Revista Concilium, Vol.

22, Nº 3
DOI: 10.53660/CLM-254-259
ISSN: 1414-7327

Solução Para Planejamento De Redes Wi-Fi 802.11ac por Meio de

RNA E PSO
Solution for Planning 802.11ac Wi-Fi Networks through RNA and PSO
Hugo A.O. Cruz 1*, Fabrício J. B. Barros ¹, Miércio C. A. Neto¹, Jasmine P. L. Araújo¹,
Gervásio P. S. Cavalcante¹

RESUMO
Este trabalho tem como objetivo desenvolver um método de predição de perda de propagação empírico
para redes sem fio do padrão 802.11ac em ambientes indoors, baseado em campanhas de medições. Para
tanto, foi utilizada uma técnica de inteligência computacional, denominada Redes Neurais Artificiais
(RNA), que realiza um processo de regressão nos dados medidos para estabelecer a relação entre os
parâmetros de entrada (distância e número de paredes atravessadas) com os parâmetros de saída
(intensidade do sinal), sendo esta saída convertida em perda de propagação. A fim de avaliar o desempenho
do método proposto, é feita uma análise entre os dados medidos e os preditos, calculando a acurácia do
método (através da raiz do erro médio quadratico) e a precisão (através do desvio padrão do erro),
respectivamente 2,17dB e 2,24dB, e, ainda, compará-lo com os modelos de predição indoor clássicos da
literatura. Visando auxiliar futuros planejamentos de redes sem fio indoor, foi implementado o método de
otimização bioinspirado Particle Swarm Optimization (PSO) de forma multiobjetiva, com a finalidade de
estabelecer o número de transmissores necessários para cobrir determinada área a ser atendida com o sinal
sem fio, bem como definir os melhores posicionamentos dos transmissores nos ambientes.
Palavras-chave: RNA; Otimização; Predição; Perda de propagação; PSO;

ABSTRACT
This work aims to develop an empirical propagation loss prediction method for 802.11ac wireless networks
in indoor environments based on measurement campaigns. For this purpose, a computational intelligence
technique called Artificial Neural Networks (ANN) was used, which performs a regression process on the
measured data to establish the relationship between the input parameters (distance and number of walls
crossed) with the output parameters (signal strength), this output is converted into propagation loss to
evaluate the performance of the proposed method. An analysis is made between the measured and predicted
data, calculating the accuracy of the process (RMSE) and the precision (standard deviation of error),
respectively 2.17dB and 2 .24dB, and comparing it with the classical indoor prediction models in the
literature. Aiming to help future planning of indoor wireless networks, the bioinspired Particle Swarm
Optimization (PSO) method was implemented in a multi-objective way to establish the number of
transmitters needed to cover a given area to be served with the wireless signal, as well as define the best
positioning of the transmitters in the environments.
Keywords: RNA; Optimization; Prediction; Propagation loss; PSO;

1
Universidade Federal do Pará (UFPA).
*E-mail: hugo.oliveira@itec.ufpa.br
 P á g i n a | 133

INTRODUÇÃO

A cada dia que passa, o ser humano está mais conectado à rede mundial de computadores,
utilizando-a em qualquer hora ou local para desenvolver suas atividades recreativas, sociais e/ou
profissionais. Com isso, nota-se, nos últimos anos, o aumento do uso de dispositivos em redes
sem fio (CISCO, 2022).
Assim, faz-se necessário realizar estudos relevantes para a evolução das redes sem fio,
bem como para o seu planejamento. Para tanto, é necessário considerar os fatores atenuantes, que
afetam a propagação da onda eletromagnética em determinados ambientes, para que seja possível
estimar a área de cobertura do sinal, de modo que cada usuário em uma área especifica tenha um
nível de sinal satisfatório para desempenhar suas atividades cotidianas.
Além disso, a área de pesquisa no campo da propagação é bem difundida. Já foram
desenvolvidos vários trabalhos nas últimas décadas, que proporcionaram diversos avanços
tecnológicos na transmissão e recepção de ondas eletromagnéticas, tendo, como um dos principais
objetivos, estimar a perda de propagação.
Há, basicamente, dois tipos de modelagem muito exploradas: a determinística, que tenta
descrever os fenômenos físicos da propagação das ondas eletromagnéticas (reflexão, refração,
difração, multipercursos etc.), que influenciam no desvanecimento do sinal, como em Silva
(2018) e Batalha (2018) através de formulações matemáticas; e a modelagem empírica, baseada
em campanhas de medições, que descrevem o sinal por meio de um estudo estático, estabelecendo
o comportamento médio do sinal em um determinado ambiente, conforme Ayadi (2017), que
utilizou a técnica de regressão Minimum Mean Square Error (MMSE) para modelar o canal na
frequência de 5.2 GHz e, assim, estimar o valor de perda de propagação, ou em Casella (2016),
que utiliza Redes Neurais Artificias (RNA) do tipo Perceptron de Multicamadas (PMC) e Funções
de Base Radial (RBF), configuradas como aproximadores universais, para estimar a potência
recebida do sinal de televisão na faixa de frequência de 207 a 749 MHz para ambiente outdoor.
Em Najnudel (2004), foi desenvolvido um modelo de perda de propagação para a faixa de
frequência Ultra High Frequency (UHF), multi-banda, multi-ambiente, para curtas e longas
distâncias, baseado em medições realizadas na Tunísia, no qual foi empregado aprendizado de
máquina utilizando a técnica RNA para realizar a predição da perda de propagação.
Atualmente, há vários padrões Wi-Fi (Wireless-Fidelity) coexistindo, cada qual com a
sua especificidade, basicamente um sendo a evolução do seu antecessor. Nesta pesquisa,
abordaremos o padrão IEEE 802.11ac, devido ao fato deste já ser um padrão comercialmente
popular, apontado como padrão que será mais disseminado nos próximos anos, segundo as
previsões da Cisco (ITU, 2018), por possibilitar uma largura de banda maior que os padrões
antecessores, sendo, então, capaz de suportar um maior fluxo de dados.
 P á g i n a | 134

O objetivo deste estudo é prever a perda de propagação do sinal em redes Wi-Fi do padrão
802.11ac em ambientes indoors, por meio da utilização de uma técnica de inteligência
computacional chamada Redes Neurais Artificiais (RNA), além de estabelecer o número de
transmissores necessários para cobrir determinada área a ser atendida com o sinal sem fio, bem
como definir os melhores posicionamentos dos transmissores nos ambientes, utilizando a técnica
bio-inspirada PSO de forma multiobjetiva, visando auxiliar futuros planejamentos de redes sem
fio indoor.
Dessa forma, foi feita a análise do sinal, através de uma abordagem empírica, na qual
foram realizadas medições do nível de intensidade do sinal em diferentes pontos do ambiente,
considerando alguns fatores que influenciam na perda de propagação do sinal (distância e número
de parede), bem como uma comparação com os modelos de predição de perda de propagação para
ambientes indoors.

MODELOS DE PROPAGAÇÃO

Os modelos de propagação variam suas abordagens, isto é, complexidade e precisão, que,

geralmente, são fórmulas matemáticas, podendo também ser algoritmos, que descrevem o
comportamento das ondas eletromagnéticas propagadas em um determinado ambiente (indoor ou
outdoor), que chegam até o receptor pelos diferentes caminhos em diferentes instantes de tempo,
a fim de estimar a atenuação sofrida pelo sinal neste trajeto. Os modelos comentados nesta seção
são empíricos e utilizam equações de simples implementações, que não necessitam de alto poder
computacional e contabilizam fatores que influenciam na atenuação do sinal propagado.
A. Modelo Batalha
É um modelo empírico desenvolvido para estimar a perda de propagação para frequência
de 5.2GHz para ambientes indoors de salas de aulas (BATALHA, 2018), contabilizando as
atenuações sofrida pelo ambiente, frequência, distância e número de paredes atravessadas pelo
sinal. A Equação 1 demonstra sua formulação matemática:

𝐿 = −25,7363 + 10𝑛𝑙𝑜𝑔10 (𝑑) + 20𝑙𝑜𝑔10 (𝑓) + 𝑙𝑚(𝑛𝑝) (1)

Sendo:
𝐿: perda em dB;
𝑛: coeficiente de atenuação com a distância;
𝑑: distância em metros;
𝑓: frequência;
𝑙𝑚: coefciente de atenuação por paredes;
𝑛𝑝: número de paredes atravessadas.

B. Modelo Keenan e Motley

O modelo Keenan e Motley é baseado do COST-231. Ele é considerado um dos mais
abrangentes, pois prevê a perda tanto por paredes como por andares. Trabalha na faixa de 1.8 Ghz
 P á g i n a | 135

até 5.8 Ghz, além de ser do tipo site-specifc, no qual há a necessidade de especificar características
do cenário estudado, números de paredes e tipo do mateial das paredes e/ou andares. Como em
Najnudel (2004) e Rodrigues (2011).

