Por favor, use este identificador para citar o enlazar este ítem:
http://www.dspace.espol.edu.ec/handle/123456789/67385| Título : | Desarrollo de un modelo de aprendizaje profundo para la estimación de coordenadas GPS, utilizando metadatos del proceso de comunicación basado en el protocolo LoRaWAN |
| Autor : | Vera Méndez, Nelson Vicente Realpe Robalino, Miguel Andrés, Director |
| Palabras clave : | Desarrollo Modelo Aprendizaje profundo Coordenadas GPS Metadatos Protocolo LoRaWAN Proceso de comunicación |
| Fecha de publicación : | 2025 |
| Editorial : | ESPOL.FIEC |
| Citación : | Vera Méndez N.V.(2025). Desarrollo de un modelo de aprendizaje profundo para la estimación de coordenadas GPS, utilizando metadatos del proceso de comunicación basado en el protocolo LoRaWAN [Proyecto de Titulación] Escuela Superior Politécnica del Litoral |
| Resumen : | CONDITION FOR PUBLICATION OF PROJECT. |
| Descripción : | CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Esta investigación aborda el desafío de la localización de dispositivos en espacios abiertos que se comunican de manera inalámbrica a través de redes LoRaWAN. Tradicionalmente, se emplea la tecnología GPS para la geolocalización; sin embargo, su uso implica la adición de un recurso adicional, lo cual puede elevar los costes. Por ello, se propone aprovechar la propia señal de comunicación de los dispositivos para fines de geolocalización, lo que reduce gastos y, además, ofrece versatilidad al ser una solución independiente de plataformas externas. Se desarrolló un modelo de aprendizaje profundo basado en Redes Neuronales de Grafos (GNN) para estimar coordenadas GPS, utilizando metadatos generados durante la comunicación LoRaWAN —como RSSI e información proporcionada por los gateways—. La propuesta presenta una metodología que combina métodos basados en datos—como técnicas de aprendizaje automático—con métodos teóricos fundamentados en los principios de propagación de ondas. Además, integra un enfoque mixto que reúne ambos paradigmas, aprovechando los principios físicos y las técnicas de aprendizaje automático para capturar y modelar el ruido. Esto permite equilibrar y ampliar los conjuntos de datos de manera eficiente, seleccionando y adaptando el método más adecuado para cada gateway. El estudio emplea algoritmos de clusterización como Clustering Difuso o Fuzzy C-Means (FCM), Clustering Sustractivo y Clustering Subjetivo para analizar y estructurar los datos. Los resultados destacan la efectividad del método híbrido, especialmente en gateways con mayor cantidad de datos disponibles para el desarrollo de la metodología propuesta, logrando un equilibrio entre precisión y eficiencia. Además de ser una solución para la estimación de coordenadas GPS en entornos con cobertura LoRaWAN, esta investigación ofrece un marco para optimizar la caracterización de la propagación de señales en escenarios de exteriores. El enfoque planteado aborda de manera eficiente las limitaciones inherentes a datos escasos y desbalanceados. Además, ofrece soluciones escalables para aplicaciones futuras que demanden una caracterización avanzada de la propagación de señales, incluyendo la geolocalización inteligente como una de sus principales aplicaciones, así como la reducción de interferencias, la optimización de la calidad del servicio y el diseño eficiente de redes inalámbricas. |
| URI : | http://www.dspace.espol.edu.ec/handle/123456789/67385 |
| Aparece en las colecciones: | Tesis de Maestría en Ciencias de la Computación |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| T-115508 POSTG161 VERA NELSON.pdf | 19.08 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.