Submitted by Hellen Luz (hellencrisluz@gmail.com) on 2017-07-26T17:00:27Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_AvaliacaoDesempenhoTecnicas.pdf: 3698170 bytes, checksum: 46cb9ea0205bb00976fb7b6694eb9b4b (MD5) / Approved for entry into archive by Irvana Coutinho (irvana@ufpa.br) on 2017-08-21T12:13:06Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_AvaliacaoDesempenhoTecnicas.pdf: 3698170 bytes, checksum: 46cb9ea0205bb00976fb7b6694eb9b4b (MD5) / Made available in DSpace on 2017-08-21T12:13:06Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_AvaliacaoDesempenhoTecnicas.pdf: 3698170 bytes, checksum: 46cb9ea0205bb00976fb7b6694eb9b4b (MD5) Previous issue date: 2014-05-26 / A localização em redes de sensores sem fio é um desafio que vai além do uso do popular GPS, com trabalhos diversos que visam aprimorá-lo ou mesmo substituí-lo. A localização pode ser realizada utilizando múltiplas antenas e seus respectivos ângulos, tempo e sincronização, diferencial de tempo entre envio de dois rádios diferentes ou mesmo com a potência do sinal.A partir destes padrões de estimativa, várias técnicas foram postuladas com objetivo de se utilizar dos recursos disponíveis para mensurar distâncias e estimar as coordenadas de um nó. Dentre estas técnicas pode-se citar como as mais importantes a Lateração, Nearest Neighbor, K-Nearest Neighbor, Min-Max, Non-Linear Regression, Iterative Non- Linear Regression, Sum-Dist, Dv-hop, Rede Neural Artificial, filtro de Kalman. Este trabalho conduz um conjunto de testes realizados em dois ambientes, sendo o primeiro indoor, e o segundo outdoor utilizando como hardware os módulos IRIS da MEMSIC para realização do experimento. Nestes testes são comparadas as técnicas Lateração, KNN e uma Rede Neural Artificial é proposta para o objetivo de estimar a localização de um nó da RSSF. São apresentadas as formulações matemáticas da Lateração e KNN, assim como a configuração da Rede Neural utilizada nos testes conduzidos neste trabalho. Os resultados são exibidos tomando o benchmark entre as técnicas para análise comparativa percentual entre as mesmas e para melhor análise quantitativa, os dados são Tabelados para visualização da precisão. / The location of wireless sensor networks is a challenge that goes beyond the use of popular GPS through several studies that aim to improve it or even replace it. The location can be performed using multiple antennas and their respective angles, and time synchronization, time differential between transmission of two different or same power with a radio signal. From these patterns estimated, various techniques have been postulated in order to use the resources available to measure distances and estimate the coordinates of a node. Among these techniques may be cited as the most important Lateração, Nearest Neighbor, K-Nearest Neighbor, Min-Max, Non-Linear Regression, Linear Regression Non-Iterative, Sum-Dist, Dv-hop, Artificial Neural Network, filter Kalman . This paper conducts a series of tests conducted in two environments, the first indoor, outdoor and the second using the hardware as the MEMSIC IRIS modules to perform the experiment. These tests are compared Lateração, KNN and an Artificial Neural Network techniques is proposed for the purpose of estimating the location of a WSN node. Lateração mathematical formulations KNN and are presented as well as the configuration of the neural network used in the tests conducted in this work. The results are shown taking the benchmark for comparative analysis techniques to the percentage there between and better quantitative analysis, the data are tabulated for display accuracy.