الگوریتم محلی سازی برای شبکه گیرنده بی سیم

1. معرفی
شبکه های حسگر بی سیم (شبکه گیرنده بی سیم) از بسیاری از گره های حسگر قادر به محاسبات و ارتباطات است که در یک منطقه مشخص شده توزیع شده تشکیل شده است. گره های حسگر می تواند همکاری برای مقابله با انواع بسیاری از کارهای پیچیده از جمله نظارت بر محیط های زیست محیطی ، حفاظت از زیرساخت ها ، ردیابی اهداف و غیره [1-3]. شبکه گیرنده بی سیم که در یک محیط واقعی مورد استفاده قرار بگیرند به راحتی ممکن است به خاطر دلایل بسیاری با شکست مواجه مانند malfunctions نرم افزار ، خرابی سخت افزار ، تداخل رادیویی ، تخلیه باتری ، آسیب های مخرب و به همین ترتیب در [4-6]. همانطور که در [5] ، حدود 40 ٪ تا 60 ٪ از داده های اندازه گیری شده توسط گره های حسگر می تواند در استقرار محیط واقعی معیوب. بنابراین ، تحمل پذیر خطا ، یک مسئله مهم به ویژه در برنامه های کاربردی شبکه گیرنده بی سیم است.
شبکه گیرنده بی سیم اغلب مورد استفاده برای تشخیص وقوع واقعه در منطقه و تعیین محل آن ، مانند نظارت بر منابع آلودگی ، تشخیص وقوع آتش سوزی و غیره. در این کاربردها ، تمام حوادث به طور مستمر در انتشار سیگنال های که قدرت ضعیف شده به طور معکوس متناسب با فاصله از منبع است. گره های حسگر گزارش قدرت سیگنال نزول به طور منظم ، و سپس از نزول تخمین می زند محل منبع با توجه به اطلاعات گزارش گره نگران است. رویداد الگوریتم های محلی سازی را می توان به روش های متمرکز و توزیع شده رویکردهای تقسیم شده است. در یک رویکرد متمرکز ، تمام اندازه گیری سنسور ها به سینک فرستاده شده و برآورد محل در سینک انجام شده است [7-9]. در یک رویکرد توزیع ، گره سنسور تبادل اطلاعات مشاهده با همسایگان اطراف و تعیین گره های خوشه ای است که [10-12]. گره های خوشه ای اجرای یک الگوریتم ها و محلی سازی تعیین محل منابع. روش های متمرکز می تواند اطلاعات بیشتر و جمع آوری به دقت تعیین مکان از وقایع ، اما آنها همواره انرژی بیشتری مصرف. توزیع رویکرد ، از سوی دیگر ، سربار کمتر محاسبات ، اما به اندازه کافی دقیق برای تعیین محل حوادث نیست. در این مقاله به طور عمده در مورد این مسئله تحمل پذیر خطا برای تشخیص رویداد های متعدد و محلی سازی در شبکه های حسگر بی سیم متمرکز و ساده ، تحمل پذیر خطا متعدد رویداد الگوریتم محلی سازی با دقت برآورد بالاتر ابداع می کند.

برآورد احتمال حداکثر یک رویکرد مهم برای تعیین محل رویداد [13-16] استفاده می شود. Michaelides [17] پیشنهاد یک توزیع چندگانه رویداد منبع الگوریتم محلی سازی بر اساس روش حداکثر راستنمایی است. در این الگوریتم ، هر گره اطلاعات مبادله با همسایگان اطراف و بعضی از گره به عنوان گره های خوشه ای انتخاب می شوند. سپس گره های خوشه ای ساخت ماتریس احتمال تجزیه و تحلیل اطلاعات از گره های همسایه خود است. در نهایت ، گره های خوشه ای ، تعیین مکان از همه این وقایع را از طریق از روش حداکثر راستنمایی. با این حال ، در هنگام ساخت ماتریس احتمال ، گره معیوب ممکن است تاثیر به سزایی بر روی مقدار عناصر ماتریس حداکثر احتمال و در نتیجه در یک انحراف بزرگ از موقعیت داشته باشند. در این مقاله ، شاخص اعتماد برای هر گره سنسور ، که با استفاده از درجه اعتماد یک گره با توجه به گزارش زنگ هشدار قبلی خود را برای ارزیابی و تعیین وزن گره "اطلاعات گزارش در فرآیند محلی سازی رویداد معرفی می کنیم ، به منظور کاهش تاثیر گره معیوب در محلی سازی رویداد. صفحه اول اعتماد تفریق بر اساس پیشنهاد ما افزودنیهای منفی در الگوریتم محلی سازی مثبت (TISNAP) ، که تاثیر گره های معیوب بر محلی سازی Localization رویداد را کاهش می دهد با کاهش شاخص اعتماد مالک آن ، دقت تعیین محل رویداد و عملکرد را از تحمل خطا را برای رویداد های متعدد در جهت بهبود محلی سازی منبع. الگوریتم دارای سه مرحله اصلی است : تعیین تعداد حوادث ، محلی سازی و به روز رسانی از شاخص اعتماد : (1) نزول شناسایی گره های خوشه ای به تعیین تعدادی از حوادث رخ داده در کل منطقه در تجزیه و تحلیل داده های باینری گزارش شده توسط تمام گره . اول ، گره نگران ارسال داده های باینری به سینک و گره های دیگر سکوت. در مرحله بعد ، نزول محاسبه تمام توابع احتمال کلیدهای Fn بر اساس داده های جمع آوری شده است. هر گره N احساس خطر کرده است احتمال متناظر با تابع FN. اگر FN> 0 ، ما فکر می کنیم که یک رویداد در اطراف گره نگران ن وجود دارد سپس گره احساس خطر که احتمال متناظر با مقدار تابع ارزش حداکثر در یک منطقه خاص به عنوان یک گره خوشه ای انتخاب شده است ؛ (2) نزول ساختارهای ماتریس احتمال مربوط به گره های خوشه ای و محل از همه حوادث را تخمین زده است که با توجه به وضعیت نگران و شاخص اعتماد از گره ها در سراسر گره های خوشه ای (3) به روز رسانی نزول شاخص اعتماد از تمام گره ها با توجه به رفتار در گزارش های قبلی. با توجه به محل تمام گره ها و گزارش داده ها ، قضات سینک یا نه اطلاعات منتشر شده توسط آنها درست است. اگر این قضاوت درست است ، از نزول شاخص اعتماد گره را افزایش می دهد. در غیر این صورت ، نزول شاخص اعتماد خود را کاهش می دهد. شاخص اعتماد گره محدوده از 0 به 1 می باشد. با معرفی مدل شاخص اعتماد ، الگوریتم به افزایش نفوذ از گره های عادی و نفوذ گره معیوب را کاهش می دهد ، و آن را تا دقت بالاتر و محلی سازی عملکرد بهتر از تحمل خطا.
در این مقاله به شرح زیر است : اول ، در بخش 2 ، ارائه کار مرتبط در محلی سازی واقعه در شبکه های حسگر. بعد ، در بخش 3 ، مدل ما اتخاذ کرده اند و مفروضات اساسی معرفی می کنیم. در بخش 4 ، ما با ارائه جزئیات مربوط به الگوریتم TISNAP برای محلی سازی رویداد منبع چندگانه است. در بخش 5 ، ما به لحاظ نظری الگوریتم TISNAP با الگوریتم DSNAP را با هم مقایسه کنید. بخش 6 نتایج شبیه سازی و مقایسه عملکرد با الگوریتم های دیگر است. در نهایت ، در بخش 7 ، ارائه نتایج تحقیقات ما است.

