• Home
  • Optimal and Sub-optimal Transmitter-Receiver Design in Dense Wireless Sensor Networks and the Internet of Things

Share To

Article Url


Manuscript ID : 13980422190782 Visit : 5550 Page: 193 - 202

20.1001.1.16823745.1400.19.3.4.5

Article Type: Original Research

Optimal and Sub-optimal Transmitter-Receiver Design in Dense Wireless Sensor Networks and the Internet of Things

Subject Areas : electrical and computer engineering

Farzad H. Panahi 1 , Fereidoun H. Panahi 2 , Zahra Askarizadeh Ardestani 3

1 - Department of Electrical Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, Iran
2 -
3 -

Received: 2019-07-13 Accepted : 2021-09-08 Published : 2022-01-08

Keywords: Sensor networks, Internet of things, inter-network interference, transmitter-receiver structure,

Abstract :

With the rapid development of new technologies in the field of internet of things (IoT) and intelligent networks, researchers are more interested than ever in the concept of wireless sensor networks (WSNs). The emergence of these densely structured networks in recent years has raised the importance of the use of telecommunications technologies, such as ultra-wideband (UWB) technology with high reliability, industrial applications, and appropriate communication security. However, there are still numerous concerns about the extent of inter-network interference, particularly owing to undesired spectral discrete lines in this technology. As a result, it is necessary to provide an optimal solution to eliminate interference and control the power spectrum, and then design the optimal transmitter-receiver structures while considering high sensitivities to the synchronization problem in WSNs based on UWB technology. These goals are pursued in the present study by employing the optimal spectral strategy in the signal model, the structure of the transmitter sensor, and then constructing the optimal or sub-optimal receiver sensor structures, the results of which indicate improved communication performance in WSNs.

References:

[1] H. Kim and S. Han, "An efficient sensor deployment scheme for large-scale wireless sensor networks," IEEE Communications Letters, vol. 19, no. 1, pp. 98-101, Jan. 2015.
[2] F. Shahzad, T. R. Sheltami, and E. M. Shakshuki, "Multi-objective optimization for a reliable localization scheme in wireless sensor networks," J. of Communications and Networks, vol. 18, no. 5, pp. 796-805, Oct. 2016.
[3] Y. Zhang, X. Zhang, S. Ning, J. Gao, and Y. Liu, "Energy-efficient multilevel heterogeneous routing protocol for wireless sensor networks," IEEE Access, vol. 7, pp. 55873-55884, 2019.
[4] R. Morello, S. C. Mukhopadhyay, Z. Liu, D. Slomovitz, and S. R. Samantaray, "Advances on sensing technologies for smart cities and power grids: a review," IEEE Sensors J., vol. 17, no. 23, pp. 7596-7610, Dec. 2017.
[5] T. I. Krebesz, G. Kolumban, C. K. Tse, F. C. M. Lau, and H. Dong, "Use of UWB impulse radio technology in in-car communications: power limits and optimization," IEEE Trans. on Vehicular Technology, vol. 66, no. 7, pp. 6037-6049, Jul. 2017.
[6] J. L. Burbank, J. Andrusenko, S. Everett, and W. T. M. Kasch, Wireless Networking: Understanding Internetworking Challenges, Wiley-IEEE Press, Jun. 2013.
[7] T. de Almeida Oliveira and E. P. Godoy, "Zigbee wireless dynamic sensor networks: feasibility analysis and implementation guide," IEEE Sensors J., vol. 16, no. 11, pp. 4614-4621, Jun. 2016.
[8] H. Chen, C. Meng, Z. Shan, Z. Fu, and B. K. Bhargava, "A novel low-rate denial of service attack detection approach in zigbee wireless sensor network by combining hilbert-huang transformation and trust evaluation," IEEE Access, vol. 7, pp. 32853-32866, 2019.
[9] S. Sharma, V. Bhatia, and A. Gupta, "Noncoherent IR-UWB receiver using massive antenna arrays for wireless sensor networks," IEEE Sensors Letters, vol. 2, no. 1, Art No.: 1500204, 4 pp., Mar. 2018.
[10] Z. Yin, M. Wu, Z. Yang, N. Zhao, and Y. Chen, "A joint multiuser detection scheme for UWB sensor networks using waveform division multiple access," IEEE Access, vol. 5, pp. 11717-11726, 2017.
[11] M. Chiani and A. Giorgetti, "Coexistence between UWB and narrow-band wireless communication systems," Proc. of the IEEE, vol. 97, no. 2, pp. 231-254, Feb. 2009.
[12] Y. L. Chao and R. A. Scholtz, "Ultra-wideband transmitted reference systems," IEEE Trans. on Veh. Tech., vol. 54, no. 5, pp. 1556-1569, Sept. 2005.
[13] F. H. Panahi and A. Falahati, "Spectral efficient impulse radio-ultra-wideband transmission model in presence of pulse attenuation and timing jitter," IET Communications, vol. 6, no. 11, pp. 1544-1554, 2012.
[14] Y. P. Nakache and A. F. Molish, "Spectral shaping of UWB signals for time-hopping impulse radio," IEEE J. on Selected Areas in Com., vol. 24, no. 4, pp. 738-744, Apr. 2006.
[15] S. Frattasi and F. Della Rosa, Mobile Positioning and Tracking: from Conventional to Cooperative Techniques, John Wiley & Sons Ltd, Jul. 2017.
[16] K. Kouassi, L. Clavier, I. Doumbia, and P. Rolland, "Optimal PWR codes for TH-PPM UWB multiple-access interference mitigation," IEEE Communication Letters, vol. 17, no. 1, pp. 103-106, Jan. 2013.
[17] M. Bashar and Q. Nidal, "Enhancing the bitrate and power spectral density of PPM TH-IR UWB signals using a sub-slot technique," Int. J. of Advanced Computer Science and Applications, vol. 11, no. 2, pp. 341-346, 2020.
[18] S. V. Mir-Moghtadaei, "A new UHF/ultra wideband‐radio frequency identification system to solve coexistence issues of ultra wideband‐radio frequency identification and other in‐band narrowband systems," Trans. on Emerging Telecom. Tech., vol. 32, no. 1, Article No.: e4147, Jan. 2020.
[19] X. Wu, Z. Tian, T. N. Davidson, and G. B. Giannakis, "Optimal waveform design for UWB radios," IEEE Trans. on Signal Proc., vol. 54, no. 6, pp. 2009-2021, Jun. 2006.
[20] P. Walk, P. Jung, and J. Timmermann, "Lowdin transform on FCC optimized UWB pulses," in Proc. IEEE Wireless Communication and Networking Conf., 6 pp., Sydney, NSW, Australia, 18-21 Apr. 2010.
[21] Y. Wang, X. Dong, and I. J. Fair, "Spectrum shaping and NBI suppression in UWB communications," IEEE Trans. on Wireless Com., vol. 6, no. 5, pp. 1944-1952, May 2007.
[22] M. E. Khedr, A. El-Helw, and M. H. Afifi, "Adaptive mitigation of narrowband interference in impulse radio UWB systems using time-hopping sequence design," J. of Communications and Networks, vol. 17, no. 6, pp. 622-633, Dec. 2015.
[23] S. R. Acdudodla, S. Vijayakumaran, and T. E. Wong, "Timing acquisition in ultra-wideband communication systems," IEEE Trans. Veh. Technol., vol. 54, no. 5, pp. 1570-1583, Sept. 2005.
[24] J. D. Choi and W. E. Stark, "Performance of ultra-wideband communications with suboptimal receivers in multipath channels," IEEE J. Sel. Areas Commun., vol. 20, no. 9, pp. 1754-1766, Dec. 2002.
[25] J. Romme and K. Witrisal, "Transmitted-reference UWB systems using weighted autocorrelation receivers," IEEE Trans. Microw. Theory Tech., vol. 54, no. 4, pp. 1754-1761, Apr. 2006.
[26] Y. L. Chao and R. A. Scholtz, "Optimal and suboptimal receivers for ultrawideband transmitted reference systems," in Proc. IEEE Global Commun. Conf., vol. 2, pp. 759-763, San Francisco, CA, USA, 1-5 Dec. 2003.
[27] S. Gezici, F. Tufvesson, and A. F. Molisch, "On the performance of transmitted-reference impulse radio," in Proc. IEEE Global Commun. Conf., pp. 2874-2879, Dallas, TX, USA, 29 Nov.-3 Dec. 2004.
[28] M. Casu and G. Durisi, "Implementation aspects of a transmitted-reference UWB receiver," Wireless Commun. Mobile Comput., vol. 5, no. 5, pp. 537-549, Aug. 2005.
[29] R. Hoctor and H. Tomlinson, "Delay-hopped transmitted-reference RF communications," in Proc. IEEE Conf. Ultra Wideband Syst. Technol., pp. 265-269, Baltimore, MD, USA, 21-23 May 2002.
[30] M. Ho, V. S. Somayazulu, J. Foerster, and S. Roy, "A differential detector for an ultra-wideband communications system," in Proc. 55th IEEE Veh. Technol. Conf., Birmingham, AK, USA, vol. 4, pp. 1896-1900, May 2002.
[31] I. Guvenc, Z. Sahinoglu, and P. V. Orlik, "TOA estimation for IR-UWB systems with different transceiver types," IEEE Trans. Microw. Theory Tech., vol. 54, no. 4, pp. 1876-1886, Apr. 2006.
[32] W. Gifford and M. Win, "On transmitted-reference UWB communications," in Proc. Asilomar Conf. Signals, Syst. Comput., vol. 2, pp. 1526-1531, Pacific Grove, CA, USA, 7-10 Nov. 2004.
[33] Y. Jin and K. S. Kwak, "A transmitted reference pulse cluster averaging UWB receiver," IEEE Systems J., vol. 11, no. 2, pp. 1107-1115, Jun. 2017.
[34] H. Matti, et al., "Ultra-wideband radar-based indoor activity monitoring for elderly care," Sensors, vol. 21, no. 9, Article No.: 3158, 2 May 2021.
[35] J. Fusselman, M. Gilliam, Y. Shrestha, Y. Zhang, and K. Kelly, "Ultra-compact ultra-wideband radar for high-speed target tracking," Radar Sensor Technology, vol. 11742, Article No.: 117420F, 2021.
[36] M. K. Simon and M. S. Alouini, Digital Communication over Fading Channels a Unified Approach to Performance Analysis, John Wiley & Sons, Inc., 2000.
Full-Text:
معرفي يک روش جديد خوشه‌يابي خودکار

