محل و موقعیت رابطه در شبکه های موقت
محل درجه معمولا در مشاهده مستقیم به / از نشانه های معمولی با موقعیت های شناخته شده از / به یک گره از بهره (NOI) متکی است. با این حال، در شبکه های حسگر بی سیم موقت (AHWSN)، گره قادر به برقراری ارتباط مستقیم با نقاط دسترسی موجود (APS) هستند. در چنین سناریویی، گره های همسایه ممکن است اطلاعات تعاونی را قادر به استنباط از محل NOI داده شده در یک شبکه سازد. در این مقاله ما امکان سنجی روش های رابطه ای در محیط های multihop را برای تخمین مکان و موقعیت بررسی می کنیم. دو تکنیک رمان برآورد و موقعیت ارائه شده: نزدیکی الگوریتم نسبی (RPA) و پیشرفته نزدیکی الگوریتم نسبی (ERPA). RPA و ERPA می توانند به عنوان روش های آزاد برد برد بر اساس و یا به عنوان عمل، که آنها هر دو راه حل های جذاب و انعطاف پذیر برای برآورد موقعیت هستند مورد استفاده قرار دهد. با AHWSNs عملکرد این تکنیک مشخص و متوجه شد که به تعداد گره همکاری، تعدادی از افراد متضرر موجود در شبکه، و حضور سر و صدای اندازه گیری مربوط می شود RPA و ERPA نیز به چند روش شناخته شده و موقعیت محل گزارش شده در ادبیات مقایسه و نشان داده شده است که آنها رسیدن به دقت کافی برآورد مکان با برخی از مزایای در نظر تعداد نقاط دسترسی مورد نیاز و سربار ترافیک شبکه هستند.
مقدمه
گره ها در شبکه های ad hoc بی سیم به طور کلی با سنسور، به جمع آوری اطلاعات در مورد رویدادهای خاص مورد علاقه [۱] مجهز شده است. علاوه بر این، گره ها قادر به پردازش و انتقال این اطلاعات هستند. به منظور استفاده کامل از داده های حس، تعیین محل اطلاعات موقعیت گره ها در شبکه ضروری است [۲]. دلیل این است که آنها ممکن است یک محل سکونت دائمی را اشغال کنند که آنها ممکن است موضوع عمدی یا غیر عمدی حرکت باشند [۳]. بنابراین، الگوریتم های محل و موقعیت برای طیف گسترده ای از برنامه های کاربردی، از جمله تدارکات کارخانه، انبار، نظارت زمان واقعی، کنترل محیط زیست و نظارت خواستار، در میان دیگران[۴] استفاده شده است.
محل سکونت همیشه در رابطه با یک سیستم ارجاعی هماهنگ تعریف شده توسط نقاط دیدنی شناخته شده متعارف [۵] توصیف شده است. با این حال، مشاهده مستقیم از یک گره داده شده بعید است در شبکه های بی سیم سنسور ویژه (AHWSN) به دلیل محدودیت هایی که در محدوده انتقال از گره ها و شرایط نامطلوب است. بنابراین، در AHWSNs، نشانه های معمولی و یا نقاط دسترسی (AP ها) از طریق الحاق از لینک های متوالی رسیده است، تعریف یک مسیر انتقال چند هاپ. در چنین سناریویی که در آن افراد متضرر قادر به برقراری ارتباط تک هاپ با اکثر گره های شبکه (به این ترتیب آنها را ارائه با اطلاعات قابل اعتماد تنها محدود)، محل باید از چهار چوب از چند توصیف، استنباط شود. این توصیف اغلب به ویژگی های جمعیت که مشخصه این محله ها از یک گره در نزدیکی [۶،۷] مربوط می شود. از این رو، تعیین محل یک گره یک کار است که شامل همکاری از چند گره در شبکه می شود. بنابراین، تعاونی روش محل جایگاه در دهه گذشته برای این نوع از حالات [۵،۸] پیشنهاد شده است.
اگر چه چندین روش محل تعاونی به تازگی ارائه شده است [۹،۱۰]، بسیاری از آنها نیاز به یک مرحله پیش پردازش علاوه بر این مرحله برآورد محل دارد. این نیاز ممکن است اثرات سوء بر عملکرد آنها داشته باشد. به عنوان مثال، در مرحله قبل از پردازش به طور قابل توجهی موجب افزایش تعداد بسته انتقال اطلاعات در شبکه، افزایش سربار ترافیک وجود داشته است. علاوه بر این، چندین روش محل های تعاونی در حال حاضر دقت برآورد کم حتی با تعداد زیادی از افراد متضرر در سراسر شبکه (که همچنین افزایش هزینه اجرای سیستم) مستقر [۳] است. بنابراین، به منظور توسعه کم هزینه، دقیق، و الگوریتم های محل تعاونی کارآمد لازم است.
در این مقاله، ما استفاده از اطلاعات رابطه تعاونی های ساده برای محل و موقعیت در محیط های multihop را بررسی می کنیم. اندازه گیری مجاورت مختلف (به عنوان مثال، برد بر اساس و بدون محدوده) پیشنهاد در تعیین موقعیت یک گره استفاده می شود. برآورد محل و موقعیت است با استفاده از دو روش رمان های انجام شده، نزدیکی نسبی الگوریتم (RPA) و پیشرفته نزدیکی الگوریتم نسبی (ERPA)، که در آن در اصل تخمین بر میزان گره های همسایه در اطراف گره از بهره (NOI) مبتنی بر واقع شود. نتایج عملکرد هر دو روش را برای چندین سناریو ارائه شده است. با این وجود، برآورد مکان و موقعیت ممکن است با اندازه گیری خطاها و حتی با تکنیک های مسیریابی [۱۱] است. بنابراین، اثر خطا نزدیکی تشکیل شده در محل و موقعیت رابطه ای مورد تجزیه و تحلیل است. علاوه بر این، به منظور استفاده از مزایای آنها بیشتر برجسته، عملکرد روش ارائه شده است که از دیگر تکنیک های محل و موقعیت گزارش شده در ادبیات در حالات که در آن سر و صدا اندازه گیری، تراکم گره، و افراد متضرر در دسترس متفاوت هستند مقایسه شده است.
