مکان‌یابی مشارکتی و غیرمشارکتی منبع مبتنی بر اختلاف زمان دریافت سیگنال با استفاده از تابع هم‌بند بر پایه رهاسازی نیمه‌معین

یکی از جالب توجّه ترین موضوعات تحقیقاتی دو دهه ی اخیر، مکان یابی بی سیم منبع با رویکرد مبتنی بر اختلاف زمان دریافت سیگنال (tdoa) می باشد. در این پژوهش روشی با بهره گیری از تابع هم بند برای مکان یابی منبع با استفاده از اندازه گیری های tdoa برای هر دو مدل مکان یابی غیرمشارکتی و مشارکتی درنظر گرفته شده است. در این روش ابتدا به حل مسئله ی مکان یابی در شرایط غیرمشارکتی پرداخته و سپس تکنیک های غیرمشارکتی را برای مسئله ی مکان یابی مشارکتی گسترش می دهیم. به دلیل نامعلوم بودن ماتریس کوواریانس نویز اندازه گیری، با به کارگیری تئوری توابع هم بند مبتنی بر قضیه ی اسکلار، تابع شبیه نمایی مشترک اندازه گیری های tdoa را به توابع شبیه نمایی حاشیه ای یک متغیّره ی متناظر ارتباط می دهیم. سپس یک راه جایگزین برای تخمین شبیه نمایی بیشینه با استفاده از روش توابع منطقی برای حاشیه ها اعمال می نماییم. فرآیند این تخمین شامل بیشینه سازی توابع شبیه نمایی حاشیه ای یک متغیّره و سپس تخمین پارامتر تابع هم بند است. از آن رو که این بیشینه سازی از مشکل نامحدّب بودن رنج می برد، تکنیک های آزادسازی نیمه معیّن را اعمال نموده تا یک تخمین گر محدّب حاصل گردد. نتایج شبیه سازی عملکرد روش پیشنهادی را تایید نموده به گونه ای که در سیگنال به نویز نسبتاً مناسب تا یک متر بهبود در خطای حاصل از مکان یابی حاصل گردیده است.

cooperative and non-cooperative tdoa based source localization with copula function using semidefinite relaxation

the time difference of arrival based approach to wireless localization is perhaps one of the most interesting research subjects over the past decade. a method using copula function is proposed for source localization using tdoa measurements for both noncooperative and cooperative scheme. the proposed method is started with noncooperative localization, and finaly is extended to the cooperative localization problem. because of unknown measurement noise covariance matrix, by using the theory of copulas with sklar’s theorem, the joint likelihood function of tdoa measurements is coupled to the corresponding univariate marginal likelihood functions. then, an attractive alternative using method of inference functions for margings is applied to the maximum likelihood estimation. the procedure involving maximization of univariate marginal likelihood functions and then estimation of copula parameter. the maximization suffers from noncovexity, so we apply semidefinite relaxation techniques to derive a convex estimator. simulation results corroborate the performance of the proposed method as for sufficient signal to noise ratio, we observe one meter of improvement in source location accuracy.