اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,252 |
| تعداد مقالات | 9,075 |
| تعداد مشاهده مقاله | 8,182,673 |
| تعداد دریافت فایل اصل مقاله | 4,940,053 |
موقعیت یابی دستگاه های بی سیم با معیار میانه خطای کمترین مربعات وزن دهی شده در حضور سیگنال های مسیر غیر مستقیم | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 12، دوره 8، شماره 2 - شماره پیاپی 30، شهریور 1399، صفحه 125-133 اصل مقاله (1.14 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| جعفر خلیل پور* 1؛ جواد رنجبر2؛ مهدی کاظمی نیا3 | ||
| 1دانشکده برق دانشگاه پدافند هوایی خاتم الانبیاء(ص) | ||
| 2دانشگاه پدافند هوایی خاتم الانبیا (ص) | ||
| 3مخابرات-سیستم، دانشکده برق و کامپیوتر، گروه مخابرات دانشگاه سیستان و بلوچستان | ||
| تاریخ دریافت: 07 تیر 1398، تاریخ بازنگری: 01 مرداد 1398، تاریخ پذیرش: 07 مرداد 1398 | ||
| چکیده | ||
| در این مقاله، یک روش موقعیتیابی مبتنی بر دستگاه بر اساس روش خطای کمترین مربعات وزندهی شده ارائه میشود. مهمترین چالش در تخمین موقعیت، اثر سیگنالهای مسیر غیر مستقیم در گرههای مرجع است که منجر به دادههای خارج از محدوده و در نهایت کاهش دقت تخمین میشود. برای این منظور، یک روش جدید از طریق ترکیب روش شناسایی و حذف سیگنالهای مسیر غیر مستقیم و روش وزندهی گرههای مرجع ارائه خواهد شد. چالش دیگر موقعیتیابی، وابستگی شدید سیگنالهای مسیر غیر مستقیم به محیط انتشار سیگنال است. به همین دلیل به‌دست آوردن یک تابع توزیع برای تحلیل رفتار این پدیده بسیار پیچیده و زمانبر است به خصوص در روشهای تخمین مبتنی بر دستگاه که فرآیند تخمین موقعیت در دستگاههای هدف متحرک با طول عمر باتری محدود صورت میپذیرد. بنابراین در این مقاله، یک روش شناسایی سیگنالهای مسیر غیر مستقیم و وزندهی گرههای مرجع با پیچیدگی محاسباتی کم که بینیاز از داشتن دانش اولیه درباره توابع توزیع بایاس سیگنالهای مسیر غیر مستقیم است، معرفی خواهد شد. در این روش، از تعداد تکرارهای گرههای مرجع در گروههای تخمین مختلف به عنوان معیاری برای شناسایی سیگنالهای مسیر غیر مستقیم و وزندهی گرههای مرجع استفاده خواهد شد. در نهایت با داشتن وزنهای گرههای مرجع، موقعیت دستگاه هدف توسط یک مسئله بهینهسازی غیرخطی مقید پیادهسازی و به کمک روش لاگرانژ حل میشود. نتایج شبیهسازی نشان میدهد که روش پیشنهادی عملکرد تخمین موقعیت را نسبت به روشهای خطی و غیرخطی غیر وزنی بهبود میدهد. در روش پیشنهادی 35 درصد از خطاها مقداری کمتر از 25/0 متر دارند که نسبت به روشهای دیگر بهبود حدود 30 درصدی را نشان میدهد. همچنین 95 درصد از خطاها کمتر از 2 متر هستند و در مقایسه با روشهایی که وزندهی در آنها انجام نمیشود، دقت تخمین حداقل 20 درصد افزایش مییابد. همچنین در مواردی که تعداد گرههای مرجع یا تعداد گروههای تخمین کمتری در دسترس است، روش پیشنهادی قابلیت اطمینان بالاتری در تخمین موقعیت دارد. زمانی که حداقل 35 درصد از گرههای مرجع دارای سیگنالهای مسیر مستقیم هستند، دقت موقعیتیابی در روش ارائه شده بهبود قابل ملاحظهای دارد. | ||
| کلیدواژه‌ها | ||
| موقعیت یابی؛ خطای کمترین مربعات وزن دهی شده؛ سیگنالهای مسیر غیر مستقیم؛ بهینه سازی غیرخطی مقید | ||
| عنوان مقاله [English] | ||
| Wireless Target Localization Using Median Weighted Least Square Error Metric in the Presence of Non-Line of Sight Signals | ||
| نویسندگان [English] | ||
| J. Khalilpoor1؛ J. Ranjbar2؛ M. Kazeminia3 | ||
| 1University of Khatam al-Anbia Air Defense | ||
| 2University of Khatam al-Anbia Air Defense | ||
| 3Telecommunications department, University of Sistan and Baluchestan | ||
| چکیده [English] | ||
| In this paper, a device-based localization method is proposed based on the weighted least square error. The most important challenge in localization is the effect of non-line of sight signals (NLoS) at reference nodes which cause outliers and degrade the estimation accuracy of localization. To meet this challenge and avoid such consequences, a new method is introduced based on the combination of weighted reference nodes method and identification and elimination of the NLoS signals method. Another challenge is the dependency of NLoS signals on the transmission environment. Based on this reason, obtaining a probability density function (PDF) to analyze the behavior of NLoS signals is complex and