اخبار و اعلانات
آمار
| تعداد نشریات | 35 |
| تعداد شماره‌ها | 1,279 |
| تعداد مقالات | 9,259 |
| تعداد مشاهده مقاله | 8,586,764 |
| تعداد دریافت فایل اصل مقاله | 5,264,752 |
مکان‌یابی منبع تشعشع با استفاده از کمترین مربعات خطی در مشاهدات DRSS جدید | ||
| رادار | ||
| دوره 8، شماره 1 - شماره پیاپی 23، شهریور 1399، صفحه 39-44 اصل مقاله (927.35 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حسن نظری* 1؛ میثم رئیس دانایی2 | ||
| 1دانشجو | ||
| 2عضو هیئت علمی دانشگاه امام حسین (ع) | ||
| تاریخ دریافت: 23 مرداد 1398، تاریخ بازنگری: 06 اردیبهشت 1399، تاریخ پذیرش: 30 خرداد 1399 | ||
| چکیده | ||
| مکان‌یابی با استفاده از اندازهگیری توان سیگنال دریافتی ارزان است و پیچیدگی محاسباتی کمی دارد از این رو سبب افزایش طول عمر حسگرها در شبکه حسگر بی‌سیم می‌گردد. نمونه انتشار متداول برای RSS دارای توزیع لگ-نرمال است و چون تابع چگالی احتمال معلوم است بهترین تخمین‌گر برای مکان‌یابی ML است. تخمین‌گر ML غیرخطی است و در مقالات برای حل آن روش‌های بهینه‌سازی محدب و گوس-نیوتن ارائه شدهاند. این روش‌ها پیچیدگی زیادی به سامانه تحمیل می‌کنند و سبب کاهش عمر باطری می‌گردند. در این مقاله برای حل تخمین‌گر غیرخطی ML، یک تخمین‌گر خطی در دو مرحله به‌کار گرفته شده است. در مرحله اول یک نمونه DRSS جدید ارائه شده است و در ادامه این مرحله ترمهای غیرخطی تابع هزینه ML با متغیر خطی جایگزین شدهاند، همچنین برخلاف تخمینگرهای بر اساس نمونه DRSS متداول، عملکرد این تخمین‌گر با انتخاب تصادفی گره مرجع شماره 1 افت نمی‌کند. در مرحله دوم به کمک سری تیلور خطا ناشی از تقریب مرحله اول به حداقل کاهش یافته است و بدین ترتیب دقت تخمین مکان افزایش می‌یابد. شبیه‌سازی‌ها نشان می‌دهد جذر متوسط انرژی خطا این تخمین‌گر در مقایسه با تخمینگرهای موجود تا 13 درصد کاهش یافته است. | ||
| کلیدواژه‌ها | ||
| تفاضل توان سیگنال دریافتی؛ مکان‌یابی منبع؛ کمترین مربعات خطی؛ مکان‌یابی متمرکز؛ شبکه حسگر بی‌سیم؛ تخمین‌گر حداکثر درست‌نمایی | ||
| عنوان مقاله [English] | ||
| Linear Least-Squares Based Source Localization for New DRSS Model | ||
| نویسندگان [English] | ||
| Hassan Nazari1؛ M. R. Danaee2 | ||
| 1student | ||
| 2Assistant Professor of Electrical Engineering, Imam Hossein Comprehensive University | ||
| چکیده [English] | ||
| Localization by the received signal Strength (RSS) measurement is inexpensive and has low computational complexity, thus extending the lifetime of the sensors in the wireless sensor network. The conventional propagation model for RSS has a log-normal distribution and since the probability density function is known, the best estimator for localization is Maximum Likelihood Estimator (MLE). The ML estimator is nonlinear and nonconvex and Gauss-Newton and convex optimization methods are presented in the papers. These methods impose a lot of complexity on the system and reduce the energy of the battery. In this paper, a two-step linear estimator is employed to solve the nonlinear ML estimator. In the first step, a new DRSS model is presented and nonlinear terms of ML cost function are replaced with linear variables. Also, in contrast to the estimators based on the conventional DRSS model, the performance of this estimator doesn't reduce by the random selection of the number 1 reference node. In the second step, the error of approximation of the first step is minimized, thus increasing the accuracy of the location estimation. Simulations show that in both the first and second steps, the accuracy is improved and the average error root error is reduced by up to 13% compared to the existing estimators. | ||