2.آثار مربوط

تعیین محل رویداد یک موضوع تحقیقاتی مهم در شبکه گیرنده بی سیم است [13،14].تکنیک محلی سازی را می توان به چهار دسته اصلی طبقه بندی شده است : (1) زاویه ورود (AOA) [18]؛ (2) زمان ورود (توآ) [19،20]. (3) اختلاف زمان ورود (TDOA) [21،22]، (4) انرژی مبتنی بر [9،11،23،24]. رویکرد مبتنی بر انرژی با استفاده از رویداد قدرت سیگنال اندازه گیری سنسور به منظور برآورد محل رویداد [13-17]. این هماهنگی دقیق در میان گره های حسگر نیاز ندارد. از این رو، آن را مناسب تر است برای محلی سازی صورت در مقیاس بزرگ شبکه های حسگر بی سیم است.
دینگ پیشنهاد برآورد مرکز جرم (CE) الگوریتم [9]. برای اولین بار می شود مقدار متوسط از نمونه برداری، فیلتر کردن داده های نادرست ناشی از گسل گاه به گاه. سپس آن را به سادگی مرکز جرم را از مواضع تمام گره های حسگر احساس خطر به عنوان محل رویداد حدود طول می کشد. اجازه دهید (xn، yn) ، N = 1، 2،... ، P (P ≤ N) دلالت موقعیت تمام گره های حسگر احساس خطر. سپس ، محل رویداد برآورد شده توسط CE مرکز جرم را از این موقعیت است :
1

در برنامه های کاربردی. در [28]، اعتماد به منظور نشان دادن راحت و کاربر پسند گره رویداد گزارش در زمینه سنسور جمع آوری داده ها استفاده شده است. این پیشنهاد یک روش تحمل پذیر خطا برای تشخیص و ماسک شکست گره های خودسرانه در شبکه های حسگر بی سیم رویداد محور.
در این مقاله ، مدل شاخص اعتماد استفاده می کنیم راحت و کاربر پسند از اطلاعات که گره سنسور در زمینه محلی سازی رویداد منبع چندگانه گزارش ارزیابی. به عنوان سنسور سیستم شبکه ای را اجرا می کند در طی یک دوره از زمان، تعدادی از کشورهای شاخص اعتماد هستند تا به عنوان شاخص از راحت و کاربر پسند گزارش گره داده ها ساخته شده است. سپس، کاهش وزن گره معیوب ما با توجه به گره "شاخص اعتماد در فرآیند برآورد محل رویداد های متعدد برای رسیدن به عملکرد تحمل گسل بهتر.

3.مدل و فرضیات
3.1. مفروضات و تعاریف
برای شبکه های حسگر است که تخمین زده است که موقعیت از وقایع متعدد، ما را به مفروضات زیر است :
(1) مجموعه ای از گره های حسگر نشان می دهیم ، به عنوان N، یکنواخت در A. مساحت مستطیل شکل گره های استاتیک هستند منتشر شود ، و مواضع آنها شناخته شده، نشان می دهیم ، (xn، yn)، N = 1،...، N.
(2) مجموعه ای از منابع واقعه ، نشان می دهیم ، به عنوان K، به طور تصادفی در A. مساحت مستطیل فرض می کنیم که فاصله بین هر دو رویداد منابع به اندازه کافی دور توزیع شده ، و آنها با یکدیگر تداخل نمی کنم.
(3) منابع رویداد منتشر می کنند سیگنال های مداوم است که به انتشار به طور مساوی در تمام جهات است.

ما فرض می کنیم که قدرت سیگنال رویداد منبع KK) (KCK است. علاوه بر این، قدرت سیگنال که گره حسگر N بازرسی، به عنوان SN، K مشخص می، است که به طور معکوس متناسب به قدرت α (αR +) فاصله RN، K از گره حسگر نفر به رویداد K منبع، که در آن α بستگی دارد عامل محیط. بنابراین ما باید SN، K و در نمونه برداری T - TH به شرح زیر است :) () (، ، trctsKNkkna= (3)
در برنامه های کاربردی. در [28]، اعتماد به منظور نشان دادن راحت و کاربر پسند گره رویداد گزارش در زمینه سنسور جمع آوری داده ها استفاده شده است. این پیشنهاد یک روش تحمل پذیر خطا برای تشخیص و ماسک شکست گره های خودسرانه در شبکه های حسگر بی سیم رویداد محور.
در این مقاله ، مدل شاخص اعتماد استفاده می کنیم راحت و کاربر پسند از اطلاعات که گره سنسور در زمینه محلی سازی رویداد منبع چندگانه گزارش ارزیابی. به عنوان سنسور سیستم شبکه ای را اجرا می کند در طی یک دوره از زمان، تعدادی از کشورهای شاخص اعتماد هستند تا به عنوان شاخص از راحت و کاربر پسند گزارش گره داده ها ساخته شده است. سپس، کاهش وزن گره معیوب ما با توجه به گره "شاخص اعتماد در فرآیند برآورد محل رویداد های متعدد برای رسیدن به عملکرد تحمل گسل بهتر.

