Predicción RSSI impulsada por sensores a través del aprendizaje automático adaptativo y la detección ambiental

Área de la Ciencia:

• Comunicaciones inalámbricas
• Aprendizaje automático
• Detección del medio ambiente

Sus antecedentes:

• La predicción del indicador de fuerza de la señal recibida (RSSI) es vital para la planificación, optimización y gestión eficiente de la transferencia de la red.
• Los modelos tradicionales de pérdida de trayectoria ofrecen una base teórica, pero luchan con interacciones ambientales complejas.
• El aprendizaje automático presenta un enfoque basado en datos para mejorar el rendimiento de la red inalámbrica.

Objetivo del estudio:

• Proponer un marco de aprendizaje automático adaptativo para la predicción de RSSI.
• Para integrar los parámetros de detección del medio ambiente (temperatura, humedad, presión, partículas) en la predicción de RSSI.
• Evaluar el impacto de los factores ambientales en la precisión de las predicciones de RSSI.

Principales métodos:

• Desarrolló un marco de aprendizaje automático adaptativo para la predicción de RSSI.
• Datos de detección del entorno incorporados (temperatura, humedad relativa, presión barométrica y partículas).
• Comparó el modelo propuesto con los modelos de referencia utilizando métricas de rendimiento como la varianza explicada y el error cuadrado de la raíz media.

Principales resultados:

• Los valores RSSI están influenciados por factores ambientales a través de interacciones complejas y no lineales.
• El modelo propuesto mostró un aumento del 6,02% en la varianza explicada en comparación con un modelo de referencia sin datos ambientales.
• Se observó un aumento del 2,04% en la varianza explicada y una reducción del error cuadrado de la raíz media a 1,40 dB cuando se incluyeron los parámetros ambientales.

Conclusiones:

• Los factores ambientales tienen un impacto significativo en la predicción de RSSI, desafiando las suposiciones lineales de los modelos tradicionales.
• Los métodos cognitivos que integran datos ambientales mejoran sustancialmente la precisión de las predicciones de RSSI.
• El marco propuesto ofrece una mayor precisión para la planificación y optimización de redes inalámbricas.