نشریه مهندسی برق و مهندسی كامپیوتر ایران، ب- مهندسی کامپیوتر، سال 19، شماره 3، پاییز 1400   193

مقاله پژوهشی

طراحی بهینه و زیربهینه فرستنده- گیرنده در 
شبکه‌های حسگری متراکم و اینترنت اشیا

فرزاد حسین‌پناهی، فریدون حسین‌پناهی و زهرا عسکری‌زاده اردستانی

 

 

1 

چكیده: امروزه با توسعه بسیار سریع فناوری‌های نوین در حوزه اینترنت اشیا و شبکه‌های هوشمند، مفهوم شبکه‌های حسگر بی‌سیم بیش از هر زمان دیگری مورد توجه مراکز تحقیقاتی قرار گرفته است. در سال‌های اخیر، پیدایش این شبکه‌ها با ساختار متراکم، بر اهمیت به کارگیری فناوری‌های مخابراتی از جمله فناوری فراپهن باند با قابلیت اطمینان بالا، کاربرد صنعتی و همچنین امنیت ارتباطی مناسب افزوده است. اما همچنان نگرانی‌های بسیاری در ارتباط با میزان تداخل درون شبکه‌ای به ویژه ناشی از خطوط گسسته طیفی نامطلوب در این فناوری مطرح هستند و بنابراین ارائه یک راهکار بهینه برای حذف تداخل درون شبکه و کنترل طیف توان و سپس تعریف ساختارهای فرستنده- گیرنده مطلوب البته با در نظر گرفتن حساسیت‌های بالا نسبت به مسأله سنکرون‌سازی در شبکه‌های حسگری بی‌سیم مبتنی بر تکنولوژی فراپهن باند ضروری است. این اهداف در تحقیق کنونی با اعمال استراتژی بهینه طیفی در مدل سیگنال، ساختار حسگر فرستنده و سپس ترسیم ساختارهای حسگر گیرنده بهینه و یا زیربهینه دنبال می‌شوند که نتایج به دست آمده بیانگر بهبود عملکرد ارتباطات در شبکه‌های حسگر بی‌سیم است.

 

کلیدواژه: شبکه‌های حسگر بی‌سیم، اینترنت اشیا، تداخل درون شبکه، ساختار فرستنده- گیرنده.

1-       مقدمه

بدون تردید در آینده نزدیک، شبکه‌های حسگر بی‌سیم2 و اینترت اشیا3 به عنوان یک فناوری کلیدی در توسعه مفهوم شهرهای هوشمند و شبکه‌های مخابرتی سبز محسوب خواهد شد [1] تا [6]. یک شبکه حسگر، ساختاری متشکل از اجزای حس‌کننده، هسته پردازش داده و بخش مخابراتی است که در آن امکان جمع‌آوری و مدیریت داده‌ها در شبکه فراهم می‌شود. در واقع تجهیزات ارزان‌قیمت و هوشمند، همراه با چندین حسگر بر روی یک برد که از طریق لینک‌های بی‌سیم با یکدیگر تشکیل شبکه حسگری داده‌اند، امکانات و فرصت‌های بسیاری را در مدیریت و کنترل شهرها و محیط‌های پیرامون با اهداف متنوع ایجاد کرده است. امروزه، به کارگیری شبکه‌های حسگر بی‌سیم در کاربردهای صنعتی، چشم‌انداز جدیدی را در صنعت به وجود آورده است. در این زمینه، در سال‌های گذشته فناوری‌های مخابراتی بسیاری به ویژه مبتنی بر تکنولوژی زیگبی4 پیشنهاد داده شده است. با این وجود فناوری مذکور عمدتاً در حوزه شبکه‌های کم‌هزینه با نرخ انتقال و توان پایین متمرکز شده که در زمینه انتقال داده‌هایی با حجم بالاتر به شکلی کارا عمل نمی‌کنند [7] و [8]. به این ترتیب، ویژگی‌های منحصر به فرد سیگنال‌های فراپهن باند5، این تکنولوژی را برای کاربردهای چندرسانه‌ای و صنعتی با برد متوسط و سرعت و امنیت بیشتر، بسیار مناسب کرده است که در قالب پروتکل img0 در شبکه تعریف شده است [9] و [10]. اگرچه شبکه‌های حسگری بی‌سیم مبتنی بر سیستم‌های ارتباطی فراپهن باند از مزایایی همچون پیچیدگی کم، پایداربودن در مقابل فیدینگ چندمسیری6، احتمال پایین شنود7 و عملکرد قابل قبول برخوردار هستند، اما این سیستم‌ها از اشکالات عمده‌ای ناشی از تداخل طیفی، به ویژه با افزایش تراکم شبکه‌های حسگری و اینترنت اشیا، رنج برده و به جهت پهنای باند فوق‌العاده بالا همچنان دچار مشکل هستند. بنابراین در سال‌های اخیر، شکل‌دهی طیف سیگنال‌های فراپهن باند به عنوان بستری امن، پرسرعت و قابل اطمینان برای سیگنالینگ داده در شبکه‌های حسگری متراکم و اینترنت اشیا، موجب جذب فزاینده علاقه محققان و مهندسین بسیاری شده است [11] تا [18]. بیشتر تکنیک‌های شکل‌دهی طیفی استفاده‌شده در تحقیقات، راه حل‌های مبتنی بر سنکرون‌سازی دقیق8 برای مقابله با تداخل‌های طیفی به ویژه ناشی از خطوط گسسته طیفی ارائه می‌دهند. در واقع همان طور که در شکل 1 قابل مشاهده است، خطوط گسسته طیفی نامطلوب (سیاه‌رنگ) در طیف تکنولوژی فراپهن باند، به شکل ناخواسته می‌تواند منجر به نقض مرزهای طیف- توان مصوب نهادهای استاندارد مخابرات بین‌المللی از جمله FCC شوند که خود این مسأله نه تنها باعث ایجاد تداخل ویرانگر در تکنولوژی‌های رادیویی معمولی می‌شود، بلکه ضمن بروز همبستگی سیگنالی با سایر تکنولوژی‌های باند باریک کنونی مانند حسگرهای مبتنی بر فناوری وای‌فای و استاندارد img0 به رشد تداخل درون شبکه خواهد انجامید [11] و [15]. بنابراین ارائه یک استراتژی بهینه طیفی در این زمینه و البته با در نظر گرفتن حساسیت‌های بالا  نسبت  به  مسأله  سنکرون‌سازی   در تکنولوژی  فراپهن  باند  ضروری  است   (واژگان  اختصاري

D:\INTERESTs\Rearrange Papers 9\Conferences\IST 2012\Resources\NBI_UWB_1 new.bmp 

شکل 1:  خطوط طیفی نامطلوب (سیاه‌رنگ) در طیف سیگنال‌های فراپهن باند به ایجاد تداخل درون شبکه‌ای و همچنین تداخل متقابل مابین شبکه حسگری و فناوری‌های رادیویی موجود همانند وای‌فای (قرمزرنگ) منجر خواهد شد.

 

در جدول 1 آمده است).