time-consuming, specifically in device-based localization methods that run on mobile wireless targets with limited battery. Therefore, in this paper, a low-complexity method of identification and weighting of NLoS signals is proposed without requiring priority knowledge regarding NLoS bias PDFs. In this method, the frequency of reference nodes in different estimation groups is used to identify and weight the NLoS signals. Finally, the target location is modeled via a constraint non-linear optimization problem and is solved through the Lagrange method. Simulation results illustrate that the proposed method improves the performance of localization in comparison to linear and nonlinear unweighted-localization methods. In the proposed method, 35% of localization errors are lower than 0.25 m showing approximately 30% improvement in the localization performance. Moreover, 95% of localization errors are lower than 2 m, and the performance increase by 20% in comparison to the unweighted-localization methods. In the case that the number of reference nodes is small, the proposed method provides higher reliability in the location estimation and specifically, when 35% of reference nodes are the line of sight, the estimation accuracy is increased significantly. | ||
| کلیدواژه‌ها [English] | ||
| Localization, Weighted Least Square Eerror, Non-line of Sight Signals, Constraint Non-linear Optimization | ||
| مراجع | ||
|
[1] M. Anarfarhad, M. R. Mosavi, and A. A. Abedi, “Enhancing Vector Tracking Accuracy of GPS in Weak Signal Condition Based on Adaptive Strong Tracking Kalman Filter,” Journal of Electronical & Cyber Defence, vol. 6, no. 3, pp. 1-12, 2016.
[2] F. Zafari, A. Gkelias, and K. Leung, “A survey of indoor localization systems and technologies,” 2017.
[3] H. Chen, G. Wang, and X. Wu, “Cooperative Multiple Target Nodes Localization Using TOA in Mixed LOS/NLOS Environments,” IEEE Sensors Journal, 2019.
[4] Y.-T. Chan, W.-Y. Tsui, H.-C. So, and P.-c. Ching, “Time-of-Arrival Based Localization Under NLOS Conditions,” vol. 55, no. 1, pp. 17-24, 2006.
[5] P.-C. Chen, “A Non-Line-of-Sight Error Mitigation Algorithm in Location Estimation,” In Wireless Communications and Networking Conference (WCNC), pp. 316-320, 1999.
[6] W. Li, Y. Jia, J. Du, and J. Zhang, “Distributed multiple-model estimation for simultaneous localization and tracking with NLOS mitigation,” vol. 62, no. 6, pp. 2824-2830, 2013.##
[7] R. M. Vaghefi, J. Schloemann, and R. M. Buehrer, “NLOS mitigation in TOA-based localization using semidefinite programming,” In Wireless Positioning Navigation and Communication (WPNC), pp. 1-6, 2013.##
[8] E. García, P. Poudereux, Á. Hernández, J. Ureña, and D. Guald, “A Robust UWB Indoor Positioning System for Highly Complex Environments,” In Industrial Technology (ICIT), IEEE, pp . 3386-3391, 2015.#3
[9] P. Ling, C. Shen, K. Zhang, H. Jiao, L. Zheng, and X. Deng, “An Improved NLOS Error Elimination Algorithm for Indoor Ultra-Wideband Localization,” In SENSORS, 2017 IEEE, pp. 1-3, 2017.##
[10] N. Garcia, H. Wymeersch, E. G. Larsson, A. M. Haimovich, and M. Coulon, “Direct Localization for Massive MIMO,” vol. 65, no. 10, pp. 2475-2487, 2017.##
[11] C. Geng, X. Yuan, and H. Huang, “Exploiting Channel Correlations for NLOS ToA Localization with Multivariate Gaussian Mixture Models,” IEEE Wireless Communications Letters, 2019.##
[12] J. Hua, Z. Zheng, B. Jiang, K. Zhou, and G. Zhong, “A Study on Residual Weighting Algorithm for Mobile Localization,” vol. 12, no. 5, 2013.##
[13] C.-H. Park and J.-H. Chang, “Robust LMedS-Based WLS and Tukey-Based EKF Algorithms Under LOS/NLOS Mixture Conditions,” IEEE Access, vol. 7, pp. 148198-148207, 2019.##
14] R. Casas, A. Marco, J. Guerrero, and J. Falco, “Robust Estimator for Non-Line-of-Sight Error Mitigation in Indoor Localization,” vol. 2006, pp. 156-156, 2006.##
| ||
|
آمار تعداد مشاهده مقاله: 479 تعداد دریافت فایل اصل مقاله: 312 |
||