Artificial neural networks applied to the problem of location in indoor environments

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2009.Essa dissertação aborda o problema da localização em ambientes fechados baseada em técnicas de redes neurais artificiais. Nesse sistema, a informação da intensidade do sinal recebido (RSSI) disponibilizada por interfaces de rede sem fio padrão é a base para a previsão de localização de dispositivos móveis. Métodos tradicionais de localização indoor possuem diversas características indesejáveis, tais como dificuldade de implementação, pouca flexibilidade (não permitem a utilização da infra-estrutura presente no local sem grandes alterações na disposição de APs), número elevado de parâmetros e alto custo computacional. Foram realizadas implementações de algoritmos tradicionais de localização (Algoritmo do Vizinho mais Próximo), métodos baseados em Redes Neurais Multicamadas (Perceptron MLP) e mapas auto-organizáveis de Kohonen. Conclui-se que esta última implementação (Kohonen) é capaz de prover resultados significativamente superiores àqueles obtidos em estudos recentes de localização indoor. _______________________________________________________________________________ ABSTRACTThis thesis addresses the indoor location problem using on artificial neural networks-based techniques. In this system, the received signal strength information (RSSI) provided by standard network wireless interfaces are the basis for mobile device's location prediction. Traditional methods of indoor location have several undesirable characteristics, such as implementation difficulties, lack of flexibility (requiring APs specific position), high number of parameters and high computational cost. Traditional indoor location algorithms such as the Nearest Neighbor Algorithm were compared to methods based on Multilayer Neural Networks (Perceptron MLP) and the Kohonen self-organized map. We conclude that the Kohonen's implementation is able to provide significantly better results (less errors, faster localization) than those obtained in recent studies of indoor localization