2-       پیشینه تحقیق

همان طور که اشاره شد، حسگرهای مبتنی بر فناوری فراپهن باند اگرچه قابلیت تأمین تبادل اطلاعات با سرعت و امنیت بالا را فراهم می‌آورند، اما همچنان چالش‌های اساسی به ویژه در ارتباط با تداخل‌های احتمالی درون شبکه را به همراه دارند [11]. در واقع بخش بزرگی از این مشکلات به ویژگی‌های ذاتی طیف پالس‌های ضربه‌مانند فراپهن باند مرتبط است چرا که دنباله‌ای از این پالس‌ها با تغییرات فوق‌العاده فشرده زمانی (حدود چند نانوثانیه) سبب تشکیل خطوط گسسته طیفی نامطلوب شده که این مسأله ضمن نقض محدوده توان مجاز FCC به ایجاد 
تداخل درون شبکه‌ای و همچنین تداخل متقابل مابین شبکه حسگری و فناوری‌های رادیویی موجود همانند وای‌فای منجر خواهد شد [19] تا [22]. برای مقابله با این پدیده، روش‌های بسیاری بر پایه به کارگیری دنباله کدهای شبه‌تصادفی پرش زمانی 9(PR-TH) و ضرایب شبه‌تصادفی دنباله مستقیم 10(PR-DS) پیشنهاد شده است [16] و [22]، اما با توجه به پیچیده‌ترشدن فرایند همگام‌سازی در فناوری پرسرعت فراپهن باند و همچنین عدم کارایی این گونه روش‌ها در مقابله با تداخلگرهای توان بالا، استقبال چندانی در عمل صورت نگرفت. از طرف دیگر پیچیدگی فرایند آشکارسازی در گیرنده‌های فراپهن باند با افزایش مسیرها یا مؤلفه‌ها در پدیده چندمسیری، به صورت نمایی افزایش می‌یابد. بنابراین بسیاری از تحقیقات بر به کارگیری استراتژی‌های غیر همدوس11 برای آشکارسازی، تخمین کانال و فرایند همگام‌سازی در شبکه‌های حسگری مبتنی بر فراپهن باند متمرکز شده‌اند [23] تا [31]. این استراتژی‌ها غالباً بر 
اساس سیگنالینگ فراپهن باند مبتنی بر ارسال پالس مرجع 12(TRP)، آشکارسازهای تفاضلی و آشکارسازهای انرژی طراحی شده‌اند. به طور کلی، ایده اصلی در سیگنالینگ TR ارسال یک پالس مرجع با دامنه ثابت و به دنبال آن پالس داده است که با تأخیر زمانی معینی از همدیگر تفکیک شده‌اند. اگرچه تزریق انبوهی از پالس‌های مرجع با دامنه ثابت به دنباله  داده،  با  ایجاد  تناوب  ذاتی  در  این  سیگنالینگ  و  در  نتیجه  افزایش 

جدول 1: واژگان اختصاری. 

 

BS

Base station

CH

Cluster head

CTRCCR

Conventional TR-based cross-correlation receiver

CM

Channel model

DSR

Data-statistics based reference

DSRCCR

DSR based cross-correlation receiver

EE

Energy efficiency

EH

Energy harvesting

GA

Genetic Algorithm

HetNet

Heterogeneous network

ODSRR

Optimal DSR based rayleigh receiver

ODSRLR

Optimal DSR based lognormal receiver

PSD

Power spectral density

SN

Sensor node

SDSRRR

Sub-optimal DSR based rayleigh receiver

SSDRLR

Sub-optimal DSR based lognormal receiver

TR

Transmitted reference

UWB

Ultra wide-band

WSN

Wireless sensor network

 

تداخل ناشی از تشدید خطوط گسسته طیفی نامطلوب همراه است اما همچنان بهترین گزینه برای حل چالش اساسی همگام‌سازی در فناوری پرسرعت و توان پایین فراپهن باند در شبکه‌های حسگری بی‌سیم به شمار می‌رود [32] تا [35]. به این ترتیب در این تحقیق با حفظ مدل کلی سیگنال‌های فراپهن باند مبتنی بر ارسال پالس مرجع یا TR (به جهت عملکرد فوق‌العاده آن در حل مشکلات سنکرون‌سازی در نرخ داده بالا) به عنوان زیربنای سیگنالینگ در یک شبکه حسگری متراکم و سپس با هدف بهبود مشخصه‌های طیفی، استراتژی بهینه طیفی و در نهایت ساختارهای بهینه و زیربهینه گیرنده- فرستنده‌های13 ممکن مطرح خواهند شد. با این توضیحات، در مجموع اهداف اصلی این مقاله به شکل ذیل در دو بخش قابل تفکیک است. این اهداف با اعمال استراتژی بهینه طیفی در مدل سیگنال و ساختار فرستنده و سپس استراتژی‌های بهینه و یا زیربهینه عملکرد در ساختار گیرنده در شبکه‌های حسگری متراکم و اینترنت اشیا دنبال می‌شوند:

-        طراحی ساختار فرستنده حسگری با تعریف مدل سیگنال مبتنی بر ارسال پالس مرجع DSR14، به عنوان یک نسخه بهبودیافته و با هدف حفظ ویژگی‌های سنکرون‌سازی بی‌نظیر مدل متداول TR در ارسال داده حسگر فرستنده و سپس کنترل و حذف خطوط گسسته طیفی نامطلوب مطابق با استراتژی بهینه طیفی.

-        طراحی و تحلیل ساختارهای بهینه و زیربهینه برای حسگر گیرنده بر مبنای تحلیل‌های آماری مختلف.

3-       مدل شبکه حسگری

در اینجا یک شبکه حسگری با ساختار سلسله‌مراتبی دولایه ناهمگون15 متشکل از ایستگاه‌های پایه16، سرخوشه‌ها یا چاهک‌های جمع‌آوری و پردازش اولیه داده‌ها و همین طور حسگرهای توزیع‌شده در سراسر شبکه به عنوان مدل پایه مطابق با شکل 2 تعریف می‌شود. بر اساس این مدل، حسگرهای شبکه نیازی به برقراری ارتباط مستقیم با نزدیک‌ترین ایستگاه 

[1] این مقاله در تاریخ 22 تیر ماه 1398 دریافت و در تاریخ 17 شهريور ماه 1400 بازنگری شد.

فرزاد حسین‌پناهی (نویسنده مسئول)، ، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران، (email: farzad.h.panahi@uok.ac.ir).

فریدون حسین‌پناهی، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران، 
(email: fereidoun.h.panahi@uok.ac.ir).

زهرا عسکری‌زاده اردستانی، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران، (email: z.askarizadeh@uok.ac.ir).

[2] . Wireless Sensor Network

[3] . Internet of Things

[4] . Zigbee Technology

[5] . Ultra Wide-Band Signals

[6] . Multi-Path Fading

[7] . Probability of Interception

[8] . Strict Synchronization

[9] . Pseudo-Random Time-Hopping Codes

[10] . Pseudo-Random Direct-Sequence Codes

[11] . Non-Coherent Strategies

[12] . Transmitted-Reference Pulse

[13] . Optimal and Suboptimal Transceivers

[14] . Data-Statistics Based Reference Pulse

[15] . Two-Tier Heterogonous Network

[16] . Base Stations

img0                        (1)

img0                (9)

 

پایه ندارند بلکه در این ساختار، حسگرها به خوشه‌ها یا سلول‌هایی تقسیم می‌شوند که در هر خوشه (سلول) یک چاهک یا سرگروه خوشه 1(CH) انتخاب می‌شود. این سرگروه‌ها وظیفه جمع‌آوری اطلاعات حسگرهای هر گروه را بر عهده دارند و در حقیقت نقش رله‌های ارتباطی به عنوان واسطه‌های انتقال اطلاعات مابین حسگرها و ایستگاه‌های پایه را ایفا می‌کنند. این کار با هدف کاهش اطلاعات ارسالی از حسگرها به ایستگاه پایه و در نتیجه بهبود بازده انرژی شبکه انجام می‌شود. معیارهای مختلف انتخاب سرخوشه و مدیریت پویای توپولوژی شبکه در تحقیقات بسیاری مورد بحث قرار گرفته است [1] تا [3]. در مدل ارائه‌شده، هر حسگر دارای یک ناحیه پوشش یا شعاع حسگری است که به نقاط موجود در آن محدوده احاطه کامل دارد. یکی از اهداف شبکه‌های حسگری این است که پوشش حداکثری در یک فضای معین تأمین شود.

