Distributed Detection in Sensor Networks with Limited Range Sensors
研究了传感器网络中传感器距离有限的多目标检测问题.这个问题补充了广泛考虑的分散式检测问题，其中所有传感器都观察到相同的对象。虽然在分散式检测问题中，全球合作的必要性是明确的，但与有限范围传感器合作的好处尚不清楚，也没有得到广泛的探讨。在本文中，我们开发了一个分布式检测方法的基础上，最近的发展虚假发现率（FDR）。我们首先扩展FDR程序，并开发一个转换，利用完整或部分的知识，无论是在每个传感器或合奏（混合物）分布在所有传感器的观察到的分布。然后，我们表明，这种转换适用于多维观测，从而扩展FDR多维设置。我们还将FDR理论扩展到零假设和正假设下的分布都不确定的情况。然后，我们提出了一个强大的分布式算法来执行检测。我们进一步证明了可扩展性，以大SNARY显示，上界的通信复杂性的规模与传感器的数量是在附近的对象，是独立的传感器的总数线性。最后，我们处理的情况下，传感模型可能是不确定的，并建立我们的技术的鲁棒性，这样的不确定性。
2008-03-18 cs.IT math.IT
Effects of Spatial Randomness on Locating a Point Source with Distributed Sensors
在无线传感器网络中，大多数点源位置估计问题的研究都假设源位置是由一组空间分布的传感器估计的，这些传感器的位置是固定的。由于定位算法的观测质量和性能取决于传感器的位置，而传感器的位置可以是随机分布的，本文研究了一种基于能量的源定位算法的性能，该算法假设传感器按照均匀的聚类过程定位。将研究实际考虑因素，如每个传感器和源周围的禁区的存在和大小。通过引入一种新的性能指标，称为估计中断，它将显示如何与网络的几何形状，如源和最接近的传感器之间的距离，以及周围的源区域内的传感器的数量的参数影响的定位性能。
2014-03-17 cs.IT math.IT
Distributed source coding in dense sensor networks
我们研究了在[0，1]中定义的高斯场的重建问题，使用以规则间隔部署的N个传感器。目标是量化具有给定均方失真的场的重建所需的总数据率。我们考虑一类两阶段机制，a）发送信息，以允许在足够的精度内重建传感器的样本，然后b）使用这些重建来估计整个字段。为了实现第一阶段，传感器样本之间的重相关性建议使用分布式编码方案来降低总速率。我们证明了一个分布式块编码方案的存在，实现了，对于一个给定的保真度标准重建的字段，总的信息率，是有界的一个常数，独立的传感器的数量$N$。该常数通常取决于场的自相关函数和传感器样本的期望失真标准。然后，我们描述了一个方案，可以实现仅使用标量量化器在传感器，而不使用任何分布式信源编码，也实现了总的信息速率是一个常数，独立的传感器的数量。虽然该方案的工作速率大于通过分布式编码实现的速率，并且需要更大的重建延迟，但其简单性使其在传感器网络中的实现具有吸引力。
2007-10-22 cs.IT math.IT
Robust Sequential Detection in Distributed Sensor Networks
我们考虑非高斯噪声环境下分布式传感器网络的顺序二元假设检验问题。为此，我们提出了共识+创新序贯概率比检验（CISPRT）的一般公式。此外，我们引入了两个不同的概念，鲁棒的CISPRT，并提出了四种不同的算法，即，最有利的密度CISPRT，中位数CISPRT，M-CISPRT，和Myriad-CISPRT。随后，我们分析了它们对不同二元假设检验的适用性，然后验证和评估它们在均值偏移和方差偏移场景中的性能。
2018-02-01 cs.IT math.IT
Distributed Compressed Sensing for Sensor Networks with Packet Erasures
我们研究了两种分布式压缩感知的方法，在网络中的数据压缩和信号重建在无线传感器网络中的传感器被放置在一条直线上的汇。由于大量的设备，到信宿的通信被认为是带宽受限的。通过使用分布式压缩感知来压缩网络中的数据，可以以压缩所需的本地通信引起的延迟为代价来降低到信宿的通信成本（带宽使用）。我们调查成本和延迟之间的关系给出了一定的重建性能要求时，使用基追踪去噪重建。此外，我们分析和比较的性能下降，由于删除数据包发送到汇的两种方法。
2015-03-31 cs.IT math.IT
A Distributed Data Collection Algorithm for Wireless Sensor Networks with Persistent Storage Nodes
提出了一种分布式数据汇集算法，用于无线传感器网络获取信息的准确存储转发。该算法不依赖于传感器网络的拓扑结构，路由表，或传感器节点的地理位置，而是利用均匀分布的存储节点。分析和仿真结果表明，该算法可以通过查询任意小的存储节点集，以很高的概率精确收集到传感器节点所传播的数据。
2010-11-11 cs.IT cs.NI math.IT
Distributed Bayesian Quickest Change Detection in Sensor Networks via Two-layer Large Deviation Analysis
提出了一种基于随机流言的传感器间通信结构的分布式贝叶斯最快变化检测算法。在没有控制或融合中心的情况下，每个传感器以并行和分布式方式执行其本地变化检测过程，通过随机传感器间通信与其相邻传感器交互以传播信息。通过将网络中的信息传播过程建模为马尔可夫过程，提出了两层大偏差分析方法来分析算法的性能。第一层分析表明，虚警概率与条件平均检测时延之间的关系满足大偏差原理，即当条件平均检测时延增加时，罕见事件的虚警概率以指数速度衰减到零，其中Kullback-Leibler信息数是一个关键因素.第二层分析表明，当平均通信次数增加时，并非所有观测值在传感器处都可用的罕见事件的概率以指数快速的速率衰减到零，其中还导出了该速率的大偏差上界和下界，基于此，我们表明分布式算法的性能以指数快速收敛到集中式算法的性能，通过证明定义的分布式Kullback-Leibler信息数收敛于集中式Kullback-Leibler信息数。
2015-12-08 cs.IT math.IT
Learning-Based Distributed Detection-Estimation in Sensor Networks with Unknown Sensor Defects
我们认为一个未知的确定性标量参数（目标信号）在无线传感器网络（WSN），其中每个传感器接收到一个单一的快照字段的分布式估计的问题。我们假设在每个节点的观察随机落入两种模式之一：有效或无效的观察模式。具体地，模式一对应于期望的信号加噪声观测模式（\emph{valid}），模式二对应于由于节点缺陷或损坏的纯噪声模式（\emph{invalid}）。没有先验信息，这样的本地传感模式，我们引入了一个基于学习的分布式过程，称为混合检测估计（MDE）算法，基于模式学习（检测）和目标估计之间的迭代闭环相互作用。在线学习步骤在每次迭代时重新评估局部观测的有效性，从而细化正在进行的估计更新过程。MDE算法的收敛性建立解析。渐近分析表明，在高信噪比（SNR）制度，MDE估计误差收敛到一个理想的（集中式）估计与完美的信息节点的感知模式。这与基于朴素平均一致性的分布式估计器（没有模式学习）的估计性能形成对比，其估计误差随着SNR的增加而增大。
2015-10-08 cs.IT math.IT
Distributed Maximum Likelihood Sensor Network Localization
我们提出了一类凸松弛来解决传感器网络定位问题，基于最大似然（ML）制定。这一类别以及弛豫的紧密性取决于所收集测量的噪声概率密度函数（PDF）。我们推导出一个计算效率高的基于边缘的ML凸松弛类的版本，我们设计了一个分布式算法，使传感器节点，以解决这些基于边缘的凸计划本地只与他们的近邻通信。该算法依赖于交替方向乘子法（ADMM），收敛于集中式解，可以异步运行，具有计算容错性。最后，我们比较我们提出的分布式方案与其他可用的方法，分析和数值，我们认为ADMM的附加值，特别是对于大规模的网络。
2013-12-26 cs.IT math.IT
DILAND: An Algorithm for Distributed Sensor Localization with Noisy Distance Measurements
在这种对应关系中，我们提出了一种算法，分布式传感器定位与噪声距离测量（DILAND）的扩展，使DLRE更强大。DLRE是$\mathbb{R}^m$ $(m\geq1)$中的分布式传感器定位算法，在\cite{usman_loctsp:08}中引入。DILAND在以下情况下运行：（i）传感器之间的通信有噪声;（ii）网络中的通信链路可能以非零概率失败;以及（iii）为计算传感器之间的距离而执行的测量被噪声破坏。传感器（不知道它们的位置）位于至少$m+1$锚（知道它们自己的位置的节点）的凸包中。在对网络中每个传感器的连通性和三角测量的最小假设下，这种对应关系表明，在上述广泛的随机现象下，DILAND几乎肯定收敛（a.s.）精确的传感器位置
2009-10-14 cs.DC cs.IT math.IT
Distributed Low-Rank Estimation Based on Joint Iterative Optimization in Wireless Sensor Networks
University of York（约克大学）；PUC-Rio（里约热内卢天主教大学）；Princeton University（普林斯顿大学）
提出了一种新的分布式降秩算法和一种自适应分布式估计算法。建议的分布式方案是基于一个变换，在网络的每个代理进行降维，然后由一个降维参数向量。提出了一种分布式降秩联合迭代估计算法，与现有技术相比，该算法能够显著降低通信开销，提高估计性能。仿真结果表明，所提出的策略在收敛速度和均方误差性能方面的优势。
2014-11-05 cs.IT cs.LG math.IT
Simultaneous Interference-Data Transmission for Secret Key Generation in Distributed IoT Sensor Networks
下一代智能无线传感系统中的智能传感器节点的物联网（IoT）网络需要分布式安全方案来防止来自不可信传感器节点的被动（窃听）或主动（干扰和干扰）攻击。本文关注的是提高物联网系统的安全性，以解决它们在未来超级计算机的进步中受到攻击或损害的脆弱性。在这项工作中，一种新的嵌入式架构已被设计和实现的分布式物联网网络，利用主从全双工通信来交换随机和连续调制相移作为秘密密钥，用于在更高层的防御。
2019-10-29 cs.IT eess.SP math.IT
Robust Detection of Random Events with Spatially Correlated Data in Wireless Sensor Networks via Distributed Compressive Sensing
在本文中，我们利用压缩感知的理论，在密集的传感器网络中执行检测的随机源。当传感器密集部署时，相邻传感器的观测值高度相关，而与远距离传感器对应的观测值相关性较低。因此，在任何给定时间所有传感器的级联观测向量的协方差矩阵可以是稀疏的，其中稀疏结构取决于网络拓扑和相关模型。利用协方差矩阵的稀疏结构，我们开发了一个强大的非参数检测器来检测随机事件的存在，使用在分布式节点收集的数据的压缩版本。我们采用的多址接入信道（MAC）模型与分布式随机投影传感器传输观测，以便在融合中心的压缩版本的意见。通过基于使用压缩数据估计的未压缩数据的协方差信息构建判决统计来执行检测。该方法不需要噪声参数的任何知识来设置阈值，并且当分布的随机投影矩阵变得稀疏时也是鲁棒的。
2017-07-07 cs.IT math.IT stat.CO
A New Distributed Localization Method for Sensor Networks
本文研究了在大型传感器网络中仅使用相对距离测量来确定传感器位置的问题。我们的工作来自Khan等人的开创性论文。[1]其中使用重心坐标给出了用于传感器定位的分布式算法，称为DIRECT。DIMENSIONAL算法的主要限制是所有传感器节点必须在锚节点的凸包内。在本文中，我们考虑了一般的传感器网络没有凸包假设，这在确定重心坐标的符号模式带来的挑战。一个标准的开发，以解决这个问题的基础上可用的距离测量。此外，提出了一种新的分布式算法，以保证所有可定位的传感器节点的渐近定位。
2013-01-12 cs.DC cs.IT cs.NI
Study of Distributed Conjugate Gradient Strategies for Distributed Estimation Over Sensor Networks
提出了一种基于分布式共轭梯度算法的无线传感器网络参数估计和频谱估计算法。特别是，分布式的传统共轭梯度（CCG）和修改共轭梯度（MCG）被认为是与增量和扩散自适应解决方案。分布式CCG和MCG算法在均方误差方面与基于最小均方（LMS）的算法相比具有改进的性能，并且性能接近于递归最小二乘（RLS）算法。与现有的集中式或分布式估计策略相比，本文算法的主要特点是：1）可以获得更精确的估计和更快的收敛速度; 2）CG算法的预处理器设计，提出了一种改进CG算法性能的新方法;所提出的算法在分布参数估计和谱估计领域中实现。所提出的分布式估计算法的性能通过仿真来说明，并且所得到的算法是分布式的、协作的并且能够实时的响应环境的变化。
2016-01-16 cs.DC cs.IT math.IT
Likelihood Consensus and Its Application to Distributed Particle Filtering
本文研究了无融合中心的无线传感器网络中的分布式状态估计。每个传感器执行一个全局估计任务-基于所有传感器的过去和当前测量-仅使用本地处理和与其邻居的本地通信。在此估计任务中，联合（所有传感器）似然函数（JLF）起着核心作用，因为它概括了所有传感器的测量。我们提出了一个分布式的方法计算，在每个传感器，通过共识算法的JLF的近似。如果各种传感器的局部似然函数（被视为局部测量的条件概率密度函数）属于指数分布族，则该“似然一致性”方法是适用的。然后，我们使用似然共识方法来实现分布式粒子滤波器和分布式高斯粒子滤波器。每个传感器运行计算全局状态估计的局部粒子滤波器或局部高斯粒子滤波器。每个局部（高斯）粒子滤波器中的权重更新采用JLF，其通过似然一致性方案获得。对于分布式高斯粒子滤波器，粒子数可以通过一个额外的一致性计划的手段显着减少。仿真结果评估的多目标跟踪问题的建议分布式粒子滤波器的性能。
2012-08-01 cs.IT math.IT stat.AP
Fastest Distributed Consensus on Star-Mesh Hybrid Sensor Networks
在不同拓扑结构的传感器网络上求解最快分布式共识（FDC）平均问题近年来受到了人们的关注，其中一种著名的拓扑结构是星型-网状混合拓扑结构。本文针对具有丰富对称性质的K-部核星-网混合网络（SMHK），利用分层和半定规划方法给出了FDC算法的解析解。数值研究了SMHK网络的渐近收敛速度和每步收敛速度随网络拓扑参数的变化。
2010-09-23 cs.DM cs.IT math.IT
Distributed Learning in Wireless Sensor Networks
在无线传感器网络等应用中的分布式或分散式检测和估计问题通常被认为是在参数模型的框架中，其中对自然的统计描述进行了强有力的假设。在某些应用中，这样的假设是有道理的，从这些模型设计的系统显示出希望。然而，在其他情况下，先验知识充其量是模糊的，将这种知识转化为统计模型是不可取的。应用程序，如这些铺平了道路，分布式检测和估计的非参数研究。在本文中，我们回顾了作者最近的工作，其中一些基本模型的分布式学习被认为是。这些模型符合非参数统计学经典工作的精神，适用于无线传感器网络。
2005-03-26 cs.IT cs.LG math.IT
Raptor Codes Based Distributed Storage Algorithms for Wireless Sensor Networks
本文研究了一个大规模无线传感器网络中的分布式存储问题，该网络中的$n$节点之间$k$获取（感知）独立的数据.目标是在整个网络中传播所获取的信息，使得每个$n$传感器存储一个可能编码的分组，并且对于一些小的$ε>0$，可以稍后以计算简单的方式从任何$(1+ε)k$节点恢复原始$k$数据分组。我们提出了两个基于Raptor码的分布式存储算法来解决这个问题。在第一种算法中，所有传感器都具有$n$和$k$的知识。在第二种情况下，我们假设没有传感器具有这样的全局信息。
2009-03-03 cs.DS cs.IT cs.NI
Distributed Parameter Estimation in Sensor Networks: Nonlinear Observation Models and Imperfect Communication
