Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/18960
Files in This Item:
File Description SizeFormat 
lucaslimadeoliveira.pdfPDF/A7.28 MBAdobe PDFThumbnail
View/Open
Type: Dissertação
Title: Técnicas inteligentes para identificação de linha de visada e alocação de fator de espalhamento em redes LoRaWAN
Author: Oliveira, Lucas Lima de
First Advisor: Medeiros, Álvaro Augusto Machado de
Co-Advisor: Sousa Junior, Vicente Ângelo de
Referee Member: Cavalcante, André Mendes
Referee Member: Chavez, Luciano Jerez
Resumo: Este trabalho investiga estratégias inteligentes para otimizar o desempenho e reduzir o consumo energético em redes LoRaWAN, por meio do uso de aprendizado por reforço para alocação dinâmica de fatores de espalhamento fundamentada na identificação da presença de linha de visada entre os n´os da rede. Para tanto, o trabalho integra uma campanha de medição real no ambiente da Universidade Federal de Juiz de Fora (UFJF) junto a simulações utilizando o simulador ns-3 para validar as estratégias propostas. Os resultados evidenciam que a integração de técnicas de modelagem de canais e a adoção de aprendizado por reforço possibilitam uma alocação mais eficiente dos parâmetros de transmissão, resultando em ganhos relevantes na taxa de entrega de pacotes e na eficiência energética dos dispositivos.
Abstract: This work investigates intelligent strategies to optimize performance and to reduce energy consumption in LoRaWAN networks by using Reinforcement Learning for the dynamic allocation of spreading factors, based on the identification of line-of-sight conditions between network nodes. For this, this work incorporates a real-world measurement campaign conducted at the Federal University of Juiz de Fora (UFJF) alongside simulations using the ns-3 simulator to validate the proposed strategies. The results indicate that the integration of channel modeling techniques and the adoption of reinforcement learning enable a more efficient allocation of transmission parameters, yielding significant improvements in packet delivery rates and energy efficiency of devices.
Keywords: LoRaWAN
Alocação de fatores de espalhamento
Inteligência artificial
Perda de percurso
Análise de desempenho
Aprendizado por reforço
Classificação
Eficiência energética
Spreading factor allocation
Artificial intelligence
Machine learning
Path loss
Performance evaluation
Reinforcement learning
Energy effiency
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: Faculdade de Engenharia
Program: Programa de Pós-graduação em Engenharia Elétrica
Access Type: Acesso Aberto
Attribution-ShareAlike 3.0 Brazil
Creative Commons License: http://creativecommons.org/licenses/by-sa/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/18960
Issue Date: 13-Mar-2025
Appears in Collections:Mestrado em Engenharia Elétrica (Dissertações)



This item is licensed under a Creative Commons License Creative Commons