000			nam a22 7a 4500
999			_c47791 _d47791
005			20221201083706.0
008			220929e2022 ck ao||fsm||| 00| 0 spa d
040			_aCO-NeUS _bspa _erda
041			_aspa
100	1		_9152666 _aPastrana Ardila, Juan Sebastián _eaut
245	1	0	_aEstudio de viabilidad de un sistema de localización en zona rural del departamento del Huila basado en la intensidad de señal recibida en una red Lpwan / _cJuan Sebastián Pastrana Ardila, Luis Daniel Valencia García; Director Martín Diomedes Bravo Obando
256			_aDatos electrónicos (1 archivos:7091 MG)
264	1		_aNeiva: _bUniversidad Surcolombiana, _c2022
300			_a1 CD-ROM (90 páginas); _bdiagramas, fotografías, ilustraciones en general, tablas o cuadros; _c12 cm
336			_2rdacontent _atxt _btxt
337			_2rdamedia _ac _bcd
338			_2rdacarrier _acd _bcd
347			_2rda _atexto _bpdf
502			_aTesis _bIngeniero Electrónico _cUniversidad Surcolombiana. Facultad de Ingeniería. Ingeniería Electrónica. _d2022
505			_aIntroducción -- Objetivos, general, específicos -- Antecedentes -- Capítulo uno: Fundamentos básicos, redes Lpwan, LoRa, Machine learning y deep learning, máquinas de soporte vectorial, los K-vecinos más cercanos, árbol de decisión, clasificador bayesiano ingenuo, redes neuronales artificiales.-- Capítulo dos: Configuración de red lora, dispositivos utilizados, Dragino Lora Shield, Lg01 Lora Gateway, entorno arduino ide y librería radiohead rf95, algoritmo de envío y recepción de localización, implementación de red y adquisición niveles Rssi, recolección y filtrado de datos. -- Capítulo tres: Desarrollo de modelo, Python procesamiento de datos, cargas de datos, escalado de características: Normalización estándar, división de datos: entrenamiento y prueba, entrenamiento de modelos, optimización hiperparámetros: búsqueda en cuadrilla, métricas de rendimiento, modelos machine learning, redes neuronales profundas, escalado de características: Función minmax, arquitectura, smote, función de activación, entrenamiento de red neuronal -- Resultados y discusiones, selección de mejores modelos, reportes de clasificación, matriz de confusión -- Conclusiones y recomendaciones
520			_a"En este trabajo se implementó una red LPWAN basada en tecnología LoRa en un conjunto residencial del corregimiento La Ulloa en el municipio de Rivera, este fue dividido en zonas para realizar envío de mensajes y adquirir niveles de intensidad de señal en cada zona para ser utilizados posteriormente con el fin de estimar la ubicación de un nodo LoRa dentro de la zona cubierta por la red mediante el uso de un algoritmo de “Machine Learning” entrenado con estos niveles. Una finalidad importante en este trabajo es la estimación de localización a partir del nivel de intensidad de señal recibida (RSSI) en las puertas de enlace LoRa, con el objetivo de discriminar la zona dentro de la red a la cual corresponde los niveles de intensidad obtenidos mediante el uso de algoritmos de clasificación, estos basan la estimación a partir de análisis probabilístico, a diferencia de trabajos previos donde se implementan algoritmos de regresión basados en análisis estadístico, replicando la técnica de estimación de huella digital del RSSI, se implementaron los algoritmos de Machine Learning para multiclasificación de máquina de soporte vectorial, los k-vecinos más cercanos, arboles de decisión red neuronal, se comparan los resultados de las predicciones obtenidas, determinando la red neuronal como el algoritmo más eficiente para esta localización basada en RSSI. Finalmente se evalúa el rendimiento del modelo de red neuronal con más detalle mediante la matriz de confusión, analizando las posibles fuentes de error, finalmente se proponen mejoras a este tipo de implementaciones para trabajos futuros."
700	1		_9152667 _aValencia García, Luis Daniel _eaut
700	1		_932341 _aBravo Obando, Martín Diomedes, _edrt
082	0	4	_221 _aTh IE 0380
650		0	_9152668 _aIngeniería Electrónica _xSistema de Comunicación
650		0	_9152670 _aAprendizaje de máquina _xModelamiento
942			_2Local _cCD _hTh IE 0380 _kTh