研究了具有非线性观测模型和传感器间通信噪声的传感器网络中分布式静态参数（矢量）估计问题。介绍了\emph{separably estimable}观测模型，将线性集中估计的可观测性条件推广到非线性分布估计。研究了可分离估计模型下的两种分布式估计算法$\mathcal{NU}$（及其线性对应的$\mathcal{LU}$）和$\mathcal{NLU}$。它们的更新规则结合了一个\emph{consensus}步骤（其中每个传感器通过对其邻居的状态进行加权平均来更新状态）和一个\emph{innovation}步骤（其中每个传感器处理其本地电流观测）。这使得\textit{consensus + innovations}类型的三种算法与传统的共识算法有很大的不同。本文证明了一致性（所有传感器几乎肯定达到共识，并收敛到真正的参数值），效率和渐近无偏性。对于$\mathcal{LU}$和$\mathcal{NU}$，它证明了渐近正态性，并提供了收敛速度保证。这三种算法的特点是适当选择衰减权序列。算法$\mathcal{LU}$和$\mathcal{NU}$的随机逼近理论的框架进行了分析，算法$\mathcal{NLU}$表现出混合的时间尺度行为和有偏扰动，它的分析需要一个不同的方法，在本文中开发。
2012-05-18 cs.IT cs.MA math.IT
Distributed Compressed Wideband Sensing in Cognitive Radio Sensor Networks
提出了一种新的认知无线电传感器网络（CRSN）分布式压缩宽带感知方案。该方案利用CRSN的分布式特性，在每个节点上仅部署一个超低采样率的窄带采样器，即可完成宽带频谱感知。首先，详细描述了各节点处压缩采样器的实际结构。其次，我们展示了融合中心（FC）如何利用频谱随机混叠的采样信号来检测全球宽带频谱活动。最后，通过大量的仿真验证了所提出的方案，这表明它是特别适合CRSN。
2014-02-22 cs.IT cs.NI math.IT
Simultaneous Distributed Sensor Self-Localization and Target Tracking Using Belief Propagation and Likelihood Consensus
我们介绍的框架合作同时定位和跟踪（CoSLAT），它提供了一个一致的组合合作自定位（CSL）和分布式目标跟踪（DTT）在传感器网络中没有一个融合中心。CoSLAT扩展了同时定位和跟踪（SLAT），因为它也使用传感器间测量。从因素图制定的CoSLAT问题，我们开发了一个基于粒子的，分布式的消息传递算法CoSLAT，结合非参数的信念传播的似然共识计划。CoSLAT算法通过在CSL和DTT之间交换概率信息来改进最新的CSL和DTT算法。仿真结果表明，自定位和跟踪性能的显着改善。
2012-11-29 cs.IT cs.NI math.IT
Fastest Distributed Consensus Problem on Branches of an Arbitrary Connected Sensor Network
研究了任意连通传感器网络分支上的最快分布式共识平均问题。在以往的工作中，充分了解传感器网络的连通性拓扑结构，需要确定最佳的权重和收敛速度的分布式共识平均算法在网络上。在这项工作中，第一次为某些类型的分支的边缘分析确定最佳权重，独立于网络的其余部分。求解过程包括分支关联连通图的分层和半定规划（SDP），特别是松弛条件的求解，其中最优权值通过松弛条件引发的特征多项式的归纳比较来获得。几个例子和数值结果证实了所获得的权重的最优性。
2011-06-03 cs.DC cs.DM cs.IT
Deterministic Differential Search Algorithm for Distributed Sensor/Relay Networks
对于分布式传感器/中继网络，通常需要高可靠性和功率效率。然而，在实践中出现了一些执行问题。一个这样的问题是，所有的分布式发射机具有有限的电力供应，因为发射机的电源不能被连续地再充电。为了解决这个问题，分布式波束成形已经被提出作为一种可行的解决方案，其中所有分布式发射机寻求在接收机端处相位对准。然而，在实践中难以以分布式方式实现这样的发射波束成形，因为需要在所有分布式发射机处使完美的信道状态信息（CSI）可用，从而需要巨大的开销来将CSI从接收机反馈到所有分布式发射机。在本文中，我们提出了一种新的算法，属于确定性相位调整算法的类别：确定性差分搜索算法（DDSA），其中测量的接收信号强度（RSS）之间的差异被明智地利用，以帮助我们预测在分布式发射机完成的确定性相位调整。数值模拟表明，快速收敛到一个预先确定的阈值。
2015-08-04 cs.DC cs.IT cs.NI