در ادامه مقاله به شرح زیر است: بخش ۲ چکیده ای مختصر از روش محل و موقعیت برای شبکه های multihop فراهم می کند. بخش ۳ توصیف RPA، رمان، روش محل و موقعیت اساسی و ساده در مورد مفهوم و نزدیکی. در بخش ۴ ERPA، نسخه بهبود یافته از RPA، ارائه شده است. ERPA مزایای عملکرد مهم بیش از پیش از چاپ سیستم های محل و موقعیت فراهم می کند. چنین مقایسه در بخش ۵، که در آن هر دو الگوریتم پیشنهادی از طریق مدل سازی محاسباتی مورد بررسی قرار داده شده است. در نهایت، بخش ۶ شامل نتیجه گیری از این کار می باشد.
۲. کار مرتبط
سیستم تعیین موقعیت جهانی (GPS) می تواند به عنوان سیستم مکان و موقعیت به طور گسترده به کار گرفته شده در جهان [۱۲] در نظر گرفته شود. با این حال، در برخی از محیط های خاص (به عنوان مثال، AHWSNs)، GPS ارائه اشکالاتی مهم است، به عنوان مثال: هزینه استقرار، در دسترس بودن خدمات، و دقت برآورد [۱۳ ۱۵]. بنابراین، الگوریتم های همکار و هماهنگ در طول دهه گذشته توسعه یافته اند برای حل این مشکل برآورد محل و موقعیت در AHWSNs [۹،۱۶؟ ۱۸]. در این بخش، ما به طور خلاصه برخی از طرح های اخیر محلی سازی برای شبکه های multihop در ادبیات شناخته شده و، هر چند بررسی جامع نیست، آن را در حال حاضر الگوریتم های مهم از نقطه نظر ارتباط آنها با روشهای ارایه شده در این مقاله است. در بخش ۵، برخی از این الگوریتم به عنوان یک معیار برای ارزیابی عملکرد از RPA و ERPA استفاده می شود.
در [۱۹]، روش DV-هاپ، ارائه شده است که شاید ساده ترین روش های موجود به دنبال به منظور برآورد موقعیت است NOI. مرحله پیش پردازش و مراحل برآورد: این از دو مرحله تشکیل شده است. در مرحله قبل از پردازش، به کارگیری کوتاه ترین مسیر، هر گره (از جمله APS) فاصله آن در گره (یا لینک) به هر AP های موجود در شبکه را محاسبه می کنیم. از آنجا که افراد متضرر فرض می شود می دانم که موقعیت خود را، آنها را به اطلاعات از راه دور اقلیدسی بین خود داشته باشند. بنابراین، استفاده از فاصله اقلیدسی و تعداد دفعات مشاهده هاپ، افراد متضرر قادر به برآورد “ متوسط hoplength عامل، که به شبکه پخش. سپس، در مرحله برآورد، NOI برآورد فاصله آن به هر AP با ضرب تعداد دفعات مشاهده هاپ را در مسیر پیوستن به آن برای هر بار AP به طور متوسط عامل هاپ طول. در نهایت، یک فرایند مثلث ساده می تواند استفاده شود به منظور برآورد محل و موقعیت از NOI. به تازگی، در [۲۰]، دقت برآورد DV-Hop دیده از طریق استفاده از یک روش برنامه ریزی خطی برای به حداقل رساندن عامل هاپ با طول افزایش یافته بود. نتایج آنها نشان می دهد بهبود دقت برآورد در حدود ۲۰٪ (در مقایسه با روش استاندارد DV-Hop دیده) برای حالات تراکم گره بالا است. با این حال، دقت برآورد خود را می تواند بهبود بیشتر است، حتی افزایش تعداد افراد متضرر و یا دامنه ارتباطات گره.
یکی از موضوعات مهم در هر موقعیت و یا محلی سازی الگوریتم تعداد گره مرجع که مورد نیاز برای به دست آوردن نتایج دقیق است. در [۲۱] مشکل محلی سازی به عنوان یک فرمول بهینه سازی که در آن تعداد گره مرجع به حداقل می رسد معرفی شده اند. نویسندگان استفاده از الگوریتم حریص و روش trilateration در فرمولاسیون خود. علاوه بر این به مقدار مورد نیاز از گره های مرجع موجود، به مسئله مهم دیگر استقرار (توزیع) از گره مرجع در AHWSNs است. در [۲۲]، آن است که توصیه می شود که گره های مرجع در یک دایره محصور در شبکه های حسگر کل آن را به عنوان حداقل می رساند خطای تخمین موقعیت مستقر شده اند. در این مقاله مورد بسیار بزرگ مناطق AHWSNs، مانند آنهایی که به کار برای نظارت بر محیط زیست، نظارت و ردیابی برنامه های کاربردی می داند. علاوه بر این، کد عکس. [۲۲] همچنین ارائه مهم ترین پیشرفت های پیشنهادی برای الگوریتم DV-هاپ اصلی، که به عنوان یک الگوریتم مرجع برای اهداف مقایسه در نتایج استفاده می شود. الگوریتم محلی سازی ارائه شده در [۲۲] به نام ترکیبی DV-هاپ (HDV-HOP) به دلیل آن سوء استفاده مزایای DV-Hop دیده و به حداقل رساندن مصرف انرژی، جاری شدن سیل از پیام ها و تعداد گره مرجع مورد نیاز برای محلی سازی. علاوه بر این، نویسندگان همچنین نشان داده است که بسته به سناریو و الگوریتم در نظر گرفته، تعداد گره مرجع افزایش یافته است همیشه به یک خطای تعیین محل کوچکتر منجر نمی شود. همچنین در [۱۹]، نویسندگان نسخه مبتنی بر طیف وسیعی از DV-Hop دیده، که DV-فاصله نامیده می شد معرفی شده اند. این راه حل به شرح زیر است از همان روش شرح داده شده در پاراگراف قبلی با تغییراتی که اندکی در این فرآیند است.