4-       مدل بهینه سیگنال و حسگر فرستنده

همان طور که پیشتر اشاره شد، مدل در نظر گرفته شده در این مقاله به عنوان یک نسخه بهبودیافته از مدل متداول TR انتخاب شده است به طوری که هم از ویژگی‌های سادگی و خودسنکرون‌سازی برخوردار باشد 
و هم با وزن‌دهی پالس‌های مرجع از تشدید خطوط گسسته طیفی (که همانند تداخلگرهای ناخواسته عمل می‌کنند) پیشگیری کند [13] و [25]. به این ترتیب، هر سیمبل ارسال‌شده در یک بازه زمانی به طول img0، به صورت یک پالس اولیه یا مقدمه DSR (معادل با پالس مرجع TR وزن‌دهی شده)، به همراه img0 پالس داده متوالی در برش‌های زمانی به طول img0 و شیفت‌های کوچک زمانی img0 متناسب با مدولاسیون متعامد img0تایی، دنباله کد شبه‌تصادفی پرش زمانی PR-TH img0 (با برش زمانی img0) و ضرایب شبه‌تصادفی دنباله مستقیم PR-DS img0 در نظر گرفته می‌شود. بنابراین در مجموع مدل سیگنال ارسالی برای سیمبل img0ام با لحاظ‌کردن پارامترهای واقعی همچون جیتر زمانی img0 (با توزیع یکنواخت در بازه img0) و تضعیف img0 به صورت (1) قابل بیان است. در این مدل، img0 سیگنال ارسالی برای سیمبل img0ام به صورت جفت بیت‌های img0 در زمان img0، پالس مرکب img0 ترکیب خطی با ضرایب معین به صورت کلمه کد img0 و تأخیرهای img0 از پالس گاوسی پایه img0 با دوره زمانی img0 img0 است و img0 ضرایب DSR یا دنباله کد شبه‌تصادفی با میانگین img0 و واریانس img0 از مجموعه img0 و با دوره تناوب img0 است. پارامتر img0 نیز مقدار ثابتی است که برای بهینه‌سازی عملکرد ارتباطی طراحی شده است. تأخیر زمانی مابین پالس مقدمه DSR و پالس‌های داده نیز در یک سیمبل با پارامتر img0 نشان داده شده است.

4-1 مشخصات طیفی سیگنال

در این بخش با توجه به مدل سیگنال ارائه‌شده در (1) و به منظور ارزیابی مشخصات طیفی و سپس کنترل یا حذف خطوط گسسته طیفی، به محاسبه عبارت چگالی طیف توان 2(PSD) بر اساس پارامترهای مدل سیگنال پرداخته می‌شود که نهایتاً پس از تجزیه و تحلیل کامل ریاضی و بر اساس (2) تا (8) به صورت (9) قابل بیان است

img0        (2)

img0        (3)

img0        (4)

img0        (5)

img0        (6)

img0        (7)

img0        (8)

آنچه در اینجا واضح می‌باشد آن است که عبارت طیف توان img0 به دست آمده برای مدل سیگنال img0 را می‌توان به عنوان حاصل‌ضرب 3 عبارت در نظر گرفت: طیف کلمه کد img0 مربوط به پالس مرکب، چگالی طیف انرژی img0 و عبارت طیف توان سیمبل داده به همراه 
تأثیر پارامترهای واقعی همچون تضعیف دامنه، جیتر زمانی و کدهای شبه‌تصادفی DS و TH. این نکته نقش مجزای این 3 فاکتور کلیدی را در شکل‌دهی طیف سیگنال فراپهن باند به خوبی نشان می‌دهند.

4-2 استراتژی پیشنهادی بهینه طیفی

تا کنون بخش عمده‌ای از تحقیقات بر روی بهینه‌سازی شکل پالس‌های مختلف متمرکز شده‌اند تا بتوان حداکثر طیف توان در محدوده مجاز FCC و در زیر ماسک طیفی تعریف‌شده تأمین شود به طوری که از فضای طیفی تعریف‌شده به شکل بهینه استفاده کرد [19] و [20]. با وجود این، یک مدل ایده‌آل برای طراحی پالس بدون در نظر گرفتن پدیده تشدید خطوط گسسته طیفی نامطلوب ناشی از منابع داده نامتعادل (دنباله صفر و یک‌های با احتمال غیر یکنواخت) و یا دنباله داده وابسته، در عمل منجر به خروج تدریجی طیف سیگنال از ناحیه مجاز و ایجاد تداخل مخرب و اختلال در عملکرد شبکه حسگری خواهد شد. نکته قابل تأمل دیگر آن است که بهره‌گیری از کدهای شبه‌تصادفی با برش‌های زمانی بسیار کوچک برای اهداف شکل‌دهی طیف، به علت تشدید مشکلات سنکرون‌سازی به هیچ عنوان قابل توجیه نیست [12] و [13]. در این مقاله، ایده اصلی در استراتژی بهینه طیفی، طرح یک مسأله بهینه‌سازی برای  عبارت  طیف  توان  است  به  گونه‌ای  که  در  نهایت  هر  حسگر  فرستنده 

C:\Users\Kurdistan\Desktop\FIG.png 

شکل 2:  مدل پایه شبکه حسگری با ساختار سلسله‌مراتبی دولایه ناهمگون شامل ایستگاه‌های پایه، سرخوشه‌ها یا چاهک‌ها و حسگرهای درون شبکه.

 

(سرگروه) بتواند جفت متغیر بهینه img0 را به عنوان مشخصه‌های یک فرایند تصادفی برای تولید دنباله کد شبه‌تصادفی img0 یا همان ضرایب پالس‌های مقدمه DSR به کار ببرد. در واقع، اعمال پالس‌های DSR وزن‌دار (متناظر با همان پالس‌های مرجع بدون وزن در مدولاسیون TR) در مدل سیگنال معادل است با دادن درجه آزادی بیشتر برای کنترل خطوط طیفی نامطلوب، به ویژه در مورد الگوهای مدولاسیون داده غیر متقارن یا منابع داده نامتعادل. بنابراین لازم است فاکتورهای مهم در طرح مسأله بهینه‌سازی را مطابق با ملاحظات و اولویت‌های اشاره‌شده در دو اصل بهره‌وری حداکثری از محدوده مجاز طیفی تعریف‌شده و کنترل خطوط گسسته طیفی خلاصه کرد. اولین عامل کلیدی که باید بهینه‌سازی شود، تابع خطا است که به صورت (10) می‌باشد

img0        (10)

که در آن img0 بیانگر همان ماسک یا حد مجاز طیفی FCC است. در واقع هدف از تعریف تابع خطا به عنوان یکی از فاکتورهای اساسی در مسأله بهینه‌سازی، تحقق اصل بهره‌وری حداکثری از محدوده مجاز طیفی تعریف شده است. به این صورت که با به حداقل رساندن این تابع می‌توان اطمینان حاصل کرد که طیف توان سیگنال ارسالی در حسگر سرگروه در نزدیک‌ترین فاصله از ماسک طیفی تعریف‌شده باقی خواهد ماند. واضح است که برای اطمینان از این که طیف توان مطابق با استاندارد طیفی و در زیر ماسک تعریف شده است، لازم است که مقدار تابع خطای img0 برای تمام فرکانس‌ها مثبت باشد. همان طور که پیشتر اشاره شد، برخلاف تحقیقات گذشته در نظر گرفتن یک اصل اساسی دیگر نیز در بهینگی طیفی ضروری است و آن اصل کنترل خطوط گسسته طیفی است. برای تحقق این اصل نیز تابع نسبت img0 به صورت قدر مطلق نسبت بخش گسسته (پیک‌های نامطلوب) به بخش پیوسته (سطح میانگین) طیف توان img0، برای محدوده فرکانسی خاصی شامل img0 که img0 است، تعریف می‌شود. مقادیر img0 و img0 به ترتیب تعیین‌کننده کران‌های پایین و بالا برای محدوده فرکانسی دلخواه مطابق با ماسک طیفی است. به این ترتیب تابع نسبت img0 را می‌توان بر اساس عبارت کامل طیف توان (رابطه (9)) به صورت (11) فرمول‌نویسی کرد. همان طور که اشاره شد، تابع نسبت img0 به دست آمده به عنوان فاکتور مهم دیگری 
به همراه تابع خطای img0 (در نقاط فرکانسی ناپیوسته) در مسأله بهینه‌سازی نهایی شرکت داده خواهد شد. نقاط فرکانسی مورد ارزیابی در طول فرایند بهینه‌سازی نیز به صورت توزیع یکنواخت در بازه فرکانسی دلخواه مطابق با ماسک طیفی و از طریق مقادیر img0 و img0 تعیین خواهد شد. به عبارت دیگر

 

[1] . Sink or Cluster Heads

[2] . Power Spectral Density

img0                                     (11)

 

img0        (12)

که  در  آن img0.  بنابراین  در  مجموع  پس  از  در  نظر  گرفتن 

تمام پارامترهای مؤثر در بهینگی طیفی و در نتیجه حذف تداخل مخرب در شبکه‌های حسگری متراکم و اینترنت اشیا به ویژه ناشی از حسگرهای سرگروه، مسأله بهینه‌سازی مورد نظر بر اساس محدودیت‌های غیر خطی به صورت (13) قابل تعریف است

img0        (13)

img0        (14)

که هر محدودیت غیر خطی در (14) را می‌توان به صورت مجموعه‌ای از محدودیت‌های منفرد در جعبه ابزارهای بهینه‌سازی در نظر گرفت. واضح است که مسأله بهینه‌سازی تعریف‌شده مطابق با (13) غیر محدب است و بنابراین در فرم مناسب برای پیاده‌سازی در برنامه‌های بهینه‌سازی محدب قابل بازنویسی نیست. با وجود این، تغییر فرم مسأله اصلی به فرم مسأله‌ای شبه‌محدب، شبیه به تابع هزینه1 تعریف‌شده در (15)، به همراه ضرایب وزنی مناسب دو تابع اصلی مسأله یعنی توابع خطا و نسبت می‌تواند به تعریف یک مسأله بهینه‌سازی با زمان پردازش کمتر کمک کند

img0        (15)

و مجموعه محدودیت‌های غیر خطی در (14). همچنین تعریف شده است: img0، img0 و در اینجا img0، 

بردار وزن نرمال تعریف‌شده است. واضح است که پس از تعیین نقطه بهینه img0، ضرایب DSR یا همان دنباله کد شبه‌تصادفی img0 با میانگین img0 و واریانس img0 از مجموعه img0 و با دوره تناوب 
img0 فقط در حسگر سرگروه اعمال شده و این دنباله در یک بازه زمانی طولانی مطابق با ترافیک و توپولوژی شبکه معتبر بوده و توسط حسگر سرگروه در اختیار سایر نودهای تحت پوشش برای آشکارسازی داده دریافتی قرار می‌گیرد.

