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

Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 281

This Paper With 9 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_RADAR-7-2_002

تاریخ نمایه سازی: 4 شهریور 1399

Abstract:

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 این رو، 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 می شود با توجه به کران کرامر رائو به دست آمده 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.

Authors

نفیسه گلی حقیقی

آزمایشگاه مخابرات بی سیم، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز

مهرزاد بیغش

دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • S. V. Shojadini, R. Kabiri, A. Kermani, and M. Fereydooni, ...
  • A. Gholipour, B Zakeri, and Kh. Mafinejad, Near-Field Source Localizationin ...
  • S. V. d. Velde, G. T. F. de Abreu, and H. ...
  • Z. Zhao, R. Zhang, X. Cheng, L. Yang, and B. Jiao, Network Formation Games ...
  • M. Youssef, A. Agrawal, and A. U. Shankar, WLAN Location ...
  • G. Chandrasekaran, M. A. Ergin, J. Yang, S. Liu, Y. ...
  • G.M. Hoang, B. Denis, J. H¨arri, and D. T.M. Slock, ...
  • M. Z. Win, W. Dai, Y. Shen, G. Chrisikos, and ...
  • T. Wang, A. Conti, and M. Z. Win, Network Navigation ...
  • M. Angjelichinoski, D. Denkovski, V. Atanasovski, and L. Gavrilovska, Cramer ...
  • A. F. García-Fernández , L. Svensson, and S. Särkkä, Cooperative Localisation Using Posterior ...
  • H. Naseri, and V. Koivunen, A Bayesian Algorithm for Distributed ...
  • F. Meyer, O. Hlinka, and F. Hlawatsch, Sigma Point Belief ...
  • S. M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, ...
  • S. Firdaus, and Md. A. Uddin, A Survey on Clustering ...
  • K-means Clustering, https://en.wikipedia.org/wiki. ...
  • J. B. MacQueen, Some Methods for Classification and Analysis of ...
  • T. Kanungo, D. M. Mount, N. S. Netanyahu, C. D. ...
  • D. Arthur and S. Vassilvitskii, K-Means++: the Advantages of Careful ...
  • نمایش کامل مراجع