본 논문에서는 센서 네트워크의 원활한 전송을 위해 SOFM을 이용한 센서 네트워크의 지능적인 배치를 제안한다. 제안한 방법은 무선 채널 분석을 통해서 센서 노드 사이의 통신이 가능한 거리를 구하고, 신경회로망의 SOFM(Self-Organizing Feature Map)방식을 이용하여 지능적으로 최적의 센서 노드의 개수와 센서 노드가 배치할 최적 위치를 결정한다. Log-normal path loss 모델을 이용하여 거리에 따른 PRR(Packet Reception Rate)을 구하고, 이것으로부터 센서 노드의 통신 범위를 결정한다. 제안한 방식의 유용성을 확인하기 위하여 센서 노드의 지능적인 위치 탐색과 센서 네트워크의 연결 상태에 대한 시뮬레이션을 수행하였다.
본 논문에서는 센서 네트워크의 원활한 전송을 위해 SOFM을 이용한 센서 네트워크의 지능적인 배치를 제안한다. 제안한 방법은 무선 채널 분석을 통해서 센서 노드 사이의 통신이 가능한 거리를 구하고, 신경회로망의 SOFM(Self-Organizing Feature Map)방식을 이용하여 지능적으로 최적의 센서 노드의 개수와 센서 노드가 배치할 최적 위치를 결정한다. Log-normal path loss 모델을 이용하여 거리에 따른 PRR(Packet Reception Rate)을 구하고, 이것으로부터 센서 노드의 통신 범위를 결정한다. 제안한 방식의 유용성을 확인하기 위하여 센서 노드의 지능적인 위치 탐색과 센서 네트워크의 연결 상태에 대한 시뮬레이션을 수행하였다.
In this paper, we propose an intelligent deployment of sensor network for reliable communication. The proposed method determines optimal transmission range based on the wireless channel characteristics, and searches the optimal number of sensor nodes, and optimal locations with SOFM. We calculate PR...
In this paper, we propose an intelligent deployment of sensor network for reliable communication. The proposed method determines optimal transmission range based on the wireless channel characteristics, and searches the optimal number of sensor nodes, and optimal locations with SOFM. We calculate PRR against a distance uses the log-normal path loss model, and decide the communication range of sensor node from PRR. In order to verify the effectiveness of the proposed method, we performed simulations on the searching for intelligent deployment and checking for link condition of sensor network.
In this paper, we propose an intelligent deployment of sensor network for reliable communication. The proposed method determines optimal transmission range based on the wireless channel characteristics, and searches the optimal number of sensor nodes, and optimal locations with SOFM. We calculate PRR against a distance uses the log-normal path loss model, and decide the communication range of sensor node from PRR. In order to verify the effectiveness of the proposed method, we performed simulations on the searching for intelligent deployment and checking for link condition of sensor network.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 군집화(clustering) 알고리즘 중에서 비지도 학습 신경 회로망인 SOFM을 이용하여 센서 노드가놓일 수 있는 최적의 위치를 지능적으로 탐색한다.
본 논문에서는 센서 네트워크의 원활한 통신을 위해신경회로망을 이용한 센서 노드의 지능적인 배치 방식을 제안하였다. 제안한 방식은 비지도 학습 신경회로망인 SOFM을 이용하여 각각의 센서 노드가 전파 범위에 위 치 하도록 배치 하는 방식 으로, log-normal path loss 모델을 이용한 시뮬레이션에서 센서 노드의 전파 범위는 20m로 결정하였으며, SOFM의 클러스터 링 특성을 이용하여 센서 노드 배치의 특징지도를 구성하고, 줄력 뉴런 사이의 거리가 센서 노드의 전파 범위 이내에 위치하게 출력 뉴런을 증가시키면서 학습을 수행한 결과 노드의 개수는 8개이고, 한정된 공간에 노드의 배치는 적정 개수의 노드만으로 원활한 통신이 가능함을 확인하였다.
본 논문에서는 제한된 환경의 모니터링을 위해서 SOFM을 이용한 센서 노드의 지능적인 배치를 제안한다. 제안한 방법은 무선 채 널 분석을 통해서 센서 노드사이의 통신이 가능한 거리를 구하고, 신경회로망의 SOFM(Self-Organizing Feature Map) 방식 을 이용하여 최적의 센서 노드의 개수와 센서 노드가 배치할 최적 위치를 결 정 한다.
가설 설정
4(b)와같이 형성되면 통신이 이루어 지지 않는다고 가정한다.
제안 방법
그림 6과 같은 건물을 모델로 하여 그림 7과 같이 센서 노드가 배치 가능한 위치 좌표를 랜덤 하게 생성하고, 학습을 통해 전파 범위가 건물을 포함하게 되는 센서 노드의 최적 위치를 찾아내도록 하였다.
두 센서 노드 사이에 패킷이 수신될 확률(PRR)을 계산하여 센서 노드의 전파 범위를 구한다.
지정해 줌으로서 최적의 성능을 이 끌어 낼 수 있다. 본 논문에서는 SOFM을 센서 노드배치에 적용함으로써 최적의 위치를 찾아내는 시뮬레이션을 수행하였다.
센서 노드를 설치할 건물 복도에서 거리를 변화시키면서 센서 노드 사이의 전송 전력을 측정한다. ‘TIP50CM 의 송신 전력은무선 모듈이 최대로 출력할 수 있는 전력인 OcLBm(lmW)으로 설정하였다.
센서 노드의 위치를 SOFM의 출력 뉴런과 대응시키고 인접 뉴런의 거리가전파 범위를벗어난위치에 있으면 출력 뉴런을 추가하고, 학습을수행하여 최적의 위치를 계산한다. 모든 뉴런의 위치가 전파 범위 내에 위치하면 학습을 종료한다.
