Navegando por Assunto "LoRa"

Agora exibindo 1 - 2 de 2

Acesso aberto (Open Access)
Aplicação de redes neurais artificiais para predição de RSSI e SNR em ambiente de bosque amazônico
(Universidade Federal do Pará, 2024-06-11) BARBOSA, Brenda Silvana de Souza; ARAÚJO, Jasmine Priscyla Leite de; http://lattes.cnpq.br/4001747699670004; https://orcid.org/0000-0003-3514-0401; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609
A presença de áreas verdes em cidades urbanizadas é crucial para reduzir os impactos negativos da urbanização. No entanto, essas áreas podem influenciar a qualidade do sinal de dispositivos IoT que utilizam comunicação sem fio, como a tecnologia LoRa. A vegetação atenua as ondas eletromagnéticas, interferindo na transmissão de dados entre dispositivos IoT, resultando na necessidade de modelagem de propagação de sinal que considere o efeito da vegetação em sua propagação. Neste contexto, esta pesquisa foi conduzida na Universidade Federal do Pará, utilizando medições em um ambiente arborizado composto pela espécie Pau-Mulato, típica da Amazônia. Dois modelos de propagação baseados em aprendizado de máquina, GRNN e MLPNN, foram desenvolvidos para considerar o efeito das árvores amazônicas na propagação, analisando diferentes fatores, como a altura do transmissor em relação ao tronco, o início da folhagem e o meio da copa da árvore, bem como o fator de espalhamento LoRa (SF) 12 e a copolarização das antenas do transmissor e do receptor. Os melhores modelos foram os de aprendizado de máquina, GRNN e MLPNN, que demonstraram maior precisão, alcançando valores de erro quadrático médio (RMSE) de 3,86 dB e 3,8614 dB, e desvio padrão (SD) de 3,8558 dB e 3,8564 dB, respectivamente. Por outro lado, comparando com modelos clássicos da literatura, o que teve melhor desempenho foi o modelo Floating Intercept (FI), com erro RMSE e SD em torno de 7,74 dB e 7,77 dB, respectivamente, enquanto o modelo FITU-R teve o maior erro RMSE e SD, em torno de 26,40 dB e 9,65 dB, respectivamente, para todas as alturas e polarizações. Além disso, a importância deste estudo reside em seu potencial para impulsionar as comunicações sem fio em ambientes arborizados, uma vez que, mesmo em distâncias curtas nas alturas de 12 m e 18 m, o SNR (relação sinal ruído) teve valores mais baixos devido à influência das folhagens, porém, foi possível enviar e receber dados. Por fim, foi mostrado que a polarização vertical foi a que obteve os melhores resultados para o ambiente de bosque amazônico
Acesso aberto (Open Access)
Estimação de descarga de dispositivo IoT usando deep learning com otimização NSGA-II
(Universidade Federal do Pará, 2024-02-28) MACEDO, Wilson Antonio Cosmo; BARROS, Fabrício José Brito; http://lattes.cnpq.br/9758585938727609
O aumento das aplicações de redes IoT (Internet das Coisas) destaca a necessidade de otimizar a gestão de energia nestes sistemas, pois a eficiência energética é crucial para a adaptabilidade das implementações que referem-se à IoT. Este estudo analisa as curvas de descarga de uma bateria recarregável em um contexto de rede IoT que utiliza comunicação LoRa (Long Range) e vários sensores, com o objetivo de gerar múltiplas curvas de descarga para estimar o comportamento da bateria nesse cenário. Essas curvas foram utilizadas para treinar uma Rede Neural Artificial (RNA) de várias camadas, implementando técnicas de Deep Learning, na qual a arquitetura da RNA foi delineada usando o algoritmo de Otimização Multiobjetivo NSGA-II (Non-dominated Sorting Genetic Algorithm II), o que resultou em modelos com capacidade de estimar o tempo de descarga da bateria ao analisar um segmento do processo de descarga observado pelo modelo com erro médio quadrático de aproximadamente dois minutos para o modelo mais eficiente encontrado. Este resultado representa uma margem muito positiva, visto que a extensão dos testes de descarga são de até aproximadamente setenta e uma horas e a taxa de amostragem de coleta dos dados é de um minuto.