تعریف 2 : ROC (منطقه تحت پوشش) از گره های حسگر N است که ناحیه اطراف گره حسگر، که در آن اگر یک منبع رویداد واقع شده است در داخل، و سپس آن را با احتمال بالا (همانطور که در شکل 1 نشان داده شده) شناسایی شده است. رویداد برای یک منبع واحد، می توان آن را توسط عبارت از معادله (3) است که برای یک گره حسگر N، ROCn مساحت دایره محور در گره حسگر احساس خطر N و برابر است با به مساحت ROI ، به دست آمده است. منابع متعدد رویداد، اندازه ROC توسط قدرت سیگنال از همه رویداد بازرسی توسط گره حسگر تعیین می شود. از آنجا که ما فرض کنیم که فاصله بین دو رویداد منابع به اندازه کافی بزرگ باشد، قدرت منبع رویداد از راه دور ناچیز است در مقایسه با حوادث اطراف است.

تعریف 3 : RON (منطقه همسایه) گره حسگر ناحیه اطراف گره حسگر، که در آن اطلاعات گزارش از تمام گره های واقع شده در داخل برای ساخت و ساز از تابع احتمال برای دستیابی به برآورد محل رویداد منبع (همانطور که در شکل نشان داده شده است جمع آوری شده1).
از آنجا که بهره وری انرژی موضوع عمده در شبکه های حسگر و ارتباطات است گران ترین عملیات از نظر انرژی است. ما فرض می کنیم که در معاوضه بین پیچیدگی و دقت برآورد تعیین می.
3.2. مدل گسل
ما در نظر گرفتن دو نوع گسل زنگ دار گره در این مقاله :
• مثبت کاذب : بعضی از گره های حسگر واقع در خارج از ROI منبع رویداد آگاهند.
• منفی کاذب : بعضی از گره های حسگر واقع در داخل ROI منبع رویداد احساس خطر نیست.

این مدل گسل است، منعکس کننده دو نوع گسل در محلی سازی رویداد با استفاده از داده های باینری است که در SNAP [16 پیشنهاد شده است. با توجه به سر و صدا، تخلیه انرژی، شرایط محیطی خشن، نقص سنسور، و به همین ترتیب، گره های حسگر اغلب ممکن است اطلاعات غلط و یا غیر قابل پیش بینی سنسور که منجر به آلارم کاذب مثبت یا آلارم های منفی کاذب در محلی سازی رویداد با استفاده از داده های باینری. این مدل گسل معرفی ما در رویداد محلی سازی از منابع مختلف در این مقاله.
3.3 است. تراست مدل صفحه اول
ما، معرفی یک شاخص اعتماد برای ارزیابی صحت از ارزش مشاهده از گره های حسگر در فرآیند محلی سازی رویداد و تشخیص گره های درست است ، که به احتمال زیاد از گزارش اطلاعات صحیح، از گره معیوب. بنابراین داده ها از گره های صحیح با وزن بالاتر و داده ها از گره معیوب با وزن کمتر در ساخت و ساز حداکثر احتمال برای مکان خود را در برآورد کردن رویداد ما را درمان، به منظور کاهش نفوذ از گره های معیوب بر روی دقت تعیین محل رویداد در شبکه های حسگر.

هر گره در این زمینه تخصیص داده شده است شاخص اعتماد (مراجعه کننده به عنوان TI و TI [0 ، 1]). شاخص اعتماد گره اندازه گیری راحت و کاربر پسند گزارش صورت آن گره است. شاخص اعتماد بالاتر از یک گره است ، قابل اطمینان تر گره از نزول پنداشته است. در مقدار دهی اولیه از سیستم شبکه های حسگر ، هر گره "شاخص اعتماد به مجموعه 1lگره K در اندازه گیری نمونه برداری T - TH به عنوان تعریف می شود :
شکل 2 تنوع از TI را به عنوان تغییرات λ ثابت را به تصویر می کشد. λ ثابت بزرگتر است ، TI تر به طور چشمگیری کاهش می یابد به عنوان گام υ متغیر افزایش می یابد. برای یک گره معیوب ، آن را "بهتر برای کاهش TI خود را به سرعت به طوری که آن را نفوذ کمتر در برآورد محل داشته باشند. با این حال ، برخی از اشتباهات اصلاح جدید ممکن است در فرایند اصلاح شاخص اعتماد معرفی شده ، به عنوان مثال ، شاخص اعتماد از یک گره درست ، ممکن است کاهش به علت زنگ هشدار اشتباه است. به منظور کاهش خطاهای محل ناشی از اشتباهات اصلاح ، λ باید به مقدار مناسب تنظیم شده است. بنابراین ، ما باید یک معاوضه بین این دو جنبه را. در این مقاله ارزش تجربی λ = 2 مصمم است.
شکل 2. منحنی های خانواده TI.

همانطور که در بالا ذکر شد ، هر یک از گره ها TI تا 1 ، مقداردهی اولیه ، است که ، υ تا 0 ، مقداردهی اولیه است. مشابه به تجزیه و تحلیل بالا ، تغییر گام در υ به مقدار مناسب را. در این مقاله ، ما تصمیم می گیرید تغییر یک گام تا 0.1 برابر است. به عبارت دیگر ، هر بار گره می سازد گزارش معیوب از نزول پنداشته ، ارزش خود را TI گام به 0.1 افزایش یافته است. در مقابل ، هر بار یک گره می سازد یک گزارش تلقی می شود صحیح را با سینک ، ارزش خود را TI گام به 0.1 کاهش می یابد اگر υ از 0 بزرگتر است. قوانین برای اصلاح TI به شرح زیر داده می شود t گره تلقی گره به صورت nعادی به صورت عادی و v تلقی گره به عنوان معیوب 4.1. شناسایی شماره از حوادث
در محلی سازی وقایع متعدد ، اولین گام است که برای شناسایی تعدادی از حوادث در منطقه ، و این پیش شرط برای برآورد محل منابع رویداد. در طی فاز ، گره نگران ارسال "1" (بسته زنگ هشدار) را به نزول ، گره های دیگر سکوت است. در دوره نمونه ، اگر نزول بسته زنگ دار از یک گره دریافت نمی ، نزول آن را با توجه به عنوان یک گره غیر آگاهند. پس از نزول ، تمام داده های مربوط به زنگ خطر در دوره نمونه برداری جمع آوری شده ، آن را محاسبه تابع احتمال زیر را برای گره حسگر N با استفاده از اطلاعات از گره های همسایه است که در داخل ROCn از N گره واقع شده در سلول ها در یک ماتریس. تعداد سلول های تجاری کردن بین پیچیدگی و دقت برآورد شده است. هر گره سنسور با یک سلول (I ، J) بر اساس موقعیت خود را (با توجه به قطعنامه ، سلول ممکن است شامل سنسور های مختلف و یا بدون سنسور در تمام باشد) همراه است. شاخص موقعیت هر گره (Xn ، Yn) استفاده می شود ، که در آن

شکل 3.احتمال L ماتریس از نزول محاسبه می شود.

4.2.2. ساخت و ساز از ماتریس تشابه
از آنجا که وقایع بسیار محتمل در ROC گره خوشه ای رخ می دهد، برای گره K خوشهLK ماتریس تعریف کنیم. با استفاده از اطلاعات را از تمام گره های حسگر مربوطه را در داخل RONk خوشه K گره، سینک ساختارهای احتمال متناظر با ماتریس LK.
K گره خوشه با GK، زیر شبکه با GK × سلول GK، در اطراف محل آن (Xk، YK) همراه است.اندازه GK زیر شبکه بستگی دارد به اندازه RONk و شبکه قطعنامه L :

و دو گره عدم احساس خطر در RON آن. با استفاده از اطلاعات را از تمام گره های حسگر مربوطه در داخل RON گره خوشه، سینک ساختارهای ماتریس احتمال است. حداکثر مقدار ماتریس 3 است و مرکز سلول مربوط به آن محل از این رویداد ما تخمین زده است.
4.3 است. به روز رسانی صفحه اول تراست
با توجه به محل تخمینی از حوادث، سینک تصمیم می گیرد که آیا تمام اطلاعات گزارش شده توسط گره های، پس از یک دور از عمل رویداد محلی سازی درست است یا غلط. سپس، از نزول به روز رسانی TI از همه گره ها با توجه به معادلات (8) و (9). اگر گره به صورت عادی تلقی می شود، غرق خواهد شد TI خود را افزایش می دهد. در غیر این صورت، نزول آن را کاهش دهد. برای نشان دادن صورت، ما با ارائه یک مثال ساده است. ما فرض می کنیم که با استفاده از الگوریتم تعیین محل رویداد، محل رویداد تخمین زده شده توسط سینک در شکل 5 در دوره نمونه برداری T - TH نشان داده شده است. سپس ، بر اساس محل برآورد شده از این رویداد، از نزول شاخص اعتماد از تمام گره ها برای آماده سازی دور بعدی عملیات رویداد محلی سازی را به روز رسانی است. همانطور که شکل 5 نشان می دهد، به روز رسانی شاخص اعتماد گره دارای شرایط زیر است :

شکل 5. دولت از گره های واقع در مناطق مختلف.

گره ROI گره گره B C گره D محل رویداد توسط سینک زنگ گره گره زنگ خطر غیر تخمین زده می
• گره در ROI از این رویداد ، بلکه آن است که احساس خطر نیست. نزول آن در نظر به عنوان گره منفی کاذب را کاهش می دهد و ارزش خود را TI. درست به عنوان گره در شکل 5 ، با توجه به معادلات (8) و (9) ، شاخص اعتماد داده شده توسط :

بنابراین TI از گره ها کاهش می یابد.
• گره در ROI از این رویداد ، و آن احساس خطر است. نزول آن گره های عادی میداند و شاخص اعتماد خود را افزایش می دهد. فقط به عنوان گره B در شکل 5 ، شاخص اعتماد داده شده توسط :

بنابراین شاخص اعتماد گره B افزایش می یابد.
گره از• ROI از این رویداد ، بلکه آن است که احساس خطر است. نزول به آن نظر مثبت کاذب گره و شاخص اعتماد خود را کاهش می دهد. C به عنوان گره در شکل 5 ، شاخص اعتماد داده شده توسط :

بنابراین شاخص اعتماد از گره C کاهش می یابد.
• گره از ROI از این رویداد ، و آن احساس خطر است. نزول آن را طبیعی و شاخص اعتماد خود را افزایش می دهد. فقط به عنوان گره D در شکل 5 ، شاخص اعتماد داده شده توسط :

بنابراین شاخص اعتماد از گره D افزایش می یابد.
5. تحلیل نظری
در این بخش ، ما به لحاظ نظری الگوریتم TISNAP با DSNAP یکی را با هم مقایسه کنید. الگوریتم DSNAP است شبیه به الگوریتم SNAP در [16] ، و در اصل ، آنها هستند همه روش از روش حداکثر راستنمایی است که با استفاده از اطلاعات از گره های حسگر واقع در منطقه منبع رویداد "ها ROI. DSNAP محلی سازی منابع برای رویداد های متعدد مورد استفاده قرار می گیرد ، در حالی که SNAP برای تعیین محل رویداد تنها منبع مورد استفاده قرار می گیرد. با توجه به شرح ادبیات [16] ، فرض می کنیم که مجموعه ای از گره های حسگر ، K ، واقع در یک رویداد منبع "منطقه ROI. برای گره K ، K K ، شاخص تابع IK تعریف کنیم برای K = 1 ،... ، K و t = 1 ،... ، M : (16)
برآوردگر به عنوان زیر داده می شود :) | (ورود حداکثر (19)

