las técnicas de Inteligencia Artificial en la localización de dispositivos mediante Información del Estado de Canal (CSI)

En décadas recientes, la tecnología ha generado creciente interés en la utilización de técnicas de Inteligencia Artificial (IA) en múltiples áreas de investigación que contribuyan en dar solución a problemas latentes en la actualidad. Uno de ellos es mejorar la exactitud de la localización de los dispositivos que hacen uso de redes inalámbricas, específicamente a través de la información de la Respuesta en Frecuencia del Canal (CFR). Si bien existen métodos convencionales para este fin, incluido el ampliamente utilizado GPS, resultan ser poco eficientes en términos de precisión sobre todo en entornos interiores. Es por esta razón que el presente trabajo de titulación toma relevancia y busca una mejora significativa empleando técnicas de IA. Para alcanzar este objetivo, se inicia con una investigación de las técnicas de localización existentes y su eficacia en diversas condiciones de señal y entornos, esto con la finalidad de conocer cuáles son las limitaciones actuales existentes. Posteriormente, se procede con el análisis de la base de datos, la cual contiene características representadas en forma de matrices CFR. Estas matrices son muestras con información detallada del estado del canal inalámbrico 5G de una oficina, y se complementan con etiquetas que contienen las coordenadas tridimensionales de la ubicación del dispositivo, donde fueron tomadas dichas muestras. Finalmente, se lleva a cabo la predicción del posicionamiento de dispositivos abordando la implementación de algoritmos de Machine Learning (ML) supervisado de regresión tradicionales, tales como Regresión Lineal (LR) y Árbol de Regresión (RT). Asimismo, se contempla el uso de Redes Neuronales Profundas (DNN) y de Redes Neuronales Convolucionales (CNN), cubriendo así la parte de DL (Deep Learning) para aprovechar la correlación existente en las matrices CFR y mejorar la precisión del posicionamiento de dispositivos en términos de la Raíz del Error Cuadrático Medio (RMSE).

• 第一著者: Flores Proaño, James Marshall (author)
• その他の著者: Logroño López, Kevin Alexis (author)
• フォーマット: bachelorThesis
• 出版事項: 2024
• 主題: POSICIONAMIENTO; RESPUESTA EN FRECUENCIA DEL CANAL; MACHINE LEARNING; DEEP LEARNING; RAÍZ DEL ERROR CUADRÁTICO MEDIO.
• オンライン･アクセス: https://repositorio.espe.edu.ec/handle/21000/40573