انتخاب گره های مناسب شرکت در مکان یابی مشارکتی با هدف کاهش حجم محاسباتی در یک شبکه توزیع شده

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، ایران

2 استاد، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، ایران

چکیده

در مکان­یابی مشارکتی از اطلاعات تمامی گره­های شبکه در تخمین مکان گره­های مجهول استفاده می­شود. بنابراین، در یک شبکه متراکم حجم اطلاعاتی که باید پردازش شود بسیار بالا خواهد بود. از این‌رو، در این مقاله الگوریتمی جهت انتخاب چند گره از بین تمامی گره­های موجود برای مشارکت در تخمین مکان گره هدف ارائه شده است که این کار حجم محاسبات را بسیار کاهش می­دهد. فرض بر این است که تخمین مکان گره هدف بر اساس اندازه­گیری فاصله گره هدف تا سایر گره­ها و با در اختیار داشتن اطلاعاتی که سایر گره­ها از مکان خود به اشتراک می­گذارند انجام می­شود. بر این اساس معیاری که به منظور انتخاب گره­های شرکت کننده در مکان­یابی گره هدف در نظر گرفته می‌شود با توجه به کران کرامر رائو به‌دست‌آمده و دقت فاصله­های اندازه­گیری شده بین گره­ها، موقعیت نسبی گره­ها و نیز میزان عدم اطمینان در اطلاعاتی که گره­ها از مکان خود در اختیار دارند را در نظر می­گیرد و می­توان آن را به سرعت محاسبه کرد. الگوریتمی که در این مقاله پیشنهاد شده است گرچه حجم محاسباتی را در یک شبکه با تراکم بالا بسیار کاهش می­دهد ولی با توجه به نتایج شبیه­سازی­های انجام گرفته عملکرد آن نزدیک به حالتی است که از اطلاعات تمامی گره­های همسایه در مکان­یابی استفاده شود.

کلیدواژه‌ها


عنوان مقاله [English]

Node Selection in a Cooperating Position Finding Distributed System Concerning the Computational Complexity Reduction

نویسندگان [English]

  • N. Golihaghighi 1
  • M. Biguesh 2
1 PhD student, Faculty of Electrical and Computer Engineering, Shiraz University, Iran
2 Professor, Faculty of Electrical and Computer Engineering, Shiraz University, Iran
چکیده [English]

Cooperative positioning utilizes information received from all the nodes in a network to estimate the position of a target node. This requires high amount of data exchange and data processing in high density networks. This paper proposes a low computational complexity algorithm to select a number of nodes among all possible nodes to cooperate in position finding. Position of nodes are estimated using both the distances between the target node and its cooperated nodes and also the information shared by these nodes. The nodes selection algorithm is proposed according to the Cramer-Rao Lower Bound, which considers the precision of distance measurements, the geometry of nodes and the uncertainty in the information shared by nodes. This fast computing algorithm reduces required computations without significantly decreasing the position estimation performance.

کلیدواژه‌ها [English]

  • Position Finding
  • Cooperative
  • Node Selection
  • Distributed Networks
   [1]      S. V. Shojadini, R. Kabiri, A. Kermani, and M. Fereydooni,“A New Method for Minimization of the Effect of Noise in Measuring Delays Between Receiver Sites in Geolocation Based on TDOA of Signals,” Journal of “Radar”, vol. 3, no. 3, pp. 55-63, 2015. (In Persian)
   [2]      A. Gholipour, B Zakeri, and Kh. Mafinejad, “Near-Field Source Localizationin Non-homogeneus Environments,” Journal of “Radar”, vol. 4, no. 1, pp. 49-56, 2016. (In Persian)
   [3]      S. V. d. Velde, G. T. F. de Abreu, and H. Steendam, “Improved Censoring and NLOS Avoidance for Wireless Localization in Dense Networks,” IEEE Journal on Selected Areas in Communications, vol. 33, pp. 2302-2312, 2015.
   [4]      Z. Zhao, R. Zhang, X. Cheng, L. Yang, and B. Jiao, “Network Formation Games for the Link Selection of Cooperative Localization in Wireless Networks,” in Proc. 2014 IEEE International Conference on Communications (ICC), pp. 4577 – 4582, 2014.
   [5]      M. Youssef, A. Agrawal, and A. U. Shankar, “WLAN Location Determination Via Clustering and Probability Distributions,” in Proc. The First IEEE International Conference on Pervasive Computing and Communications (PerCom), pp. 143 – 150, March 2003.
   [6]      G. Chandrasekaran, M. A. Ergin, J. Yang, S. Liu, Y. Chen, M. Gruteser, and R. P. Martin , “Empirical Evaluation of  the Limits on Localization Using Signal Strength,” in Proc. 6th Annual IEEE Communications Society Conference on Sensor, Mesh and Ad Hoc Communications and Networks, pp. 1-9, 2009.
   [7]      G.M. Hoang, B. Denis, J. H¨arri, and D. T.M. Slock, “Select Thy Neighbors: Low Complexity Link Selection for High Precision Cooperative Vehicular Localization,” in Proc. IEEE Vehicular Networking Conference (VNC), pp. 36-43, 2015.
   [8]      M. Z. Win, W. Dai, Y. Shen, G. Chrisikos, and H. V. Poor, “Network Operation Strategies for Efficient Localization and Navigation,” Proceedings of the IEEE, vol. 106, pp. 1224-1254, July 2018.
   [9]      T. Wang, A. Conti, and M. Z. Win, “Network Navigation with Scheduling: Distributed Algorithms,” IEEE/ACM Transactions on Networking, vol. 27, pp. 1319-1329, August 2019.
[10]      M. Angjelichinoski, D. Denkovski, V. Atanasovski, and L. Gavrilovska, “Cramer Rao Lower Bounds of RSS-Based Localization with Anchor Position Uncertainty,”' IEEE Transactions on Information Theory, vol. 61, no. 5, May 2015.
[11]      A. F. García-Fernández , L. Svensson, and S. Särkkä, “Cooperative Localisation Using Posterior Linearization Belief Propagation,” IEEE Transactions on Vehicular Technology, vol. 67, pp. 832-836, 2018.
[12]      H. Naseri, and V. Koivunen, “A Bayesian Algorithm for Distributed Network Localization Using Distance and Direction Data,” IEEE Transactions on Signal and Information Processing over Networks, vol. 5, pp. 290-304, June 2019.
[13]      F. Meyer, O. Hlinka, and F. Hlawatsch, “Sigma Point Belief Propagation,” IEEE Signal Processing Letters, vol. 21, no. 2, pp. 145-149, February 2014.
[14]      S. M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, Prentice Hall, p. 47, 1993.
[15]      S. Firdaus, and Md. A. Uddin, “A Survey on Clustering Algorithms and Complexity Analysis,” IJCSI International Journal of Computer Science Issues, vol. 12, pp. 62-85, March 2015.
[16]       “K-means Clustering,” https://en.wikipedia.org/wiki.
[17]      J. B. MacQueen, “Some Methods for Classification and Analysis of Multivariate Observations,” in Proc. 5th Berkeley Symposium on Mathematical Statistics and Probability, pp. 281–297, 1967.
[18]      T. Kanungo, D. M. Mount, N. S. Netanyahu, C. D. Piatko, R. Silverman, and A. Y. Wu, “An Efficient K-Means Clustering Algorithm: Analysis And Implementation,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 7, pp. 881-892, July 2002.
[19]      D. Arthur and S. Vassilvitskii, “K-Means++: the Advantages of Careful Seeding,” in Proc. Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, pp. 1027–1035, 2007.