در مرحله قبل از پردازش، گره را از راه دور خود را در گره به هر AP های موجود در شبکه را محاسبه کنیم، اندازه گیری مبتنی بر طیف استخدام در عوض، هاپ، طول هر لینک در مسیر multihop اتصال یک گره با AP تخمین زده می شود (سیگنال دریافت قدرت، زمان ورود، و غیره). در نهایت، طول مسیر multihop از طریق علاوه بر این از فرد هاپ، طول که مسیر پیوستن به گره و AP شکل محاسبه می شود. راه Multihop در AHWSNs معمولا کج و معوج شکل، و در نتیجه، علاوه بر این از طول هاپ های فردی منجر به برآورد بیش از حد طول مسیر. بنابراین، در DV-فاصله یک ضریب تصحیح محاسبه می شود برای کاهش عوارض جانبی از حد برآورد طول مسیر در برآورد محل و موقعیت.
یکی دیگر از الگوریتم محل و موقعیت تعاونی در [۱۹] ارائه شده است. این روش به عنوان روش انتشار اقلیدسی شناخته شده است. در این طرح، آن است که فاصله اقلیدسی بین گره چیزی است که بین همسایه ها به اشتراک گذاشته شده است. به عنوان مثال، فرض کنیم که گره B و C قادر به برقراری ارتباط هاپ تنها به یک AP و همچنین بین خود. علاوه بر این، وجود دارد گره دیگر، A، است که قادر به برقراری ارتباط تک هاپ به AP وجود دارد. با این حال، گره می تواند یک اتصال هاپ به گره B و C. گره A را اندازه گیری فاصله آن تا گره B و C ایجاد و گره های B و C با گره A. اشتراک اندازه گیری از راه دور خود را به AP و اندازه گیری فاصله بین خود این اطلاعات سپس اجازه می دهد تا گره A برای محاسبه فاصله اقلیدسی خود را به AP. با توجه به [۲۳]، این روش می تواند محل و موقعیت تخمین دقیق موقعیت NOI در شبکه های متراکم (حداقل ۱۲ همسایه در هر گره) فراهم می کند.
از روش های ذکر شده در بالا، روشن است که DVHop، که آزاد برد، است که دست کم راه حل گران است. در این جهت، نقطه تقریبی در مثلث (APIT) الگوریتم توسعه داده شد [۱۴]. در APIT، NOI با افراد متضرر در دسترس اطراف آن ارتباط برقرار کند. برای APIT به منظور برآورد محل و موقعیت از NOI، لازم است که حداقل سه AP ها در یک تک هاپ از NOI در دسترس هستند. هر گروه از سه اشخاص متضرر یک منطقه مثلثی تعریف می کند. سپس، برآورد محل و موقعیت از NOI است با محاسبه مرکز ثقل تقاطع مناطق به طور کامل مثلثی متصل به آن به دست آمده. بنابراین، به منظور ارائه برآورد موقعیت دقیق با APIT، ضروری به مقدار قابل ملاحظه ای زیادی از افراد متضرر مستقر در سراسر شبکه تعریف چندین مناطق به طور کامل مثلثی است. متاسفانه، افزایش تعداد افراد متضرر در شبکه هزینه اجرای APIT افزایش می دهد.
در [۱۷]، یک محل مشترک معرفی شده است، که در آن گره ها از سه نوع هستند، گره عادی، لنگر و یا مرجع گره و گره فانوس دریایی (معمولا گره مورد علاقه یک گره طبیعی است). محل گره های طبیعی است که با در نظر گرفتن ترکیب طرح های محلی سازی بر اساس محدوده و رایگان محدوده انجام شده است. گره های عادی و گره های فانوس دریایی به صورت تصادفی مستقر شده، هر چند آن را ترجیح داده است در صورتی که حداقل یک گره فانوس دریایی است که در داخل تقاطع مناطق تحت پوشش از دو گره مرجع، که استقرار تصادفی نویسندگان پیشنهاد محدود می کند. فاصله بر اساس قدرت سیگنال دریافت می شود در قدرت ساده مدل دریافت کلاسیک وابسته به توان از دست دادن مسیر و یک متغیر تصادفی لگ نرمال است. این عملیات محلی سازی با حداکثر سه گره فانوس دریایی انجام و مرجع گره تنها اطلاعات از زاویه نسبت به گره های طبیعی فراهم می کند. این الگوریتم نیاز به استقرار برخی از گره ها و به اصطلاح گره مرجع تنها به ارائه اطلاعات است که می تواند پویا (در نظر گرفته نشده است. [۱۷]) و حال تغییر است. این ادعا که حداکثر سه چراغ برای محلی سازی مورد نیاز است همان عنوان کرد و گفت که تنها سه گره مرجع مورد نیاز نیست. دلیل این است که گره های مرجع نیز نقش مهمی بازی می کنند و از این رو، ما می توانیم بگویم که، حداقل چهار گره ها در هر محلی سازی نقش دارد. علاوه بر این، این الگوریتم نیاز به تعداد زیادی از گره های فانوس دریایی به عملکرد خوب (به طور متوسط ۴ متر خطا برای ۶۰ یا بیشتر گره فانوس دریایی). این مقاله مقایسه در برابر متحد المرکز لنگر در Beacon (CAB) و APIT، outperforming هر دو روش را نشان می دهد.
پوسته پوسته شدن (MDS) الگوریتم چند بعدی ارائه شده در [۱۳] تخمین زده است که موقعیت گره چشم بند زیر سه مرحله. اول یک ماتریس فاصله تشکیل شده است که شامل اندازه گیری فاصله بین هر جفت از گره ها در شبکه می باشد. سپس تجزیه ارزش منحصر به فرد (SVD) به کار برای تولید اولیه از نقشه شبکه. در نهایت، اطلاعات را از گره لنگر به کار برای بهینه سازی این نقشه از طریق چرخش نشان داده می شود.