4-3 استراتژی مقابله با تداخل باند محدود

تا کنون تمرکز مقاله بر تضعیف خطوط گسسته طیفی به عنوان تداخلگرهای جدی از طرف شبکه حسگری مبتنی بر سیگنال‌های فراپهن باند بر سایر تکنولوژی‌های مخابراتی بوده است [11] و [21]. در مقابل، هدف از این زیربخش، مهار تداخل ناشی از سایر سیستم‌های ارتباطی 
باند باریک در باندهای فرکانسی مختلف بر شبکه حسگری مبتنی بر سیگنال‌های فراپهن باند است. در حقیقت به کارگیری پالس مرکب img0   با   کلمه   کد   img0   و   ظاهرشدن   عبارت 

D:\INTERESTs\Rearrange Papers 9\Journals ALPHA\C\Resources\NBI_UWB_2 new.bmp 

شکل 3:  تضعیف یا مهار تداخل متقابل از طریق طراحی تهی طیفی.

 

img0 در رابطه طیف توان نیز دقیقاً با همین هدف صورت گرفته است. با طراحی و تنظیم مقادیر کلمه کد img0 به راحتی می‌توان یک چاهک طیفی در طیف سیگنال فراپهن باند و در مقابل فرکانس کاری مربوط به هر سیستم ارتباطی باند باریک مجاور مطابق با شکل 3 ایجاد کرد به گونه‌ای که کمترین اثرات ناشی از تداخل از سمت آن سیستم متوجه شبکه حسگری شود. برای مثال این استراتژی برای مقابله با تداخل‌های احتمالی در تکنولوژی وای‌فای و فرکانس کاری 2/5 گیگاهرتز اندیشیده شده است.

5-       ساختارهای پیشنهادی حسگر گیرنده

پس از آن که به تحلیل ساختار بهینه حسگر فرستنده به ویژه حسگر سرگروه از نظر طیفی پرداخته گردید و بر کنترل و کاهش میزان تداخل مخرب آن بر سایر حسگرهای تحت پوشش در شبکه حسگری تمرکز شد، در این بخش به طراحی ساختارهای بهینه و زیربهینه حسگرهای گیرنده پرداخته می‌شود. فرض می‌شود که دو متغیر img0 و img0 به ترتیب نشان‌دهنده انرژی‌های محاسبه‌شده یک سیمبل برای مدل‌های سیگنال متداول و مبتنی بر DSR هستند. بنابراین می‌توان رابطه برابری انرژی 
را به صورت img0 نوشت که در آن داریم: img0 و img0 (img0: حد آستانه مطلوب). اکنون فرض کنید که سیگنال ارسالی img0 از حسگر فرستنده یا همان حسگر سرگروه تحت تأثیر کانال با فیدینگ چندمسیری img0 قرار می‌گیرد. پارامتر img0 بیانگر تعداد مسیرها یا مؤلفه‌های قابل تفکیک و img0 نیز معرف پدیده سایه‌شدن است. همچنین پارامترهای img0 و img0 به ترتیب نشان‌دهنده دامنه و تأخیر مربوط به img0امین مؤلفه است. متغیر پلاریته img0 در اسلات زمانی img0 دارای توزیع یکنواخت بر مجموعه img0 است. دامنه img0 نیز که مستقل از متغیر img0 است دارای تابع توزیع ترکیبی img0 است به نحوی که مقدار img0 با احتمال img0 مقدار صفر به خود گرفته و با احتمال img0 نیز مطابق با تابع توزیع احتمال img0 مقداردهی خواهد شد.

5-1 گیرنده حسگری بهینه

آشکارسازی جفت بیت داده img0 در حسگر گیرنده بر اساس مشاهده زمانی img0 از سیگنال دریافت‌شده img0 در بازه img0 است. طراحی یک گیرنده بهینه در حالت کلی بر اساس تست میانگین احتمال است که در واقع به حداقل احتمال خطای متوسط بیت منجر خواهد شد [12]. بنابراین معیار تصمیم‌گیری را می‌توان به فرم زیر نشان داد

img0        (16)

که در آن احتمال img0 برابر است با میانگین عبارت

img0        (17)

که img0 و img0 است. با فرض عدم وجود اطلاعات پیشین2 می‌توان از عبارت img0 صرف نظر کرده و در نتیجه به معیار تصمیم‌گیری ساده‌تری دست یافت

img0        (18)

و همچنین داریم

img0        (19)

که تابع img0 همان تابع لگاریتم- شباهت3 و img0 بیانگر امید ریاضی نسبت به پارامترهای img0، img0 و img0 است. در اینجا همچنین داریم

img0        (20)

که img0 و img0 در (21) و (22) تعریف شده‌اند

img0        (21)

img0        (22)

5-1-1 گیرنده بهینه توزیع رایلی 4(ODSRRR)

پس از آن که فرم کلی معیار تصمیم‌گیری در (18) مطرح شد، اکنون با فرض این که تابع چگالی احتمال img0 از توزیع رایلی تبعیت می‌کند، برای img0 و به شرط دریافت سیگنال در برش زمانی img0 می‌توان نوشت img0 که img0 است. برای توابع توزیع احتمال مشخص برای پارامترهای img0 و img0 و با فرض تراکم بالای مؤلفه‌های چندمسیری img0 تابع لگاریتم- شباهت در (19) بعد از حذف عبارت‌های مشترک به شکل زیر قابل بیان است

img0        (23)

که در آن تعریف شده است: img0 و همچنین img0.

 

[1] . Cost Function

[2] . Priori Information

[3] . Log-Likelihood Function

[4] . Optimal DSR Based Rayleigh Receiver

img0                                        (24)

img0                (26)

 

5-1-2 گیرنده بهینه توزیع لگاریتم- نرمال 1(ODSRLR)

در اینجا بر اساس مدل تعریف‌شده در استاندارد بین‌المللی img0 IEEE، تابع لگاریتم- نرمال به عنوان تابع توزیع احتمال پارامتر قدرت مسیر img0 در نظر گرفته می‌شود. بنابراین در این حالت داریم: img0 که در آن img0 و همچنین img0 و img0 به ترتیب میانگین و واریانس تابع img0 است. پس از دو تغییر متغیر به صورت img0 و img0، (24) را داریم که عبارت img0 به شکل زیر تعریف شده است

img0        (25)

واضح است که آنالیز بیشتر (24) بستگی به ساده‌سازی انتگرال دارد. لازم به ذکر است که راه حل فرم بسته‌ای برای یک تابع توزیع لگاریتم- نرمال تحت انتگرال قابل ارائه نیست. با وجود این، مطابق با [36] می‌توان انتگرال داخلی در (24) را به صورت انتگرال گاوس- هرمیت ساده‌سازی کرد. با فرض تابع توزیع احتمال یکنواخت برای img0 بر روی مجموعه img0 معیار  تصمیم‌گیری  به  فرم  (26)  تقریب  زده  می‌شود  که  در  آن 

img0، img0، img0 و همچنین img0 ریشه img0ام مربوط به چندجمله‌ای هرمیت img0 است که img0 پس از ساده‌سازی به صورت img0 می‌باشد.

