(OU) Hardware da Rede Implementacao da rede O ambiente no qual o sistema foi implementado foi uma das salas do LAVSI – Laboratório de Automação, Visão e Sistemas Inteligentes. O hardware utilizado no sistema consiste em 4 módulos sensores de posicionamento fixo, como mostrado na figura, e um módulo sensor portátil. O sistema de localização basea-se na comunicação deste módulo remoto com os módulos sensores e na leitura da intensidade do nível do sinal recebido pelo módulo remoto.

(OU) Hardware da Rede Modulo Sensor Os módulos sensores realizam a medição da temperatura em determinados pontos do ambiente inteligente. No contexto do sistema de localização, eles também são utilizados como bases de referencias para o módulo remoto. O hardware do módulo sensor foi desenvolvido focando-se principalmente no menor consumo de energia possível. Portanto, simplificamos ao máximo cada módulo, reduzindo-os a apenas o módulo de comunicação Xbee e o sensor de temperatura LM35 com amplificador.

(OU) Hardware da Rede Modulo remoto: O módulo remoto é bastante semelhante ao módulo sensor, entretanto ganha poder de processamento com a adição do microcontrolador ATmega8.

(OU) Hardware da Rede As principais funcionalidades do módulo remoto são a medição da temperatura através da conversão e processamento dos sinais advindos LM35 A obtenção da intensidade do sinal de rádio de cada módulo sensor A comunicação com o módulo base. O módulo base é o sistema de monitoração que realmente processa as informações e executa os algoritmos de localização. Ele é composto por um módulo Xbee associado a um computador através de uma COM-USBee A transmissão e recepção dos dados é definida por um simples protocolo desenvolvido para incrementar a confiabilidade dos dados transmitidos. *Por fim, todo o sistema embarcado foi desenvolvido em C utilizando a ferramenta Programmer’s Notepad. Entretanto, substituímos as bibliotecas padrões de entrada e saída de dados por bibliotecas desenvolvidas por nós, devido à instabilidade e ao tamanho destas bibliotecas.

(OU) Hardware da Rede Fluxo de Dados: A idéia do fluxo de dados no sistema é a seguinte: o módulo base envia instruções ao modulo remoto. As instruções validas esperadas são: A medição da temperatura, no qual o modulo remoto processa os sinais advindos do LM35 e responde ao modulo base. E a obtenção da intensidade do sinal de radio de cada módulo sensor. Para isso, o modulo remoto envia um comando ND em broadcast para os módulos sensores que respondem com um conjunto de dados. Neste conjunto de dados temos, o endereço de serie (fabrica) único para cada modulo, o endereço de 16 bits definido pelo sistema, a intensidade do sinal, e um identificador do modulo. O módulo remoto, então, processa estas informações e envia ao módulo base apenas o endereço dos módulos com seus repetíveis níveis de sinal.

Redes Neurais Artificiais Como uma alternativa para esta solucao puramente analitica, desenvolvemos uma solucao baseada em sistemas inteligentes. O ramo da inteligencia artificial utilizado foram as redes neurais. Nas redes neurais o processamento das informacoes e inspirado nos sistemas nervosos biologicos A estrutura de uma rede neural é composta por elementos processadores altamente interconectados. A forma e a quantidade destas conexoes definem as funcoes do sistema.

Redes Neurais Artificiais Vantagens e Desvantagens: Filtragem das medidas por interpolacao neural: Isto eh muito importante para o projeto, ja que existem umas serie de interferencias sistematicas sobre a propagacao da onda de radio no sistema. Estas interferencias por serem consideradas durante o treinamento adaptativo sao incorporadas a funcao de aproximacao que define o sistema. DESVANTAGENS  Perda da portabilidade

Redes Neurais Artificiais Neuronios: Os elementos básicos da rede neural são os neurônios. O conceito básico do funcionamento de um neurônio é o seguinte:  O neurônio recebe um elemento de entrada e multiplica por um peso W. Esta entrada multiplicada pelo peso e somada a uma entrada de polarização e o resultado passado como argumento para uma função de transferência que gera a saída do neurônio.  Um neurônio pode ter múltiplas entradas com um peso para cada entrada. A rede também pode ter múltiplos neurônios formando uma camada de rede.  A rede neural ainda pode conter múltiplas camadas em serie. Neste caso as camadas intermediarias são chamadas de camada escondidas, enquanto que a ultima camada é chamada de camada de saída.

Redes Neurais Artificiais O que eh o treinamento Fazendo uma analogia ao sistema nervoso biológico, uma rede neural artificial aprende com a experiência. Durante seu treinamento, a rede neural analisa um conjunto de entradas e saídas conhecidas e ajusta os valores dos pesos (conexões) entre os componentes. Estes ajustes são realizados pela comparação da saída da rede com as saídas esperadas. A idéia é que os pesos sejam ajustados até que a saída da rede seja compatível com o resultado esperado.

Redes Neurais Artificiais FeedForward backpropagation  No projeto utilizou-se a rede FeedForward Back.., Redes FeedForward sao redes neurais de multiplas camadas nas quais as saidas dos neuronios se conectam somente com unidades da proxima camada. O metodo BackPropagation esta ligado com o gradiente de erro. Um algoritmo eh utilizado para calcular o gradiente de erro. Entao, este eh relacionado com os pesos modificados da rede. A solucao do problema sao pesos que minimizem este gradiente de erro. A estrutura da rede  A rede foi configurada para 4 entradas, correspondentes a intensidade do sinal dos modulos sensores e duas saidas que correspondem a posicao estimada pelo algoritmo no eixo X e Y. Entretanto, para simplificar a rede e obter resultados mais direcionados separamos a rede neural em duas redes da seguinte forma

Redes Neurais Artificiais Treinamento  O treinamento da rede foi feito atraves da leitura da intensidade do sinal dos modulos sensores em 120 posicoes distintas porem conhecidas dentro do ambiente de implementacao. Dividimos estas 120 leituras em dois conjuntos de dados. O primeiro correspondendo ao conjunto de treinamento e o segundo correspondendo ao conjunto de validacao. Criamos uma rede Treinamos a rede com o conjunto de treinamento simulamos a rede utilizando o conjunto de validacao Comparamos a saida da rede simulada com os valores esperados  ENTAO, SELECIONOU-SE AS REDES QUE APRESENTARAM MENOR DISPARIDADE ENTRE AS SAIDAS SIMULADAS E OS VALORES ESPERADOS

Redes Neurais Artificiais RESULTADOS  A avaliação do sistema por redes neurais foi feito através da comparação da posição real do modulo remoto com a posição estimada pelo algoritmo. A distancia entre a posicao estimada e a posicao real do modulo representa a discrepancia entre o valor obtido e o valor esperado. Esta discrepancia eh uma medida de acuracia dos resultados obtidos. o sistema de localizacao por redes neurais eh capaz de fornecer valores de posicao com uma acuracia media de 1m em relacao ao valor real da posicao. Sendo, portanto mais eficaz que a triangulacao hiperbolica.