در [۱۸]، نویسندگان ارائه یک الگوریتم تعاونی بر اساس قدرت سیگنال دریافت (RSS) به ترجمه و بومی سازی گره های حسگر. روش فرض دانش پیشینی از RSS دارای (RSSI) الگوهای از هر جفت از گره ها در شبکه در هر فاصله (گره یا گره های سنسور و یا مرجع می باشد). برخی از گره های حسگر به موضعی می شود در مناطق با سطوح خاص RSSI باشد و محل دقیق تر به عنوان گره مرجع را پوشش گره است. هنگامی که چند گره مرجع را پوشش گره منافع با سیگنال های خود را، و سپس آنها همکاری محاسبه تخمینی از موقعیت می داند. گره های مرجع انتقال یک سری از سیگنال های فانوس دریایی به گره های مورد علاقه و الگوهای RSSI در این روش اندازه گیری، همسان شناخته شده است. روش ارائه شده به عملکرد بهتر از سنجش چند بعدی (MDS) الگوریتم با عوامل مختلف از جمله وزن برآورد ماکسیمم درستنمایی (MLE). در مقابل، روش ما پیشنهاد می کنیم، به یک مرحله پیش پردازش است که معادل نیاز به دانستن پیشینی نقشه RSSI نیاز ندارد. همچنین، در صورتی که تغییرات محیط زیست، که به طور منظم می باشد، نقشه RSSI را مجبور به دست آمدن یک بار دیگر، که در AHWSN مطلوب نیست. همانطور که بحث شد، بسیاری از این تکنیک نیاز به یک مرحله پیش پردازش دارد که در بالای سر قدرت در شبکه را افزایش می دهد، و آنها تخمین می زنند محل گره در هزینه تلاش زیادی محاسباتی [۳]. در بخش بعدی، یک روش محل و موقعیت استفاده می کند که اطلاعات را از محیط اطراف برای تعیین فاصله و موقعیت نسبی را معرفی می کنیم. الگوریتم بر دانستن تعدادی از همسایگان اطراف NOI و نزدیکی مربوطه خود را به افراد متضرر در دسترس است، از این رو نیاز به قابلیت پردازش محاسباتی کم است.
۳. نزدیکی الگوریتم نسبی (RPA)
در این بخش، الگوریتم نسبی نزدیکی است برای اولین بار از تجزیه و تحلیل یک سناریوی ساده دو معرفی افراد متضرر، به سناریوی سه AP تعمیم داده شود. در هر دو سناریو، گره در شبکه فرض می شود قادر به تشخیص و یا کسانی که گره های شناسایی در منطقه تحت پوشش خود را، به طوری که آنها می توانند اطلاعات مربوط به قابل دسترسی از افراد متضرر به اشتراک بگذارید. بنابراین، یک NOI در AHWSN تا به دانش خاص در مورد گره های همسایه آن است. الگوریتم نسبی نزدیکی فرض می شود که گره در شبکه قادر به تشخیص و یا کسانی که گره هایی که در منطقه تحت پوشش خود را شناسایی، به طوری که آنها می توانند اطلاعات مربوط به قابل دسترسی از افراد متضرر به اشتراک بگذارید. فرض بر این است که برخی از گره مواجهه اطراف NOI که ارزش یک پارامتر به نام شاخص نزدیکی، دیاس، من، که به فاصله بین گره و یک API مربوط داده شده است. بنابراین، یک N۰ NOI به واقع خواهد شد به یک غیر خالی R-محله و یا R-توپ، BR (N۰) در ارتباط است، تعریف شده به عنوان مجموعه ای از تمام گره های قابل دسترسی از N۰ در یک هاپ در یک منطقه پوشش شعاع R، است که با قدرت انتقال و حساسیت گره در محله تنظیم می شود. در دیگر کلمات، مواجهه گره ۲ BR (N۰)، اگر و تنها اگر | مواجهه؟ N۰ | ۶ R، که در آن | مواجهه؟ N۰ | نشان دهنده فاصله بین گره n۰ و مواجهه. منطقه تحت پوشش این R-محله به عنوان AR نشان داده می شود. در یک سناریوی دو بعدی، و برای AHWSN با محیط انتشار همگن، منطقه AR تحت پوشش این R-محله یک دایره است.
در اشاره به شاخص های نزدیکی، آن را باید به ذکر است که دقت این شاخص نزدیکی دارند، بر روی فن آوری های مستقر در برآورد نزدیکی (به عنوان مثال، برد یا بر اساس آزاد برد)، و همچنین به دقت از چنین فن آوری و به شرایط انتشار غالب بستگی دارد. به عنوان مثال، در مورد ارتباطات multihop صفحه اول نزدیکی ممکن است به تعداد لینک های مورد نیاز و یا گره های مورد نیاز مواجهه گره برای رسیدن به یک نقطه دسترسی [۲۴] مراجعه کنید. بنابراین، تحت یک پروتکل مسیریابی فاصله حداقل، شاخص نزدیکی به فاصله نقطه گره toaccess مرتبط. به منظور بررسی این که چگونه این شاخص مجاورت و کار R-محله در محل موقعیت RPA الگوریتم ما، به ما یک سناریو پایه در نظر با دو نقطه دسترسی، API و APJ. اجازه بدهید N تعداد کل گره قابل دسترسی توسط NOI است در یک هاپ، به عنوان مثال، این گره ها در R-محله تعریف شده توسط BR توپ (N۰) اطراف NOI می باشد. توجه داشته باشید که این تعداد N را می توان به دو دوره تقسیم، Ni و Nj با توجه به معیار مجاورت دیاس فرم، من ۶ دیاس، د، برای تمام گره مواجهه ۲ BR (N۰). به عبارت دیگر، N x۳d نیکل + نیوجرسی، که در آن نیکل مخفف تعداد گره با شاخص های نزدیکی که نشان می دهد آنها از به APJ به API نزدیک تر هستند، به همین ترتیب برای نیوجرسی. در این روش برای اولین بار، ما می توانیم فرض کنیم که هیچ اندازه گیری فاصله واقعی در دسترس هستند. با این وجود، نابرابری از شاخص نزدیکی دیاس، من ۶ دیاس، د را می توان در مشاهدات درشت است، به عنوان قبلا ذکر شد، هنگام استفاده از دیاس، من به عنوان تعدادی از گره و یا لینک در مسیر پیوستن به همسایه مواجهه گره و نقطه دسترسی داده شده است. از اطلاعات از تعدادی از گره های همسایه، Ni و Nj، به دست آمده از R-محله از طریق استفاده از شاخص های نزدیکی، روش ارائه می شود نسبت گره در مجاورت NOI به نشان می دهد نزدیکی به نقاط دسترسی . به عبارت دیگر، در یک سناریو تراکم گره همگن، با در نظر گرفتن نسبت نیکل / (نیکل + نیوجرسی) الگوریتم دارای شاخص نزدیکی نسبی NOI به API نقطه دسترسی. به طور مشابه، نسبت نیوجرسی / (نیکل + نیوجرسی) است برای نزدیکی نسبی به نقطه دسترسی APJ در نظر گرفته شده است. توجه داشته باشید که این بدان معنی است که برای یک گره همگن سناریو تراکم در AH-WSN، هنگامی که نیکل x۳d نیوجرسی، N۰ NOI انتظار می رود که فاصله به هر دو افراد متضرر شود و از آنجا که NOI لزوما در API خط M APJ پیوستن نقاط دسترسی API و APJ دروغ، فرض بر این خواهد بود تا در خط عمود بر API \ APJ به طور مساوی bisecting بخش اتصال دو نقطه دسترسی است (شکل ۱ را ببینید).
هنگامی که نسبت به گره یک نقطه دسترسی نزدیک تعیین کننده است که یک عدم تعادل وجود دارد، به عنوان مثال، نیکل P نیوجرسی، این کار با یک رانش Dij از N۰ NOI به سمت نقطه دسترسی که چنین نسبت بیشتری است، به عنوان مثال می شود، API. تحت این شرایط، NOI فرض خواهد شد که در یک KIJ خط عمود بر پاره خط API M APJ است که نسبت به API زیرفشار است، شکل. ۱. ما می توانیم این ایده را به سناریوی کلی تر گسترش که در آن سه دسترسی نقاط وجود دارند. بنابراین، این استدلال همان است که فقط شرح داده شده، را می توان در حضور دسترسی سوم اعمال نقطه، APK. الگوریتم نزدیکی نسبی بر اساس فرض یک سناریوی همگن که در آن گره ها یکنواخت در AR منطقه تحت پوشش گسترش و تعداد گره N در چنین منطقه AR با توجه به یک متغیر تصادفی پواسون توزیع شده، به عنوان مثال، (کار) نئون؟ کار / N!، که در آن k پارامتر تراکم گره است. این دیده می شود که برای یک داده شده تعداد N، حداکثر احتمال برای کار رخ می دهد x۳d N [۵]. توجه داشته باشید که تعداد کل گره، N، در توپ BR (N۰) اطراف NOI شناخته شده است، آن را به عنوان تعداد گره قابل دسترسی توسط N۰ در یک هاپ است. در حال حاضر، تعریف مناطق متلاشی شدن هوش مصنوعی و عج طوری که آنها یک پارتیشن از منطقه AR از BR (N۰) را تشکیل می دهند. سپس گره در مناطق هوش مصنوعی یا عج آن گره به API نقطه دسترسی یا APJ، به ترتیب نزدیک تر است. با فرض استقلال از وقوع گره ها در هوش مصنوعی و عج، تعداد کل گره ها در منطقه AR، تا به پی دی اف شده توسط و حداکثر یک رویکرد استنتاجی منجر به هوش مصنوعی x۳d NiAR / N. این است، به اندازه منطقه هوش مصنوعی نسبت به AR کل منطقه، که در آن نسبت است توسط تعدادی از گره ها در هوش مصنوعی داده شده بدون در نظر گرفتن تراکم گره است. به یاد بیاورید که برای AHWSN با یک محیط انتشار همگن، منطقه AR یک دایره تبدیل می شود، و نسبت نیکل / (نیکل + نیوجرسی) اجازه می دهد تا به جای NOI در خط KIJ به موازات API \ APJ. توجه داشته باشید که خط مانند KIJ است واحد طول Dij به سمت API به عنوان تابعی از نسبت گره از به APJ به API نزدیک تر زیرفشار عنوان در بیان نشان داده شده است.
در حال حاضر، با توجه به یک نقطه دسترسی سوم APK، خطوط عمود بر API \ APJ و APJ \ APK شناخته شده است، و پس از پیدا کردن ریش DKI و Djk، خطوط زیرفشار kki و از kjk می تواند تعریف و NOI خواهد شد گفت: در مرکز ثقل است از منطقه تعریف شده توسط تقاطع از زیرفشار خطوط KIJ، از kjk، و kki.
توجه داشته باشید که در مورد توزیع نابرابر از گره ها، و در صورت عدم وجود نشانه غلظت گره، یک توزیع نسبتا یکنواخت را می توان در مجاورت NOI به عهده گرفت. این است، اگر چه غلظت گره می تواند به طور گسترده ای در منطقه خدمات متفاوت، تنوع در هر منطقه تحت پوشش کوچک است. بنابراین نقطه ای که تعداد گره مربوط به APJ توزیع به همان اندازه به عنوان تعدادی از گره های مربوط به تغییرات API به نقطه ای که مناطق هوش مصنوعی و عج شرط این است، برای نیکل x۳d نیوجرسی، kjAj x۳d کیایی و عج + هوش مصنوعی x۳d A. توجه داشته باشید که در مورد کیلوژول x۳d کی، عج x۳d هوش مصنوعی، منجر به Dij x۳d ۰. به خاطر سادگی، ما در دیگر نقاط در نظر این مقاله که گره با گره ک تراکم یکنواخت در سراسر منطقه سرویس توزیع کنید.
نتایج عملکرد برای این تکنیک، که در بخش ۵ ارائه شده است، نشان می دهد که این رویکرد فراهم می کند قابل قبول دقت برآورد موقعیت که در آن خطاهای برآورد به عنوان تعدادی از گره های همسایه در افزایش R-محله کاهش می دهد. با این حال، در بخش بعدی ما نسخه بهبود یافته است که سبب کاهش خطا در برآورد مکان برای اغلب موارد زمانی که تراکم بالایی از گره های موجود در شبکه است ارائه دهد.
۴. نزدیکی نسبی پیشرفته الگوریتم (ERPA)
در این بخش، ما بهبود به RPA معرفی شده در بخش های قبلی به افزایش کارایی الگوریتم ارائه شده است. بهبود با تغییر استفاده از خطوط عمود بر در RPA با استفاده از hyperbolas برای قرار دادن NOI مشخص می شود. ERPA با استفاده از همان نوع از شاخص نزدیکی به RPA، اما مجموعه ای از شاخص های متفاوت تحت درمان برای تولید hyperbolas. بنابراین، از روش متفاوتی برای برآورد محل نزدیکی نسبی را می توان از شاخص های همان نزدیکی قبلا شرح داده شده، به عنوان مثال، (دیاس، من، دیاس، د، دیاس، ک) برای سناریو با سه نقطه دسترسی (شکل ۲ را ببینید). بسته به روش مشاهده دقت این شاخص مجاورت متفاوت است. به عنوان مثال، در یک سناریو multihop با یک مسیر ارتباط مواجهه گره به API، دیاس صفحه اول نزدیکی، من را می توان از علاوه بر این از برآورد طول هاپ متوالی در مسیر ایجاد ارتباط بین گره های به دست آمده. این طول هاپ می توانید از نقاط قوت حوزه درک و یا انتشار برآورد تاخیر سیگنال های سفر بین گره های متوالی.
با فرض این که روش های مسیریابی انتخاب کوتاه ترین مسیر، و در شرایطی که اندازه گیری زمان و یا شدت میدان اندازه گیری قابلیت، تعداد گره ای را فراهم خواهد کرد شاخص نزدیکی از یک گره به نقطه دسترسی.
در حال حاضر، با توجه به سناریوی تراکم گره همگن در شبکه، و بدون در نظر گرفتن راه است که نزدیکی
شاخص به دست آمده است، هنگامی که دیاس برابری، من x۳d دیاس، د راضی است، ما انتظار داریم مواجهه گره به فاصله به نقاط دسترسی API و APJ، این اجازه می دهد تا برای تعریف یک خط عمود API \ APJ به طور مساوی bisecting بخش اتصال افراد متضرر که در آن همه امتیاز در خط فاصله به API نقاط دسترسی و APJ به عنوان در بخش قبلی توضیح داده شده (شکل ۱ را ببینید).
هنگامی که شاخص نزدیکی دیاس، من و دیاس، د متفاوت است، ما هنوز هم در نظر بگیرید که N۰ گره نماینده نوعی از همسایگان خود است. در چنین سناریویی، شده d۰ صفحه اول نزدیکی، من از N۰ NOI به API می تواند به عنوان به طور متوسط از همه شاخص نزدیکی از تمام گره های همسایه مواجهه ۲ BR (N۰) به API نقطه دسترسی قرار گرفته است. این است، شده d۰ صفحه اول نزدیکی، من داده شده است.
در حال حاضر، با توجه به شاخص های نزدیکی میانگین D۰، من و D۰، د برای دسترسی به نقاط API و APJ، به ترتیب، N۰ گره به معنای در منبع محل، امکان پذیر است که در آن شرح داده شده است.
هذلولی Hij منبع به عنوان مجموعه ای از نقاط که برآورده بیان هنگامی که یک نقطه دسترسی سوم APK در الگوریتم استفاده می شود، منطقه امکان سنجی NOI را می توان به intersec- کاهش می یابد روش از hyperbolas Hij و Hki، و به منظور مقابله با اتفاقی از برآورد نزدیکی، D۰، من، D۰، د، D۰، ک، تقاطع هذلولی Hjk \ Hki و Hjk \ Hij نیز در نظر گرفته، و N۰ فرض شده است در مرکز ثقل این تقاطع است. اگر چه این نشان می دهد صرفا جبری به طور متوسط فرآیند، خطاهای بوجود می آیند به عنوان مواجهه گره اشغال مکان های تصادفی در R-محله و یا R-توپ BR (N۰). همچنین، تخمین فاصله دیاس، من نشان عدم اطمینان به عنوان آنها می توانند به اختلالات مسیریابی هنگام دیاس، من شامل تعداد گره، یا در معرض خطاهای انتشار هنگامی که شکل. ۲. منبع هذلولی برای محل های عملی را در ERPA. شاخص نزدیکی نشان دهنده اندازه گیری از راه دور. NOI است در مرکز دایره. () سناریو پایه با ۲ APS و (ب) محل و موقعیت با ۳ افراد متضرر.
اندازه گیری شدت میدان و یا تاخیر درگیر هستند. به طور مشابه، و همانطور که قبلا در بخش ۳ مورد بحث، تعداد گره N در توپ یک شماره توزیع پواسون است. در ادامه گزارش نتایج عددی بر عملکرد الگوریتم، توصیف اثرات خطاهای اندازه گیری، تعداد همسایه ها در هر گره، و تراکم گره در دقت برآورد برای حالات مختلف.
۵. نتایج
به منظور بررسی دقت و صحت برآورد از روش های ارائه شده، چندین شبیه سازی انجام شد. برای هر شبیه سازی، چند (سه بار یا بیشتر) افراد متضرر با مکان های شناخته شده در نظر گرفته شد به موجود در شبکه می باشد. این افراد متضرر در هواپیما به گونه ای که یک چند ضلعی محدب با طول ضلع L تعریف شده بود قرار گرفت. گره به طور تصادفی با توزیع یکنواخت تولید شد. تراکم گره های شبکه به منظور ارائه NOI با تعداد خاصی از کشورهای همسایه گرفته شد. سپس، از تمام گره های موجود در شبکه، یکی به صورت تصادفی انتخاب شد که NOI. سناریوهای شبیه سازی می شود مشخصه نسبت r و x۳d R / L در درصد (r و P ۱۰۰٪ نشان می دهد یک سناریوی تک هاپ، در حالی که تحقیق x۲۶lt;۱۰۰٪ نشان می دهد یک سناریوی multihop). افزایش تحقیق است
همان افزایش اندازه R-محله و یا R-توپ، BR (N۰)، از این رو، افزایش تعداد گره ها در اطراف NOI. خطای برآورد درجه است تفاوت بین موقعیت های واقعی از NOI و برآورد داده شده توسط الگوریتم های داده شده است. روش معمول در ادبیات است به گزارش نتایج عملکرد الگوریتم در شرایط خطا نرمال با توجه به شعاع پوشش گره. بنابراین، در این مقاله ما گزارش ریشه میانگین مربع خطا نرمال شده (RMSE).
شکل. ۳ ارائه منحنی RMSE نرمال برای DV-Hop دیده، RPA، و ERPA در حالات مختلف. شکل. ۳a در عملکرد RPA مقایسه (زمانی که محل است در تقاطع خطوط مستقیم) و ERPA (زمانی که محل است در تقاطع جایگاه هذلولی) در مقابل تعداد همسایه برای multihop حالات بدون سر و صدا (به عنوان مثال، که در آن گره های همسایه می دانند فاصله دقیق خود را به هر AP در شبکه). از سوی دیگر، شکل. ۳B عملکرد سه موقعیت الگوریتم های محل مقایسه به عنوان تابعی از r و تعداد افراد متضرر موجود در شبکه می باشد. از شکل ۳A، می توان آن را مشاهده نحوه دقیق محل مزه را بهبود می بخشد برای هر دو روش به عنوان تعدادی از گره های همسایه رشد می کند. با این حال، این بهبود برای ERPA نسبت به RPA اهمیت بیشتری دارد. دلیل این رفتار است که هنگامی که NOI فاصله واقعی خود را به هر AP در شبکه می داند، ERPA اجازه می دهد تا آن را به تخمین موقعیت واقعی آن است. از سوی دیگر، RPA تنها می تواند برآورد محل دقیق آن از NOI زمانی که آن را در خط مستقیم است که از دو افراد متضرر داده شده متصل است. اگر NOI است سمت بالا یا پایین از این خط جا به جا شده، برآورد رانش، Dij، کمتر خواهد بود دقیق است. بنابراین، برای RPA، در اغلب موارد غیر ممکن است برای تخمین محل دقیق آن از NOI حتی در حضور اندازه گیری دقیق فاصله. بنابراین، افزایش یک گره در محله دارای یک اثر مثبت قابل توجهی در دقت برآورد ERPA از آن در که از RPA می کند. علاوه بر این، نتایج بررسی کنید که ERPA ارائه در عملکرد بهتر از RPA برای اکثر حالات. با این حال، برای بزرگ
مقادیر r و تعداد کم گره های همسایه (به عنوان مثال، نزدیک شدن به رده سناریو تک هاپ) RPA ارائه دقت برآورد بهتر از ERPA. علاوه بر این، عملکرد ERPA نشان داده شده است به ثابت باقی می ماند بدون در نظر گرفتن از ارزش گرفته شده توسط r. این ویژگی باعث می شود آن را به همان اندازه انتخاب مناسب برای برآورد محل و موقعیت در تک هاپ و یا multihop حالات. از سوی دیگر، تحقیق دارای یک سیگنال اثر قابل بر عملکرد RPA. همانطور که در نشان داده شده شکل. RMSE ۳a و به عنوان تحقیق را افزایش می دهد برای RPA کاهش می یابد، به این معنی که دقت تخمین موقعیت ارائه شده توسط RPA افزایش خواهد یافت به عنوان سناریو نزدیک یک طرح هاپ تنها. همانطور که در شکل نشان داده شده. ۳B، تعداد افراد متضرر موجود در شبکه یک پارامتر است که اثرات مهمی بر روی دقت برآورد DV-Hop دیده، RPA، و ERPA است. سناریو برای این تجزیه و تحلیل در نظر گرفته در یک شبکه با تعداد ثابتی از گره های همسایه (N x۳d ۷.۶)، there- شامل پیش به عنوان تحقیق پارامتر، متفاوت بود den- گره های شبکه تنوع به حال به تنظیم شود برای نگه داشتن تعداد همسایه ثابت است. شکل. و ۳b نشان می دهد که، در این سناریو، دقت برآورد RPA است، بطور قابل توجهی کاهش یافته است به عنوان تعدادی از افراد متضرر شده است افزایش یافته است. این به خاطر ماهیت الگوریتم که متکی بر خط KIJ رفت و برگشت به طول API بخش چند ضلعی اتصال و APJ. همانطور که تعداد ۲۶ V.H. پرز-گونزالس و همکاران.
شکل. ۳. نرمال RMSE () به عنوان تابعی از گره های همسایه و r برای RPA و ERPA و (ب) به عنوان تابعی از تعداد افراد متضرر موجود در شبکه و r برای DV-Hop دیده، RPA، و ERPA.
از افراد متضرر افزایش می یابد، KIJ نمی تواند دیگر از طریق تمام منطقه چند ضلعی رفت و برگشت، ایجاد مناطق که در آن برآورد موقعیت دقیق از NOI خام می شود. DVHop همچنین نشان می دهد روند منفی است که در آن دقت برآورد خود را به عنوان تعداد را افزایش می دهد افراد متضرر در دسترس است کاهش می یابد. با این حال، در این سناریو به نظر می رسد قوی تر از RPA، هر چند از آن است که مهم اشکال نیاز به یک مرحله پیش پردازش است که به طور قابل توجهی افزایش می دهد سربار ترافیک در شبکه می باشد. در نهایت، ERPA فراهم می کند دقت به عنوان تعدادی از افراد متضرر موجود در شبکه افزایش یافته است.
همانطور که مشاهده شد که ERPA بهتر RPA برای اغلب موارد، بقیه نتایج شبیه سازی تنها در ERPA متمرکز شده است. در شکل ۳ نشان داده شد که تنها با چند گره های همسایه، و در حضور اندازه گیری فاصله بدون سر و صدا، ERPA قادر به فراهم آوردن محل بالا دقت برآورد است. با این حال، در یک سناریوی واقعی منابع بسیاری از سر و صدا اندازه گیری وجود داشته باشد (به عنوان مثال، سایه، پراکندگی، چند، و غیره) بنابراین، در
به منظور تجزیه و تحلیل اثر خطاهای اندازه گیری در محل دقت برآورد، خطاهای اندازه گیری مواد افزودنی در نظر گرفته شد تا با توزیع نمایی با وسایل مختلف از ۵٪ به ۲۰٪ از اندازه گیری فاصله واقعی بین کشورهای همسایه NOI و افراد متضرر رخ می دهد. در شکل ۴ گزارش RMSE نرمال، هر دو برای حالات پر سر و صدا و بدون سر و صدا. مقایسه شکل. ۳A و ۴A اجازه می دهد که شناسایی این حال یکی دیگر از مزایای ERPA بیش از RPA، این است که تنها با چند گره های همسایه به کار با، و حتی در حضور خطاهای اندازه گیری، ERPA نمایشگاه عملکرد بهتر از RPA می کند در حالات بدون سر و صدا برای مقادیر کوچک از آر. علاوه بر این،
تراکم گره های شبکه ۷.۶ همسایگان در هر گره و ۳APs ۷.۶ همسایگان در هر گره و ۳APs ۷.۶ همسایگان در هر گره و ۳APs ۷.۶ همسایگان در هر گره و ۳APs ۱۶ یکی هاپ افراد متضرر ۷.۶ همسایگان در هر گره با ۳۰٪ به افراد متضرر ۷.۶ همسایگان در هر گره با ۳۰٪ به افراد متضرر ۷.۶ همسایگان در هر گره با ۳۰٪ به افراد متضرر ۱۲.۲ همسایگان در هر گره و ۳AP دقت برآورد از سیستم بهبود یافته است به عنوان تعدادی از افراد متضرر در دسترس است افزایش یافته است. با این حال، به عنوان خطای اندازه گیری به معنی افزایش می یابد تغییرات روند. حتی با یک خطای اندازه گیری متوسط ۵٪ دقت برآورد ERPA به عنوان تعدادی از افراد متضرر را افزایش می دهد کاهش می یابد. با این وجود، به صورت متوسط خطای اندازه گیری افزایش یافته است، که بهترین تنظیمات از افراد متضرر تغییرات از یک مثلث با سه APS، به چند ضلعی چهار AP.
به منظور بررسی دقت هر دو الگوریتم برآورد محل پیشنهادی، مهم است که برای ارائه یک معیار برای مقایسه. جدول ۱ چنین مقایسه ای بین عملکرد از روش ارائه شده در این مقاله و کسانی که از قبلا منتشر شده الگوریتم های محل و موقعیت را نشان می دهد (اطلاعات به دست آمده از [۳]). به منظور مقایسه این الگوریتم نسبتا ما سناریو در نظر گرفته و به طور متوسط ۷.۶ همسایه در هر گره به عنوان در [۳]. از جدول ۱ می توان آن را مشاهده کرد که اگر چه RPA توسط ERPA برای اغلب موارد عملکرد بهتری نسبت، RPA (دقت ۲۶٪ R) می تواند با روش های مانند DV-Hop دیده، APIT، و MDS-MAP برای مقادیر متوسط و بزرگ به رقابت بپردازند
از r است. از سوی دیگر، ERPA نمایشگاه عملکرد بهتر از این سه روش برای هر مقدار از r است. علاوه
بیش از، RPA و ERPA ها مزیت نیاز به تنها سه AP ها در شبکه، در حالی DV-Hop دیده، DV-فاصله، اقلیدسی، و روش APIT استخدام تعداد زیادی از افراد متضرر (به عنوان مثال، APIT نیاز ۱۶ یک هاپ APS). علاوه بر این، روش های ارائه شده به یک پردازش نیاز ندارد
مرحله، به عنوان DV-Hop دیده و DV-فاصله مخالف، کاهش هزینه های محاسباتی و ارتباطی است.
این مهم است که به یاد داشته باشید این است که در یک سناریوی واقعی تعداد همسایگان است پارامتر به کنترل شود (اما تراکم گره است) نیست، چرا که در یک سناریو همگن آن است که یک پواسون تعداد توزیع شده است. شکل. ۵ را نشان می دهد RMSE نرمال از نظر تراکم گره های شبکه (مهم است که به یاد داشته باشید که دقت برآورد با مزه از ERPA وابسته به تحقیق و در نتیجه هر منحنی از شکل ۳ می تواند به عنوان مرجع آزاد سر و صدا گرفته شده). این می تواند به ذکر است که دقت برآورد از الگوریتم بهبود می بخشد به عنوان تراکم گره را افزایش می دهد. با این حال، به عنوان تراکم گره برای حالات پر سر و صدا رشد می کند، RMSE فلات تعیین شده توسط توزیع خطای اندازه گیری می رسد. در این مرحله، RMSE دیگر وابسته به تراکم گره باشد.
۶ . بحث و نتیجه گیری
در این کار، ما به معرفی دو الگوریتم، RPA و ERPA، برای محل و موقعیت در AHWSNs با همسایه اطلاعات تعاونی. فن آوری هوشمند پیشنهادی تعیین محل گره های مورد علاقه (NOI) از نظر تعداد گره در محله های اطراف NOI. روش ارائه شده را می توان به طیف گسترده ای از هر دو سناریو در محیط داخلی و فضای باز استفاده شود، به شرطی که شاخص های نزدیکی یا از طریق اندازه گیری مستقیم و یا توسط روابط از NOI به کشورهای همسایه اطراف آن قابل حصول می باشد. دقت روش برآورد محل پیشنهادی مربوط به اطلاعات موجود و نیز به خطاهای اندازه گیری ناشی از روش های تخمین محدوده استفاده می شود و شرایط انتشار. الگوریتم پیشنهادی بر روی شاخص های نزدیکی که می تواند بسته به روش برآورد فاصله موجود در شبکه تعریف شده است. عملکرد چند طرح مورد بررسی قرار گرفته است و به منظور کاربرد به طیف گسترده ای از حالات، نتایج نرمال با توجه به شعاع پوشش از NOI می باشد. همچنین، تاثیر نویز اندازه گیری، تراکم گره، و افراد متضرر در دسترس است ارائه شده است. نتایج نشان می دهد که دقت و صحت مکان را بهبود می بخشد به عنوان تعدادی از گره های همکاری را افزایش می دهد، با این حال، تراکم گره بالا از گره های همسایه لزوما مورد نیاز نیست برای رسیدن به دقت تعیین موقعیت خوب است. علاوه بر این، هر دو روش RPA و ERPA به ارائه مزایای بیش از روش های تخمین موقعیت مکانی شناخته شده در دقت برآورد محل به عنوان یک درصد از نشان داده شده است شعاع تحت پوشش. همچنین، هر دو RPA و ERPA نشان داده شده است به ارائه مزایای در نظر محاسباتی و کام هزینه های ارتباطات. علاوه بر این، روش پیشنهادی نیز کاهش تعداد افراد متضرر مورد نیاز برای ارائه قابل قبول محل دقت برآورد.
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد