Análise de componentes principais e máquina de vetores de suporte com núcleo RBF aplicados a um sistema de posicionamento interior

Principal component analysis and support vector machine with RBF kernel applied to an indoor system positioning

Abstract

O Global Positioning System (GPS), que em português significa sistema de posicionamento global, tem como intuito informar a um dispositivo móvel sua localização em qualquer ponto do planeta. Apesar disso, estes sistemas possuem baixo desempenho quando os receptores estão no interior de locais fechados. O problema de localização no interior de ambientes, pode ser resolvido pelos sistemas de posicionamento interior (Indoor System Positioning - IPS). Os algoritmos de classificações de padrões podem ser implementados para localização, quando se analisa a intensidade do sinal recebido (Received Signal Strength) de Wi-Fi. Para este trabalho, foi obtido um conjunto de dados do repositório da University of California Irvine (UCI), com medidas de intensidade de sete roteadores para quatro salas diferentes. Criou-se códigos em Python 3.8 no Jupyter Notebook, para o pré-processamento dos dados, para redução de dimensionalidade por Análise de Componentes Principais (PCA), e para treino e validação cruzada (5-fold) do modelo de classificação por Máquina de Vetores de Suporte (SVM) com núcleo Função de Base Radial (RBF). A projeção sobre apenas duas componentes principais, resultou na representação de 85,75% da informação do espaço de atributos em sete dimensões. O conjunto de dados foi transformado pelo PCA, padronizado, e utilizado para a etapa de treino e validação. A acurácia do método SVM com núcleo RBF foi comparada com outros algoritmos de aprendizado de máquina, e foi superior a todos eles, com 98,42% de acerto.