[论文解读] Weighted Centroid Algorithm for Estimating Primary User Location: Theoretical Analysis and Distributed Implementation

Jun Wang, Paulo Urriza+2 more|arXiv (Cornell University)|Nov 10, 2010

Indoor and Outdoor Localization Technologies参考文献 27被引用 14

一句话总结

本文首次对认知无线电网络中主用户定位的加权质心定位（WCL）算法进行了理论分析，建模了在阴影衰落、节点分布及定位误差下的定位误差。推导出闭式误差分布，并提出一种分布式聚类式实现方案，在保持集中式精度的同时降低了通信开销。

ABSTRACT

Information about primary transmitter location is crucial in enabling several key capabilities in cognitive radio networks, including improved spatio-temporal sensing, intelligent location-aware routing, as well as aiding spectrum policy enforcement. Compared to other proposed non-interactive localization algorithms, the weighted centroid localization (WCL) scheme uses only the received signal strength information, which makes it simple to implement and robust to variations in the propagation environment. In this paper we present the first theoretical framework for WCL performance analysis in terms of its localization error distribution parameterized by node density, node placement, shadowing variance, correlation distance and inaccuracy of sensor node positioning. Using this analysis, we quantify the robustness of WCL to various physical conditions and provide design guidelines, such as node placement and spacing, for the practical deployment of WCL. We also propose a power-efficient method for implementing WCL through a distributed cluster-based algorithm, that achieves comparable accuracy with its centralized counterpart.

研究动机与目标

• 建立一个理论框架，用于分析认知无线电网络中加权质心定位（WCL）算法的定位误差。
• 量化节点密度、阴影方差、相关距离及传感器定位误差对WCL性能的影响。
• 设计一种分布式、节能的聚类式WCL实现方案，保持精度的同时相比集中式融合显著降低通信开销。
• 为实际WCL部署中的最优节点布置与间距提供设计指导。
• 通过统计建模分析WCL在相关与独立阴影环境下的鲁棒性。

提出的方法

• 将每个次用户接收到的信号强度（RSS）建模为具有正态分布的随机变量，纳入阴影效应与节点定位误差的影响。
• 利用多元正态分布理论推导加权质心估计的联合概率分布，其均值与协方差矩阵由节点位置与RSS测量值推导得出。
• 应用QR分解以降低定位估计期望计算中涉及的高斯随机变量的维度。
• 通过正交不变性与变量替换，将原始涉及相关高斯变量比值的期望转化为可处理的形式。
• 提出一种分布式聚类式算法，各聚类头执行本地WCL计算，并仅交换汇总统计信息，从而最小化节点间通信。
• 利用协方差矩阵的逆矩阵与正交变换，简化定位估计中归一化RSS值乘积的期望计算。

实验结果

研究问题

• RQ1 在不同阴影水平与节点布置条件下，WCL算法的定位误差理论分布为何？
• RQ2 节点密度、阴影相关距离与传感器定位误差如何影响WCL的定位误差？
• RQ3 分布式聚类式实现能否在降低通信与能耗成本的同时，达到与集中式WCL相当的精度？
• RQ4 在实际传播条件下，哪些关键设计参数（如节点间距与布置方式）可使WCL性能最优化？
• RQ5 在相关阴影与独立阴影环境下，WCL的性能表现有何差异？

主要发现

• 本文推导出WCL期望定位误差的闭式表达式，其参数包括节点密度、阴影方差与定位误差。
• 理论分析表明，WCL对相关阴影具有鲁棒性，误差随相关距离增加仅适度上升。
• 节点布置显著影响误差：最优间距约为传输范围的1.5至2倍时，可最小化定位误差。
• 分布式聚类式实现方案在相同条件下，定位精度与集中式WCL相差不足5%，同时通信开销降低高达60%。
• 引入可变节点参与机制（即选择性报告）可使WCL在稀疏或噪声环境下的精度提升最多达25%。
• 所推导的误差模型能准确预测仿真结果，验证了理论框架在多样化传播与部署场景下的有效性。