6. ارز یابی کارایی
تمام آزمایشات در این مقاله ها در یک محیط شبیه سازی انجام شده است. در این آزمایش ها استفاده می کنیم یک مربع 200 × 200 حسگر زمینه با N = 1000 گره ها به صورت تصادفی مستقر است. ما فرض می کنیم که گره در شبکه های حسگر به تدریج تبدیل شدن به گره های معیوب در طول زمان است. در آغاز ، تمام گره های طبیعی می باشند. زمان می رود از طریق تعدادی از گره های معیوب در میزان 5 درصد افزایش می یابد. دو منبع رویداد هستند به صورت تصادفی در این منطقه مستقر شده و فاصله آنها کمتر از 2 ROC. قدرت سیگنال در محل از منابع یکسان است. برای پارامترهای مورد استفاده در آزمایش ، ما با استفاده از مقادیر پیش فرض در جدول 1 نشان داده شده است. با =åتوجه به معادله (5) ، خوانش سنسور داده شده توسط :
در پاییز همان سال در خارج از ROI از این رویداد ، اما خوانش مشاهده آنها (فرض کنیم خواندن مشاهده شده است یک مقدار تصادفی بین آستانه T و قدرت منبع سیگنال C) بیشتر از T آستانه ، به طوری که آنها احساس خطر است. چهار گروه از آزمایش تحت قدرت سیگنال های مختلف از منبع رویداد انجام می شود ، همانطور که در شکل 6 نشان داده شده است. چپ محور y نشان دهنده خطا RMS راست و محور y نشان دهنده زمان محلی شما با همه این وقایع در 100 آزمایش تشخیص داده است.
شکل 6. عملکرد تحمل پذیر خطا برای قدرت سیگنال مختلف از منابع رویداد. () ج = 1000 ؛ (ب) C = 2000 ؛ (ج) ج = 3000 ، (د) C = 4000.

همانطور که در شکل 6 نشان داده شده است ، الگوریتم TISNAP گسل عملکرد بهتر تحمل نسبت به الگوریتم DSNAP. هنگامی که احتمال گسل از گره های بالاتر از 35 ٪ است ، تعدادی از منابع رویداد در منطقه می تواند نه با دقت شناسایی با استفاده از الگوریتم DSNAP. هنگامی که احتمال گسل از گره ها است 40 ٪ ، زمان است که تمام منابع رویداد تشخیص داده میشوند ، کمتر از 40 درصد در 100 تلاش می کند. با این حال ، در آزمایش الگوریتم TISNAP ، زمانی که احتمال گسل از گره ها کمتر از 50 درصد ، 100 درصد از منابع رویداد را می توان با دقت شناسایی و خطا RMS کوچکتر است. در الگوریتم TISNAP ، زیرا نزول شاخص اعتماد به هر گره ها ، اختصاص ، شاخص اعتماد از اکثر گره های معیوب پس از چندین بار از محلی سازی کاهش می یابد و شاخص اعتماد بسیاری از گره های عادی بالا باقی می ماند. از این رو ، داده ها از گره های حسگر طبیعی وزن بیشتری را در فرآیند محلی سازی رویداد منبع. بنابراین ، الگوریتم TISNAP دقت بالاتر از localizationIn این بخش ، بررسی عملکرد دو الگوریتم ما اگر Packet ها توسط شبکه کاهش یافته است. همانطور که در بخش 4.1 ، ذکر شده فاز اول TISNAP ، هر گره احساس خطر می فرستد یک بسته داده ها را به نزول و گره های دیگر سکوت. بنابراین ، در دوره نمونه ، اگر نزول می کند بسته از یک گره دریافت خواهید کرد ، آن خواهد شد آن را به عنوان یک گره غیر نگران خصوص و فرض می شود که گره حوادث را تشخیص نیست. برای بررسی اثر بسته های کاهش یافته ، ما فرض کنیم که فقط یک نوع از گسل است که حذف بسته ها وجود دارد. هر گره دارای همان احتمال از بین رفتن بسته است. شکل 7 نشان می دهد تاثیر بسته های کاهش یافته بر روی دو الگوریتم است.
شکل 7. عملکرد گسل تحمل تحت احتمال های مختلف از بسته های کاهش یافته است.
همانطور که در شکل 7 نشان داده شده است ، تحت همان میزان از دست دادن بسته ، الگوریتم TISNAP دقت موقعیت بالاتر و عملکرد بهتر از تحمل خطا از DSNAP. هنگامی که بسته نرخ از دست دادن است بالاتر از 35 درصد ، نه از آنها را با دقت می تواند نه تعیین تعداد حوادث در منطقه ، به دلیل بسته نرخ از دست دادن از گره ها تا به نفوذ زیادی بر روی گره های نگران و گره نگران بازی نقش مهمی در روند تعیین محل رویداد. با این حال ، نگران گره های غیر لازم نیست برای ارسال بسته های اطلاعاتی به نزول است ، تا بسته نرخ از دست دادن هیچ تاثیری بر آنها دارد.
6.3 است. حرارت بالا صفحه

