Distributed Detection in Sensor Networks with Limited Range Multi-Modal Sensors
研究了有限距离多模态传感器传感器网络中的多目标检测问题。有限范围的传感环境出现在传感领域中，易于信号衰减和路径损耗。一般问题补充了广泛考虑的分散检测问题，其中所有传感器观察相同的对象。在本文中，我们开发了一个分布式检测方法的基础上，最近发展的错误发现率（FDR）和相关的BH测试程序。BH过程基于标量检验统计量的秩序。首先，我们开发标量检验统计量的多维数据处理多模态传感器的观察，并建立其最优的BH程序。然后，我们提出了一个分布式算法，在理想情况下的无限衰减识别的传感器，在附近的一个对象。我们证明了通信消息的可扩展性，以大SNET的通信消息的复杂性的上限与在附近的对象的传感器的数量呈线性比例，是独立的SNET中的传感器的总数。这提出了用于评估SNET的性能的重要原则，即，对于通信的可扩展性和关于SNET中的对象或事件的数量的性能的需要，而与网络大小无关。然后，我们考虑有限衰减建模传感器观测破坏所产生的不确定干扰，从遥远的物体和发展强大的扩展，我们理想化的分布式计划。鲁棒性属性确保错误性能和通信消息复杂度随着干扰而优雅地降级。
2008-09-11 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
Optimal Power Allocation for Distributed Detection over MIMO Channels in Wireless Sensor Networks
在具有无线传感器网络的分布式检测系统中，由于传感器处的干扰和有限的发射器功率以对抗融合中心的接收器处的噪声，传感器与融合中心之间的通信并不完美。在这种不完全通信的情况下如何优化检测性能的问题给分布式检测带来了新的挑战。在本文中，传感器被假定为具有独立的，但不相同分布的意见，和多输入/多输出（MIMO）信道模型包括占传感器和融合中心之间的不完善的通信。不同假设下的检测统计量的分布之间的J-发散被用作性能标准，以提供易于处理的分析。研究了在传感器上具有单个和总发射功率约束的情况下优化性能（以J-发散度为依据），并给出了相应的功率分配方案。有趣的是，所提出的功率分配是两个因素之间的权衡，通信信道质量和本地决策质量。对于正交信道的情况，在一定条件下，功率分配可以通过加权注水算法来解决。仿真结果表明，为了达到相同的性能，在某些情况下，所提出的功率分配只消耗低至25%的总功率所使用的一个平等的功率分配方案。
2007-07-17 cs.IT math.IT
Variable-Rate Distributed Source Coding in the Presence of Byzantine Sensors
分布式信源编码问题被认为是当传感器，或编码器，是拜占庭攻击，也就是说，一个未知数量的传感器已被重新编程的恶意入侵者破坏的融合中心的重建。三种不同形式的问题被认为是。第一种是可变速率设置，其中解码器自适应地选择传感器传输的速率。可变速率的最小可实现的和速率的一个明确的表征陈述，给出的最大熵的分布的集合，从真正的源分布的解码器无法区分。此外，两种形式的固定速率的问题被认为是，一个与确定性编码和随机编码。可实现的速率区域给出了这两个问题，一个更大的区域可实现使用随机编码，但都是次优的可变速率编码相比。
2007-05-07 cs.IT math.IT
Parameter Tracking via Optimal Distributed Beamforming in an Analog Sensor Network
我们考虑传感器网络中的最优分布式波束形成问题，其中传感器在噪声中观察动态参数，并将其观测结果相干放大并转发到融合中心（FC）。FC使用一个卡尔曼滤波器跟踪的参数，使用从传感器的观察，我们展示了如何找到最佳的增益和相位的传感器传输下的全球和个人的功率约束，以最小化的参数估计的均方误差（MSE）。对于全局功率约束的情况，可以获得封闭形式的解。一个数值优化是需要个人的权力约束，但问题可以放宽到一个半定规划问题（SDP），我们展示了如何构建的最佳解决方案的SDP的解决方案。仿真结果表明，与等功率传输相比，采用优化功率控制可以显著降低均方误差。
2013-03-30 cs.IT math.IT