센서 노드의 통신 범위는 채널 모델링을 통해 얻어진 20m로 하였고, 센서 노드의 개수는 전파 범위 조건을 이용한 학습을 통해 구해 진다.
실내 환경에서의 log-normal path loss 모델의 파라미터를 구하기 위해 센서 네트워크의 송신기에서 일정한 전력으로 신호를 보내고, 스펙트럼 분석기를 통해 2.4 GH立 신호의 수신 전력을 측정한다.
제안한 방법은 무선 채 널 분석을 통해서 센서 노드사이의 통신이 가능한 거리를 구하고, 신경회로망의 SOFM(Self-Organizing Feature Map) 방식 을 이용하여 최적의 센서 노드의 개수와 센서 노드가 배치할 최적 위치를 결 정 한다. 무선 채 널 분석 은 log-normal path loss 모델을 이용하여 거리 에 따른 PRR(Packet Reception Rate)을구하고, 이것으로부터 센서 노드의 통신 범위를 결정한다.
시뮬레이션 환경은 P4 3GHz에서 Matlab을 사용하였다. 출력 뉴런의 개수는 학습에 의해 증가되며, 1차원 특징지도(feature map)를 적용하였다.
대상 데이터
TIP50CM의구성은 TI사의 MSP430 프로세서 를 사용하였고RF용 칩으로는 Chipcon사의 CC2420을 사용하였다. 제품의 스펙은 다음과 같다[4].
연결 강도의 초기값은 [0, 1] 사이의 임의의 값으로 하였으며, 학습회수는 1000회로 설정하였다. 시뮬레이션 환경은 P4 3GHz에서 Matlab을 사용하였다. 출력 뉴런의 개수는 학습에 의해 증가되며, 1차원 특징지도(feature map)를 적용하였다.
이론/모형
2.4GHz 대역에서의 RF 신호의 전파(propagation) 특성을통해 센서 노드의 전파범위를구하기 위해서 본논문에 서 는 log-normal path loss 모델을 사용한다[5].
TIP50CM 의 RF 모듈인 CC2420은 O-QPSK (Offset-Quadrature Phase Shift Keying) 변조방식 을 사용한다. 일반적으로 O-QPSK 방식의 BERe 식(4)와 같다 .
제안한 방법은 무선 채 널 분석을 통해서 센서 노드사이의 통신이 가능한 거리를 구하고, 신경회로망의 SOFM(Self-Organizing Feature Map) 방식 을 이용하여 최적의 센서 노드의 개수와 센서 노드가 배치할 최적 위치를 결 정 한다. 무선 채 널 분석 은 log-normal path loss 모델을 이용하여 거리 에 따른 PRR(Packet Reception Rate)을구하고, 이것으로부터 센서 노드의 통신 범위를 결정한다. 학습을 통해서 원활한 통신이 이 루어지도록 지능적으로 SOFM의 출력 뉴런을 증가시켜 가면서 최적의 센서 노드 개수와 최적의 배치 위치를 결정한다.
실험에 사용된 하드웨어는 그림 1과 같은 전자부품연구원에서 개발한 TIP50CM을 사용하였다. TIP50CM의구성은 TI사의 MSP430 프로세서 를 사용하였고RF용 칩으로는 Chipcon사의 CC2420을 사용하였다.
성능/효과
4GHz 무선 채 널 모델을 이용하여 탐색 한 최적 의 위치에 대해서 이웃 노드 사이의 PRR을 구하면 그림 9와 같다. 8개의 노드가서로 안정적인 데이터를 송수신하는 경우를 고려하여 PRR이 0.99이상인 노드를 연결하면, 그림 10과 같이 모든 노드가 연결되어 통신이 이루어지는 최적의 위치가 탐색됨을 알 수 있다.
제안하였다. 제안한 방식은 비지도 학습 신경회로망인 SOFM을 이용하여 각각의 센서 노드가 전파 범위에 위 치 하도록 배치 하는 방식 으로, log-normal path loss 모델을 이용한 시뮬레이션에서 센서 노드의 전파 범위는 20m로 결정하였으며, SOFM의 클러스터 링 특성을 이용하여 센서 노드 배치의 특징지도를 구성하고, 줄력 뉴런 사이의 거리가 센서 노드의 전파 범위 이내에 위치하게 출력 뉴런을 증가시키면서 학습을 수행한 결과 노드의 개수는 8개이고, 한정된 공간에 노드의 배치는 적정 개수의 노드만으로 원활한 통신이 가능함을 확인하였다.
학습을 통해 확인한 센서 노드의 개수는 8개일 때 인접한 센서 노드 거리가 전파 범위 안에 들게 되었다. 전파 범위는 그림 8과 같이 나타낼 수 있으며, 그림 4(a)에서처럼 모든 노드가 전파 범위 r 이내에 위치함을 볼
참고문헌 (7)
D. Culler, D. Estrin, M. Srivastava, 'Overview of Sensor Networks,' IEEE Computer, Volume 37, Issue 8, pp.41-49, Aug. 2004
Holger Karl, Andreas Willig, Protocols and Architectures for Wireless Sensor Networks, John Wiley & Sons, 2005
Feng Zhao, Leonidas Guibas, Wireless Sensor Networks: An Information Processing Approach, Morgan Kaufmann, 2004
http://www.maxfor.co.kr
Bernard Sklar, Digital Communications: Fundamentals and Applications, Prentice Hall, 2001
Leon W. Couch, Digital and Analog Communication Systems, Prentice Hall, 2001
※ AI-Helper는 부적절한 답변을 할 수 있습니다.