𝐿 = 𝐿0 + 10𝑛 𝑙𝑜𝑔10 (𝑑) + ∑𝐼𝑖=1 𝐾𝑓,𝑖 𝐿𝑓,𝑖 + ∑𝐽𝑗=1 𝐾𝑤,𝑗 𝐿𝑤,𝑗 (2)

Sendo:
𝐿0: perda de propagação a um metro da antena irradiante (dB);
d: distância percorrida pelo sinal (m);
n: coeficiente de propagação;
𝐿𝑓,i: perda de propagação do sinal através do piso (dB);
𝐾𝑓,i: número de pisos com a mesma característica;
𝐿,: perda de propagação do sinal através da parede j(dB);
𝐾,: número de paredes com a mesma característica;
I: número de pisos atravessados pelo sinal;
J: número de paredes atravessadas pelo sinal.

CAMPANHA DE MEDIÇÕES

A campanha de medições objetiva a obtenção de dados que descrevam o nível de

intensidade do sinal de uma rede sem fio, a fim de observar como se comporta o sinal irradiado e
a degradação dele no cenário específico.
A. Cenário das Medições
As aferições foram realizadas nas dependências da UFPA (Universidade Federal do Pará),
no Campus de Belém, no bloco de salas de aula do curso de engenharia de telecomunicações, que
tem a dimensão de 30x11 metros, sendo constituído de cinco salas cada, contendo em seu interior
mobílias (cadeiras e mesas) feitas de materiais plástico e metal.
O prédio de sala de aulas é construído por paredes de tijolos e concreto. Nessa etapa, foi
feito o levantamento das informações sobre o ambiente a ser estudado, estabelecendo-se as
localizações dos pontos a serem medidos e a localização do transmissor.
A Erro! Fonte de referência não encontrada. mostra um esquema do cenário onde
foram realizadas as medições. Estão marcadas as localizações dos 110 pontos divididos em 16
radiais, distribuídos de forma simétrica pelo cenário, assim como a localização do transmissor.
 P á g i n a | 136

Figura 1 - Esquema do cenário.

Fonte: Próprios Autores, 2022.

B. Equipamentos e Configurações
Foram utilizados os seguintes equipamentos: um transmissor, um receptor USB, como
pode ser visto na Erro! Fonte de referência não encontrada., além de um notebook. Na Tabela
1, são descritas as configurações dos dispositivos utilizados:
Figura 2 - Dispositivos utilizados na campanha de medições.

Fonte: Próprios Autores, 2022.

Tabela 1 – Descrição dos equipamentos e suas configurações.

Quantidades - Equipamentos Configurações
• Canal 1 (5.2 GHz)
• Largura do canal 20 MHz
1 - Roteador D-Link (DIR-803) • Taxa de transmissão Máxima 433 Mbps
• Potência de transmissão 1,.5 dBm
• Ganho da Antena de 5 dBi
1 - Adaptador USB DWA-171 • Com suporte a padrão 802.11ac.
1 – Notebook • Sistema Operacional Windows 10
Fonte: Próprios Autores, 2022.
 P á g i n a | 137

C. Metodologia das Medições

O processo de medição é constituído da transmissão e recepção do sinal Wi-Fi (802.11ac),
no qual é medido o nível de intensidade do sinal (emdBm) no ambiente mencionado
anteriormente. Para isso, foram posicionados o transmissor (roteador) em uma posição fixa,
e o receptor (um notebook com adaptador USB) era deslocado conforme as coordenadas x e
y da Erro! Fonte de referência não encontrada.1, ambos a uma altura de 68cm do solo. Em
cada ponto, foram realizadas três medições, com o propósito de assegurar o comportamento
médio do sinal naquela posição.
Com a obtenção dos dados na campanha de medições, esses puderam ser aplicados no
desenvolvimento das RNA, como mostrado na Tabela 2.

Tabela 2- Parâmetros aplicados no desenvolvimento da RNA.

Parâmetros Valores
Distância Tx e Rx (m) 2,4,6,8,10,12,14,16,18
Número de Paredes 0,1,2,3
Potência Recebida (dBm) -45 até -73
Fonte: Próprios Autores, 2022.

METODOLOGIA

A. Descrição e Implementação da RNA

A partir dos dados obtidos na campanha de medições, foi possível implementar uma rede
neural artificial (RNA) capaz de prever a potência recebida em determinado ponto, levando em
consideração fatores que caracterizam o ambiente como, por exemplo, a distância e o número de
paredes que foram utilizadas como parâmetros de entrada da RNA.
O RNA utilizado é um Perceptron de Múltiplas Camadas (PMC), implementada no
software MATLAB © conforme ilustrado na Figura 3, com 2 neurônios na camada de entrada,
uma função de ativação linear e 2 neurônios na camada oculta, com função de transferência Log-
sigmóide; a camada de saída possui 1 neurônio com função de ativação linear. O treinamento de
RNA foi realizado utilizando o algoritmo de Levenberg-Marquardt.

