咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

CADAL相关文献

文献详情 >感测网路中运用人工智慧演算法定位之成本与效能评估 收藏
感测网路中运用人工智慧演算法定位之成本与效能评估

感测网路中运用人工智慧演算法定位之成本与效能评估

Cost and Performance Evaluation on AI-based Localization in Wireless Sensor Networks

作     者:江奕均 Yi-Jun Jiang

作者单位:淡江大学 

作者专业:工程學

学位级别:硕士

导师姓名:庄博任

授予单位:淡江大学

授予年度:2011年

页      码:90页

主      题:类神经网路 定位 无线感测网路 效能评估 

摘      要:无线感测网路(Wireless Sensor Network, WSN)主要被运用於区域资料的蒐集,透过资料的蒐集可以使得操作者对於其区域有更深的了解并根据资料做出更好的决策。WSN虽然可以针对一整片区域进行资料的蒐集,但是对於某些任务来说,必须要更准确的了解每个感测器所处於的位置,因此必须要对感测器做定位的动作以增加资料的可用性,而定位的准确性与所需花费的成本也为其最关键的问题。 就目前定位计算的分类大致可以分为两类: Statistics-based与AI-based。Statistics- based的方法计算较为简单,但限制较多且定位的结果较不准确,如Kalman filter。而AI-based则反之,虽然计算较为复杂,但却有限制少与高准确率的优点,如PSO、Neural Network。在AI的演算法中,我们主要评估不同Neural Network定位方法间彼此的差异性,根据定位方法的不同,NN的输入也将有所差异,这样的差异也将使得效能有所分别。文中除了比较NN定位方法间的差异外,我们还纳入了PSO-based定位方法以评估不同AI间的区别。 对於WSN而言,除了要有好的效能外,成本也是非常重要的部分,若是没有将成本与效能做一个平衡,将使得WSN寿命减少亦或参考资料价值不足。 为此,我们以不增加额外成本的前提下提出了一个运用NN-based的定位方法,新方法运用Online的训练方式使得训练出来的网路模型与拓墣呈正相关,在训练时我们所纳入的训练组为拓墣全部可能出现的情形,亦即全拓墣式的训练组,Online的训练方式与全拓墣式的训练组将使得我们所训练出来的网路模型与拓墣是完全相关。为了使效能更加增进,我们提出了结合RSSI与hop count两种测距使得测距可以更加精准,而在网路模型输入的部分,我们也将其做倒数的处理使其具有权重,结合两种测距以及权重的概念将使得我们可以在不增加�

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分