5-2 گیرنده حسگری زیربهینه

در این زیربخش در واقع سعی بر آن است که به تحلیل ساختارهای مختلف زیربهینه برای گیرنده‌های حسگری پرداخته شود. به طور کلی، 
بر پایه (19) با فرض تابع توزیع احتمال یکنواخت برای img0 از تقریب 
تابع دلتا مطابق با [12] و بدون در نظر گرفتن هیچ گونه مدل آماری خاصی برای دامنه مسیر img0 می‌توان یک ساختار گیرنده زیربهینه را 
به دست آورد. به این ترتیب پس از انتگرال‌گیری روی پارامتر img0 خواهیم داشت

img0        (27)

که در این رابطه img0 بیانگر تابع چگالی احتمال نرمال برای متغیر img0 است که میانگین و واریانس مربوط به همراه تابع img0 در (28) تا (30) آمده است

img0        (28)

img0        (29)

img0        (30)

5-2-1 گیرنده زیربهینه سیگنال به نویز 2(SDSRSR-H/L)

در اینجا بر اساس سطح سیگنال به نویز مسیر یا img0، دو نوع گیرنده زیربهینه قابل طراحی است. به عبارت دیگر اگر مقدار img0 به اندازه کافی بالا (H) باشد، می‌توان گفت که تابع توزیع احتمال نرمال img0 با یک شکل قله‌مانند باریک، مشابه با تابع دلتا رفتار می‌کند. در مقابل، چنانچه میزان img0 پایین (L) در نظر گرفته شود، این تابع img0 است که با یک نمودار نسبتاً باریک در اطراف مقدار میانگین img0 همانند تابع دلتا عمل می‌کند. به این ترتیب با استفاده از استراتژی فوق، معیارهای تصمیم‌گیری زیربهینه به ترتیب برای مقادیر سیگنال به نویز بالا و پایین (SDSRSR-H/L) به فرم (31) و (32) قابل محاسبه است

img0        (31)

img0        (32)

اما در ادامه، مشابه تحلیل‌هایی که برای استخراج گیرنده‌های بهینه مطابق با (23) و (26) شد، با در نظر گرفتن دو توزیع احتمالی متداول برای دامنه مسیر img0 یعنی توزیع‌های رایلی و لگاریتم- نرمال و تقریب‌های مناسب می‌توان ساختارهای متفاوت دیگری برای گیرنده‌های زیربهینه ارائه کرد.

5-2-2 گیرنده زیربهینه توزیع رایلی 3(SDSRRR)

همان طور که پیشتر اشاره شد، با این فرض که شرایطی همچون توزیع احتمال رایلی برای دامنه مسیر img0، img0 و همچنین img0 بالا برقرار باشد می‌توان تابع تصمیم‌گیری img0 در (23) را ساده‌تر کرد. به عبارت دیگر با در نظر گرفتن مفروضات مذکور می‌توان از عبارت 

[1] . Optimal DSR Based Log-Normal Receiver

[2] . Sub-Optimal DSR Based SNR Receiver

[3] . Sub-Optimal DSR Based Rayleigh Receiver

img0                                (33)

img0                                        (34)

img0                                (40)

 

لگاریتمی در این رابطه چشم‌پوشی کرد. بنابراین (33) را داریم که با فرض بالابودن نسبت سیگنال به نویز مسیر img0 می‌توان نوشت که img0 و در نتیجه پس از اعمال این فرض، (33) به صورت img0 ساده‌تر هم خواهد شد.

5-2-3 گیرنده زیربهینه توزیع لگاریتم- نرمال 1(SDSRLR)

تقریب مشابهی را می‌توان در مورد مدل احتمالی دامنه مسیر img0 بر اساس تابع توزیع لگاریتم- نرمال و فرض محیط چندمسیری متراکم img0 در نظر گرفت و به این ترتیب عبارت متفاوتی را از (26) به دست آورد. چنانچه در همین رابطه و در تقریب هرمیت- گاوس هم فرض شود که img0 باشد، می‌توان به مقادیر img0، img0 و img0 نیز دست یافت و بنابراین در مجموع، پس از ساده‌سازی‌های ریاضی و اعمال تقریب‌های مذکور، معیار تصمیم‌گیری در گیرنده زیربهینه مطابق با (34) قابل بیان است.

6-       ارزیابی عملکرد در ارتباطات حسگری

در واقع، تحلیل عملکرد ارتباطات حسگری در ساختارهای ارائه‌شده بهینه و زیربهینه بسیار پیچیده است. با وجود این در مورد دو ساختار زیربهینه SDSRRR و SDSRSR-H یک عبارت فرم بسته برای عملکرد ارتباطات حسگری به کمک ضمیمه A9 در [36] قابل محاسبه است. بنابراین با جایگذاری پارامترها در رابطه img0 در [36]، احتمال خطای (POE) ارتباطات حسگری به صورت (35) تخمین زده می‌شود

img0        (35)

پس از عملیات ساده‌سازی ریاضی، پارامترهای تعریف‌شده img0 و img0 در [36] به صورت (36) تا (39) تغییر خواهند کرد

img0        (36)

img0        (37)

img0        (38)

img0        (39)

که img0 بیانگر تابع img0 مارکیوم است. در ادامه برای این که بتوان مقایسات بیشتری از عملکرد را به بحث اضافه نمود، نتیجه محاسبات عملکرد گیرنده DSR مبتنی بر همبستگی متقابل 2(DSRCCR) نیز مختصراً مطرح می‌شود. به بیان دیگر با فرض مدل توزیع احتمال گاوسی برای نویز و تداخل بین سیمبلی (ISI)، یک کران بالا برای عبارت POE به صورت (40) قابل محاسبه می‌باشد که در آن، img0 مطابق با (41) و (42) تعریف شده است

img0        (41)

img0        (42)

7-       نتایج شبیه‌سازی کامپیوتری

در این بخش ضمن جمع‌بندی رویکرد طیفی نزدیک به بهینه در پیاده‌سازی واقعی ناشی از محدودیت‌های توان و زمان در شبکه حسگری متراکم و اینترنت اشیا، ارائه مقایسات عملکرد بر اساس نتایج عددی و شبیه‌سازی کامپیوتری در ارتباطات گره سرخوشه (فرستنده) به حسگر تحت پوشش (گیرنده) است. اما پیش از آن، به منظور وضوح ارزیابی‌ها و مقایسات صورت‌گرفته، همه اسامی مطرح‌شده برای ساختارهای مختلف گیرنده حسگری به همراه نام‌های مخفف در جدول 2 گردآوری شده است.

7-1 رویکرد طیفی زیربهینه در شبکه حسگری

همان طور که پیشتر اشاره شد، طراحی ساختار فرستنده حسگری و سپس کنترل و تضعیف خطوط گسسته طیفی نامطلوب مطابق با استراتژی بهینه طیفی یکی از اهداف اصلی تحقیق کنونی است. بنابراین در مجموع با در نظر گرفتن محدودیت‌های توان مصرفی و نیز جهت حفظ سرعت ارتباطات حسگری، در اینجا مدل سیگنال و استراتژی بهینه طیفی ارائه‌شده محدود به گره‌های سرخوشه (به عنوان فرستنده‌های سنسوری) شده که مدیریت ترافیک حسگرهای هر سلول را بر عهده دارند و معمولاً دسترسی بیشتری به منابع تغذیه دارند. علاوه بر این گره‌های سرخوشه با توجه به پوشش بالاتر در شبکه حسگری به احتمال بیشتری در تشدید تداخل درون شبکه نقش خواهند داشت و از این نظر به عنوان فرستنده حسگری نیاز و وابستگی بیشتری به پیاده‌سازی استراتژی طیفی بهینه و البته  در  عمل،  نزدیک  به  بهینه  دارند.  با  این  توضیحات،  مراحلی  مطابق  با 

 

 

1) تعیین و مقداردهی اولیه پارامترهای مدولاسیون داده، دنباله کدهای از پیش تعریف شده TH یا DS و تعداد پالس داده در هر سیمبل ارسالی img0 و همچنین تأخیرهای زمانی.

2) تخمین مقادیر بهینه میانگین img0 و واریانس img0 داده در فریم‌های ارسالی توسط سرخوشه در یک بازه زمانی خاص از ترافیک شبکه.

3) تعیین ضرایب داده img0 با توجه به وضعیت فیدینگ کانال و عملکرد لینک سرخوشه- حسگر و همچنین تعیین دنباله شبه‌تصادفی پالس مرجع DSR img0 بر اساس استراتژی بهینه طیفی در (15) و مجموعه مقادیر img0. این دنباله شبه‌تصادفی در میان حسگرهای یک سلول توسط سرخوشه مربوط به اشتراک گذاشته می‌شود و در یک بازه زمانی مشخص بسته به تغییرات مربوط به مشخصات آماری داده معتبر خواهد بود.

 

شکل 4: الگوریتم 1) رویکرد طیفی زیربهینه در پیاده‌سازی واقعی مدل سیگنال.

 

جدول 2: اسامی مختلف گیرنده حسگری.

 

ODSRRR

گیرنده بهینه مبتنی بر توزیع رایلی

ODSRLR

گیرنده بهینه مبتنی بر توزیع لگاریتم- نرمال

SDSRSR-H/L

گیرنده‌های زیربهینه مبتنی بر سیگنال به نویز

SDSRRR

گیرنده زیربهینه مبتنی بر توزیع رایلی

SDSRLR

گیرنده زیربهینه مبتنی بر توزیع لگاریتم- نرمال

DSRCCR

گیرنده DSR مبتنی بر همبستگی متقابل

CTRCCR

گیرنده TR مبتنی بر همبستگی متقابل

 

الگوریتم 1 به عنوان رویکرد طیفی زیربهینه در پیاده‌سازی واقعی مدل سیگنال در سرخوشه‌های شبکه‌های حسگری متراکم و اینترنت اشیا جمع‌بندی شده است (شکل 4).

