Застосування методів штучного інтелекту для визначення місцеположення мобільної станції
DOI:
https://doi.org/10.31861/sisiot2023.1.01006Ключові слова:
мобільна станція, позиціонування, нечіткий контролерАнотація
Для сучасних систем безпровідного зв'язку важливими є функції позиціонування, тобто автоматичне визначення місцеположення станції у межах мережі. Наразі все більшої популярності набувають різні способи позиціонування об’єктів як на відкритому просторі, так і усередині приміщення. Процедура позиціонування включає в себе визначення координат і параметрів руху мобільного абонента. Проте, при впровадженні більш нових мереж, для розвитку послуг, пов’язаних з місцеположенням станції, необхідна значно вища точність визначення географічних координат мобільної станції. Для розв’язання задачі позиціонування мобільної станції обчислюються її географічні координати при відомих координатах найближчих базових станцій. У роботі запропоновано використовувати генетичний нейро-нечіткий контролер для підвищення ефективності визначення місцезнаходження мобільної станції. Методи позиціонування, що передбачають використання методів штучного інтелекту, базуються на вимірюваннях рівнів сигналів від найближчих точок доступу або базових стацій, а їх координати є відомими. Пропонований метод визначення місцеположення базується на значеннях величини рівня прийнятого сигналу – RSSI. В той же час, недоліком методу RSSI є його недостатня точність, підвищити яку пропонується за рахунок використання методів штучного інтелекту – нечіткої логіки, нейронних мереж, генетичних алгоритмів. Таким чином, метою даної роботи є розроблення оптимізованого методу визначення місцеположення мобільної станції. Згідно запропонованого методу, значення RSSI та ToA надходять у генетичний нейро-нечіткий контролер, що функціонує за базою з 25 правил, на його виході після відповідного оброблення з’являється значення відстані від мобільної станції до однієї із базових станцій. Застосовано гібридний підхід, де нейромережева структура передбачає адаптивне налаштування бази нечітких правил, а генетичний алгоритм забезпечує вибір оптимального варіанту.
Завантажити
Посилання
J. He, “Research on Mobile Node Localization Optimization Algorithm in Wireless Sensor Networks Based on Monte Carlo Method,” Wireless Communications and Mobile Computing, vol. 2022. Hindawi Limited, pp. 1–12, Oct. 20, 2022. doi: 10.1155/2022/7131099. https://www.hindawi.com/journals/wcmc/2022/7131099/
M. Bala Krishna and M. N. Doja, “Data Gathering and Data Management Techniques in Wireless Sensor Networks,” Wireless Sensor Networks. CRC Press, pp. 331–353, Apr. 21, 2016. doi: 10.1201/b13092-12.
T. Ahmad, X. J. Li, and B.-C. Seet, “Fuzzy-Logic Based Localization for Mobile Sensor Networks,” 2019 2nd International Conference on Communication, Computing and Digital systems (C-CODE). IEEE, Mar. 2019. doi: 10.1109/c-code.2019.8681024.
L. S. Ezema and C. I. Ani, “Artificial Neural Network Approach to Mobile Location Estimation in GSM Network,” International Journal of Electronics and Telecommunications, vol. 63, no. 1. Walter de Gruyter GmbH, pp. 39–44, Mar. 01, 2017. doi: 10.1515/eletel-2017-0006.
M. W. P. Maduranga and R. Abeysekera, “Bluetooth Low Energy (BLE) and Feed Forward Neural Network (FFNN) Based Indoor Positioning for Location-based IoT Applications,” International Journal of Wireless and Microwave Technologies, vol. 12, no. 2. MECS Publisher, pp. 33–39, Apr. 08, 2022. doi: 10.5815/ijwmt.2022.02.03.
Chen, C.-S. (2012). Artificial Neural Network for Location Estimation in Wireless Communication Systems. In Sensors (Vol. 12, Issue 3, pp. 2798–2817). MDPI AG. doi: 10.3390/s120302798
Z. Zhang, F. Jiang, B. Li, and B. Zhang, “A novel time difference of arrival localization algorithm using a neural network ensemble model,” International Journal of Distributed Sensor Networks, vol. 14, no. 11. SAGE Publications, p. 155014771881579, Nov. 2018. doi: 10.1177/1550147718815798.
M. Alakhras, M. Oussalah, and M. Hussein, “A survey of fuzzy logic in wireless localization,” EURASIP Journal on Wireless Communications and Networking, vol. 2020, no. 1. Springer Science and Business Media LLC, May 07, 2020. doi: 10.1186/s13638-020-01703-7.
P.-C. Chiu et al., “An Adaptive Location-Based Tracking Algorithm Using Wireless Sensor Network for Smart Factory Environment,” Mathematical Problems in Engineering, vol. 2021. Hindawi Limited, pp. 1–10, Oct. 18, 2021. doi: 10.1155/2021/4325708.
Y.-C. Chiou and L. W. Lan, “Genetic fuzzy logic controller: an iterative evolution algorithm with new encoding method,” Fuzzy Sets and Systems, vol. 152, no. 3. Elsevier BV, pp. 617–635, Jun. 2005. doi: 10.1016/j.fss.2004.11.011.
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.