تشخیص NLOS به کمک LSTM و بهبود تخمین موقعیت با PSO برای بهبود دقت مکان یابی داخلی مبتنی بر TDOA

روش TDOA یکی از دقیق ترین روش های موقعیت یابی داخلی است، اما شرایط دید غیرمستقیم (NLOS) ناشی از موانع فیزیکی دقت تخمین را به شدت کاهش می دهد. دقت روش های کلاسیک مانند چان و تیلور، در حضور NLOS با افت شدید مواجه می شوند. در این پژوهش، یک چارچوب دو مرحله ای ارائه شده است. در مرحله نخست، شبکه عصبی LSTM با بهره گیری از ویژگی فاز سیگنال، شرایط NLOS را شناسایی می کند. در مرحله دوم، الگوریتم بهینه سازی ازدحام ذرات (PSO) با کمینه سازی تابع هزینه TDOA، موقعیت هدف را بدون نیاز به اطلاعات کمکی مانند AOA یا RSS تخمین می زند. نتایج نشان می دهد در حضور NLOS، روش پیشنهادی با RMSE برابر با ۰٫۰۴۱ متر، نسبت به روش چان (۰٫۲۵ متر) بهبود ۸۴ درصدی و نسبت به روش تیلور (۰٫۱۲ متر) بهبود ۶۶ درصدی ارائه می دهد. در ۹۰ درصد موارد خطای روش کمتر از ۰٫۰۸ متر است. تحلیل تعداد گیرنده ها، تعداد ۵ گیرنده را به عنوان گزینه ی بهینه از نظر تعادل دقت و هزینه معرفی می کند. روش پیشنهادی با حذف اثر مسیرهای NLOS پیش از موقعیت یابی، عملکردی مقاوم داشته و برای کاربردهای بلادرنگ در سلامت، صنعت و شهرهای هوشمند بسیار مناسب است.

کلیدواژه ها:

موقعیت یابی داخلی ، TDOA ، NLOS ، LSTM ، PSO