7-2 ارزیابی متوسط عملکرد ارتباطات حسگری

در این بخش، شبیه‌سازی تحلیلی و مونت‌کارلو برای ارزیابی عملکرد 
و ویژگی‌های طیفی سیستم فرستنده- گیرنده پیشنهادی در یک شبکه حسگری شامل ایستگاه‌های پایه، سرخوشه و حسگرهای توزیع‌شده مطابق شکل 5 اجرا می‌شود. برای انجام این ارزیابی، منابع داده باینری نامتعادل (با دنباله خروجی صفر و یک با توزیع غیر یکنواخت) در حسگرهای فرستنده (در اینجا حسگرهای سرخوشه) در نظر گرفته می‌شود. پارامترهای مربوط به مدل سیگنال، مدل کانال فراپهن باند استاندارد 1CM، تداخلگر باند باریک (NBI) و مدهای عملکرد تعریف‌شده به ترتیب در (43) تا (46) مقداردهی شده است

img0        (43)

img0        (44)

img0        (45)

img0        (46)

فرایند تولید دنباله شبه‌تصادفی در سرخوشه‌ها بر اساس جستجوی آگاهانه مبتنی  بر  الگوریتم  ژنتیک  با  در  نظر  گرفتن  100  نقطه  فرکانسی  گسسته 

G:\ROJDAX PROJECTS\RESEARCH JOURNALS\UWB_FA\Fig3_Rand.png 

شکل 5:  شبکه حسگری شبیه‌سازی شده شامل ایستگاه‌های پایه، سرخوشه‌ها و حسگرهای توزیع‌شده.

 

G:\ROJDAX PROJECTS\RESEARCH JOURNALS\UWB_FA\GA_E.png 

شکل 6:  فرایند بهینه‌سازی با استفاده از جستجوی آگاهانه مبتنی بر الگوریتم ژنتیک.

 

img0 در باند فرکانسی img0 و نیز بردار وزن img0 و برای تکرارهای پایین، در ادامه صورت گرفته است (شکل 6). به این ترتیب دنباله شبه‌تصادفی img0 بر اساس مقادیر زیربهینه img0 تولید خواهد شد. این کار با هدف اجرای فرایندی سبک و غیر پیچیده با توجه به محدودیت‌های شبکه حسگری به ویژه طول عمر شبکه صورت گرفته و در عمل با توجه به سرعت بالای همگرایی الگوریتم تأثیر معناداری در تضعیف عملکرد انتقال داده ندارد. مطابق با نتایج به دست آمده، به طور کلی میانگین میزان محدوده نوسانات خطوط طیفی در سیگنالینگ پیشنهادی مبتنی بر پالس‌های مرجع وزن‌دار (DSR) در حدود dBm 13/12 است که نشان‌دهنده کاهشی در حدود dBm 47/21 نسبت به سیگنالینگ متداول (TR) است که این مسأله خود، نگرانی‌ها از بابت نقض ماسک طیفی FCC توسط خطوط طیفی را تا حدودی برطرف می‌کند. در نمودار شکل 7  نیز  عملکرد  ساختارهای  مختلف  گیرنده  حسگری  توسط  فاکتور  میانگین 

F:\DDD M Files - The Last time\Program_Files\MBPerformanceM1 Editted.bmp 

شکل 7:  مقایسه عملکرد ساختارهای مختلف گیرنده حسگری با توجه به میانگین احتمال خطا بر حسب نسبت سیگنال به نویز بر روی مدل کانال استاندارد 1CM.

 

احتمال خطا برای سیگنالینگ مبتنی بر پالس‌های مرجع وزن‌دار و مد کاری شماره یک (مطابق با (46)) در مقایسه با سیگنالینگ متعارف (TR) بر روی مدل کانال فراپهن باند استاندارد 1CM بیانگر بهبود قابل توجهی است. این مسأله ناشی از کاهش سطح تداخل درون شبکه‌ای و در نتیجه بهبود عملکرد ارتباطات حسگری به واسطه تضعیف خطوط نامطلوب طیفی با اعمال پالس‌های مرجع وزن‌دار است. همان طور که در این شکل قابل مشاهده است، کمترین میانگین میزان احتمال خطا و به بیان 
دیگر بهترین عملکرد مربوط است به گیرنده‌های حسگری ODSRRR، ODSRLR با img0 و SDSRRR که مجموعاً رفتار تقریباً مشابهی دارند. از این رو گیرنده SDSRRR به سبب معیار تصمیم‌گیری ساده‌تر، انتخاب بهتری در میان گیرنده‌های نام‌برده است.

همان طور که انتظار آن نیز می‌رفت گیرنده حسگری زیربهینه SDSRLR اندکی در مقایسه با گیرنده زیربهینه SDSRRR با افت عملکرد همراه است که واضح است این مسأله نتیجه چشم‌پوشی از محاسبات کامل و ناشی از اعمال تأثیر تنها یک عبارت در ساده‌سازی انتگرال هرمیت- گاوس بوده است. بنابراین عملکرد این دو گیرنده زیربهینه با در نظر گرفتن اطلاعات کانال در (33) و (34) بهبود خواهد یافت. گیرنده DSR مبتنی بر همبستگی متقابل یا DSRCCR نیز بهبود عملکرد در حدود dB 9/1 برای مد کاری I در مقایسه با گیرنده همبستگی متقابل متداول مبتنی بر پالس مرجع TR 3(CTRCCR) را در احتمال خطای یکسان و معادل با img0 نشان می‌دهد. ارزیابی مشابه برای مدهای کاری II (که در این حالت img0 بوده و همانند مد کاری I به معنای عدم مصرف توان اضافی در فرستنده حسگری است) و III نیز به ترتیب بیانگر بهبود عملکرد در حدود dB 2/3 و dB 9/3 است.

8-       نتیجه‌گیری

استراتژی بهینه طیفی ارائه‌شده برای شبکه‌های حسگری بی‌سیم و اینترنت اشیای مبتنی بر فناوری فراپهن باند یک چارچوب یکپارچه جهت طراحی ساختار فرستنده حسگری (با هدف انعطاف‌پذیری بیشتر طیفی و در نتیجه تضعیف تداخل درون شبکه) و همچنین طراحی ساختارهای گیرنده حسگری بهینه و زیربهینه را فراهم می‌کند. تحلیل متوسط عملکرد ارتباطات حسگری در مدل شبکه تعریف‌شده بر حسب ساختارهای متفاوت گیرنده حسگری نشان می‌دهد که مدل‌های زیربهینه علی‌رغم افت نسبی عملکرد در مقایسه با گیرنده‌های بهینه، به سبب طراحی ساده‌تر انتخاب مناسب‌تری در شبکه‌های حسگری بی‌سیم محسوب خواهند شد.

مراجع

[1]       H. Kim and S. Han, "An efficient sensor deployment scheme for large-scale wireless sensor networks," IEEE Communications Letters, vol. 19, no. 1, pp. 98-101, Jan. 2015.

[2]       F. Shahzad, T. R. Sheltami, and E. M. Shakshuki, "Multi-objective optimization for a reliable localization scheme in wireless sensor networks," J. of Communications and Networks, vol. 18, no. 5, pp. 796-805, Oct. 2016.

[3]       Y. Zhang, X. Zhang, S. Ning, J. Gao, and Y. Liu, "Energy-efficient multilevel heterogeneous routing protocol for wireless sensor networks," IEEE Access, vol. 7, pp. 55873-55884, 2019.

[4]       R. Morello, S. C. Mukhopadhyay, Z. Liu, D. Slomovitz, and S. R. Samantaray, "Advances on sensing technologies for smart cities and power grids: a review," IEEE Sensors J., vol. 17, no. 23, pp. 7596-7610, Dec. 2017.

[5]       T. I. Krebesz, G. Kolumban, C. K. Tse, F. C. M. Lau, and H. Dong, "Use of UWB impulse radio technology in in-car communications: power limits and optimization," IEEE Trans. on Vehicular Technology, vol. 66, no. 7, pp. 6037-6049, Jul. 2017.

[6]       J. L. Burbank, J. Andrusenko, S. Everett, and W. T. M. Kasch, Wireless Networking: Understanding Internetworking Challenges, Wiley-IEEE Press, Jun. 2013.

[7]       T. de Almeida Oliveira and E. P. Godoy, "Zigbee wireless dynamic sensor networks: feasibility analysis and implementation guide," IEEE Sensors J., vol. 16, no. 11, pp. 4614-4621, Jun. 2016.

[8]       H. Chen, C. Meng, Z. Shan, Z. Fu, and B. K. Bhargava, "A novel low-rate denial of service attack detection approach in zigbee wireless sensor network by combining hilbert-huang transformation and trust evaluation," IEEE Access, vol. 7, pp. 32853-32866, 2019.

[9]       S. Sharma, V. Bhatia, and A. Gupta, "Noncoherent IR-UWB receiver using massive antenna arrays for wireless sensor networks," IEEE Sensors Letters, vol. 2, no. 1, Art No.: 1500204, 4 pp., Mar. 2018.

[10]       Z. Yin, M. Wu, Z. Yang, N. Zhao, and Y. Chen, "A joint multiuser detection scheme for UWB sensor networks using waveform division multiple access," IEEE Access, vol. 5, pp. 11717-11726, 2017.