| کلیدواژه‌ها [English] | ||
| Differential Received Signal Strength (DRSS), Source Localization, Linear Least Squares, Centralized Localization, Wireless Sensor Network (WSN), Maximum Likelihood Estimator (MLE) | ||
| مراجع | ||
|
C. Laoudias, A. Moreira, S. Kim, S. Lee, L. Wirola, and C. Fischione, “A survey of enabling technologies for network localization, tracking, and navigation,” IEEE Commun. Surv. Tutorials, vol. 20, no. 4, pp. 3607–3644, Fourthquarter 2018.##
[2] M. Hamdollahzadeh, R. Amiri, and F. Behnia, “Optimal sensor placement for multi-source AOA localisation with distance-dependent noise model,” IET Radar, Sonar Navig., vol. 13, no. 6, pp. 881–891, June 2019.##
[3] S. Wu, S. Zhang, K. Xu, and D. Huang, “Neural Network Localization With TOA Measurements Based on Error Learning and Matching,” IEEE Access, vol. 7,pp. 19089–19099, Feb. 2019.##
[4] Y. Hu and G. Leus, “Robust Differential Received Signal Strength-Based Localization,” IEEE Trans. Signal Process., vol. 65, no. 12, pp. 3261–3276, June 2017.##
[5] S. Chang, Y. Li, X. Yang, H. Wang, W. Hu, and Y. Wu, “A Novel Localization Method Based on RSS-AOA Combined Measurements by Using Polarized Identity,” IEEE Sens. J., vol. 19, no. 4, pp. 1463–1470, Feb. 2019.##
[6] S. M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory. Upper Saddle River, NJ, USA: Prentice-Hall, 1993.##
[7] H. C. So and L. Lin, “Linear least squares approach for accurate received signal strength based source localization,” IEEE Transactions on Signal Processing, vol. 59, no. 8, pp. 4035–4040, Aug. 2011.##
[8] R. Vaghefi, M. Gholami, R. Buehrer, and E. Strom, “Cooperative received signal strength-based sensor localization with unknown transmit powers,” IEEE Trans. Signal Process., vol. 61, no. 6, pp. 1389–1403, Mar. 2013.##
[9] L. Lin, H. So, and Y. Chan, “Accurate and simple source localization using differential received signal strength,” Digit. Signal Process., vol. 23, no. 3, pp. 736–743, Dec. 2013.##
[10] F. Chan, Y. T. Chan and R. Inkol. “Path loss exponent estimation and RSS localization using the linearizing variable constraint.” in IEEE MILCOM. 2016, 225-229.##
[11] H. Lohrasbipeydeh, T. A. Gulliver, H. Amindavar and T. Dakin, “Efficient RSSD-Based Source Positioning with System Parameter Uncertainties,” in 2014 IEEE 80th Vehicular Technology Conference (VTC2014-Fall), Vancouver, BC, 2014, pp. 1-4.##
[12] G Rahimi, M. R. Danaee, and S. Bayat. “A generalized total least squares algorithm for RSS-based localization with unknown path-loss model parameters.” in Iranian Conference on Electrical Engineering, 2016, pages 521–524.##
[13] Yaming Xu, Jianguo Zhou, and Peng Zhang. “Rss-based source localization when path-loss model parameters are unknown.” IEEE communications letters, 18(6):1055–1058, 2014.##
[14] M. Sepahvand, A. Naseri, M. R. Danaee, M. H. Khanzade, “Target Tracking Algorithm in Wireless Sensor Networks with Optimum Power Consumption Using Quantized Observation,” Journal of Electronical & CyberDefence, vol. 2, August 2018. (In Persian).##
[15] M. Ferdosizade Naeiny, Y. Eghbali, F. Moradi, “DoA Estimation in the Presence of the Unknown Mutual Coupling Using a UCA with Directive Antennas,” Journal of Radar, vol. 6, no. 1, pp. 27-36, September 2018 (In Persian).## | ||
|
آمار تعداد مشاهده مقاله: 767 تعداد دریافت فایل اصل مقاله: 289 |
||