انتخاب گره هاي مناسب شركت در مكان يابي مشاركتي با هدف كاهش حجم محاسباتي در يك شبكه توزيع شده

Node Selection in a Cooperating Position Finding Distributed System Concerning the Computational Complexity Reduction نويسندگان [English]

در مكان­يابي مشاركتي از اطلاعات تمامي گره­ هاي شبكه در تخمين مكان گره ­هاي مجهول استفاده مي­شود. بنابراين، در يك شبكه متراكم حجم اطلاعاتي كه بايد پردازش شود بسيار بالا خواهد بود. از اين‌رو، در اين مقاله الگوريتمي جهت انتخاب چند گره از بين تمامي گره ­هاي موجود براي مشاركت در تخمين مكان گره هدف ارائه شده است كه اين كار حجم محاسبات را بسيار كاهش مي­دهد. فرض بر اين است كه تخمين مكان گره هدف بر اساس اندازه­گيري فاصله گره هدف تا ساير گره­ها و با در اختيار داشتن اطلاعاتي كه ساير گره­ها از مكان خود به اشتراك مي­گذارند انجام مي­شود. بر اين اساس معياري كه به منظور انتخاب گره­هاي شركت كننده در مكان­يابي گره هدف در نظر گرفته مي‌شود با توجه به كران كرامر رائو به‌دست‌آمده و دقت فاصله­هاي اندازه­گيري شده بين گره­ها، موقعيت نسبي گره­ها و نيز ميزان عدم اطمينان در اطلاعاتي كه گره­ها از مكان خود در اختيار دارند را در نظر مي­گيرد و مي­توان آن را به سرعت محاسبه كرد. الگوريتمي كه در اين مقاله پيشنهاد شده است گرچه حجم محاسباتي را در يك شبكه با تراكم بالا بسيار كاهش مي­دهد ولي با توجه به نتايج شبيه­سازي­هاي انجام گرفته عملكرد آن نزديك به حالتي است كه از اطلاعات تمامي گره­هاي همسايه در مكان­يابي استفاده شود.

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.