Yapılandırılmış Gürültü Enjeksiyonu ile Çoklu Sensör Lokalizasyonunda Bilgi Bozulması ve Güvenilirlik Geçişlerinin Analizi

Abstract

Bu çalışma, yapılandırılmış gürültü enjeksiyonu yaklaşımını kullanarak çoklu sensör lokalizasyon sistemlerinde bilgi bozulmasını ve güvenilirlik geçişlerini incelemektedir. Beş sensörlü bir lokalizasyon senaryosu ele alınmaktadır. Bu senaryoda, menzil ölçümleri Gauss bozucuları, aralıklı ani bozucu etkiler ve pozitif ölçüm yanlılıkları ile kasıtlı olarak bozulmaktadır. Hedef koordinatları ağırlıklı doğrusal olmayan en küçük kareler yöntemiyle tahmin edilmektedir. Lokalizasyon performansı ise karekök ortalama karesel hata (RMSE), Fisher Bilgi Matrisi (FIM), Cramér–Rao Alt Sınırı (CRLB) ve başarısızlık oranı metrikleri ile değerlendirilmektedir. Deneyler, her çalışma koşulu için 600 Monte Carlo gerçekleştirmesi kullanılarak −5 dB ile 25 dB arasındaki sinyal-gürültü oranı (SNR) seviyelerinde yürütülmektedir. Sonuçlar, artan bozucu etki seviyelerinin lokalizasyon doğruluğunu ve bilgi içeriğini kademeli olarak azalttığını, buna karşılık teorik belirsizliği artırdığını göstermektedir. Ayrıca, ölçüm kalitesi iyileştikçe lokalizasyon başarısızlıklarının hızlı biçimde azaldığı 5 dB ile 10 dB arasında belirgin bir güvenilirlik geçiş bölgesi gözlemlenmektedir. Bulgular, kontrollü gürültü enjeksiyonunun çoklu sensör lokalizasyon sistemlerinde bilgi açısından yetersiz çalışma koşullarını ve güvenilirlik sınırlarını ortaya çıkarmak için pratik bir araç sunduğunu göstermektedir.

Keywords

• Fisher bilgisi
• çoklu sensör lokalizasyonu
• çoklu sensör sistemleri
• sinyal işleme
• güvenilirlik analizi.

Ethical Statement

Yazar, bu çalışmanın araştırma ve yayın etiğine uygun olduğunu beyan eder. Çalışma, simülasyon tabanlı çoklu sensörlü lokalizasyon modeline dayanmakta olup insan katılımcıları, hayvanları, kişisel verileri veya klinik materyali içermediğinden, etik kurul onayı gerekmemektedir.

Thanks

Makalemizi değerlendirdiğiniz için teşekkür ederiz. Zaman ayırdığınız ve çalışmamızı derginize gönderme fırsatı verdiğiniz için minnettarız.

Analysis of Information Degradation and Reliability Transitions via Structured Noise Injection in Multisensor Localization

Abstract

This study investigates information degradation and reliability transitions in multisensor localization systems using a structured noise injection approach. A five-sensor localization scenario is considered, where range measurements are intentionally corrupted by Gaussian perturbations, intermittent burst disturbances, and positive measurement biases. Target coordinates are estimated using a weighted nonlinear least-squares method, while localization performance is evaluated through root mean square error (RMSE), Fisher Information Matrix (FIM), Cramér–Rao Lower Bound (CRLB), and failure rate metrics. Experiments are conducted under signal-to-noise ratio (SNR) levels ranging from −5 dB to 25 dB using 600 Monte Carlo realizations for each operating condition. The results show that increasing perturbation levels progressively reduce localization accuracy and information content while increasing theoretical uncertainty. A distinct reliability transition region is observed between 5 dB and 10 dB, where localization failures rapidly decrease as measurement quality improves. The findings demonstrate that controlled noise injection provides a practical means of exposing information-deficient operating conditions and reliability boundaries in multisensor localization systems.

Keywords

• Fisher information
• Multisensor localization
• multisensor systems
• signal processing
• reliability analysis.

Ethical Statement

The author declares that this study complies with research and publication ethics. Since the study is based on a simulation-based multisensor localization model and does not involve human participants, animals, personal data, or clinical material, ethics committee approval is not required.

Thanks

Thank you for considering our manuscript for publication. We appreciate your time and the opportunity to submit our work to your journal.

