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
Coverage Improvement of Wireless Sensor Networks via Spatial Profile Information
本文考虑了一种无线传感器网络部署感测一个已知的空间统计配置文件的环境变量。我们建议使用的空间分布的附加信息，以提高传感器的传感范围，同时允许在其传感精度的一些公差。我们表明，使用这些信息提高了传感器网络的整体性能。为此，我们首先推导出各种性能指标的解析表达式来衡量传感器网络的传感性能的改善。然后，我们讨论了感测增益定量使用数值结果。
2020-04-27 cs.IT math.IT
An Energy Efficient Spectrum Sensing in Cognitive Radio Wireless Sensor Networks
认知无线电无线传感器网络已经成为协作频谱感知环境中向融合中心传递频谱信息的重要组成部分。一组电池供电的传感器或节点感测关于无线电链路中的频谱可用性的信息，需要能量有效的策略来传递二进制信息。通过智能决策的适当路由方法可以很好地解决这个问题。本文介绍了一种能量有效的路由协议，并与现有的系统在能量消耗方面进行了性能比较。建议的路由技术考虑了均匀和非均匀的聚类策略，并证明是一种节能的通信方法。
2017-11-25 cs.IT math.IT
Distributed Compressed Estimation for Wireless Sensor Networks Based on Compressive Sensing
本文提出了一种基于压缩感知技术的稀疏信号和系统的分布式压缩估计方法。该方案由压缩和解压缩模块的启发压缩感知执行分布式压缩估计。文中还提出了一种测量矩阵优化的设计方法和算法，进一步提高了分布式压缩估计算法的性能。无线传感器网络的仿真结果表明，所提出的方案和算法的收敛速度和均方误差性能方面的优势。
2015-02-03 cs.IT math.IT
Energy Efficient Joint Source and Channel Sensing in Cognitive Radio Sensor Networks
在认知无线电传感器网络（CRSN）的背景下，提出了一种新的概念，联合源和信道感知（JSCS）。每个传感器节点都有两个基本任务：面向应用的源感知和面向环境的信道感知。前者是收集特定于应用的源信息并在一定失真范围内将其传递到接入点，而后者是找到空闲信道并为感知的源信息提供频谱接入机会。随着深入探索，我们发现，这两个任务实际上是相互关联的，当考虑到能源的限制。本文的主要重点是最大限度地减少这两个任务所消耗的总功率，同时限制特定于应用程序的源信息的失真。首先，我们提出了一个特定的时隙感知和传输方案，并建立了多任务功耗模型。其次，我们共同分析这两个传感任务之间的相互作用，然后提出一个适当的传感和功率分配方案，以最大限度地减少总功耗。最后给出了仿真结果，验证了该方案的有效性.
2014-02-22 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
Movement-efficient Sensor Deployment in Wireless Sensor Networks
研究了由多个移动传感器或机器人组成的移动无线传感器网络。MWSNs中的两个关键问题-能量消耗，这是由传感器的运动，和传感覆盖-已经引起了大量的关注，但这些问题的相互作用没有得到很好的研究。为了同时考虑传感器的覆盖和运动能量消耗，我们将传感器部署问题建模为一个约束信源编码问题。%，可应用于不同的覆盖任务，如区域覆盖、目标覆盖和屏障覆盖。我们的目标是找到一个最佳的传感器部署，以最大限度地提高特定的能源约束的传感覆盖率。在总能量约束和网络生存时间约束下，推导出最优传感器部署的必要条件。利用这些必要条件，我们设计了类似于网络的算法，以提供传感覆盖范围和能耗之间的权衡。仿真结果表明，我们的算法优于现有的重定位算法。
2017-10-24 cs.IT math.IT
Improved Active Sensing Performance in Wireless Sensor Networks via Channel State Information - Extended Version
主动传感是指选择或调整一组传感器的过程，以便以有效和准确的方式跟踪底层系统。在无线环境下，传统传感器提取的几种特征中，通信信道所携带的系统状态信息可以进一步提高跟踪性能，节省能量。建立并解决了一个联合跟踪问题，该问题考虑了传感器测量和通信信道的跟踪目的。该系统被建模为一个部分可观测的马尔可夫决策问题，并使用的成本去函数的属性，以减少问题的复杂性。特别是，上界和下界的最佳传感器选择的选择，推导出并用于引入次优的传感策略。数值结果表明，使用信道作为一个额外的方式，提高跟踪精度和降低能量消耗的优势。
2016-05-27 cs.IT math.IT
Semantic-Relevance Based Sensor Selection for Edge-AI Empowered Sensing Systems
针对边缘AI感知系统的通信瓶颈，本文提出语义相关性感知的传感器选择框架，通过联合相关性与信道状态的优先级排序及低复杂度算法最大化端到端精度，并在合成与真实数据集上验证其显著优势。
2025-03-17 cs.IT eess.SP math.IT
Joint Sparsity Pattern Recovery with 1-bit Compressive Sensing in Sensor Networks
我们研究的问题，联合稀疏支持恢复与1位压缩测量传感器网络。传感器被假定为观察具有相同但未知的稀疏支持的稀疏信号。每个传感器将其测量矢量逐元素量化为1位，并将量化的观测值发送到融合中心。我们开发了一个计算上易于处理的支持恢复算法，最大限度地减少了成本函数定义的似然函数和$l_{1,\infty}$规范。我们观察到，即使有噪声的1位测量，联合稀疏支持可以准确地恢复与多个传感器，每个收集只有少量的测量。
2015-06-01 cs.IT math.IT
Data-aided Sensing for Gaussian Process Regression in IoT Systems
Deakin University（迪肯大学）
在本文中，有效的数据汇集与有限的带宽，数据辅助传感应用高斯过程回归，用于学习从物联网系统中的传感器收集的数据集。我们专注于插值的传感器的测量从少量的测量上传的一小部分传感器使用高斯过程回归与数据辅助传感。由于主动传感器的选择，它表明，高斯过程回归与数据辅助传感可以提供一个很好的估计一个完整的数据集相比，随机选择。与多通道ALOHA，数据辅助传感广义分布式选择上传时，传感器可以有反馈的预测，他们的测量，使每个传感器可以决定是否上传比较其测量与预测的。数值结果表明，修改后的多通道ALOHA预测，可以帮助提高性能的高斯过程回归与数据辅助感测相比，传统的多通道ALOHA等上传概率。
2020-11-23 cs.IT cs.LG math.IT
Improved Eigenvalue-based Spectrum Sensing via Sensor Signal Overlapping
基于特征值的检测器由于不需要主用户信号的信息而被认为是一种重要的频谱感知方法。在本文中，我们提出了一种方法来提高性能的特征值为基础的检测器。该方法引入了一种新的基于组合矩阵的检验统计量，其分量是从接收信号阵列中提取的重叠子组。其结果是，它的协方差矩阵有一个更大的最大特征值和迹值比没有重叠。仿真结果表明，我们提出的方法可以进一步提高基于最优特征值检测器的检测性能。本文还说明了不同叠加方法对受试者工作特性曲线的影响。
2015-04-29 cs.IT cs.NI math.IT
On Detection of Critical Events in a Finite Forest using Randomly Deployed Wireless Sensors
森林生态系统遭受许多不利事件，如野火，它可以在森林中的任何地方随机发生，并随着时间的推移而扩大。本文旨在分析随机部署的无线传感器网络的性能，这些时间关键和时间演变的事件在森林中的早期检测。我们认为，森林位于一个有限的空间（例如一个圆形区域）和无线传感器，具有固定的传感范围内，部署在森林本身的边界。网络的感知区域被建模为有限布尔泊松模型。在该模型中，传感器的位置被建模为一个有限的齐次泊松点过程（PPP），每个传感器的传感区域被假定为一个有限的集合。本文的目的是回答一个典型的传感器从一个随机发生的事件和传感器覆盖的总感测区域的接近度的问题。首先推导了有限布尔-泊松模型的接触距离分布和容量泛函的表达式。使用这些，我们然后导出在时间t感测到事件的概率，称为事件感测概率。
2019-04-21 cs.IT math.IT
Energy Harvesting Wireless Sensor Networks: Delay Analysis Considering Energy Costs of Sensing and Transmission
能量收集（EH）提供了一种大大提高无线传感器节点寿命的方法。然而，EH过程中固有的随机性可能导致执行感测操作和将感测到的信息发送到信宿的显著延迟。与大多数现有的EH传感器网络的延迟性能的研究，其中只考虑传输的能量消耗，我们考虑的感知和传输的能量成本。具体来说，我们考虑一个EH传感器，监测一些状态的环境属性，并采用了一个收获，然后使用协议来执行感测和传输。为了全面地研究延迟性能，我们考虑两个互补的度量并解析地导出它们的统计：（i）更新年龄-测量从传感器获得信息到感测到的信息被成功发送到接收器所花费的时间，即，在接收器处更新的信息有多及时，以及（i i）更新周期-测量两个连续成功传输之间的持续时间，即，接收器处的信息更新的频率。我们的研究结果表明，传感能量成本的考虑导致了两个指标之间的一个重要的权衡：更频繁的更新导致在接收端提供的信息不及时。
2016-03-15 cs.IT math.IT
Sparse Diffusion Steepest-Descent for One Bit Compressed Sensing in Wireless Sensor Networks
Qom University of Technology（库姆理工大学）；Swinburne University of Technology（斯威本科技大学）；Sharif University of Technology（谢里夫理工大学）
提出了一种基于稀疏扩散的最速下降算法，用于无线传感器网络中的一比特压缩感知。该方法利用扩散策略从分布式学习的一位压缩感知框架。为了仅从测量的符号协作地估计公共稀疏向量，使用最速下降来最小化合适的全局和局部凸代价函数。提出了稀疏向量的分布式学习扩散策略。仿真结果表明，提出的分布式算法的有效性相比，国家的最先进的非分布式算法在一位压缩感知框架。
2016-01-03 cs.IT cs.LG math.IT
Wireless Compressive Sensing for Energy Harvesting Sensor Nodes
我们考虑多个传感器通过具有加性噪声的独立Rayleigh衰落信道将空间相关数据发送到融合中心（FC）的场景。假设传感器数据是稀疏的，在某些基础上，我们表明，这种稀疏信号的恢复可以制定为一个压缩感知（CS）问题。为了模拟传感器使用从环境中收获的间歇性可用能量进行操作的场景，我们建议每个传感器以一定的概率独立发送，并将发送功率适应其收获的能量。由于概率传输，等效传感矩阵的元素不是高斯的。此外，由于传感器具有不同的能量收集速率和不同的传感器到FC的距离，因此FC对于每个传感器具有不同的接收信噪比（SNR）。这被称为SNR的不均匀性。因此，感测矩阵的元素也不是相同分布的。对于这种非常规的设置，我们提供了可靠的和计算效率的恢复测量的数量上的理论保证，通过显示的传感矩阵满足限制等距属性（RIP），在合理的条件下。然后，我们计算一个可实现的系统延迟下允许的均方误差（MSE）。此外，使用大偏差理论的技术，我们分析了所谓的k-限制的特征值，这决定了RIP举行所需的测量次数的SNR的不均匀性的影响。我们的结论是，RIP所需的测量的数量是不敏感的SNR的不均匀性，当传感器的数量n是大的和稀疏的传感器数据（信号）k的增长速度慢于n的平方根。我们的分析是由大量的数值结果证实。
2012-11-06 cs.IT math.IT
A Greedy Blind Calibration Method for Compressed Sensing with Unknown Sensor Gains
基于压缩感测原理的感测模态的实现通常受到其感测算子的数学模型（这在信号恢复期间是必要的）与其实际物理实现之间的差异的阻碍，实际物理实现可能与假设的模型有很大不同。在本文中，我们解决了双线性逆问题的恢复稀疏的输入信号和一些未知的，非结构化的乘法因素影响的传感器捕获每个压缩测量。我们的方法依赖于收集几个快照下的新绘制的传感算子，并应用一个贪心算法的基础上投影梯度下降和迭代硬阈值的原则。我们探索经验的样本复杂性的要求，该算法通过测试其相变，并显示在一个实际相关的情况下，这个问题的压缩成像，可以得到精确的解决方案，只有几个快照。
2018-02-20 cs.IT math.IT math.OC
Reinforcement Learning to Minimize Age of Information with an Energy Harvesting Sensor with HARQ and Sensing Cost
时间平均预期年龄的信息（AoI）的研究从能量收集发射机发送的状态更新与有限容量的电池。在信道和能量收集统计信息已知的情况下，研究了不同反馈机制下的最优调度策略。对于未知环境的情况，提出了一种平均成本强化学习算法，实时学习系统参数和状态更新策略。数值结果验证了所提方法的有效性。
2019-01-24 cs.IT cs.NI cs.SI
STARS-ISAC: How Many Sensors Do We Need?
提出了一种同时发射和反射表面（STARS）使能的集成传感和通信（ISAC）框架，其中设计了一种新颖的双向传感-STARS结构以促进全空间通信和传感。在此基础上，提出了一个联合优化问题，使传感目标二维波达方向估计的Cramer-Rao界（CRB）最小。两种情况下被认为是感测性能增强。1)对于两用户的情况，提出了一种交替优化算法。特别地，可部署传感器的最大数量在封闭形式的表达式中获得。2)对于多用户情况，提出了一种扩展CRB（ECRB）度量来表征传感器数量对感知性能的影响。基于该度量，提出了一种新的基于惩罚的双环（PDL）算法来解决ECRB最小化问题。为了解决ECRB的耦合，提出了一种通用的解耦方法，将其转换为易于处理的加权线性求和形式。仿真结果表明：（1）在考虑传感器部署的情况下，所提出的PDL算法可以获得接近最优的性能;（2）在不违反服务质量要求的情况下，减少基站的接收天线不会降低感知性能;（3）就获得最优感知性能而言，部署比传感器更多的无源元件是优选的
2023-01-09 cs.IT eess.SP math.IT
Amplitude-Aided 1-Bit Compressive Sensing Over Noisy Wireless Sensor Networks
摘要一位压缩感知（CS）是已知的，特别适合于资源受限的无线传感器网络（WSNs）。本文研究了噪声无线传感器网络中1比特压缩感知信号在信道引起的比特翻转误差下的重构问题，提出了一种幅度辅助的信号重构方案，该方案（i）设计了局部二进制量化器的表示点，以最小化由局部感知噪声、量化和比特符号翻转引起的数据保真度损失，以及（ii）融合中心采用传统的最小化方法，使用解码和解映射的二进制数据来恢复稀疏信号。通过最小化净数据失配的均方误差（MSE），考虑到非零信号项的分布，局部检测噪声，量化误差和位翻转，二进制量化器的代表点的设计，然后获得一个简单的封闭形式的解决方案。数值仿真结果表明，我们的方法提高了估计精度时，信噪比低或传感器的数量是小的，相比，最先进的1位CS算法完全依赖于信号恢复的标志消息。
2015-06-04 cs.IT math.IT
Sensing and Link Model for Wireless Sensor Network: Coverage and Connectivity Analysis
覆盖和连通性是无线传感器网络的两个重要问题。覆盖范围是指部署的网络对感兴趣区域的监控程度。它依赖于用于设计网络模型的传感模型。连接性确保在两个节点之间建立无线链路。链路模型研究两个节点之间的连通性。在两个节点之间建立无线链路的概率是一种概率现象。节点间的连通性在网络连通性的判定中起着重要的作用。本文研究了节点感知模型对网络覆盖的影响。此外，我们调查的阴影衰落参数的连接和覆盖的依赖性。已经观察到，阴影效应在多跳无线网络中降低网络覆盖，同时增强连接性。
2014-06-05 cs.IT math.IT
Sound localization using compressive sensing
Bell Labs, Alcatel-Lucent（阿尔卡特-朗讯贝尔实验室）
在具有远程传感器设备的传感器网络中，重要的是具有能够利用从传感器传输的少量数据来准确地定位声音事件的方法。在本文中，我们提出了一种新的方法定位的声源使用压缩传感。代替在时域中以奈奎斯特采样率对大量数据进行采样，声学传感器进行在时间上积分的压缩测量。压缩测量可以用于精确地计算声源的位置。
2013-02-28 cs.IT cs.SD 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
Inference from Randomized Transmissions by Many Backscatter Sensors
实现智慧城市的愿景需要部署大量的传感器来监测各种环境条件。后向散射传感器由于其不间断的能量供应和相对简单的硬件而成为一种很有前途的解决方案。另一方面，具有有限信号处理能力的后向散射传感器无法支持用于多址接入和信道训练的传统算法。因此，在设计后向散射传感器网络的关键挑战是，使读者能够准确地检测到简单的ALOHA随机访问，原始的传输方案，没有知识的信道状态的传感值。我们解决这个挑战，提出了新的框架，反向散射传感器具有随机编码的传感器和读者的推理。具体地，假设开/关键控用于反向散射传输，实际的随机编码方案使得传感器的开/关传输遵循由感测值参数化的分布。通过该方案，辅助推理算法被设计成使读者能够从多个传感器的随机传输中推断感测值。具体的设计过程涉及贝叶斯网络的构建，即导出用于将未知参数和变量与读者观察到的信号相关联的条件分布。然后基于贝叶斯网络和著名的期望最大化原则，推理算法推导出恢复的感觉值。
2018-01-10 cs.IT 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
Information Density as a Quantitative Measure for AI-enabled Virtual Sensing: Feasibility and Limits
Data Intelligence and Communication Engineering Lab, Telecom SudParis, Institut Polytechnique de Paris, France（数据智能与通信工程实验室，电信南巴黎，巴黎理工学院，法国）
本文提出信息密度作为传感器部署的量化指标，通过空间、时间和跨模态相关性实现虚拟感知，验证了在有限误差条件下用虚拟传感器替代物理传感器的可行性。
2026-05-05 cs.AI cs.IR cs.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
A Low-Overhead Energy Detection Based Cooperative Sensing Protocol for Cognitive Radio Systems
认知无线电和动态频谱接入代表了更有效地使用有限无线电频谱的新范式转变。动态频谱接入背后的一个核心组件是共享频谱中的主用户活动的感测。传统的分布式感知和集中式决策框架，涉及多个传感器节点，以提高感知性能。然而，由于传感测量和传感报告以及传感报告合并的开销限制了可以参与分布式传感的传感器节点的数量，因此难以在现实中应用传统的方案。在本文中，我们将提出一种新的，低开销和低复杂度的能量检测为基础的认知无线电系统的协作感知框架，解决上述两个问题。基于能量检测的协作感知方案极大地减少了静默期开销（用于感知测量）以及次系统的感知报告开销，并且功率调度算法基于到BS的链路的信道统计以及感知测量的质量来动态地分配协作传感器节点的发送功率。为了获得设计的见解，我们还推导出渐近感知性能的移动模型的基础上提出的合作感知框架。我们发现，虚警和误检测性能的建议合作感知框架，提高我们的合作传感器节点的数量。
2009-08-18 cs.IT math.IT
A Compressive Sensing Based Approach to Sparse Wideband Array Design
用于传感器位置优化的稀疏宽带传感器阵列设计是高度非线性的，传统上通过遗传算法、模拟退火或其他类似的优化方法来解决。然而，这是一个非常耗时的过程，需要更有效的解决方案。在这项工作中，这个问题进行了研究，从压缩感知的观点和配方的基础上修改$l_1$规范推导。由于每个传感器都有多个相关系数，因此关键是要确保这些系数同时最小化，以便丢弃相应的传感器位置。设计实例验证了所提方法的有效性。
2014-03-19 cs.IT math.IT math.OC
Energy-efficient Analog Sensing for Large-scale and High-density Persistent Wireless Monitoring
