Resumen:
Actualmente, el desarrollo tecnológico trata de facilitar diversas tareas que se realizan de manera cotidiana, como en la predicción de rutas de destino en el transporte, la detección de enfermedades de manera temprana dentro de la salud, mejorar el diseño de las redes inalámbricas al verificar zonas con cobertura en el aspecto tecnológico, entre otros. Estas soluciones se obtienen a partir del uso de aplicaciones de Deep Learning y Machine Learning, mismos que permiten la generación de predicciones de valores o la toma de decisiones, para ello es necesario lograr el entrenamiento de estos algoritmos a partir de una base de datos inicial. La adquisición de esta información puede convertirse en un problema debido a la escaza en la cantidad de datos que se pueda recolectar.
Una solución para la obtención de datos es Data Augmentation, el cual emplea un conjunto de técnicas para generar artificialmente datos, este proyecto de investigación tiene como fin la generación de datos a partir de mediciones de niveles de intensidad de señal recibida (RSSI, del inglés Received Signal Strength Indicator) de una base de datos en el cantón Quito. Esta base de datos inicial presenta 5174 valores, de los cuales 1608 no poseen medición RSSI para lo cual se realizó varios regresores para la generación del valor RSSI y completar los valores nulos.
Además, se desarrollaron modelos de clasificación según el indicador de calidad del enlace (LQI, del inglés Link Quality Indicator) para etiquetar estos datos y observar si los datos poseen una buena o mala conexión. Posteriormente, se realizó el proceso de Data Augmentation al generar nuevas coordenadas a partir del programa Collect Earth y emplear el modelo de regresión con el mejor desempeño para obtener un valor RSSI, luego se utiliza el mejor modelo de clasificación para la generación de etiquetas LQI. Finalmente, se realiza la comparación de la base de datos inicial y la base de datos aumentada a través de los mapas de calor y los mapas basados en las etiquetas LQI.