[11]       M. Chiani and A. Giorgetti, "Coexistence between UWB and narrow-band wireless communication systems," Proc. of the IEEE, vol. 97, no. 2, pp. 231-254, Feb. 2009.

[12]       Y. L. Chao and R. A. Scholtz, "Ultra-wideband transmitted reference systems," IEEE Trans. on Veh. Tech., vol. 54, no. 5, pp. 1556-1569, Sept. 2005.

[13]       F. H. Panahi and A. Falahati, "Spectral efficient impulse radio-ultra-wideband transmission model in presence of pulse attenuation and timing jitter," IET Communications, vol. 6, no. 11, pp. 1544-1554, 2012.

[14]       Y. P. Nakache and A. F. Molish, "Spectral shaping of UWB signals for time-hopping impulse radio," IEEE J. on Selected Areas in Com., vol. 24, no. 4, pp. 738-744, Apr. 2006.

[15]       S. Frattasi and F. Della Rosa, Mobile Positioning and Tracking: from Conventional to Cooperative Techniques, John Wiley & Sons Ltd, Jul. 2017.

[16]       K. Kouassi, L. Clavier, I. Doumbia, and P. Rolland, "Optimal PWR codes for TH-PPM UWB multiple-access interference mitigation," IEEE Communication Letters, vol. 17, no. 1, pp. 103-106, Jan. 2013.

[17]       M. Bashar and Q. Nidal, "Enhancing the bitrate and power spectral density of PPM TH-IR UWB signals using a sub-slot technique," Int. J. of Advanced Computer Science and Applications, vol. 11, no. 2, pp. 341-346, 2020.

[18]       S. V. Mir-Moghtadaei, "A new UHF/ultra wideband‐radio frequency identification system to solve coexistence issues of ultra wideband‐radio frequency identification and other in‐band narrowband systems," Trans. on Emerging Telecom. Tech., vol. 32, no. 1, Article No.: e4147, Jan. 2020.

[19]       X. Wu, Z. Tian, T. N. Davidson, and G. B. Giannakis, "Optimal waveform design for UWB radios," IEEE Trans. on Signal Proc., vol. 54, no. 6, pp. 2009-2021, Jun. 2006.

[20]       P. Walk, P. Jung, and J. Timmermann, "Lowdin transform on FCC optimized UWB pulses," in Proc. IEEE Wireless Communication and Networking Conf., 6 pp., Sydney, NSW, Australia, 18-21 Apr. 2010.

[21]       Y. Wang, X. Dong, and I. J. Fair, "Spectrum shaping and NBI suppression in UWB communications," IEEE Trans. on Wireless Com., vol. 6, no. 5, pp. 1944-1952, May 2007.

[22]       M. E. Khedr, A. El-Helw, and M. H. Afifi, "Adaptive mitigation of narrowband interference in impulse radio UWB systems using time-hopping sequence design," J. of Communications and Networks,
vol. 17, no. 6, pp. 622-633, Dec. 2015.

[23]       S. R. Acdudodla, S. Vijayakumaran, and T. E. Wong, "Timing acquisition in ultra-wideband communication systems," IEEE Trans. Veh. Technol., vol. 54, no. 5, pp. 1570-1583, Sept. 2005.

[24]       J. D. Choi and W. E. Stark, "Performance of ultra-wideband communications with suboptimal receivers in multipath channels," IEEE J. Sel. Areas Commun., vol. 20, no. 9, pp. 1754-1766, Dec. 2002.

[25]       J. Romme and K. Witrisal, "Transmitted-reference UWB systems using weighted autocorrelation receivers," IEEE Trans. Microw. Theory Tech., vol. 54, no. 4, pp. 1754-1761, Apr. 2006.

[26]       Y. L. Chao and R. A. Scholtz, "Optimal and suboptimal receivers for ultrawideband transmitted reference systems," in Proc. IEEE Global Commun. Conf., vol. 2, pp. 759-763, San Francisco, CA, USA, 1-5 Dec. 2003.

[27]       S. Gezici, F. Tufvesson, and A. F. Molisch, "On the performance of transmitted-reference impulse radio," in Proc. IEEE Global Commun. Conf., pp. 2874-2879, Dallas, TX, USA, 29 Nov.-3 Dec. 2004.

[28]       M. Casu and G. Durisi, "Implementation aspects of a transmitted-reference UWB receiver," Wireless Commun. Mobile Comput.,
vol. 5, no. 5, pp. 537-549, Aug. 2005.

[29]       R. Hoctor and H. Tomlinson, "Delay-hopped transmitted-reference RF communications," in Proc. IEEE Conf. Ultra Wideband Syst. Technol., pp. 265-269, Baltimore, MD, USA, 21-23 May 2002.

[30]       M. Ho, V. S. Somayazulu, J. Foerster, and S. Roy, "A differential detector for an ultra-wideband communications system," in Proc. 55th IEEE Veh. Technol. Conf., Birmingham, AK, USA, vol. 4, pp. 1896-1900, May 2002.

[31]       I. Guvenc, Z. Sahinoglu, and P. V. Orlik, "TOA estimation for IR-UWB systems with different transceiver types," IEEE Trans. Microw. Theory Tech., vol. 54, no. 4, pp. 1876-1886, Apr. 2006.

[32]       W. Gifford and M. Win, "On transmitted-reference UWB communications," in Proc. Asilomar Conf. Signals, Syst. Comput., vol. 2, pp. 1526-1531, Pacific Grove, CA, USA, 7-10 Nov. 2004.

[33]       Y. Jin and K. S. Kwak, "A transmitted reference pulse cluster averaging UWB receiver," IEEE Systems J., vol. 11, no. 2, pp. 1107-1115, Jun. 2017.

[34]       H. Matti, et al., "Ultra-wideband radar-based indoor activity monitoring for elderly care," Sensors, vol. 21, no. 9, Article No.: 3158, 2 May 2021.

[35]       J. Fusselman, M. Gilliam, Y. Shrestha, Y. Zhang, and K. Kelly, "Ultra-compact ultra-wideband radar for high-speed target tracking," Radar Sensor Technology, vol. 11742, Article No.: 117420F, 2021.

[36]       M. K. Simon and M. S. Alouini, Digital Communication over Fading Channels a Unified Approach to Performance Analysis, John Wiley & Sons, Inc., 2000.

 

فرزاد حسین­پناهی تحصيلات خود را در مقطع كارشناسي ارشد و دکتری در رشته مهندسي برق گرایش سيستم­هاي مخابراتي به­ترتيب در سال­هاي 1387 و 1393 در دانشگاه علم و صنعت ایران به پايان رساند و هم­اكنون استادیار دانشكده مهندسي دانشگاه کردستان است. زمينه­هاي تحقيقاتي مورد علاقه ايشان عبارتند از: اینترنت اشیاء و شبکه­های سنسوری هوشمند، مخابرات نوری و تکنولوژی­های مخابراتی سبز مبتنی بر پهپاد و یادگیری ماشین.

 

فریدون حسین­پناهی تحصیلات دوره های کارشناسی ارشد و دکتری تخصصی را در رشته مهندسی برق- مخابرات در کشور ژاپن و در دانشگاه «کیو»   (Keio University) سپری نمود. بعد از اخذ مدرک دکتری بلافاصله در مقطع پسا دکتری و در دانشگاه های کیو ژاپن  و یو سی ال ای  (University of California, Los Angeles-UCLA) مشغول به تحقیق و پژوهش شد. اخذ معتبرترین بورسیه­های تحصیلی در ژاپن در مقاطع کارشناسی ارشد (از JGC-S Scholarship Foundation) و دکتری (Monbukagakusho or MEXT)، دریافت معتبرترین فلوشیپ محقق­های برتر جوان برای مقطع دکتری و پسا دکتری از JSPS در ژاپن، دریافت گرنت­های پژوهشی متعدد از دولت ژاپن، دانشگاه کیو و شرکت­های ژاپنی از جمله موفقیت­های به­دست آمده توسط ایشان می باشند. وی در حال حاضر استادیار گروه مهندسی برق، الکترونیک- مخابرات در دانشگاه کردستان می­باشد.

 

زهرا عسکری­زاده اردستانی مدرک کارشناسی و کارشناسی ارشد خود را به ترتیب در گرایش­های مهندسی برق- الکترونیک و مهندسی برق- مخابرات سیستم در سال­های 1393 و 1399 در دانشگاه آزاد اسلامی واحد اراک و دانشگاه کردستان دریافت کرد. زمینه­های علاقه­مندی وی شبکه­های سنسوری هوشمند، مخابرات سبز، یادگیری ماشین و ساخت نانو حسگرهای شیمیایی می­باشد.

 

 

[1] . Sub-Optimal DSR Based Log-Normal Receiver

[2] . DSR Based Cross-Correlation Receiver

[3] . Conventional TR Based Cross-Correlation Receiver

 


Rimag

Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.

Links

Related Centers

Technical Support

Official pages

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]