علوم رایانشی

علوم رایانشی

دو روش‌‌ مبتنی بر یادگیری خمینه‌ها در حل مسئلة مکان‌یابی در شبکه‌های حسگر بی‌سیم

نوع مقاله : مقاله پژوهشی

نویسندگان
ژیلا عبدی لر 1
هاجر قهرمانی گل 2
1 دانشجوی دکتری- دانشکده علوم پایه- دانشگاه شاهد- شهر تهران- ایران
2 استادیار- دانشکده علوم پایه- دانشگاه شاهد- شهر تهران- ایران
10.22034/csj.2024.203196
چکیده
یکی از چالش‌ها در مورد شبکه‌های حسگر بی‌سیم نحوه مکان‌یابی حسگرهاست. تا کنون الگوریتم‌های مطرح شده در مسئلة مکان‌یابی در شبکه‌های حسگر استفاده از فاصله اقلیدسی نقاط بدون در نظر گرفتن موقعیت هندسی نقاط بوده است‌. در این مقاله از ویژگی‌های هندسی نقاط از جمله فاصله ژئودزیکی استفاده و نشان می‌دهیم اگر حسگرهای لنگر بر روی یک خمینه خاص قرار داشته ‌باشند، الگوریتم‌های مکان‌یابی عملکرد بهتری خواهند داشت‌. در این مقاله، دو روش پیشنهادی با استفاده از روش‌های یادگیری خمینه‌ها برای حل مسئلة ارایه و الگوریتم‌های پیشنهادی بر روی دو دسته از داده‌های تصادفی و یکنواخت بر روی کره بررسی می‌شوند‌. تعداد 256 حسگر در نظر گرفته که دارای 16 حسگر لنگر و 240 حسگر دارای مکان نامشخص هستند‌. بررسی خطای مکان‌یابی حاصل از ‌پیاده‌سازی ‌نشان‌دهنده عملکرد مناسب روش‌هاست. استفاده از فاصله ژئودزیکی منجر به کاهش خطای محاسبه مکان دقیق حسگرها می‌شود‌. در نهایت روش‌های پیشنهادی نسبت به سایر روش‌ها که از فاصله ژئودزیکی استفاده نمی‌کنند عملکرد بهتری دارد. در حالت داده‌های تصادفی برای تعداد همسایگی ۱۷ در روش 1 با استفاده از فواصل ژئودزیکی و اقلیدسی خطاهای 0/9504 و 1/8654 به دست آمده است. کمترین میزان خطا با استفاده از فاصله ژئودزیکی و اقلیدسی برای 21= k برای داده‌های یکنواخت به ترتیب 0/0070 و 0/7827 می‌باشد‌. در روش ۲ برای داده‌های یکنواخت به ازای تمام مقادیر k خطای فاصله ژئودزیکی کمتر از فاصله اقلیدسی است‌. کمترین خطا برای داده‌های تصادفی با استفاده از فاصله ژئودزیکی و اقلیدسی به ترتیب 0/1098 و 0/2901 است.
کلیدواژه‌ها
خمینه
روش‌های یادگیری خمینه
شبکه‌های حسگر بی‌سیم
لنگر
فاصله ژئودزیکی
موضوعات
  • Wang, J. Chen, Y. Sun and X. Shen, "A Graph Embedding Method for Wireless Sensor Networks Localization," GLOBECOM 2009 - 2009 IEEE Global Telecommunications Conference, Honolulu, HI, USA, 2009, pp. 1-6, doi: 10.1109/GLOCOM.2009.5425241
  • Habib, Shaista, et al. "Floyd-Warshall Algorithm Based on Picture Fuzzy Information." CMES-Computer Modeling in Engineering & Sciences3
  • Tenenbaum, V. Silva, and J. Langford, “A Global Geometric Framework for Nonlinear Dimensionality Reduction,” pp. 2319–2323, 2000.
  • Jiang, Hua, and Zhifei Zheng. "An Exact Algorithm for the Minimum Dominating Set Problem." Proceedings of the thirty-second international joint conference on artificial intelligence. IJCAI, 2023.‏
  • Kashniyal, Jyoti, Shekhar Verma, and Krishna Pratap Singh. "Wireless sensor networks localization using progressive isomap." Wireless Personal Communications3 (2017): 1281-1302.‏
  • Bulusu, V. Bychkovskiy, D. Estrin, and J. Heidemann, “Scalable, ad hoc Deployable, RF-based Localization,” Proceedings of the Grace Hopper Conference on Celebration of Women in Computing, 2002.
  • Patwari and A. Hero III, “Manifold learning algorithms for localization in wireless sensor networks,” IEEE International Conference on Acoustics, Speech, and Signal Processing, vol. 3, pp. 857–860, 2004.
  • Niculescu, D., 2004. Positioning in ad hoc sensor networks. IEEE network, 18(4), pp.24-29.
  • Ouassila, Bahloul, et al. "Neural networks based linear (PCA) and nonlinear (ISOMAP) feature extraction for soil swelling pressure prediction (North East Algeria)." Heliyon8 (2023).‏
  • Roychowdhury, Shounak. "Robust Laplacian Eigenmaps using global information." 2009 AAAI Fall Symposium Series. 2009.‏
  • Fitzpatrick and L. Meertens, “Diffusion based localization,” private communication, 2004.
  • Shao, Chao, and Houkuan Huang. "Selection of the optimal parameter value for the isomap algorithm." Mexican International Conference on Artificial Intelligence. Berlin, Heidelberg: Springer Berlin Heidelberg, 2005.‏
  • Tubaishat, M. and Madria, S., 2003. Sensor networks: an overview. IEEE potentials, 22(2), pp.20-23.
  • Wang, Chengqun, et al. "Wireless sensor networks localization with isomap." 2009 IEEE International Conference on Communications. IEEE, 2009.
  • Widhalm, Dominik, Karl M. Goeschka, and Wolfgang Kastner. "A Review on Immune-Inspired Node Fault Detection in Wireless Sensor Networks with a Focus on the Danger Theory." Sensors3 (2023): 1166.‏
  • Niu, Ruixin, Aditya Vempaty, and Pramod K. Varshney. "Received-signal-strength-based localization in wireless sensor networks." Proceedings of the IEEE 106.7 (2018): 1166-1182.
  • Yadav, Preeti, and Subhash Chandra Sharma. "A systematic review of localization in WSN: Machine learning and optimization‐based approaches." International Journal of Communication Systems4 (2023): e5397.‏
  • Yousefi, Bardia, et al. "Density-based Isometric Mapping." arXiv preprint arXiv: 2403.02531 (2024).‏
  • Zaki, Mohammed J., and Wagner Meira. Data mining and analysis: fundamental concepts and algorithms. Cambridge University Press, 2021.‏