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

Σπανακάς, Ιωάννης

dc.contributor.advisor	Patrikakis, Charalampos
dc.contributor.author	Σπανακάς, Ιωάννης
dc.date.accessioned	2024-07-30T08:41:50Z
dc.date.available	2024-07-30T08:41:50Z
dc.date.issued	2024-07-24
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7261
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7093
dc.description.abstract	Στην 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.extent	112	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/	*
dc.subject	Ανίχνευση WiFi σημάτων	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Αισθητήρες	el
dc.subject	802.11	el
dc.subject	Πρωτόκολλο 802.11ax	el
dc.subject	Αλγόριθμοι	el
dc.subject	Συστήματα ασύρματων επικοινωνιών	el
dc.subject	Ανάλυση δεδομένων	el
dc.subject	Machine learning	el
dc.subject	Deep learning	el
dc.subject	Sensors	el
dc.subject	Algorithms	el
dc.subject	Wireless communication	el
dc.subject	Data analysis	el
dc.title	Καταμέτρηση αριθμού ατόμων σε εσωτερικό χώρο με χρήση ανίχνευσης WiFi και μηχανικής μάθησης	el
dc.title.alternative	Indoor people counting with WiFi sensing using machine learning	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Παπαδόπουλος, Περικλής
dc.contributor.committee	Tatlas, Nicolas Alexander
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών	el
dc.description.abstracttranslated	In 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

Files in this item

Name:: UNIWA_EEE_Ioannis_Spanakas_Dip ...
Size:: 4.323Mb
Format:: PDF
Description:: Ερευνητικό Κείμενο, Εξαγωγή και ...

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές