مکان‌یابی اهداف متحرک در شبکه حسگر بی‌سیم مبتنی بر الگوریتم انتشار حداقل میانگین مربعات بر پایه تابع زیان هوبر

مکان‌یابی و ردیابی یکی از مباحث مهم در شبکه‌های حسگر بی‌سیم می‌باشد. استفاده از رویکردهایی که بتواند مکان هدف متحرک را با وجود نویز سیستم، با کمترین میزان اختلاف نسبت به مکان واقعی آن تخمین بزند، همواره یکی از بزرگ‌ترین چالش‌های پیش‌رو در این حوزه بوده است. در این مقاله نسخه مقاومی از الگوریتم انتشار حداقل میانگین مربعات که تخمین مکان هدف در آن به صورت توزیع شده بر عهده گره‌های شبکه است، پیشنهاد شده که با استفاده از تابع زیان شبه‌هوبر، دقت حاصل از عملیات تخمین در مکان‌یابی و ردیابی هدف هنگام وجود انواع نویز در محیط را افزایش می‌دهد. در این راستا، روابط مکان‌یابی بر پایه دو معیار قدرت سیگنال دریافتی و مدت زمان انتشار سیگنال مبتنی بر الگوریتم پیشنهادی در شبکه‌ای از فیلترهای وفقی ارائه شده است. نتایح به دست آمده از پیاده‌سازی نشان می‌دهد که استفاده از این الگوریتم سبب افزایش دقت عملیات مکان‌یابی و ردیابی در شبکه‌های حسگر بی‌سیم  در محیط‌های آغشته به انواع نویز گوسی و غیرگوسی با نسبت سیگنال به نویز متفاوت، می‌گردد.

localization of mobile targets in a wireless sensor network using diffusion least mean square algorithm based on huber loss function

localization of mobile targets is one of the important topics in wireless sensor networks. the challenge lies in deploying techniques capable of estimating the subject’s location amidst system noise, with minimal deviation from the actual location. in this paper, we propose a robust variant of the diffusion least mean square algorithm. this version involves distributing the estimation of the target’s location across network nodes, facilitated by the pseudo-huber loss function. through this method, the accuracy of estimation in localization and tracking the target improves even in the presence of various noise types. the paper formulates target location using two criteria: received signal strength and signal propagation time, based on the proposed algorithm within an adaptive filter network. experimental results highlight the algorithm’s capability to enhance the accuracy of localization and tracking operations. this improvement remains consistent across wireless sensor network scenarios influenced by both gaussian and non-gaussian noises, with varying signal-to-noise ratios.