当前无线传感器网络（WSNs）的研究挑战是为环境监测等应用设计节能、低成本、高精度、自我修复和可扩展的系统。传统的无线传感器网络由低密度、高功耗的数字微尘组成，这些微尘价格昂贵，并且不能在单次充电后长时间保持功能。为了应对这些挑战，提出了一种将传感和计算能力分开的哑感测和智能处理架构。传感完全是模拟基板的责任-由低功耗，低成本的全模拟传感器组成-位于由数字节点组成的传统WSN之下，它对从模拟传感器接收的传感器数据进行所有处理。提出了一种利用金属氧化物半导体场效应晶体管（MOSFET）特性实现模拟联合源极通道编码（AJSCC）的低功耗、低成本衬底传感器解决方案。数字节点（接收器）还使用机器学习技术估计模拟传感器（发射器）处的源分布，以便找到AJSCC的最佳参数，这些参数被传送回模拟传感器，以根据应用需求调整其感测分辨率。通过MATLAB和LTSpice的仿真验证了所提出的技术，显示出良好的性能，并确实证明了我们的框架可以支持大规模的高密度和持久的WSN部署。
2020-03-28 cs.IT eess.SP math.IT
Optimal Sparse Recovery for Multi-Sensor Measurements
本文研究多传感器测量下可压缩信号的最优稀疏恢复，针对对角传感器轮廓矩阵提出两项改进：不同采样下更简单的恢复保证，以及相同采样下基于稀疏性水平模型的改进保证，证实了多传感器优于单传感器的优势。
2016-03-22 cs.IT math.FA math.IT
Data-aided Sensing for Distributed Detection
Deakin University（迪肯大学）
在本文中，我们研究了数据辅助传感（DAS）的分布式检测在无线传感器网络（WSNs）传感器的测量是相关的。特别是，我们推导出一个节点选择标准的基础上，在DAS的J-发散可靠的决策受到决策延迟约束。基于所提出的基于J-散度的DAS，可以选择节点以快速增加对数似然比（LLR），这导致了具有较小数量的传感器的可靠决策，所述传感器上传测量以用于较短的决策延迟。从仿真结果中，它被证实，基于J-发散DAS可以提供一个可靠的决策与其他方法相比，较少的传感器数量。
2020-11-17 cs.IT cs.LG math.IT
Sensing-aided Uplink Channel Estimation for Joint Communication and Sensing
联合通信与感知（JCAS）技术由于其使用相同的发送信号进行通信和感知的高频谱效率而引起了人们的极大关注。利用上行信道与感知结果的相关性，提出了一种基于感知辅助卡尔曼滤波器（SAKF）的上行JCAS信道状态信息（CSI）估计方法，利用到达角（AoA）估计提高CSI估计精度。提出了一种基于卡尔曼滤波器（KF）的信道状态信息（CSI）增强方法，该方法利用所估计的AoA作为先验信息来改进最小二乘CSI估计。仿真结果表明，基于SAKF的信道状态信息估计方法的出错率（BER）接近最小均方误差（MMSE）方法，而复杂度显著降低。
2022-11-08 cs.ET cs.IT math.IT
Sampling and Reconstruction of Spatial Fields using Mobile Sensors
Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
空间采样传统上是在静态环境中研究的，其中分散在空间周围的静态传感器在其位置处测量空间场。在本文中，我们研究了新兴的范例，采样和重建空间场使用传感器，通过空间移动。我们表明，移动传感提供了一些独特的优势，静态传感在感测时不变的带限空间领域。由于移动的传感器沿着其路径遇到这样的空间场作为时域信号，因此可以在对传感器处接收的信号进行采样之前采用时域抗混叠滤波器。当由沿着等间距平行线以恒定速度移动的传感器的配置使用时，这样的滤波过程导致在传感器的运动方向上的空间混叠的完全抑制。我们分析量化的优点，使用这样一个采样方案的静态采样方案，通过计算减少采样噪声，由于过滤器。我们还分析了非均匀传感器速度对重建精度的影响。通过仿真实例，我们证明了移动采样在实际问题中相对于静态采样的优势。我们将我们的分析扩展到使用移动传感器监测时变带限场的采样和重建方案。我们证明，在某些情况下，我们需要一个较低的传感器密度时，使用移动传感方案，而不是传统的静态传感方案。对于采样和重建音频场的问题，量化了确切的优点。
2012-11-01 cs.CV cs.IT cs.MM
