یکی از خطاهای بسیار تأثیرگذار بر مکان‌یابی دقیق GPS اثر چندمسیری مربوط به هر گیرنده است. چندمسیری، دریافت یک سیگنال توسط آنتن از بیش از یک مسیر است و این اثر یک منبع بزرگ خطای ناشناخته در مکان‌یابی است و با روش‌های تفاضلی حذف نمي‌شود. این اثر به طور گسترده‌ای وابسته به محیط‌های مختص هر گیرنده است و يک اثر فرکانس پايين است. هندسه بین ماهواره‌های GPS و مکان خاص هر گیرنده در روزهای نجومی تکرار می‌گردد و اثرات چندمسیری تمایل به رفتارهای مشابه در روزهای متوالی دارد. در این مقاله یک روش برای استخراج رفتار اثرات چندمسیری بر مشاهدات کد GPS اعمال شد و کاهش خطای چندمسيري موجب افزایش دقت مکان‌یابی مي‌شود. در روش پيشنهادي، سيگنال مانده بر اساس تفاضل دوگانه (DD) توليد شده و به عنوان ورودي الگوريتم پيشنهادي استفاده مي‌شود. برای تقریب و مدل‌سازی چندمسیری از مدل ماشین بردار پشتیبان (SVM) استفاده شده است. برای تعیین پارامترهای اساسی SVM و تابع کرنل آن از دو الگوریتم بهینه‌سازي گروهي ذرات (PSO) و الگوريتم ژنتيک (GA) استفاده شد. براي ارزيابي دقت روش پيشنهادي، شبیه‌سازي و آزمايشاتي بر اساس دو ايستگاه (مرجع و کاربر) و دو گيرنده ارزان‌قيمت طراحي شد، تست روش‌هاي پيشنهادي بر اساس داده واقعي انجام شد و آزمايشات نشان داد که خطای چندمسيري گيرنده ايستگاه کاربر بر اساس معيار RMS با این روش تا 70 درصد در حالت تست ايستا کاهش داشته است. مدل‌های این مقاله با برخی مدل‌های اخیر ارائه‌شده در زمینه کاهش خطای چندمسیری مقایسه شده‌اند. نتایج نشان داد که مدل پیشنهادی عملکرد بهتری نسبت به ساير روش‌ها داشته و از نتایج آن دقت بالا و پایداری نتایج در مکان‌یابی است. دقت مکان‌يابي سه‌بعدي پس از استفاده از روش پيشنهادي حدود 56% بهبود داشته و به 60/1 متر رسيده است پرونده مقاله

این تحقیق به ارائه مسئله تخمین توزیع‌شده در یک شبکه افزایشی بر اساس الگوریتم‌های خانواده زیرباند نرمالیزه‌شده (NSAAs) پرداخته است و الگوریتم‌های زیرباند نرمالیزه‌شده توزیع‌شده (dNSAA)، زیرباند نرمالیزه‌شده توزیع‌شده با انتخاب جزئی ضرایب (dSPU-NSAA)، زیرباند نرمالیزه‌شده توزیع‌شده با انتخاب پویای زیرباندها (dDS-NSAA) و زیرباند نرمالیزه‌شده توزیع‌شده با انتخاب جزئی ضرایب و انتخاب پویای زیرباندها (dSPU-DS-NSAA) را در یک قالب واحد معرفی می‌کند. الگوریتم زیرباند نرمالیزه‌شده توزیع‌شده تطبیقی نسبت به الگوریتم حداقل میانگین مربعات نرمالیزه‌شده توزیع‌شده تطبیقی (dNLMS)، دارای عملکرد بهتری از لحاظ سرعت همگرایی در مواجهه با ورودی‌های رنگی در گره‌ها است. در مقایسه با (dNSAA)، الگوریتم‌های (dSPU-NSAA) و (dDS-NSAA)، علی‌رغم عملکردی مشابه دارای پیچیدگی محاسباتی کمتری هستند. همچنین با ترکیب این دو الگوریتم، الگوریتم (dSPU-DS-NSAA) برقرار می‌شود که از لحاظ پیچیدگی محاسباتی کاهش بیشتری دارد. به علاوه، یک روش واحد برای تحلیل تئوری عملکرد میانگین مربعات برای هر گره ارائه شده و روابط جامعی برای بررسی عملکرد حالت گذرا، ماندگار و باند پایداری برای الگوریتم‌های نوین توزیع‌شده به دست می‌آید. با انجام شبیه‌سازی‌های مختلف در شبکه‌های توزیع‌شده، عملکرد مناسب این الگوریتم‌ها و صحت روابط تئوری حاصل‌شده مورد بررسی قرار گرفته است. پرونده مقاله

پردازش‌های توزیع‌شده از محاسبات محلی در هر گره و ارتباطات میان گره‌های همسایه برای حل مسایل در شبکه‌ها استفاده می‌کنند. روش انتشاری به عنوان کاراترین و قابل انعطاف‌ترین روش برای اجرای شبکه‌های توزیع‌شده است. در این مقاله، جهت بهبود عملکرد الگوریتم تصویر افاین انتشاری (DAPA)، یک الگوریتم نوین تصویر افاین انتشاری با اندازه گام متغیر (VSS-DAPA) در شبکه‌های توزیع‌شده ارائه می‌گردد. اندازه گام متغیر در هر گره به وسیله مینیمم‌کردن متوسط مربع انحراف (MSD) در آن گره به دست آمده است. در مقایسه با الگوریتم تصویر افاین انتشاری (DAPA)، الگوریتم تصویر افاین انتشاری با اندازه گام متغیر VSS-DAPA دارای سرعت همگرایی سریع‌تر و خطای حالت ماندگار کمتر است. جهت کاهش پیچیدگی محاسباتی VSS-DAPA، الگوریتم تصویر افاین انتشاری با اندازه گام متغیر با انتخاب دنباله ورودی (VSS-SR-DAPA)، الگوریتم تصویر افاین انتشاری با اندازه گام متغیر با انتخاب پویای دنباله ورودی (VSS-DS-DAPA) و الگوریتم تصویر افاین انتشاری با اندازه گام متغیر با اصلاح جزئی ضرایب (VSS-SPU-DAPA) پیشنهاد شده‌اند. نتایج شبیه‌سازی، عملکرد مطلوب الگوریتم‌های پیشنهادی از نظر سرعت همگرایی و خطای حالت ماندگار را نشان می‌دهد. پرونده مقاله