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

در مکان یابی مشارکتی از اطلاعات تمامی گره های شبکه در تخمین مکان گره های مجهول استفاده می شود. 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 گره های موجود برای مشارکت در تخمین مکان گره هدف ارائه شده است که این کار حجم محاسبات را بسیار کاهش می دهد. فرض بر این است که تخمین مکان گره هدف بر اساس اندازه گیری فاصله گره هدف تا سایر گره ها و با در اختیار داشتن اطلاعاتی که سایر گره ها از مکان خود به اشتراک می گذارند انجام می شود. بر این اساس معیاری که به منظور انتخاب گره های شرکت کننده در مکان یابی گره هدف در نظر گرفته می‌شود با توجه به کران کرامر رائو به‌دست‌آمده و دقت فاصله های اندازه گیری شده بین گره ها، موقعیت نسبی گره ها و نیز میزان عدم اطمینان در اطلاعاتی که گره ها از مکان خود در اختیار دارند را در نظر می گیرد و می توان 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 می دهد ولی با توجه به نتایج شبیه سازی های انجام گرفته عملکرد آن نزدیک به حالتی است که از اطلاعات تمامی گره های همسایه در مکان یابی استفاده شود.

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

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 CramerRao 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.