حسگری، فشرده سازی و بازیابی برای WSN ها
چکیده
ما در مورد مشکل فشرده سازی سیگنال های بزرگ و توزیع شده نظارت شده توسط شبکه حسگر بی سیم (WSN) و بازیابی آنها از طریق مجموعه ای از تعداد کمی از نمونه ها صحبت می کنیم. ما یک مدل پراکندگی پیشنهاد می دهیم که امکان استفاده از احساس فشرده سازی (CS) برای بازیابی آنلاین مجموعه های داده بزرگ در سناریوهای واقعی WSN را فراهم می کند و از آنالیز مولفه اصلی (PCA) برای گرفتن ویژگی های فضایی و زمانی سیگنال های واقعی استفاده می کند. آنالیز بیزی برای تقریب توزیع آماری مولفه های اصلی و نشان دادن آن که توزیع لاپلاس یک ارائه دقیق از آمار داده های واقعی فراهم میکند استفاده میشود. این روش ترکیبی از CS و PCA متعاقبا به صورت یک چارچوب جدید، یعنی SCoRe1: احساس، فشرده سازی و بازیابی از طریق برآورد ON-line برای WSNs، ادغام میشود. SCoRe1 طور موثر ی قادر به خود سازگار با تغییرات غیر قابل پیش بینی در آمار سیگنال است ، این ویژگی به دلیل وجود یک حلقه کنترل فیدبک است که در زمان واقعی خطای بازسازی سیگنال را تخمین می زند. ما همچنین یک تایید گسترده از چارچوب استفاده شده در ارتباط با CS و با تکنیک های الحاق استاندارد ارائه می دهیم، و عملکرد آن را برای سیگنال های جهان واقعی آزمایش می کنیم. نتایج در این مقاله شایستگی آشکار کردن محدودیت های عملکردی CS در هنگام استفاده به عنوان یک ابزار بازیابی در WSN ها را دارند.
1. مقدمه و کار های مربوطه
حوزه ارتباطات و طراحی پروتکل برای شبکه های حسگر وایرلس(WSN ها) به طور گسترده ای در سال های اخیر بررسی شده است. یکی از اولین مطالعه ها در رابطه با کارایی گردآوری اطلاعات همبسته از استقرار گسترده شبکه، مطالعه ی 1 است که وابستگی های متقابل بین پهنای باند، تاخیر رمز گشایی(decoding delay) و استراتژی مسیر یابی استفاده شده(routing strategy.) را برجسته میسازد. تحت فرضیات خاص در مورد قاعده مند بودن روند های مشاهده شده، نویسنده ها مدعی هستند که میتوان شبکه های بزرگ مقیاس با چند هاپ (multi-hop networks) را از دیدگاه ظرفیت انتقال، اجرا کرد. کد گذاری های منبع به صورت کلاسیک، الگوریتم های مسیر یابی مناسب و رمز گشایی مجدد داده ها در گره های رله(relay) از نظر محققان یکی از مهم ترین اجزای مورد نیاز برای گردآوری اطلاعات همبسته و فشرده سازی آن ها میباشد. در حقیقت، کاربرد های WSN معمولا شامل منابع متعددی از اطلاعات است که از نظر مکانی و زمانی همبستگی دارند. کارهای بعدی مانند مرجع های شماره ی 2 و 3 الگوریتم هایی را پیشنهاد میدهند که شامل همکاری میان سنسور ها برای اجرای کد گذاری های منبع به صورت کلاسیک(مثلا مرجع شماره ی 4 و5) به صورت توزیع شده(distributed) میباشد.
Abstract
We address the problem of compressing large and distributed signals monitored by a Wireless Sensor Network (WSN) and recovering them through the collection of a small number of samples. We propose a sparsity model that allows the use of Compressive Sensing (CS) for the online recovery of large data sets in real WSN scenarios, exploiting Principal Component Analysis (PCA) to capture the spatial and temporal characteristics of real signals. Bayesian analysis is utilized to approximate the statistical distribution of the principal components and to show that the Laplacian distribution provides an accurate representation of the statistics of real data. This combined CS and PCA technique is subsequently integrated into a novel framework, namely, SCoRe1: Sensing, Compression and Recovery through ON-line Estimation for WSNs. SCoRe1 is able to effectively self-adapt to unpredictable changes in the signal statistics thanks to a feedback control loop that estimates, in real time, the signal reconstruction error. We also propose an extensive validation of the framework used in conjunction with CS as well as with standard interpolation techniques, testing its performance for real world signals. The results in this paper have the merit of shedding new light on the performance limits of CS when used as a recovery tool in WSNs.
I. INTRODUCTION AND RELATED WORK
THE area of communication and protocol design for Wireless Sensor Networks (WSNs) has been widely researched in the past few years. One of the first studies addressing the problem of efficiently gathering correlated data from a wide network deployment is [1], which highlights the interdependence among the bandwidth, the decoding delay nd the routing strategy employed. Under certain assumptions of regularity of the observed process, the authors claim the feasibility of large-scale multi-hop networks from a transport capacity perspective. Classical source coding, suitable routing algorithms and re-encoding of data at relay nodes have been proposed as key ingredients for joint data gathering and compression. In fact, WSN applications often involve multiple sources which are correlated both temporally and spatially. Subsequent works such as [2], [3] proposed algorithms that involve collaboration among sensors to implement classical source coding (e.g., see [4], [5]) in a distributed fashion
چکیده
1. مقدمه و کار های مربوطه
2. ابزار ریاضی برای بازیابی CS
الف) تحلیل اجزای اصلی
ب) حسگری به صورت فشرده (CS)
ج) CS و PCA مشترک
3. توصیف سیگنال ها و WSN های ملاحظه شده
الف)استفاده از WSN
ب)سیگنال ها
ج)ویژگی های همسبتگی
4. تحلیل پراکندگی اجزای اصلی سیگنال واقعی (REAL SIGNAL PRINCIPAL COMPONENTS)
A. مدل سیگنال پراکنده
B. تحلیل پراکندگی
C. شرایط MAP بیزی و بازیابی CS
5. قالب کاری نظارت تکراری
A. بلوک های منطقی در قالب کاری نظارتی
B. اعتبار سنجی قالب کاری نظارتی
6. مقایسه عملکردی : تکنیک های بازسازی
A. مدل های سیگنال و تکنیک های درون یابی
B. عملکرد روش های بازیابی سیگنال
7. جمع بندی
Abstract
I. INTRODUCTION AND RELATED WORK
II. MATHEMATICAL TOOLS FOR CS RECOVERY
A. Principal Component Analysis
B. Compressive Sensing (CS)
C. Joint CS and PCA
III. DESCRIPTION OF CONSIDERED SIGNALS AND WSNS
A. WSN deployments
B. Signals
C. Correlation properties
IV. SPARSITY ANALYSIS OF REAL SIGNAL PRINCIPAL COMPONENTS
A. Sparse Signal Model
B. Sparsity Analysis
C. Bayesian MAP condition and CS recovery
V. ITERATIVE MONITORING FRAMEWORK
A. Logic Blocks of the Monitoring Framework
B. Validation of the Monitoring Framework
VI. PERFORMANCE COMPARISON: RECONSTRUCTION TECHNIQUES
A. Signal Models and Interpolation Techniques
B. Performance of the Signal Recovery Methods
VII. CONCLUSIONS
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه