Eksperimental Model RSSI

Eksplorasi Eksperimental Model RSSI untuk Sistem Posisi Cerdas Kendaraan pada Wireless Sensor Networks (WSNs) (Davey, Jacobus, Namineni & Siebert, 2010; Kamali, Laibinis, Petre & Sere, 2014) telah menerima perhatian yang cukup besar dalam beberapa tahun terakhir. WSN telah memberikan kontribusi besar pada teknik sistem posisi cerdas kendaraan .Melalui eksplorasi eksperimental serta aplikasi pelacakan dunia nyata, sejumlah besar data pengumpulan informasi dapat dianalisis untuk mengoptimalkan praktik operasi transportasi. Misalnya, jaringan sensor nirkabel untuk sistem transportasi cerdas diusulkan (Bohli, Hessler,Ugus & Westhoff, 2008), kondisi jalan dan status lalu lintas diperoleh dengan ITS (Losilla, García-Sánchez, García-Sánchez & García-Haro, 2012), masalah kontrol lampu lalu lintas adaptif menggunakan informasi lalu lintas real-time yang dikumpulkan oleh WSN diselidiki (Zhou, Cao, Zeng & Wu, 2010), serta kendaraan tak berawak (Wan, Suo, Yan & Liu, 2011), lihat Gambar 1. RSSI adalah pengukuran jarak yang sesuai dengan kekuatan sinyal dari setiap pasangan node. Multi-path fading karena hamburan dalam medium, efek bayangan, dan perubahan pola radiasi antena dapat menurunkan akurasi jangkauan berbasis RSSI (Stoyanova,Kerasiotis, Prayati & Papadopoulos , 2007). Kalibrasi yang dioptimalkan secara tepat untuk model RSSI adalah proses penyesuaian parameter, yaitu faktor lingkungan n; faktor bayangan . Kalibrasi dibakukan, yaitu data statistik eksperimen dibandingkan dengan nilai sebenarnya. Itu hanya tergantung pada kesalahan rata-rata. Tujuan kami dari makalah ini adalah untuk meminimalkan kesalahan rata-rata dan mengoptimalkan akurasi parameter model RSSI. Metode eksplorasi yang paling umum adalah sidik jari (Bahl & Padmanabhan, 2000). Sidik jari, sebagai metode perbandingan empiris, adalah untuk memperkirakan jarak yang diperoleh secara eksperimental antara dua node sensor dengan nilai sebenarnya. Sebuah varian dari metode sidik jari (Sun,Lang,Wang & Liu, 2014) menginterpolasi data yang diukur untuk memberikan kesesuaian yang lebih baik pada nilai RSSI. Metode pemrosesan sinyal dan statistik canggih untuk mengurangi distorsi saluran dan kehilangan paket digunakan untuk mencapai resolusi pelacakan beberapa sentimeter (Blumrosen, Hod, Anker, Dolev & Rubinsky, 2010). Model redaman sinyal sangat dipengaruhi oleh faktor lingkungan dan dapat mengukur jarak melalui redaman sinyal dengan mempertimbangkan faktor lingkungan utama. Menetapkan derajat pemasangan yang akurat dan cakupan yang dapat diterapkan luas adalah target bagi peneliti asing dan domestik. Berdasarkan peralatan jaringan area lokal nirkabel. Wang membandingkan 13160 kelompok data kesalahan untuk menyimpulkan bahwa jarak kesalahan model regresi linier dan kuadrat sangat besar dan model regresi kubik atau lebih dapat mengurangi kesalahan, sehingga ia memilih model regresi kubik (Wang, Jia, Lee & Li, 2003) . Scott mengajukan Model LossPrediction untuk Komunikasi Nirkabel Dalam Ruangan Bangunan Berlantai Banyak. Oleh karena itu, dengan mempertimbangkan pengaruh rintangan dan mengabaikan pengaruh banjir, faktor redaman sinyal n (nilai yang direkomendasikan) dihitung (Seidel & Rapport, 1992). Smailagic membentuk model fungsi tujuan kuadratik dengan kekuatan sinyal dan jarak dari pendekatan TMI (pendekatan interpolasi pemetaan ulang berbasis triangulasi) (Smailagic & Kogan, 2002). Bahl membentuk model WAF (Wall Attenuation Factor), dan menentukan produk WAF dan jumlah hambatan antara node jangkar dan node target (Bahl & Padmanabban, 2000). Model propagasi sinyal kecil yang mapan, dengan mempertimbangkan komposisi rintangan di dalam ruangan dan kesalahan pengukuran dan faktor lain pada siang dan malam, menemukan bahwa model tersebut memiliki kemampuan beradaptasi yang tinggi di dalam ruangan (Small, 2000). Keuntungan besar dari pendekatan yang dijelaskan di atas adalah kemandiriannya dari dasar yang tidak terganggu saluran. Namun, itu membuat mereka sulit untuk mencapai kesalahan lokalisasi yang rendah bahkan dengan adanya saluran radio yang bagus. Dengan kelemahan yang diatasi dengan strategi optimal yang kami usulkan, kami mengeksplorasi kinerja parametrik dan menentukan formulasi model RSSI. Aplikasi metode langsung dan formulasi diakronis adalah karakteristik kunci dari inovasi teoretis.