References

1. [1] T. M. Cover and J. A. Thomas, Elements of Information Theory. Wiley, 2005. doi: 10.1002/047174882X.
2. [2] C. E. Shannon, ‘A Mathematical Theory of Communication’, Bell System Technical Journal, vol. 27, no. 4, pp. 623–656, Oct. 1948, doi: 10.1002/j.1538-7305.1948.tb00917.x.
3. [3] N. Alsindi, X. Li, and K. Pahlavan, ‘Analysis of Time of Arrival Estimation Using Wideband Measurements of Indoor Radio Propagations’, IEEE Trans. Instrum. Meas., vol. 56, no. 5, pp. 1537–1545, Oct. 2007, doi: 10.1109/TIM.2007.904481.
4. [4] P. Tarrío, A. M. Bernardos, and J. R. Casar, ‘Weighted Least Squares Techniques for Improved Received Signal Strength Based Localization’, Sensors, vol. 11, no. 9, pp. 8569–8592, Sep. 2011, doi: 10.3390/s110908569.
5. [5] G. Shen, R. Zetik, O. Hirsch, and R. S. Thomä, ‘Range-Based Localization for UWB Sensor Networks in Realistic Environments’, EURASIP J. Wirel. Commun. Netw., vol. 2010, no. 1, p. 476598, Dec. 2009, doi: 10.1155/2010/476598.
6. [6] S. Gezici et al., ‘Localization via ultra-wideband radios: a look at positioning aspects for future sensor networks’, IEEE Signal Process. Mag., vol. 22, no. 4, pp. 70–84, Jul. 2005, doi: 10.1109/MSP.2005.1458289.
7. [7] N. Patwari, J. N. Ash, S. Kyperountas, A. O. Hero, R. L. Moses, and N. S. Correal, ‘Locating the nodes: cooperative localization in wireless sensor networks’, IEEE Signal Process. Mag., vol. 22, no. 4, pp. 54–69, Jul. 2005, doi: 10.1109/MSP.2005.1458287.
8. [8] F. Abdien Ali Abdulla, ‘Decentralized kalman filter approach for multi-sensor multi-target tracking problems’, 2016, Accessed: Jan. 03, 2026. [Online]. Available: https://acikerisim.sakarya.edu.tr/handle/20.500.12619/79731

9. [9] F. A. A. Abdulla and A. Demirkol, ‘Multi-targets tracking using parallel Kalman filter’, in 2016 CIE International Conference on Radar (RADAR), IEEE, Oct. 2016, pp. 1–4. doi: 10.1109/RADAR.2016.8059258.
10. [10] U. Çelik, ‘Küresel navigasyon uydu sistemlerinin kullanılamadığı durumlarda insansız hava araçları için hibrit-merkezi olmayan kalman filtreleme ile konum kestirimi’, MSc Thesis, Siirt University, Siirt, 2026.
11. [11] D. Moreno-Salinas, A. Pascoal, and J. Aranda, ‘Optimal Sensor Placement for Multiple Target Positioning with Range-Only Measurements in Two-Dimensional Scenarios’, Sensors, vol. 13, no. 8, pp. 10674–10710, Aug. 2013, doi: 10.3390/s130810674.
12. [12] G. Zeng, B. Mu, J. Chen, Z. Shi, and J. Wu, ‘Global and Asymptotically Efficient Localization From Range Measurements’, IEEE Transactions on Signal Processing, vol. 70, pp. 5041–5057, 2022, doi: 10.1109/TSP.2022.3198167.
13. [13] Y. Han, Y. Shen, X.-P. Zhang, M. Z. Win, and H. Meng, ‘Performance Limits and Geometric Properties of Array Localization’, IEEE Trans. Inf. Theory, vol. 62, no. 2, pp. 1054–1075, Feb. 2016, doi: 10.1109/TIT.2015.2511778.
14. [14] Y. Xiong, N. Wu, Y. Shen, and M. Z. Win, ‘Cooperative Localization in Massive Networks’, IEEE Trans. Inf. Theory, vol. 68, no. 2, pp. 1237–1258, Feb. 2022, doi: 10.1109/TIT.2021.3126346.
15. [15] S. Wang, Y. Li, G. Qi, and A. Sheng, ‘Sensor Selection and Deployment for Range-Only Target Localization Using Optimal Sensor-Target Geometry’, IEEE Sens. J., vol. 23, no. 18, pp. 21757–21766, Sep. 2023, doi: 10.1109/JSEN.2023.3301492.
16. [16] J. Tian, M. Yang, and T. Chao, ‘Optimal Deployment of Target Localization With Distance-Dependent Noise’, IEEE Internet Things J., vol. 12, no. 12, pp. 20959–20972, Jun. 2025, doi: 10.1109/JIOT.2025.3545461.
17. [17] S. Xu, L. Wu, K. Doğançay, M. R. Bhavani Shankar, K. C. Ho, and X. Wu, ‘Optimal Sensor Placement for Target Localization in IoT Systems: A Cramér-Rao Bound Perspective’, IEEE Internet of Things Magazine, vol. 8, no. 5, pp. 120–126, Sep. 2025, doi: 10.1109/MIOT.2025.3575317.
18. [18] X. Shen, L. Xu, Y. Liu, and Y. Shen, ‘A Theoretical Framework for Relative Localization’, IEEE Trans. Inf. Theory, vol. 70, no. 1, pp. 735–762, Jan. 2024, doi: 10.1109/TIT.2023.3305199.
19. [19] H. L. Van Trees, Detection, Estimation, and Modulation Theory, Part I. New York, USA: John Wiley & Sons, Inc., 2001. doi: 10.1002/0471221082.
20. [20] R. A. Fisher, ‘On the mathematical foundations of theoretical statistics’, Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, vol. 222, no. 594–604, pp. 309–368, Jan. 1922, doi: 10.1098/rsta.1922.0009.
21. [21] J. Tian, M. Yang, S. Ni, and T. Chao, ‘The CRLB for target localization using Gaussian process regression with distance-dependent noise’, Measurement, vol. 226, p. 114127, Feb. 2024, doi: 10.1016/j.measurement.2024.114127.
22. [22] C. R. Rao, ‘Information and the Accuracy Attainable in the Estimation of Statistical Parameters’, in Breakthroughs in Statistics , vol. 1, Springer, New York, NY, 1992, pp. 235–247. doi: 10.1007/978-1-4612-0919-5_16.
23. [23] Harald. Cramér, Mathematical methods of statistics. Princeton University Press, 1999.
24. [24] R. Casas, A. Marco, J. J. Guerrero, and J. Falcó, ‘Robust Estimator for Non-Line-of-Sight Error Mitigation in Indoor Localization’, EURASIP J. Adv. Signal Process., vol. 2006, no. 1, p. 043429, Dec. 2006, doi: 10.1155/ASP/2006/43429.
25. [25] G. Wang, W. Zhu, and N. Ansari, ‘Robust TDOA-Based Localization for IoT via Joint Source Position and NLOS Error Estimation’, IEEE Internet Things J., vol. 6, no. 5, pp. 8529–8541, Oct. 2019, doi: 10.1109/JIOT.2019.2920081.
26. [26] C. Di Franco et al., ‘Calibration-free network localization using non-line-of-sight ultra-wideband measurements’, in Proceedings of the 16th ACM/IEEE International Conference on Information Processing in Sensor Networks, New York, NY, USA: ACM, Apr. 2017, pp. 235–246. doi: 10.1145/3055031.3055091.
27. [27] S. Tomic and M. Beko, ‘A Robust NLOS Bias Mitigation Technique for RSS-TOA-Based Target Localization’, IEEE Signal Process. Lett., vol. 26, no. 1, pp. 64–68, Jan. 2019, doi: 10.1109/LSP.2018.2879720.
28. [28] D. Jin, F. Yin, A. M. Zoubir, and H. C. So, ‘Exploiting Sparsity of Ranging Biases for NLOS Mitigation’, IEEE Transactions on Signal Processing, vol. 69, pp. 3782–3795, 2021, doi: 10.1109/TSP.2021.3090593.
29. [29] S. Wang and N. S. Ahmad, ‘Improved UWB-based indoor positioning system via NLOS classification and error mitigation’, Engineering Science and Technology, an International Journal, vol. 63, p. 101979, Mar. 2025, doi: 10.1016/j.jestch.2025.101979.
30. [30] A. F. Majeed, R. Arsat, M. A. Baharudin, N. M. A. Latiff, and A. Albaidhani, ‘Dynamic Real-Time Anchor Selection for Accurate UWB Indoor Positioning-Based Deep Neural Networks’, IEEE Access, vol. 13, pp. 80283–80307, Jan. 2025, doi: 10.1109/ACCESS.2025.3563815.
31. [31] J. Cho, S. Jeong, J.-Y. Kim, G.-H. Kim, J. Lee, and B. Lee, ‘Real-time indoor localization and safety applications using UWB in construction’, KSCE Journal of Civil Engineering, vol. 29, no. 8, p. 100164, Aug. 2025, doi: 10.1016/j.kscej.2025.100164.
32. [32] M. Y. Onay and B. Dokmetas, ‘Experimental Characterization of a 3D-Printed Conformal Array Antenna for 2.4 GHz WiFi Backscatter’, Electronics (Basel)., vol. 15, no. 8, p. 1758, Apr. 2026, doi: 10.3390/electronics15081758.
33. [33] F. A. Costa de Oliveira, F. S. Torres, and A. Garcia-Ortiz, ‘Recent Advances in Sensor Integrity Monitoring Methods—A Review’, IEEE Sens. J., vol. 22, no. 11, pp. 10256–10279, Jun. 2022, doi: 10.1109/JSEN.2022.3169659.