الگوریتم سنجش توزیع شده غیر متمرکز
ترجمه نشده

الگوریتم سنجش توزیع شده غیر متمرکز

عنوان فارسی مقاله: الگوریتم سنجش فشرده توزیع شده غیر متمرکز برای شبکه های حسگر بی سیم
عنوان انگلیسی مقاله: Decentralized Distributed Compressed Sensing Algorithm for Wireless Sensor Networks
مجله/کنفرانس: علوم کامپیوتر پروسیدیا – Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط: الگوریتم ومحاسبات، شبکه های کامپیوتری
کلمات کلیدی فارسی: شبکه حسگر بی سیم، سنجش فشرده توزیع شده، سنجش فشرده توزیع شده غیر متمرکز، خوشه، JSM-1
کلمات کلیدی انگلیسی: Wireless Sensor Network, Distributed Compressed Sensing, Decentralized Distributed Compressed Sensing, Cluster, JSM-1
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2019.06.058
دانشگاه: College of Artificial Intelligence, National University of Defense, Changsha 410072, China
صفحات مقاله انگلیسی: 10
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 1.257 در سال 2018
شاخص H_index: 47 در سال 2019
شاخص SJR: 0.281 در سال 2018
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12324
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی)

Abstract

1-Introduction

2-Compressed Sensing and Distributed Compressed Sensing

3-DDCS Model Building

4-Results

5-Discussion

6-Conclusion

References

بخشی از مقاله (انگلیسی)

Abstract

Distributed Compressed Sensing (DCS) is an effective method to reduce data transmission and energy consumption in wireless sensor networks (WSN). To further enhance the data compression ratio in clustered WSNs, a new data collection method which named Decentralized Distributed Compressed Sensing (DDCS) is proposed in this paper. This method can be divided into three parts: cluster head election, data compression, and joint reconstruction. In the cluster head elections, sparsity is introduced as a reference factor. In data compression, the cluster head data is used as the common data of sensors in the same cluster. After remove the common data, member sensors in the same cluster only compress and transmits their specific data. In joint reconstruction, using residual correlation to reconstruct the signal through the OMP algorithm. Simulation results show that the performance of DDCS is better than traditional DCS. It can greatly reduce the amount of data transmission, the cluster head energy consumption, and the network delay at the cluster head.

Introduction

Due to the limit of energy and the difficulty in maintenance of the sensor nodes, energy consumption control is always the hot research topic of the WSN1 . Generally, there is great correlation in time and spatial of sensor data in the same area. Therefore, while ensuring that the detection information is not lost, reducing the amount of data transmission is an effective method to reduce communication energy consumption in WSN2 . A few scholars have done some researches about the combination of DCS and WSN. Cheng proposes the concept of Hierarchical Data Compressed Sensing (HDCS), which studies the compression method of correlation data from two hierarchical, within cluster and between clusters3. Some also study the fusion of DCS and clustering algorithm (LEACH, DEEN)4. Yang proposes Regionalized Compressive Sensing (RCS) whose purpose is to improve the practical efficiency of DCS applications5. In RCS, the direct transmission and DCS transmission are simultaneously applied in the wireless sensor network.