초록이 없습니다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 기존의 알고리즘 Gradient, MLE[1], MDS[2], dwMDS[3]에 관해 간단히 설명하고, 기존알고리즘 성능을 개선하기 위한 방법을 제안한다. 그리고 제안한 방법의 성능을 증명하기 위해 시뮬레이션 모듈을 구현하고 시뮬레이션 결과를 바탕으로 각 위치 인식 알고리즘의 성능을 비교평가한다.
• 이러한 문제점을 해결하고 자 본 논문에서는 초기 위치를 구하기 위해 Gradient와 같은 간단한 알고리즘을 사용하고, 이렇게 구해진 초기위치간의 거리를 추정거리로써 사용한다. 본 논문에서는 이 방법을 MDS와 MLE에 대해서 적용해 보았다. 앞으로 Gradient에 의해 구해진 추정 위치와 거리를 초기값으로 사용하는 MDS와 MLE를 각각 MDSG(MDS Gradient), MLEG(MLE Gradient) 라고부른다.
• 그러나 현재 무선센서네트워크의 위치 인식을 위하여 사용되는 RF 신호세기를 통한 거리 측정 및 위치 인식 기술은 그 정확도가 많이 떨어지기 때문에 다양한 형태의 위치인식 알고리즘이 고안되었다. 본장에서는 이러한 위치 인식 알고리즘 중에 일부를 선택하여 설명하고, 위치 인식 알고리즘에 적용 가능한 성능 개선 방법을 제안한다. 마지막으로 제안된 방법의 성능을 기존의 방법과 비교평가한다.

제안 방법

• 각 위치인식 알고리즘의 성능을 비교평가하였다. 또한 기존 위치인식 알고리즘들이 초기값 설정 시에 문제점이 있다는 것을 설명하고, 초기 값 설정을 Beacon 노드들의 중앙값이 아니라 Gradient와 같은 간단한 위치인식 알고리즘을 사용하여 구한 위치 좌표를 사용하는 방법을 제안하였다. 본 논문에서 제안된 위치인식 알고리즘의 성능을 증명하기 위해 위치 인식 시뮬레이션 모듈을 개발하였으며, 위치인식 시뮬레이션 모듈을 사용하여 각 알고리즘의 성능을 비교평가한 결과 초기 값을 간단한 위치인식 알고리즘을 사용하여 설정하는 것이 기존의 위치인식 알고리즘에 비해 더 나은 성능을 보여주는 것을 확인할 수 있었다.
• 본 논문에서는 센서 네트워크를 위한 위치 인식 알고리즘인 Gradient, MDS, MLE, dwMDS에 대해 설명하고 각 위치인식 알고리즘의 성능을 비교평가하였다. 또한 기존 위치인식 알고리즘들이 초기값 설정 시에 문제점이 있다는 것을 설명하고, 초기 값 설정을 Beacon 노드들의 중앙값이 아니라 Gradient와 같은 간단한 위치인식 알고리즘을 사용하여 구한 위치 좌표를 사용하는 방법을 제안하였다.
• 하지만 초기 위치뿐만이 아니라 처음 거리를 계산할 때 사용된 추정거리의 오차 때문에 추정한 위치의 정확도는 떨어지게 된다. 이러한 문제점을 해결하고 자 본 논문에서는 초기 위치를 구하기 위해 Gradient와 같은 간단한 알고리즘을 사용하고, 이렇게 구해진 초기위치간의 거리를 추정거리로써 사용한다. 본 논문에서는 이 방법을 MDS와 MLE에 대해서 적용해 보았다.

데이터처리

• 개선하기 위한 방법을 제안한다. 그리고 제안한 방법의 성능을 증명하기 위해 시뮬레이션 모듈을 구현하고 시뮬레이션 결과를 바탕으로 각 위치 인식 알고리즘의 성능을 비교평가한다.
• 본장에서는 이러한 위치 인식 알고리즘 중에 일부를 선택하여 설명하고, 위치 인식 알고리즘에 적용 가능한 성능 개선 방법을 제안한다. 마지막으로 제안된 방법의 성능을 기존의 방법과 비교평가한다.

이론/모형

• 성능 비교를 위해 선택한 기존의 센서 네트워크 위치 인식 알고리즘은 Gradient, MDS, MLE, dwMDS를 선정하였다. Gradient 알고리즘은 무선센서 네트워크에 존재하는 비컨노드들의 위치정보가 담긴 메시지를 3개 이상 수신하였을 때 측정거리와 예측거리 사이의 에러를 최소화하는 방법 중에 하나인 Multilateration[4]을 사용하여 센서노드의 위치를 결정한다.

성능/효과

• 또한 Gradient 알고리즘을 사용하여 구한 위치를 초기 위치로 사용하는 MDSG와 MLEG는 기존의 위치 인식 알고리즘에 비해 전체적으로 성능이 향상된 것을 확인할 수 있었다. 이것은 각 위치인식 알고리즘에서 초기값의 설정이 얼마나 중요한지를 보여준다.
• 또한 기존 위치인식 알고리즘들이 초기값 설정 시에 문제점이 있다는 것을 설명하고, 초기 값 설정을 Beacon 노드들의 중앙값이 아니라 Gradient와 같은 간단한 위치인식 알고리즘을 사용하여 구한 위치 좌표를 사용하는 방법을 제안하였다. 본 논문에서 제안된 위치인식 알고리즘의 성능을 증명하기 위해 위치 인식 시뮬레이션 모듈을 개발하였으며, 위치인식 시뮬레이션 모듈을 사용하여 각 알고리즘의 성능을 비교평가한 결과 초기 값을 간단한 위치인식 알고리즘을 사용하여 설정하는 것이 기존의 위치인식 알고리즘에 비해 더 나은 성능을 보여주는 것을 확인할 수 있었다.
• 시뮬레이션 모듈을 사용하여 성능 평가를 시행한 결과 기존 위치 인식 알고리즘은 전제적인 성능에서 MDS가 가장 우수하고 MLE, dwMDS, Gradient 순으로 성능이 떨어지는 것을 확인할 수 있었다. 또한 Gradient 알고리즘을 사용하여 구한 위치를 초기 위치로 사용하는 MDSG와 MLEG는 기존의 위치 인식 알고리즘에 비해 전체적으로 성능이 향상된 것을 확인할 수 있었다.

후속연구

• MDS(Multidimensional Scaling)는 심리학 분야에서 사용되던 기법으로 n개의 대상물에 대해서 대상 상호간의 비유사 성 또는 유사성이 주어 졌을 때, 비유사성에 합치할 것 같은 점 간 거리를 갖는 n개의 점을 어느 차원의 공간 속에 자리잡게 하는 방법이다. 이러한 중앙집중 방식의 MDS를 위치인식 알고리즘으로 사용하게 된다면 측정된 노드간의 거리는 대상 상호간의 비유사성으로써 사용되게 될 것이다. MLE(Maximum-likelihood Estimators)에서 관측된 데이터를 얻을 가능성이 가장 높은 파라미터 추정치를 ML(Maximum-likelihood)라고 하는데, MLE는분포(정규분포, 감마 분포) 함수를 안다고 가정하였을 때 관측된 값들이나올 확률을 모수의 함수로 나타낸 후 그 함수가 극대값(최대 확률)을 갖게 하는 모수를 구하는 방법이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기