Figura 3 – RNA implementada.

 P á g i n a | 138

Fonte: Próprios Autores, 2022.

Para implementação da RNA, foram utilizadas 110 amostras distribuídas em três

conjuntos de dados aleatoriamente, 78 pontos no conjunto de treinamento com 70% dos dados
em relação ao total. Por sua vez, os conjuntos de validação e teste continham 16 pontos cada,
sendo 30% do total de amostras, como é exibido na Tabela 3.
Tabela 3- Conjunto de treinamento
Conj. de amostras Número de amostras % Em relação ao total

Treinamento 78 pontos 70%

Validação 16 pontos 15%
Teste 16 pontos 15%
Fonte: Próprios Autores, 2022.

O treinamento baseia-se em apresentar um padrão às unidades da camada de entrada e, a

partir dessa camada, as unidades calculam sua resposta, que é produzida na camada de saída, o
erro é, então, calculado e, no segundo passo, ele é propagado a partir da camada de saída até a
camada de entrada, e os pesos das conexões das unidades das camadas internas vão sendo
modificados.
Dessa maneira, o erro vai sendo progressivamente diminuído, para identificar o ponto de
parada de aprendizado, buscando obter a melhor taxa generalização da RNA. Uma alternativa é
utilizar uma regra de parada, com base na técnica da validação cruzada, que consiste em validar
os dados durante o treinamento da RNA, por meio do uso de um conjunto de dados diferentes dos
usados, para estimar os parâmetros durante o treinamento (HAYKIN, 1999).
O método consiste em acompanhar o progresso do aprendizado nas curvas
correspondentes aos subconjuntos de dados de treinamento e de validação e teste, como é ilustrado
na Erro! Fonte de referência não encontrada.4. Desse modo, o treinamento é interrompido
quando a curva de validação decresce a um erro mínimo, antes de começar a crescer, e isso garante
que não haja overfitting no treinamento.
 P á g i n a | 139

Figura 4 - Progresso do erro de treinamento da RNA.

Fonte: Próprios Autores, 2022.

A partir desse conjunto de dados, foram gerados os pesos que melhor representam o
problema estudado. É possível observar os gráficos referentes à regressão linear realizada entre
as saídas e os targets na Erro! Fonte de referência não encontrada.5, na qual a linha tracejada
preta significa o melhor coeficiente de correlação linear entre saídas e os targets. Os valores de R
são uma indicação da relação entre as saídas e os targets. Se R = 1, isso indica que existe uma
relação linear exata entre saídas e targets. Se R for próximo de zero, não existe uma relação linear
entre saídas e alvos.
 P á g i n a | 140

Figura 5 - Regressão dos dados gerados pela RNA e seus respectivos targets.

Fonte: Próprios Autores, 2022.

Logo, estando a RNA treinada e o erro em um nível satisfatório e com uma boa
capacidade de generalização, ela poderá ser utilizada como uma ferramenta de predição.
B. Método de Predição de Perda de Propagação indoor
Assim, tendo os valores de potência recebida preditos pela RNA, foi utilizada a fórmula
do balanceamento de Link da equação (3) para se obter a perda de propagação. Essa fórmula
abrange todos os ganhos e perdas do transmissor e receptor em um sistema de telecomunicações.

L = Ptx − Prx + Gtx + Grx − Ltx − Lrx (3)

Onde:
L: Perda de propagação (margem de desvanecimento, perda de corpo, perda de outros.) (dB);
Ptx: potência de saída do transmissor (dBm);
Prx: potência recebida (dBm);
Gtx: ganho de antena transmissora (dBi);
Grx: ganho de antena receptora (dBi);
Ltx: perdas do transmissor (cabo coaxial, conectores ...) (dB);
Lrx: perdas do receptor (coaxial, conectores ...) (dB).
 P á g i n a | 141

Com isso, foi possível trabalhar com a perda de propagação e comparar com os modelos
clássicos da literatura.
C. Descrição e Implementação do Particle Swarm Optimization (PSO)
O PSO foi desenvolvido por Eberhart (1995). É uma técnica de otimização baseada no
enxame de partículas e inspirada na inteligência coletiva dos animais, fundamentada no
comportamento social dos indivíduos.
Esse comportamento apresenta, inicialmente, uma busca de forma aleatória e desordenada,
mas se percebe uma organização ao longo do tempo e um padrão de busca é apresentado. No
momento da localização do objetivo, todos os indivíduos se dirigem para a localização desse,
onde os indivíduos podem ser considerados como partículas em um espaço de busca
multidimensional.
Essa técnica tem como principal atuador a atualização das velocidades das partículas ao
longo do tempo, gerando a modificação do posicionamento destas com o intuito de varrer o espaço
de busca para encontrar a melhor solução.
O PSO implementado neste trabalho é multiobjetivo e possui como alvo duas funções
objetivos (Obj1 e Obj2): a primeira busca maximizar a área de cobertura do sinal, garantindo que
a perda de propagação no ambiente específico exibido na fig. 1 não seja maior que limiar de 75
dB e a segunda estabelece o menor números de transmissores para isso.
O limiar de 75dB foi definido de forma a garantir a máxima taxa de transmissão
(433Mbps), a qual é necessária para aplicações que exijam baixa latência e que demandam alta
largura de banda. Como por exmelpo: streamings de vídeos e jogos, vídeo chamadas.
A equação (4) descreve o cálculo do percentual de cobertura (Obj1) levando em
consideração o Índice de Cobertura (Ic) e o Tamanho total da cobertura Tc.

𝐼𝑐
𝑂𝑏𝑗1 = ∗ 100 (4)
𝑇𝑐

A equação (5) representa o Obj2, o qual é designado para minimizar o número de

transmissores necessários, variando o número de transmissores no ambiente para encontrar as
configurações ótimas para diferentes números de transmissores implantados.

𝑂𝑏𝑗2 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑇𝑟𝑎𝑛𝑠𝑚𝑖𝑠𝑠𝑜𝑟𝑒𝑠 (5)

Para viabilizar o desenvolvimento do algoritmo de forma multiobjetiva, foi necessária a

utilização de um conceito, denominado Ótimo de Pareto, ocorre quando existe uma situação em
que, para que “um ganhe”, pelo menos “um perde” necessariamente, tentando equilibrar uma
relação entre duas ou mais variáveis.
 P á g i n a | 142

Logo, as equações (6) e (7) são utilizadas para definir a frente de Pareto, a qual representa
o cálculo do Obj1 e Obj2 para definição da melhor solução. Sendo W o valor médio da solução
de N Paretos, para i iterações e 𝑍 é a equação final da função multiobjetivo.
𝑖
𝑊= (6)
𝑁

𝑍 = 𝑂𝑏𝑗1 ∗ 𝑊 + (1 − 𝑊) ∗ 𝑂𝑏𝑗2 (7)

É válido reforçar que função objetivo exibida na equação (7) busca minimizar o número
de radio transmissores, e maximizar a área coberta, com uma frente de Pareto variando de 1 a 10.
À medida que a frente de Pareto aumenta, é priorizada a cobertura em detrimento da minimização
do número de rádios transmissores, isto é, quanto maior o valor 𝑊, mais rádios serão utilizados
para aumentar a área de cobertura. Por outro lado, valores menores de 𝑊 resultam em menos
rádios, isto é, reduzindo custos de implantação, mas sem garantir a máxima cobertura possível.
A seguir, serão descritas as etapas para a implementação do PSO e os parâmetros
utilizados no desenvolvimento do trabalho:
1. Determine o número de partículas (𝑝) da população.
• 500 partículas.
2. Inicialize aleatoriamente a posição inicial (𝑥) de cada partícula da população.
• As posições iniciais foram geradas a partir das coordenadas do ambiente, com valores
de x e y aleatórios variando de 0 a 33 e de 0 a 12, respectivamente.
3. Atribua uma velocidade inicial (v) igual para todas as partículas.
4. Para cada partícula da população, calcule:
a. A aptidão.
b. A melhor posição da partícula até o momento (pbest).
5. Descubra a partícula com a melhor aptidão de toda a população (gbest).
6. Para cada partícula, atualize:
a. A velocidade da partícula.
• Ponderação de inercia (W) = 1.
• Parâmetro Cognitivo(C1) = 2.
• Parâmetro Social (C2) = 2.
• Valores randômicos r1 e r2.

𝑣𝑖+1 = 𝑤𝑣𝑖 + 𝑐1. 𝑟1(𝑝𝑖 − 𝑥𝑖 ) + 𝑐2. 𝑟2(𝑔𝑏𝑒𝑠𝑡 − 𝑥𝑖 ) (8)

b. A posição da partícula.

𝑥𝑖+1 = 𝑥𝑖 + 𝑣𝑖+1 (9)

 P á g i n a | 143

7. Se condição de término não for alcançada, retorne ao passo 4.

RESULTADOS E DISCUSSÃO

Esta seção será dividida em três: 1ª resultados da RNA; 2ª comparação do modelo

proposto com os modelos clássicos existentes na literatura; 3ª os resultados obtidos através do
método de otimização PSO para o planejamento da rede sem fio para o ambiente estudado.
A. Resultados da RNA
Os dados obtidos na saída da Rede Neural Artificial proposta e, posteriormente,
transformados em perda de propagação através da fórmula de balanceamento de Link, foram
comparados com o conjunto de pontos de teste (o qual o sistema não teve acesso para aprendizado)
a fim de aferir a capacidade de predição deste método, foram utilizadas duas métricas: a Raiz do
Erro Médio Quadrático (Root Mean Square Error - RMSE) e o desvio padrão do erro entre os
dados medidos e os preditos.
O RMSE é uma métrica capaz de indicar a acurácia de modelos, calculando o montante pelo
qual o valor predito se difere do valor medido através da Equação 2, na qual 𝑛 é o número de
amostras, 𝑉𝑚 é o valor medido e 𝑉𝑝 é o valor predito, ambos para a i-ésima amostra.

∑𝑛 (𝑉𝑚𝑖 − 𝑉𝑝𝑖 )2
𝑅𝑀𝑆𝐸 = √ 𝑖=1 (10)
𝑛

Sendo:
• n = Número de amostra;
• Vp= Valor Predito;
• Vm= Valor Medido.

E, com a intenção de analisar a precisão dos modelos de predição, foram calculados os

valores do desvio padrão do erro entre os dados medidos e os preditos, dado pela Equação 3.
Quanto menor esse valor, mais preciso é o modelo, pois o desvio padrão representa o quanto os
valores de uma variável se distanciam de sua média.

∑𝑛 (𝑉𝑖 − 𝜇)2
𝜎 = √ 𝑖=1
𝑛
(11)
Sendo:
• V = uma variável aleatória de um conjunto de dados finito;
• 𝜇 = a média de V;
• n = Número de amostras.

Assim, foi possível comparar os valores dos dados referentes à perda de propagação, que
foram obtidos através das medições, com os valores predito pela Rede Neural Artificial, exibido
 P á g i n a | 144

na Erro! Fonte de referência não encontrada. 6. O RMSE entre os dados medidos e os preditos
é de 1.99 dB, e o desvio padrão de 2.05 dB.
A Erro! Fonte de referência não encontrada. 6 proporciona uma análise mais
aprofundada dos fatores que impactam na cobertura do sinal propagado. Portanto, cada
combinação de distância e número de paredes tem uma perda de propagação associada, que está
ligada ao tipo de modulação e, consequentemente, à taxa de transmissão estabelecida pelo padrão
802.11ac, que influenciam na qualidade de experiência do usuário.

Figura 6 - Análise da perda de propagação, entre os dados medidos e os preditos pela RNA.

Fonte: Próprios Autores, 2022.

Com a RNA treinada e testada, foi possível traçar a perda de propagação para cada
número de parede e distância com até 16 metros para demonstrar o comportamento do método
proposto de predição baseado em RNA, como é exibido na Figura 7.
 P á g i n a | 145

Figura 7 - Comportamento do método de predição de perda de propagação proposto.

Fonte: Próprios Autores, 2022.

B. Comparação com modelo de perda de propagação

A fim de demonstrar a acurácia do método proposto, foi realizada uma comparação com
os modelos matemáticos empíricos de perda de propagação indoor Batalha e o Kenan e Motley,
que levam em consideração também a distância e o número de paredes. Tanto o modelo Batalha
quanto o método proposto utilizaram os mesmos conjuntos de dados para os seus
desenvolvimentos, mas com técnicas diferentes. O modelo Batalha utilizou mínimos quadrados e
o método proposto utiliza RNA para realizar uma regressão nos dados medidos.
A Figura 8 ilustra essa comparação, na qual é possível observar que o método proposto
se saiu melhor que os demais, obtendo um menor valor da raiz do erro médio quadrático e de
desvio padrão, respectivamente 1,99 e 2,05 dB, seguido pelo modelo Batalha com 5,22 dB e 5,06
dB, e, por último, o modelo Motley-Kennan, que obteve 4,90 dB e 5,06 dB.
 P á g i n a | 146

Figura 8 - Comparação entre o método RNA e o modelo Batalha para predição de perda de
propagação.

Fonte: Próprios Autores, 2022.

A Tabela 4 mostra a perda de propagação média por parede atravessada, ou seja, o quanto
o sinal é degradado ao atravessar uma ou mais paredes, além de comparar os valores médios das
perdas de propagação entre os dados medidos e dos modelos.

Tabela 4- Perda média por parede.

Número de Perda de Propagação Método Modelo

Modelo Batalha (dB)
Paredes Medida (dB) RNA (dB) Motley-Keenan(dB)
0 54,36 55,35 61,52 59,70
1 70,88 69,95 69,39 67,57
2 82,71 81,67 80,15 78,33
3 83,52 85,28 85,97 84,14
Fonte: Próprios Autores, 2022.

C. Otimização do posicionamento de multiplos transmissores por meio de PSO

Visando auxiliar futuros planejamentos de redes sem fio indoor, foi implementado o
método de otimização bioinspirado PSO de forma multiobjetiva com a finalidade de
estabelecer o número de transmissores necessários para cobrir determinada área a ser atendida
 P á g i n a | 147

com o sinal sem fio, bem como definir os melhores posicionamentos dos transmissores nos
ambientes.
A Figura 9 mostra as melhores soluções geradas para frente de Pareto 5 a mais equilibrada
entre todas, dando o mesmo peso tanto para o objetivo 1 quanto para 2, sendo exibido no eixo x
o objetivo 1, valores da área de cobertura do sinal em porcentagem, no eixo y o objetivo2, como
números de transmissores, a fim de garantir um sinal forte, ou seja, pouco degrado, com até 75
dB de perda de propagação em todo o ambiente.

Figura 9 – Soluções geradas.

Fonte: Próprios Autores, 2022.

Como o objetivo do trabalho é estabelecer a maior área de cobertura do sinal, ou seja,

cobrir 100% do ambiente com um sinal de qualidade, a solução que mais se adequou as restrições
foi a com quatro transmissores, o que pode ser constatado na Figura 9. As figuras a seguir mostram
as soluções possíveis dispostas no ambiente estudado.
A Figura 10 exibe a solução para 1 transmissor, posicionado na coordenada x=6 e y=9,07,
sendo esse capaz de cobrir uma área de 51,01% do ambiente, com uma perda de propagação até
75dB.
 P á g i n a | 148

A Figura 11 exibe a solução para 2 transmissores, posicionados na coordenada x1=6 e

y1=9,38, x2=24,49 e y2=6,39 sendo estes capazes de cobrirem uma área de 84,09% do ambiente,
com uma perda de propagação até 75dB.

Figura 10 - Resultado para 1 transmissor. Figura 11 - Resultado para 2 transmissores.

Fonte: Próprios Autores, 2022. Fonte: Próprios Autores, 2022.

A Figura 12 exibe a solução para 3 transmissores, posicionados na coordenada x1=15,36

e y1=4,97, x2=5,82 e y2=6,26, x3=24,98 e y3=6,40, sendo esses capazes de cobrirem uma área
de 97,72% do ambiente, com uma perda de propagação até 75dB.
A Figura 13 exibe a solução para 4 transmissores, posicionados na coordenada x1=14,98
e y1=1,76, x2=24,52 e y2=9,05, x3=4,80 e y3=6,82, x4=26,49 e y4=2,46, sendo esses capazes de
cobrirem uma área de 100% do ambiente, com uma perda de propagação até 75dB.

Figura 12 - Resultado para 3 transmissores. Figura 13 - Resultado para 4 transmissores.

Fonte: Próprios Autores, 2022. Fonte: Próprios Autores, 2022.

 P á g i n a | 149

A Figura 14 exibe a solução para 5 transmissores, posicionados na coordenada x1=3,47

e y1=9,73, x2=16,95 e y2=8,42, x3=21,41 e y3=2,84, x4=26,49 e y4=2,73, x5=28,15 e y5=5,78
sendo estes capazes de cobrirem uma área de 100% do ambiente, com uma perda de propagação
até 75dB.

Figura 14 -Resultado para 5 transmissores.

Fonte: Próprios Autores, 2022.

CONCLUSÃO

Este artigo relacionou fatores que influenciam na propagação da onda eletromagnética

(distância e número de paredes) em um ambiente indoor, através da análise empírica dos dados
obtidas através das medições, capaz de predizer a perda de propagação do sinal em redes Wi-Fi
do padrão 802.11ac (5.2GHz) em ambientes indoors, por meio da utilização de uma técnica de
inteligência computacional chamada Rede Neural Artificial do tipo perceptron multicamadas.
Ademais, a fim de avaliar o desempenho desse método de predição, utilizando uma RNA
treinada, foram repassados a ela valores de entrada de distância entre o transmissor e o receptor e
número de paredes, as quais o sinal atravessa, com o intuito de predizer a perda de propagação.
Em seguida, foram calculados o erro RMS entre os valores medidos e os preditos, assim como o
desvio padrão do erro, nos quais foram obtidos valores satisfatórios, respectivamente, 2,17dB e
2,24 dB.
Logo, foi possível comparar o método que utiliza RNA para predição de perda de
propagação com os modelos Batalha e Motley-Kennan, tendo o método proposto se mostrado
mais preciso.
Com a finalidade de desenvolver uma ferramenta para futuros planejamentos de redes
sem fio, foi utilizado o método proposto de predição de perda de propagação em conjunto com o
algoritmo de otimização PSO para estabelecer a área de cobertura máxima do sinal com o menor
número possível de transmissores, sendo estabelecidos o posicionamento e o número de 4
 P á g i n a | 150

transmissores para cobrir totalmente o ambiente estudado, com um sinal com um valor de perda
de propagação de até 75dB.
Para trabalhos futuros, pretende-se tornar o método mais geral, mediante uma nova campanha
de medição que contemple os mais diversos tipos de ambientes indoors e diferentes faixas de
frequência.

AGRADECIMENTOS

Os autores gostariam de agradecer à UFPA, à CAPES, ao CNPq e ao Instituto Nacional

de Ciência e Tecnologia - Comunicação Sem Fio (INCT-CSF) pelo apoio prestado para o
desenvolvimento da pesquisa descrita neste artigo.

REFERÊNCIAS

AYADI, M.; BEN ZINEB, A; Tabbane, S. A UHF Path Loss Model Using Learning
Machine for Heterogeneous Networks, IEEE Transactions on Antennas and
Propagation, v. 65, n. 7, p. 3675-3683, jul. 2017.

BATALHA, I. S.; ARAUJO, J.P.L.; CASTRO, B. S. L; CAVALCANTE, G.P.S. Large-

scale Model for 5.2 GHz Band in Indoor Academic Environments. VIII Conferência
Nacional em Comunicações, Redes e Segurança da Informação, Bahia. ENCOM,
2018.

CASELLA, I. R. S; PEREIRA, A. L. A Bioinspired Propagation Model for Brazilian

Digital TV System based on MLP and RBF Networks, IEEE Latin America
Transactions, v. 14, n. 9, p. 3941-3948, set. 2016.

EBERHART, R.; KENNEDY, J. A new optimizer using particle swarm theory, IEEE
Micro Machine and Human Science, p. 39-43, 1995.
HAYKIN, Simon. Neural networks: a comprehensive foundation. 2. ed. Upper Saddle
River, New Jersey: Pearson Prentice Hall, 1999.

NAJNUDEL, M. Estudo de propagação em ambientes fechados para o

planejamento de WLANs. 2004. 136 f. Dissertação (Mestrado em Engenharia Elétrica)
– Pontificía Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2004.

Relatório de tendências globais de rede para 2022. Cisco, 2022. Disponivel em:
https://www.cisco.com/c/dam/global/pt_br/solutions/enterprise-networks/nb-06-2022-
networking-report-cte.pdf. Acesso em: 16 fevereiro de 2022.

Report Measuring the Information Society Report. International Telecommunication

Union (ITU), 2018. Disponivel em: https://www.itu.int/en/ITU-
D/Statistics/Pages/publications/misr2018.aspx. Acesso em: 14 fevereiro de 2022.
 P á g i n a | 151

RODRIGUES, J. D. C. Planejamento de redes de comunicação sem fio para

ambiente indoor considerando os efeitos da polarização das antenas: abordagem
baseada em medições. 2011. 68 f. Tese (Doutorado em Engenharia Elétrica) –
Universidade Federal do Pará, Belém, 2011.

SILVA, D. K. N. S; CASTRO ERAS, L. E.; MOREIRA, A. A; CORREIA, F. J. B. B;

CAVALCANTE, G. P. S. A Propagation Model for Mixed Paths Using Dyadic Green's
Functions: A Case Study Over the River for a City–River–Forest Path, IEEE Antennas
and Wireless Propagation Letters, vol. 17, n. 12, p. 2364-2368, dez. 2018.

Recebido em: 01/04/2022

Aprovado em: 03/05/2022
Publicado em: 05/05/2022