| Título: | Modelagem de perda de percurso com CNNs e dataset sintético |
| Autor(es): | Piratelli, Artur Padovesi |
| Orientador(es): | Vieira, Robson Domingos |
| Assunto: | Redes neurais (Computação)
Redes neurais convolucionais (Computação)
Dados sintéticos
Inteligência artificial |
| Data de publicação: | 19-Ago-2026 |
| Referência: | PIRATELLI, Artur Padovesi. Modelagem de perda de percurso com CNNs e dataset sintético. 2025. 55 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2025. |
| Resumo: | Este trabalho apresenta uma linha de produção para geração de dados sintéticos de perda
de percurso, e de suas respectivas features de entrada, destinada ao treinamento de mod elos de Inteligência Artificial (IA). A predição de perda de percurso e o mapeamento de
rádio (RM) do ambiente têm recebido crescente atenção com o avanço de métodos orienta dos a dados; entretanto, há escassez de código e ferramentas abertas para a criação desses
conjuntos completos de dados, o que limita o desenvolvimento de novas aplicações. Para
validar a solução proposta, foi construído um dataset na cidade de Brasília e treinada uma
UNet para predição de RM. Os resultados demonstram a viabilidade do pipeline e indicam
potencial para extensões futuras, incluindo a modelagem de outros parâmetros de canal, o
uso de múltiplas bases geoespaciais e a integração direta com frameworks de treinamento
de IA. |
| Abstract: | This work presents a production pipeline for generating synthetic path loss data, along
with the corresponding input features required for training artificial intelligence (AI) mod els. Path loss prediction and radio mapping (RM) have attracted growing interest with the
increasing use of data-driven methods; however, there is still a shortage of open-source
code and tools capable of producing complete datasets of this kind, which limits the devel opment of new applications. To validate the proposed approach, a dataset was generated
for the city of Brasília, and a UNet model was trained for RM prediction. The results
demonstrate the feasibility of the pipeline and indicate its potential for future extensions,
including the modeling of additional channel parameters, the use of multiple geospatial
data sources, and direct integration with AI training frameworks. |
| Informações adicionais: | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2025. |
| Licença: | 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. |
| Aparece na Coleção: | Engenharia da Computação
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.
