Published January 1, 2022
| Version v1
Publication
Open
Review on Unmanned Aerial Vehicle Assisted Sensor Node Localization in Wireless Networks: Soft Computing Approaches
Creators
- 1. Vellore Institute of Technology University
- 2. Universidad Carlos III de Madrid
- 3. Al Jouf University
- 4. Queen's University Belfast
- 5. London Metropolitan University
- 6. Università degli Studi di Enna Kore
- 7. Edinburgh Napier University
- 8. Universidad Publica de Navarra
- 9. Universidad de Navarra
Description
Node positioning or localization is a critical requisite for numerous position-based applications of wireless sensor network (WSN).Localization using the unmanned aerial vehicle (UAV) is preferred over localization using fixed terrestrial anchor node (FTAN) because of low implementation complexity and high accuracy.The conventional multilateration technique estimates the position of the unknown node (UN) based on the distance from the anchor node (AN) to UN that is obtained from the received signal strength (RSS) measurement.However, distortions in the propagation medium may yield incorrect distance measurement and as a result, the accuracy of RSS-multilateration is limited.Though the optimization based localization schemes are considered to be a better alternative, the performance of these schemes is not satisfactory if the distortions are non-linear.In such situations, the neural network (NN) architecture such as extreme learning machine (ELM) can be a better choice as it is a highly non-linear classifier.The ELM is even superior over its counterpart NN classifiers like multilayer perceptron (MLP) and radial basis function (RBF) due to its fast and strong learning ability.Thus, this paper provides a comparative review of various soft computing based localization techniques using both FTAN and aerial ANs for better acceptability.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد تحديد موقع العقدة أو توطينها شرطًا أساسيًا للعديد من التطبيقات القائمة على الموقع لشبكة المستشعرات اللاسلكية (WSN). ويفضل التوطين باستخدام المركبة الجوية بدون طيار (UAV) على التوطين باستخدام عقدة التثبيت الأرضية الثابتة (FTAN) بسبب انخفاض تعقيد التنفيذ والدقة العالية. تقدر تقنية التعددية التقليدية موضع العقدة غير المعروفة (UN) بناءً على المسافة من عقدة التثبيت (AN) إلى الأمم المتحدة التي يتم الحصول عليها من قياس قوة الإشارة المستقبلة (RSS). ومع ذلك، قد تؤدي التشوهات في وسط الانتشار إلى مسافة غير صحيحة القياس ونتيجة لذلك، فإن دقة تعدد RSS محدودة. على الرغم من أن مخططات التوطين القائمة على التحسين تعتبر بديلاً أفضل، إلا أن أداء هذه المخططات غير مرضٍ إذا كانت التشوهات غير خطية. في مثل هذه الحالات، يمكن أن تكون بنية الشبكة العصبية (NN) مثل آلة التعلم المتطرفة (ELM) خيارًا أفضل لأنها مصنف غير خطي للغاية. تتفوق ELM على مصنفات NN المناظرة لها مثل الإدراك متعدد الطبقات (MLP) ووظيفة الأساس الشعاعي (RBF) بسبب قدرتها على التعلم السريع والقوي. وبالتالي، فإن هذا توفر الورقة مراجعة مقارنة لمختلف تقنيات التوطين القائمة على الحوسبة اللينة باستخدام كل من FTAN و ANs الجوية للحصول على قبول أفضل.Translated Description (French)
Le positionnement ou la localisation des nœuds est une condition essentielle pour de nombreuses applications basées sur la position du réseau de capteurs sans fil (WSN). La localisation à l'aide du véhicule aérien sans pilote (UAV) est préférée à la localisation à l'aide du nœud d'ancrage terrestre fixe (FTAN) en raison de la faible complexité de la mise en œuvre et de la grande précision. La technique de multilatération conventionnelle estime la position du nœud inconnu (UN) en fonction de la distance du nœud d'ancrage (AN) à l'ONU obtenue à partir de la mesure de l'intensité du signal reçu (RSS). Cependant, les distorsions dans le milieu de propagation peuvent donner une distance incorrecte mesure et, par conséquent, la précision de la multilatération RSS est limitée. Bien que les schémas de localisation basés sur l'optimisation soient considérés comme une meilleure alternative, les performances de ces schémas ne sont pas satisfaisantes si les distorsions sont non linéaires. Dans de telles situations, l'architecture de réseau neuronal (NN) telle que la machine d'apprentissage extrême (ELM) peut être un meilleur choix car il s'agit d'un classificateur hautement non linéaire. L'ELM est même supérieur à ses homologues NN classificateurs comme le perceptron multicouche (MLP) et la fonction de base radiale (RBF) en raison de sa capacité d'apprentissage rapide et forte. l'article fournit un examen comparatif de diverses techniques de localisation basées sur l'informatique douce utilisant à la fois le FTAN et les AN aériens pour une meilleure acceptabilité.Translated Description (Spanish)
El posicionamiento o localización de nodos es un requisito crítico para numerosas aplicaciones basadas en la posición de la red de sensores inalámbricos (WSN). La localización con el vehículo aéreo no tripulado (UAV) se prefiere a la localización con el nodo de anclaje terrestre fijo (FTAN) debido a la baja complejidad de la implementación y la alta precisión. La técnica de multilateración convencional estima la posición del nodo desconocido (UN) en función de la distancia desde el nodo de anclaje (AN) hasta el UN que se obtiene de la medición de la intensidad de la señal recibida (RSS). Sin embargo, las distorsiones en el medio de propagación pueden producir una distancia incorrecta medición y, como resultado, la precisión de la multiplicación RSS es limitada. Aunque los esquemas de localización basados en optimización se consideran una mejor alternativa, el rendimiento de estos esquemas no es satisfactorio si las distorsiones no son lineales. En tales situaciones, la arquitectura de red neuronal (NN), como la máquina de aprendizaje extremo (ELM), puede ser una mejor opción, ya que es un clasificador altamente no lineal. El ELM es incluso superior a sus clasificadores NN homólogos, como el perceptrón multicapa (MLP) y la función de base radial (RBF), debido a su rápida y fuerte capacidad de aprendizaje. Por lo tanto, este proporciona una revisión comparativa de varias técnicas de localización basadas en computación blanda que utilizan tanto FTAN como AN aéreas para una mejor aceptabilidad.Files
09991991.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:4d95a8c277835b5cd2ecb43b10b328c7
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- مراجعة حول توطين عقدة الاستشعار بمساعدة المركبات الجوية بدون طيار في الشبكات اللاسلكية: مناهج الحوسبة اللينة
- Translated title (French)
- Examen de la localisation des nœuds de capteurs assistés par des véhicules aériens sans pilote dans les réseaux sans fil : approches informatiques souples
- Translated title (Spanish)
- Revisión sobre la localización de nodos de sensores asistidos por vehículos aéreos no tripulados en redes inalámbricas: enfoques de computación blanda
Identifiers
- Other
- https://openalex.org/W4313155443
- DOI
- 10.1109/access.2022.3230661
References
- https://openalex.org/W1595159159
- https://openalex.org/W1897408279
- https://openalex.org/W1963533848
- https://openalex.org/W1964865687
- https://openalex.org/W1965753745
- https://openalex.org/W1967147526
- https://openalex.org/W1974297714
- https://openalex.org/W1986233332
- https://openalex.org/W1987372379
- https://openalex.org/W1989218206
- https://openalex.org/W1993717606
- https://openalex.org/W1995710828
- https://openalex.org/W2002928399
- https://openalex.org/W2003028871
- https://openalex.org/W2008141156
- https://openalex.org/W2010512340
- https://openalex.org/W2023483768
- https://openalex.org/W2026131661
- https://openalex.org/W2036751794
- https://openalex.org/W2045239993
- https://openalex.org/W2049220164
- https://openalex.org/W2050496729
- https://openalex.org/W2051305419
- https://openalex.org/W2055173179
- https://openalex.org/W2061570754
- https://openalex.org/W2078702416
- https://openalex.org/W2090767179
- https://openalex.org/W2091085232
- https://openalex.org/W2091407626
- https://openalex.org/W2094008403
- https://openalex.org/W2102350954
- https://openalex.org/W2110862165
- https://openalex.org/W2111072639
- https://openalex.org/W2113357867
- https://openalex.org/W2114674709
- https://openalex.org/W2119362555
- https://openalex.org/W2131496831
- https://openalex.org/W2137340504
- https://openalex.org/W2137486085
- https://openalex.org/W2137983211
- https://openalex.org/W2141278204
- https://openalex.org/W2141895717
- https://openalex.org/W2143747384
- https://openalex.org/W2147035977
- https://openalex.org/W2158475608
- https://openalex.org/W2159173424
- https://openalex.org/W2162145193
- https://openalex.org/W2169064301
- https://openalex.org/W2171277043
- https://openalex.org/W2287814884
- https://openalex.org/W2320046825
- https://openalex.org/W2333248310
- https://openalex.org/W2475929741
- https://openalex.org/W2535745593
- https://openalex.org/W2562954891
- https://openalex.org/W2580051904
- https://openalex.org/W2615096733
- https://openalex.org/W2704934852
- https://openalex.org/W272971382
- https://openalex.org/W2735529964
- https://openalex.org/W2750840446
- https://openalex.org/W2778566197
- https://openalex.org/W2781287323
- https://openalex.org/W2790259478
- https://openalex.org/W2886577121
- https://openalex.org/W2911926199
- https://openalex.org/W2945243823
- https://openalex.org/W2963580658
- https://openalex.org/W2965660127
- https://openalex.org/W2971695963
- https://openalex.org/W2994350923
- https://openalex.org/W3001622201
- https://openalex.org/W3012971645
- https://openalex.org/W3015412213
- https://openalex.org/W3032499871
- https://openalex.org/W3041357572
- https://openalex.org/W3044921708
- https://openalex.org/W3053053738
- https://openalex.org/W3092495477
- https://openalex.org/W3101399353
- https://openalex.org/W3106505424
- https://openalex.org/W3113498731
- https://openalex.org/W3119434815
- https://openalex.org/W3121837868
- https://openalex.org/W3127305823
- https://openalex.org/W3135026630
- https://openalex.org/W3147472399
- https://openalex.org/W4206106134
- https://openalex.org/W4210702638
- https://openalex.org/W4226285120
- https://openalex.org/W4285202992