1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Electricidad y Computación
4. Tesis de Telecomunicaciones

Título :	Localización de Sensores Inalámbricos en Agricultura Inteligente basado en Aprendizaje de Máquina
Autor :	Ramos Sánchez, Boris, Director Portocarrero Ramón, Marcos Andrés Romero Castro, Andrés Eduardo
Palabras clave :	Localización Sensor Machine Learning Inalámbrico
Fecha de publicación :	2024
Editorial :	ESPOL.FIEC
Citación :	Portocarrero Ramón, M. A. y Romero Castro, A. E. (2024). Localización de Sensores Inalámbricos en Agricultura Inteligente basado en Aprendizaje de Máquina. [Proyecto Integrador]. ESPOL.FIEC .
Descripción :	El Grupo de Investigación de Redes de información Inalámbricas (GIRNI) realiza estudios en una granja experimental (GEA) ubicada en ESPOL, utilizando nodos inalámbricos con sensores, los cuales están ubicados dentro del perímetro de las plantaciones, aunque dicha ubicación actualmente sea estática, se planea el desplazamiento de estos sensores. Como método para localizar los sensores se ha implementado un código de localización por estimación de distancia, junto con algoritmos de Deep Learning para predecir su ubicación y corregir errores en la estimación. Los modelos de estimación utilizados fueron Artificial Neural Networks (ANN) y Long Short-Term Memory (LSTM), luego como método de validación de los modelos implementados se ha utilizado K-Fold Cross-Validation. Tras ejecutar el programa y obtener el set de resultados ya corregidos por el método de validación propuesto, se obtiene una aproximación bastante precisa de la ubicación de los nodos, validando la implementación de los algoritmos como alternativa eficiente para la localización de los sensores. Palabras Clave: Localización, Sensor, Machine Learning, Inalámbrico
metadata.dc.description.abstractenglish:	The GIRNI (Grupo de Investigación de Redes de información Inalámbricas) carries out wireless investigation in an experimental farm (GEA) located in ESPOL using wireless nodes equipped with sensors, these nodes are located within the perimeter of the plantations, the location of the nodes is currently static, however, the displacement of these sensors is planned. As a method to locate the sensors, a localization-based on distance code have been implemented, along with deep learning algorithms to predict the location of the sensors and correct errors in the estimation. The estimation models used were Artificial Neural Networks (ANN) and Long Short-Term Memory (LSTM), after that, as a validation method, K-Fold Cross-Validation was used for the implemented models. After running the program and obtaining the set of results already corrected by the validation method, a precise approximation of the nodes? location is obtained, validating the implementation of the algorithms as an efficient alternative for locating the sensors. Keywords: Location, sensors, Machine Learning, Wireless
URI :	http://www.dspace.espol.edu.ec/handle/123456789/62202
metadata.dc.identifier.codigoproyectointegrador:	INGE-2511
Aparece en las colecciones:	Tesis de Telecomunicaciones

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.