Redução de Dimensionalidade Aplicada a Sistemas de Radiolocalização por Regressão Direta em Regiões com Diferentes Níveis de Urbanização

  • Gabriel W. A. Silva UFPE
  • Daniel C. Cunha UFPE

Resumo


Este trabalho analisa a aplicação do método de localização por regressão direta (LRD) em duas regiões com diferentes níveis de urbanização, além de abordar o efeito da redução de dimensionalidade, por meio de algoritmos de extração de características (AECs), na acurácia e nos tempos de execução do método de radiolocalização. Resultados experimentais mostraram que o erro médio de predição do método LRD diminuiu em função do aumento do conjunto de treinamento na região com maior nível de urbanização. Adicionalmente, o AEC KPCA com núcleo Sigmóide proporcionou uma diminuição aproximada de sete vezes no tempo de treinamento e de cerca de quatro vezes no tempo de predição do método LRD sem prejudicar sua acurácia.

Palavras-chave: Radiolocalização, regressão, extração de características, tempo de execução

Referências

Anagnostopoulos, G. G. and Kalousis, A. (2019). A reproducible analysis of RSSI fingerprinting for outdoor localization using Sigfox: Preprocessing and hyperparameter tuning. In 2019 Int. Conf. on Indoor Positioning and Indoor Navigation (IPIN), pages 1–8.

Anatel (2021). Technical report, ANATEL – Agência Nacional de Telecomunicações. Acessado em 14 de maio de 2021.

Anowar, F., Sadaoui, S., and Selim, B. (2021). Conceptual and empirical comparison of dimensionality reduction algorithms (PCA, KPCA, LDA, MDS, SVD, LLE, ISOMAP, LE, ICA, t-SNE). Comput Sci Rev, 40:100378.

FCC (2010). Second Report and Order on Wireless E911 Location Accuracy Requirements. Technical report, Federal Communications Commission, Washington-US. Rep. 10-176.

Feurer, M. and Hutter, F. (2019). Hyperparameter Optimization. In Automated Machine Learning, pages 3–33. Springer, Cham.

Hackeling, G. (2014). Mastering Machine Learning With Scikit-Learn. Packt Publishing.

Mahdavinejad, M. S., Rezvan, M., Barekatain, M., Adibi, P., Barnaghi, P., and Sheth, A. P. (2018). Machine learning for Internet of Things data analysis: a survey. Digit Commun Netw, 4(3):161–175.

Neto, A. C. and Levada, A. L. M. (2020). Isomap-KL: a parametric approach for unsupervised metric learning. In 2020 33rd SIBGRAPI Conf. on Graphics, Patterns and Images (SIBGRAPI), pages 287–294.

Oliveira, L. L., Jr., L. A. O., Silva, G. W. A., Timoteo, R. D. A., and Cunha, D. C. (2019). An RSS-based regression model for user equipment location in cellular networks using machine learning. Wireless Netw, 25:4839–4848.

Qi, G., Jin, Y., and Yan, J. (2018). RSSI-based floor localization using principal component analysis and ensemble extreme learning machine technique. In 2018 IEEE 23rd Int. Conf. on Digital Signal Processing (DSP), pages 1–5.

Refaeilzadeh, P., Tang, L., and Liu, H. (2009). Cross-Validation. Springer US, Boston, MA.

Shafique, K., Khawaja, B. A., Sabir, F., Qazi, S., and Mustaqim, M. (2020). Internet of Things (IoT) for next-generation smart systems: A review of current challenges, future trends and prospects for emerging 5G-IoT scenarios. IEEE Access, 8:23022–23040.

Yousaf, M., Khan, M. S. S., Rehman, T. U., Ullah, S., and Li, J. (2021). NRIC: A noise removal approach for nonlinear isomap method. Neural Process. Lett., 53(3):2277–2304.
Publicado
31/07/2022
SILVA, Gabriel W. A.; CUNHA, Daniel C.. Redução de Dimensionalidade Aplicada a Sistemas de Radiolocalização por Regressão Direta em Regiões com Diferentes Níveis de Urbanização. In: WORKSHOP EM DESEMPENHO DE SISTEMAS COMPUTACIONAIS E DE COMUNICAÇÃO (WPERFORMANCE), 21. , 2022, Niterói. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 1-12. ISSN 2595-6167. DOI: https://doi.org/10.5753/wperformance.2022.222508.