Εμφάνιση απλής εγγραφής

Καταμέτρηση αριθμού ατόμων σε εσωτερικό χώρο με χρήση ανίχνευσης WiFi και μηχανικής μάθησης

dc.contributor.advisorPatrikakis, Charalampos
dc.contributor.authorΣπανακάς, Ιωάννης
dc.date.accessioned2024-07-30T08:41:50Z
dc.date.available2024-07-30T08:41:50Z
dc.date.issued2024-07-24
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/7261
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-7093
dc.description.abstractΣτην εκπονηθείσα διπλωματική εργασία παρουσιάζεται ένα σύστημα ανίχνευσης αριθμού ατόμων σε εσωτερικό χώρο με χρήση της τεχνολογίας WiFi Sensing και εφαρμογή αλγορίθμων μηχανικής και βαθιάς μάθησης. Συγκεκριμένα, διερευνήθηκε η προαναφερθείσα τεχνολογία, μελετήθηκαν αλγόριθμοι μηχανικής μάθησης που επιλύουν τέτοιου είδους προβλήματα και υλοποιήθηκε το σύστημα ανίχνευσης αριθμού ατόμων σε εσωτερικό χώρο. Κατά την υλοποίηση του συστήματος αναπτύχθηκαν και εφαρμόστηκαν δύο υπό – συστήματα, ένα για την καταμέτρηση του πραγματικού αριθμού ατόμων και ένα για την καταγραφή των πληροφοριών του καναλιού επικοινωνίας. Στη συνέχεια, θεσπίστηκε το σετ δεδομένων εκπαίδευσης για αριθμό πέντε ατόμων και αφού επεξεργάστηκε και τιτλοφορήθηκε, τροφοδοτήθηκε σε τέσσερις αλγορίθμους μηχανικής μάθησης για τρία σενάρια. Το πρώτο σενάριο αφορά την ανίχνευση παρουσίας, το δεύτερο την ανίχνευση πληρότητας και το τρίτο την ανίχνευση του ακριβούς αριθμού ατόμων στο χώρο. Έπειτα, επιλέχθηκε ο αλγόριθμος με την καλύτερη απόδοση, και οι προβλέψεις του, για τα τρία σενάρια, τροφοδοτήθηκαν σε ένα μετά μοντέλο μηχανικής μάθησης, ώστε να επιτευχθούν υψηλότερα ποσοστά πρόβλεψης για το σενάριο ανίχνευσης του αριθμού ατόμων. Τέλος, η εκπαίδευση του καλύτερου αλγορίθμου, για τα μοντέλα των τριών σεναρίων, και του μετάμοντέλου, αξιολογήθηκε εξάγοντας προβλέψεις σε δύο άλλους εσωτερικούς χώρους. Τα αποτελέσματα των μοντέλων έδειξαν ότι η παραμετροποίηση των συστημάτων διαφέρει ανά χώρο μελέτης και η καταμέτρηση αριθμού ατόμων με την προσέγγιση που εκπονήθηκε, μπορεί να επιτευχθεί ξεχωριστά για κάθε προφίλ χώρου και όχι γενικά για όλους τους εσωτερικούς χώρους.el
dc.format.extent112el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.subjectΑνίχνευση WiFi σημάτωνel
dc.subjectΜηχανική μάθησηel
dc.subjectΑισθητήρεςel
dc.subject802.11el
dc.subjectΠρωτόκολλο 802.11axel
dc.subjectΑλγόριθμοιel
dc.subjectΣυστήματα ασύρματων επικοινωνιώνel
dc.subjectΑνάλυση δεδομένωνel
dc.subjectMachine learningel
dc.subjectDeep learningel
dc.subjectSensorsel
dc.subjectAlgorithmsel
dc.subjectWireless communicationel
dc.subjectData analysisel
dc.titleΚαταμέτρηση αριθμού ατόμων σε εσωτερικό χώρο με χρήση ανίχνευσης WiFi και μηχανικής μάθησηςel
dc.title.alternativeIndoor people counting with WiFi sensing using machine learningel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeΠαπαδόπουλος, Περικλής
dc.contributor.committeeTatlas, Nicolas Alexander
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικώνel
dc.description.abstracttranslatedIn this thesis, a system for detecting the number of people in an indoor environment, using WiFi Sensing technology and machine and deep learning algorithms, is presented. In particular, a research was set upon the aforementioned technology and the machine learning algorithms that solve classification problems, and the system for the detection of the number of people in an indoor environment was implemented. During the implementation of the system, two sub systems were developed, one for counting the actual number of people and one for recording the channel state information. Next, the training dataset was established, for a number of five people and after being processed and labeled, it was fed into for machine learning algorithms for three scenarios. The first scenario was for presence detection, the second was for occupancy detection and the third was for detecting the exact number of people in a room. Then, the best performing algorithm was selected, and its predictions, for the three scenarios, were fed into a deep learning meta-model, in order to achieve higher prediction scores for the scenario of the number of people detection. Finally, thetraining of the best algorithm, for the models of the three scenarios, and the meta-model, was evaluated by extracting predictions into two other indoor environments. The results of the models showed that the configuration of the systems differs per study case, and that counting the number of people, with the approach developed, can be achieved separately for each indoor space profile and not generally for all interiors.el


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές