| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Bauchspiess, Adolfo | - |
| dc.contributor.author | Sena, Andressa Maria Monteiro | - |
| dc.identifier.citation | SENA, Andressa Maria Monteiro. CNN Few-Shot para aprendizado flexível em ambientes prediais. 2025. 56 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecatrônica) — Universidade de Brasília, Brasília, 2025. | pt_BR |
| dc.description | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, 2025. | pt_BR |
| dc.description.abstract | A responsabilidade pelo aumento do número de cidades sustentáveis é global. A Automação
Predial pode contribuir nesse cenário incentivando o uso eficiente de energia por meio
de ferramentas tecnológicas. Definir qual atividade uma pessoa executa em determinado
ambientes permite que decisões acerca de termorregulação e controle de iluminação sejam
tomadas. Para o reconhecimento de atividades humanas (HAR), implementa-se uma rede
CSI de sensores Wi-Fi com microcontroladores ESP32 para criação de banco de dados de trei namento para redes neurais artificiais. Com intuito de comparação, avalia-se o desempenho
de dois métodos distintos de aprendizado profundo de máquina: rede neural convolucional
(aprendizado em um ambiente e uso no mesmo) e Few-Shot Learning (aprendizado em um
ambiente e uso em outros ambientes similares - transfer learning). Códigos disponíveis em
https://github.com/dekomonte/csi-har-few_shot-unb.git. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Automação | pt_BR |
| dc.subject.keyword | Automação predial | pt_BR |
| dc.subject.keyword | Aprendizagem de máquina | pt_BR |
| dc.subject.keyword | Reconhecimento de atividades humanas | pt_BR |
| dc.title | CNN Few-Shot para aprendizado flexível em ambientes prediais | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2025-11-10T17:36:07Z | - |
| dc.date.available | 2025-11-10T17:36:07Z | - |
| dc.date.submitted | 2025-02-21 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/42244 | - |
| dc.language.iso | Português | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
| dc.description.abstract1 | Responsibility for increasing the number of sustainable cities is global. Building automation
can contribute to this scenario by encouraging the efficient use of energy through technologi cal tools. Defining which activity a person performs in a given environment allows decisions
to be made about thermoregulation and lighting control. For human activity recognition
(HAR), a CSI network of Wi-Fi sensors is implemented with ESP32 microcontrollers to create
a training database for artificial neural networks. For comparison purposes, the performance
of two different deep machine learning methods is evaluated: convolutional neural networks
(learning in one environment and using it in the same environment) and few-shot learning
(learning in one environment and using it in other similar environments - transfer learning).
Codes are available at https://github.com/dekomonte/csi-har-few_shot-unb.git. | pt_BR |
| Aparece na Coleção: | Engenharia Mecatrônica
|
