État du projet¶

---

Contenu de la section¶

Cette section présente l'état actuel du projet. Toutes les séances de projet étant terminées et tout le travail fourni durant celles-ci étant détaillé dans le Rapport de projet.

1. Rappel de la gestion de projet¶

Avant toute chose, faisons un rappel de la gestion de projet réalisée pour mener à bien les missions qui nous ont été confiées.

1.1. Cahier des Charges¶

Pour commencer, voici les différentes problématiques qui nous ont été posées :
- Est-il possible d’identifier l’émetteur à partir de son CFO ? C'est-à-dire : le CFO est-il bien unique et constant entre un émetteur et un récepteur ?
- Les autres paramètres du protocole LoRa (le SF par exemple) ont-ils un impact sur la continuité du CFO ?
- Peut-on déterminer un modèle d’identification de l’émetteur à partir du CFO en entraînant un réseau de neurones pour faire du Machine Learning ?

1.2. WBS¶

Ensuite, voici le WBS (Work Breakdown Structure) que nous avons construit pour structurer le projet en plusieurs tâches élémentaires :

Figure 1 : WBS du projet

1.3. Gantt¶

Enfin, voici le Gantt que nous avons mis en place pour structurer encore plus le projet, et pour pouvoir suivre l’évolution du travail fourni sur la durée du projet :

Figure 2 : Gantt du projet

2. État actuel du projet¶

Maintenant que le rappel de la gestion de projet effectuée au début du projet est fait, voyons, d'un point de vue WBS et Cahier des Charges (le Gantt ayant été respecté à la lettre) l'état actuel du projet.

2.1. WBS¶

Pour commencer l'état des lieux du projet, voici l'état final de toutes les tâches définies pour le projet :

Figure 3 : WBS du projet

Comme nous pouvons le voir ci-dessus, toutes les tâches ont été terminées.

2.2. Cahier des Charges¶

Cela signifie que nous pouvons donc répondre à toutes les problématiques posées dans le Cahier des Charges :

- Le CFO est-il bien unique et constant entre un émetteur et un récepteur : OUI
--> Du moins la variation du CFO au cours du temps entre un émetteur et un récepteur permet tout de même de bien différencier les émetteurs.

- Les autres paramètres du protocole LoRa (le SF par exemple) ont-ils un impact sur la continuité du CFO : OUI MAIS
--> Oui mais cet impact permet tout de même de bien différencier les émetteurs.

- Peut-on déterminer un modèle d’identification de l’émetteur à partir du CFO en entraînant un réseau de neurones pour faire du Machine Learning : OUI
--> Le modèle déterminé au final est basé sur l'entrainement de l'algorithme kNN (k Nearest Neighbour) et il montre un taux de précision de presque 90% dans la prédiction de l'émetteur (avec le CFO et le SF comme valeurs d'entrées).

Conclusion¶

Le projet, d'un point de vue théorique, est donc terminé, néanmoins, les tests effectués ne sont pas exhaustifs. Par exemple, dû au matériel/logiciel utilisé (GNU Radio), nous n'avons pas pu tester l'impact du SF pour les valeurs de SF 10, 11 et 12. De plus, les résultats obtenus sur les tests effectués sont prometteurs mais la base de données utilisée ne comportait que 600 jeu de données, ce qui est correct mais faible comparé au nombre de jeu de données utilisé en général dans toutes les autres applications du Machine Learning.

C'est pourquoi, le projet peut être considéré, au final, terminé qu'à 90% (estimation personnelle). Des tests de plus grandes envergures avec des jeux de données complets (valeurs de SF manquantes) restent donc à réaliser.