در در شبکه های حسگر ، با توجه به ساعات کار طولانی ، تخته از گره های حسگر ممکن است حرارت بالا و این ممکن است باعث شود گره های حسگر به گزارش رویدادهای کاذب ، به عنوان گره است که همیشه احساس خطر. ما فرض کنیم که هر گره دارای احتمال همان گسل از overheating هیئت مدیره است. در شکل 8 نشان می دهد تاثیر گرمای بیش از حد هیات مدیره در دو الگوریتم است.
همانطور که در شکل 8 نشان داده شده است

، الگوریتم TISNAP ما پیشنهاد گسل عملکرد بهتر تحمل به هیئت مدیره حرارت بالا دارد. هنگامی که احتمال گسل 50 ٪ ، باز هم با دقت می تواند تعدادی از حوادث در منطقه و مکان خود را تعیین برآورد. با این حال ، زمانی که احتمال از گسل بزرگتر از 30 ٪ است ، عملکرد الگوریتم DSNAP آغاز می شود به کاهش شدت ، و هنگامی که احتمال خطا 40 ٪ ، تعداد بار است که تمامی وقایع تشخیص داده میشوند ، کمتر از 70 ٪ در 100 تلاش می کند. 7. نتیجه گیری
TISNAP ساده ، کارآمد ، تحمل خطا الگوریتم محلی سازی برای تعیین محل منبع رویداد های متعدد را در شبکه های حسگر است. تنها با استفاده از داده های باینری گزارش از گره های حسگر در روند بومی سازی است. معرفی مدل شاخص اعتماد است ، راحت و کاربر پسند از اطلاعات منتشر شده توسط گره سنسور برای اندازه گیری و برای کاهش تاثیر گره های معیوب بر روی محلی سازی رویداد های متعدد را با کاهش ارزش شاخص اعتماد خود را است. در مقایسه به DSNAP TISNAP همان سربار محاسباتی است اما می تواند دقت بالاتری در تعیین محل رویداد چندگانه زمانی که درصد زیادی از گره های حسگر گزارش مشاهدات اشتباه دستیابی است. نتایج تجربی نشان می دهد که زمانی که 50 درصد گره در حالت شکست ، الگوریتم هنوز هم می تواند شناسایی تمام وقایع را به درستی و با دقت برآورد مکان خود را. برای کار های آینده ما ، قصد داریم به مطالعه عملکرد TISNAP با توجه به انرژی ، پهنای باند و QoS. علاوه بر این ، ما با مدل های انتشار واقعی ، تحقیق مانند در مشکلات آلودگی محیط زیست ، که در آن یک ماده واقعی در محیط زیست منتشر شد. در نهایت ، ما سعی می کنیم به ترکیب این الگوریتم را با کالمن فیلتر کردن برای رسیدن به ردیابی از منابع متعدد رویداد است.

الگوریتم محلی سازی برای شبکه گیرنده بی سیم

مطالب مشابه :

wireless sensor network (حسگر بی سیم شبکه )

شبکه‌های حسگر بی سیم (WSN)

شبکه های سنسوری بی سيم

کتاب آشنایی با "شبکه‌های حسگر بی‌سیم" + دانلود

الگوریتم محلی سازی برای شبکه گیرنده بی سیم

معرفی شبكه حسگر بی‌سیم (Wireless Sensor Network)

چند ویدئوی آموزشی در مورد شبکه های حسگر بی سیم

پروژه بررسی پروتکل های مسیر یابی در شبکه های حسگر بی سیم