Strategies for Distributed Sensor Selection Using Convex Optimization
考虑线性测量模型中未知参数向量的估计。集中式传感器选择包括从总共m个潜在测量中选择一组k_s个传感器测量。相应选择的性能通过估计误差协方差矩阵的体积来测量。在这项工作中，我们考虑的问题，选择这些传感器在一个分布式或分散的方式。特别是，我们研究的情况下，两个领导者节点进行天真的分散选择。我们证明，这可能会严重降低性能。因此，引入了两种基于凸优化方法的算法，首先允许一个领导者进行选择，然后与其余节点共享少量关于他的选择的信息。我们将证明，这两种算法明显优于朴素的分散选择，并实现了接近集中选择的性能。
2012-08-06 cs.IT math.IT
Distributed Source Localization in Wireless Underground Sensor Networks
节点定位在无线地下传感器网络（WUSNs）的许多实际应用中起着重要作用，例如确定地震震中、地下爆炸和矿井中的微震事件的位置。由于地下环境中不利的信道特性，在无线传感器网络中获取到达时间差（TDOA）测量比地面无线传感器网络更困难。鲁棒中国剩余定理（RCRT）已被证明是解决无线传感器网络中相位模糊问题和频率估计问题的有效工具。本文利用RCRT对WUSS网络中的TDOA或距离差进行鲁棒估计，从而提高了WUSS网络的测距精度。在获得距离差后，提出了一种基于扩散策略的分布式源定位算法，在满足定位精度要求的同时降低了通信开销。仿真结果验证了所提方法的有效性。
2011-12-17 cs.IT math.IT
On M-ary Distributed Detection for Power Constraint Wireless Sensor Networks
我们考虑一个无线传感器网络（WSN），由多个传感器和一个融合中心（FC），这是解决一个M元假设检验问题的任务。传感器作出M元决策，并通过正交信道将其数字调制决策发送到FC，正交信道受到瑞利衰落和噪声的影响。采用贝叶斯最优性准则，研究了训练和非训练分布式检测系统中，当训练和数据符号发送功率之和固定时，信道状态信息（CSI）不完善对最优最大后验概率（MAP）融合规则和传感器间最优功率分配的影响.我们考虑J-发散准则来做传感器之间的功率分配。理论结果表明，对于相干接收，当总训练功率为总功率的一半时，J-发散度最大，而对于非相干接收，使J-发散度最大的最佳训练功率为零。仿真结果还表明，对于相干接收，训练功率取总功率的一半，对于非相干接收，训练功率取零，则误码率最小。
2017-08-21 cs.IT math.IT
Distributed Data Compression in Sensor Clusters: A Maximum Independent Flow Approach
让一个传感器集群（网络）通过通信链路连接，每个链路都有一个容量上限。每个传感器观察一个离散的随机变量在私人和一个传感器作为簇头或汇。在这里，我们制定的问题，如何让传感器编码他们的意见，使压缩数据的方向是一个可行的流向汇。我们证明了这个问题可以解决现有的最大独立流（MIF）算法在多项式时间。此外，我们发现，该算法实际上确定了一个最佳的解决方案，通过递归地推动剩余的随机性的来源，通过不饱和的通信链路对汇。然后，我们表明，MIF算法可以以分布式方式实现。对于具有整数通信容量的网络，我们提出了一个整数MIF算法，它的完成速度比MIF快得多。最后，指出传感器集群中数据压缩问题的本质是在两个子模多面体的交集中寻求最大独立信息流，这一点可以进一步用于改进MIF算法。
2018-04-05 cs.IT math.IT
High-resolution distributed sampling of bandlimited fields with low-precision sensors
在分布式的，通信受限的，处理环境中，采样的问题的离散时间序列的空间带宽有限的字段与有界的动态范围。需要一个中央单元，可以访问由固定精度传感器组成的密集网络收集的数据，在严格的节点间通信约束下运行，以最大的精度重建现场快照。确定性和随机场模型被认为是。对于随机场，结果是在几乎肯定意义下成立的。过采样率（传感器密度）和模数转换器（ADC）的精度之间有一个灵活的权衡，同时实现每奈奎斯特间隔每快照的位数的指数精度的可行性被证明。这揭示了一个潜在的“比特守恒”原理：每个快照的每个奈奎斯特间隔的比特预算（速率）可以以几乎任意的离散值方式沿着幅度轴（传感器精度）和空间（传感器密度）分布，同时保持相同的（指数）失真率特性。在有界区域上的场重构的可量化信息缩放定律也被导出：对于每个奈奎斯特间隔、$Θ(\log N)$奈奎斯特间隔和总网络比特率$R_{net} = Θ((\log N)^2)$（每个传感器比特率$Θ((\log N)/N)$）的N个一比特传感器，最大逐点失真变为零，如$D = O((\log N)^2/N)$或$D = O(R_{net} 2^{-β\sqrt{R_{net}}})$。这被证明是可能的，只有最近的邻居通信，分布式编码，和适当的插值算法。对于一个固定的，非零的目标失真，固定精度的传感器的数量和所需的网络速率总是有限的。
2008-12-11 cs.IT math.IT
Energy-efficient Decision Fusion for Distributed Detection in Wireless Sensor Networks
本文提出了一种能量有效的计数规则，通过排序传感器网络中的传感器传输的分布式检测。在$N-$传感器网络中的基于计数规则的检测中，本地传感器向融合中心发送二进制判决，其中对所有$N$本地传感器检测的数量进行计数并与阈值进行比较。在排序方案中，传感器以顺序的方式将其未量化的统计数据传输到融合中心;信息量大的传感器享有更高的传输优先级。当在融合中心收集到足够的证据用于决策时，停止来自传感器的传输。排序方案实现了相同的错误概率的最佳无约束能量的方法（这需要从所有的$N$传感器的观测）与少得多的传感器传输。本文提出的方案通过对传感器传输进行排序来提高计数规则检测器的能量效率：每个传感器的传输时间与其观测值的函数成反比。所得到的方案结合了由计数规则（有效利用网络的通信带宽，因为本地决策以二进制形式发送到融合中心）和排序传感器传输（带宽效率，因为融合中心不需要等待所有的$N$传感器发送它们的本地决策）提供的优点，从而导致显著的能量节省。作为一个具体的例子，在大规模的无线传感器网络中的目标检测问题进行了考虑。在某些条件下，基于排序的计数规则方案实现了与原始计数规则检测器相同的检测性能，其具有比$N/2$传感器更少的传输;在某些情况下，传输的节省接近$(N-1)$。
2018-09-11 cs.IT math.IT
One-bit Distributed Sensing and Coding for Field Estimation in Sensor Networks
本文阐述和研究了一个一般的分布式场重建问题，使用一个密集的网络的噪声一位随机标量量化器在存在的未知分布的加性观测噪声。一个建设性的量化，编码，和字段重建计划的开发和上限的相关均方误差（MSE）在任何点和任何快照的基础字段的局部时空平滑特性的条款。它示出，当噪声，传感器的放置模式，和传感器的时间表满足一定的弱的技术要求，它是可能的驱动器的MSE为零，增加传感器密度在点的字段连续性，同时确保每个传感器的比特率和感测相关的网络开销率同时去零。该方案实现了空间恒定的时空场的类的顺序最优的MSE与传感器密度缩放行为。
2007-07-26 cs.IT math.IT
On Distributed Vector Estimation for Power and Bandwidth Constrained Wireless Sensor Networks
我们考虑分布式估计的高斯向量的线性观测模型在非均匀无线传感器网络中，融合中心（FC）重建的未知向量，使用线性估计。传感器采用统一的多位量化器和二进制PSK调制，并通过正交功率和带宽受限的无线信道与FC进行通信。我们研究发射功率和量化率（每传感器的位测量）分配方案，最大限度地减少均方误差（MSE）。特别是，我们推导出两个封闭形式的上界的MSE，在优化参数方面，并提出耦合和解耦的资源分配计划，最大限度地减少这些界限。我们表明，该界是很好的近似的模拟MSE和所提出的方案的性能接近千里眼集中估计时，总发射功率或带宽是非常大的。我们研究了功率和速率分配如何依赖于传感器的观测质量和信道增益，以及总的发射功率和带宽约束。我们的模拟证实了我们的分析结果，并说明了所提出的算法的优越性能。
2015-10-09 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 Source Coding in the Presence of Byzantine Sensors
分布式信源编码问题被认为是当传感器，或编码器，是拜占庭攻击下，也就是说，一组未知的传感器已被重新编程的恶意入侵者破坏的融合中心的重建。三种不同形式的问题被认为是。第一种是可变速率设置，其中解码器自适应地选择传感器传输的速率。一个明确的表征的可变速率可实现的和速率给出了任何数量的传感器和任何组的叛徒。通过让叛徒模拟一个假分布并将生成的值报告为真实值，可以建设性地证明相反的情况。选择这种假分布，使得解码器无法确定哪些传感器是叛徒，同时最大化解码每个值所需的速率。使用一种方案证明了可并行性，在该方案中，解码器从传感器接收小的信息包，直到其消息可以被解码，然后移动到下一个传感器。传感器使用随机化从一组编码函数中进行选择，这使得叛徒不可能导致解码器出错。两种形式的固定速率的问题被认为是，一个确定性编码和一个随机编码。这两个问题的可实现的速率区域，它示出，可以实现较低的速率与随机编码。
2007-10-25 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
Exploiting Interference for Efficient Distributed Computation in Cluster-based Wireless Sensor Networks
本文提出了一些新的想法，如何提高共识算法在分布式无线传感器网络的性能，当考虑通信成本。特别感兴趣的是共识算法，利用无线信道的广播属性，以提高收敛速度方面的性能。为此，我们提出了一种新的基于聚类的共识算法，利用干扰计算，同时减少网络中的能量消耗。由此产生的优化问题是一个半定的程序，它可以离线解决系统启动之前。
2014-09-03 cs.DC cs.IT math.IT
Distributed on-line multidimensional scaling for self-localization in wireless sensor networks
研究了由固定节点组成的无线传感器网络的定位问题。每个节点都试图根据与其他节点的相对距离的噪声测量来估计自己的位置。在集中式批处理模式中，可以通过对从相对距离构建的所谓相似性矩阵应用主成分分析（PCA）来检索位置（直到刚性变换）。在本文中，我们提出了一个分布式的在线算法，允许每个节点估计自己的位置的基础上有限的交换信息的网络。我们的框架包括零星的测量和随机链路故障的情况下。我们证明了我们的算法在固定传感器的情况下的一致性。最后，我们提供了模拟和真实数据的数值和实验结果。在无线传感器网络实验平台上对实际数据进行了仿真。
2015-03-18 cs.DC cs.IT math.IT
A Low-Cost Robust Distributed Linearly Constrained Beamformer for Wireless Acoustic Sensor Networks with Arbitrary Topology
我们提出了一种新的鲁棒分布式线性约束波束形成器，它利用一组线性等式约束，以减少交叉功率谱密度矩阵的块对角形式。所提出的波束形成器具有方便的目标函数，可用于任意分布式网络拓扑，同时具有与集中式实现相同的性能。此外，新的优化问题是强大的相对声学传递函数（RATF）估计误差和目标活动检测（SAR）的错误。两种变体的建议波束形成器的多麦克风语音增强的无线声传感器网络的背景下，并进行评估，并与其他国家的最先进的分布式波束形成器的通信成本和鲁棒性的RATF估计误差和干扰误差。
2018-05-04 cs.IT eess.SP math.IT
A Coalitional Game for Distributed Inference in Sensor Networks with Dependent Observations
我们考虑在传感器网络与异构和统计相关的传感器观测的协同推理问题。每个传感器的目标是通过与其他传感器形成联盟并在联盟内共享信息来最大限度地提高其推理性能。证明了推理性能是联盟规模的非减函数。然而，在能量受限的网络中，传感器间通信的能量消耗也随着联盟大小的增加而增加，这阻碍了大联盟（所有传感器的集合）的形成。在本文中，非重叠联盟的形成与统计相关的传感器的研究下，一个特定的通信约束。我们应用博弈论的方法，充分探索和利用传感器之间的空间依赖性，以最大限度地提高单个传感器的性能所包含的信息。在制定分布式推理问题作为一个联盟形成游戏之前，我们首先通过引入估计和检测问题的多样性增益和冗余损失的概念来量化形成联盟的收益和损失。这些定义，启用Copula的统计理论，使我们能够表征传感器观测之间的统计相关性对推理性能的影响。提出了一种基于合并分裂操作的迭代算法，并分析了算法的稳定性。数值结果证明了我们提出的博弈论方法的优越性。
2015-04-14 cs.IT math.IT stat.AP
Collaborative Beamforming for Distributed Wireless Ad Hoc Sensor Networks
利用随机阵列理论分析了协同波束形成的性能。在无线自组织传感器网络的框架下，推导了随机相控阵波束图的统计平均值和分布。假设每个传感器节点具有单个各向同性天线，并且集群中的节点协作地发送信号，使得目标方向上的信号在远场区域中相干地相加。结果表明，与N个传感器节点均匀分布在一个磁盘上，方向性可以接近N，只要节点是位于足够稀疏。研究了最大旁瓣峰值的分布。考虑到应用到ad hoc网络，两种情况下，闭环和开环，被认为是。结合这些场景，分析了相位抖动和位置估计误差对平均波束图的影响。
2005-05-10 cs.IT cs.NI math.IT
On Quantizer Design for Distributed Bayesian Estimation in Sensor Networks
我们考虑了贝叶斯准则下的分布估计问题，并探索了这样的系统中最佳量化器的设计。我们表明，对于一个有条件的无偏和有效的估计在融合中心，当本地观测具有相同的分布，这是最佳的本地传感器划分成组，与一组内的所有传感器使用相同的量化规则。当所有传感器使用相同数量的决策区域时，在传感器处使用相同的量化器是最佳的。当网络的无线多址接入信道的传感器传输其量化的意见的能力受到限制，我们表明，在本地传感器的二进制量化器在一定条件下是最佳的。基于这些观察，我们解决的位置参数估计问题，并提出了我们的最佳量化器设计方法。我们还推导了贝叶斯准则下分布式位置参数估计的性能极限，并找到了广泛使用的阈值量化器达到此极限的条件。我们证实了这一结果，使用模拟。然后，我们放松条件独立的观测值的假设，并推导出条件相关的观测值的量化器的最优性条件。使用反例，我们还表明，以前的结果并不成立，在这种设置的相关意见，因此，相同的量化器是不是最佳的。
2014-07-26 cs.IT math.IT stat.ME
Distributed Inference for Relay-Assisted Sensor Networks With Intermittent Measurements Over Fading Channels
在本文中，我们考虑一个一般的分布式估计问题，在中继辅助传感器网络考虑到时变的非对称通信，衰落信道和间歇性测量。受集中式滤波算法的启发，本文提出了一种基于新息的分布式估计算法，该算法结合了测量新息（同化新测量）和局部数据新息（合并邻近数据）。我们的算法是完全分布式的，不需要一个融合中心。我们建立的理论结果，所提出的算法的渐近无偏性和一致性。具体而言，为了应对时变的非对称通信，我们利用排序技术和广义Perron补操纵一阶矩和二阶矩分析在一个易于处理的框架。此外，我们提出了一个面向性能的设计，所提出的算法的能量受限网络的理论结果的基础上。仿真结果证实了理论研究结果，从而证明了所提出的算法的有效性。
2015-09-30 cs.DC cs.IT math.IT
Distributed Spectrum-Aware Clustering in Cognitive Radio Sensor Networks
针对认知无线电传感器网络提出了一种新的分布式频谱感知分簇算法。DSAC旨在以自组织的方式形成能量高效的集群，同时限制对主用户（PU）系统的干扰。提出了频谱感知的簇结构，其中通信由簇内聚合和簇间中继组成。为了节省通信功率，推导了最优簇数，并引入了分组约束分簇的思想，以最小化频谱感知约束下的簇内距离。在实际实现中，DSAC表现出较好的可扩展性和稳定性，因为它的低复杂度和快速收敛下的动态PU活动。最后给出了仿真结果，验证了该方案的有效性.
2014-02-22 cs.IT cs.NI math.IT
Contact-less Material Probing with Distributed Sensors: Joint Sensing and Communication Optimization
利用RF信号探测物体的材料特性在学术界和工业界都引起了极大的兴趣。为此，研究了一种设置，其中配备有二维多天线阵列的发射机发送信号，该信号击中环境中的对象，并且由分布式传感器捕获来自对象的反射。然后，在这些传感器处接收到的信号被放大并转发到多天线融合中心，该多天线融合中心执行空时后处理以优化信息抽取。在这个过程中，每个目标的功率分配以及传感器放大的优化设计至关重要。在这里，功率分配和传感器放大联合优化，给定最大比合并（MRC）在融合中心。我们制定了这个挑战作为一个总和功率最小化下的每对象的SINR约束，在发射机和传感器的个人功率约束的总和功率约束。此外，在融合中心部署迫零（ZF）和最小均方误差（MMSE）的优势进行了讨论。对于传感环境中部署大量传感器的情况，也提供了渐近分析。
2022-05-17 cs.IT eess.SP math.IT
Distributed Flooding-based Storage Algorithms for Large-scale Sensor Networks
在本文中，我们提出了分布式的存储算法为基础的大规模无线传感器网络。假设无线传感器网络具有功率、存储器和带宽有限的$n$节点。每个节点都能够感测和存储数据。这样的传感器节点可能由于故障或电池耗尽而从网络中消失。因此，期望设计有效的方案来从这些$n$节点收集数据。我们提出了两个分布式存储算法（DSA的），利用网络洪水来解决这个问题。在第一个算法中，DSA-I，我们假设每个节点利用网络洪泛传播其数据在整个网络中使用混合时间约为O（n）。我们表明，该算法是有效的编码和解码操作。在第二个算法，DSA-II，我们假设节点的总数是不知道每个传感器，因此传播的数据不依赖于$n$。在这种情况下，编码操作采用$O(Cμ^2)$，其中$μ$是网络图的平均度，而$C$是系统参数。我们评估所提出的算法的性能，通过分析和仿真，并表明其性能相匹配的理论结果。
2009-08-30 cs.IT cs.NI math.IT
Towards Energy Neutrality in Energy Harvesting Wireless Sensor Networks: A Case for Distributed Compressive Sensing?
本文主张使用新兴的分布式压缩感知（DCS）范例，以部署能量收集（EH）无线传感器网络（WSN），其实际网络寿命和数据收集速率远远高于最先进的水平。特别是，我们认为EH WSN中有两个基本机制：i）与EH过程相关联的能量多样性，其使得所收集的能量可以在传感器节点之间变化，和ii）与DCS过程相关联的感测多样性使得能量消耗也可以在传感器节点之间变化，危及数据恢复。我们还认为，这样的机制提供了一种手段，以密切匹配的能源需求的能源供应，以解锁能量中立的无线传感器网络，利用EH能力的可能性。一些分析和仿真结果，以说明该方法的潜力。
2013-10-17 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
Distributed Cooperative Localization in Wireless Sensor Networks without NLOS Identification
提出了一种基于到达时间（TOA）数据的两阶段分布式协同定位算法，该算法无需识别非视距（NLOS）链路。在第一阶段中，为了克服离群值的影响，应用Huber损失函数的凸松弛，使得通过使用迭代优化技术，可以获得对真实传感器位置的良好估计。在第二阶段中，原始的（非松弛的）Huber成本函数被进一步优化，以基于在第一阶段中获得的那些来获得精细的位置估计。在这两个阶段中，使用简单的梯度下降技术来执行优化。通过仿真和实际数据分析，它表明，建议的凸松弛一般实现了较低的均方根误差（RMSE）相比，其他凸松弛技术在文献中。此外，通过进行第二阶段，位置估计得到改善，并且我们可以实现接近于其他分布式算法的RMSE，这些算法知道\textit{a priori}哪些链路处于NLOS中。
2014-03-03 cs.IT cs.NI math.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
Distributed Event Localization via Alternating Direction Method of Multipliers
本文讨论了分布式事件定位的问题，使用噪声距离测量与已知位置的传感器。事件定位是许多无线传感器网络应用的基础，如国土安全，执法和环境研究。然而，大多数现有的分布式算法要求目标事件在部署的传感器的凸包内。基于交替方向乘子法（ADMM），提出了两种不要求目标事件在传感器部署的凸包内的可扩展分布式算法GS-ADMM和J-ADMM。更具体地说，这两种算法可以在整个传感器网络被划分为几个簇的场景中实现，簇头收集每个簇内的测量值并交换中间计算信息以实现所有簇之间的定位一致性（共识）。这种情况在许多应用中非常重要，例如国土安全和执法。仿真结果验证了所提算法的有效性。
2018-07-01 cs.DC cs.IT math.IT
Distributed Clock Skew and Offset Estimation in Wireless Sensor Networks: Asynchronous Algorithm and Convergence Analysis
本文提出了一种基于置信传播的无线传感器网络时钟偏差和偏移联合估计的全分布式算法。在所提出的算法中，每个节点可以估计其时钟偏差和偏移在一个完全分布式和异步的方式：一些节点可能会更新他们的估计比其他人更频繁地使用过时的消息从相邻节点。此外，该算法对随机丢包具有鲁棒性。这种算法不需要任何集中的信息处理或协调，并且可以随网络规模而扩展。所提出的算法代表了一个统一的框架，包括两个类的同步和异步算法的网络范围内的时钟同步。分析表明，所提出的异步算法收敛到最优估计，估计均方误差在每个节点接近集中式的Cramér-Rao界下的任何网络拓扑结构。仿真结果进一步表明{收敛速度比同步算法快}。
2016-07-10 cs.DC cs.IT math.IT
2D-AoI: Age-of-Information of Distributed Sensors for Spatio-Temporal Processes
针对多传感器系统中陈旧数据问题，提出二维信息年龄（2D-AoI）模型，量化空间距离对信息新鲜度的影响，并推导不同高斯核下的2D-AoI，评估拓扑与密度的影响。
2024-12-17 cs.IT cs.NI cs.PF
Distributed Regression in Sensor Networks: Training Distributively with Alternating Projections
近年来，无线传感器网络（WSNs）引起了广泛的关注，并激发了分布式信号处理的新挑战。分布或分散估计的问题经常被认为是在参数模型的背景下。然而，参数方法的成功受到模型所作强统计假设的适当性的限制。在本文中，一个更灵活的非参数模型分布回归被认为是适用于各种无线传感器网络的应用，包括现场估计。在这里，从标准的正则化核最小二乘估计，消息传递算法的分布式估计在无线传感器网络的推导。该算法可以看作是连续正交投影（SOP）算法的一个实例。该算法的各个实际方面进行了讨论，并通过数值模拟验证了该方法的潜力。
2005-07-18 cs.AI cs.CV cs.DC
