Distributed Sparse Signal Recovery For Sensor Networks
提出了一种基于迭代硬采样保持（IHT）的传感器网络稀疏信号恢复分布式算法。每个代理都有一组信号x的测量值，目标是代理以最小的通信成本和低的计算复杂性从它们的集体测量值中恢复x。IHT的简单分布式实现需要在每次迭代中对每个代理的完整状态进行全局通信。我们发现，我们可以大大降低这种通信成本，利用解决方案的分布式top-K问题的数据库文献。评估表明，我们的算法需要高达三个数量级的总带宽比最有名的分布式基追踪方法。
2013-02-21 cs.IT math.IT
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
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
A New Algorithm for Distributed Nonparametric Sequential Detection
本文考虑了非参数序贯假设检验问题，即当原假设下的分布是完全已知的，而备择假设对应的分布是其他一些具有松散约束的未知分布时。我们提出了一个简单的算法来解决这个问题。这些问题主要来自于无线传感器网络和认知无线电中的频谱感知。还提出了利用空间多样性的分散版本。分析了它的性能，证明了它的渐近性质。该算法的模拟和分析的性能进行比较，与以前的算法解决相同的问题，类似的假设。我们还修改了算法，以优化性能时，两个假设发生的先验概率的信息是已知的。
2013-11-14 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
Distributed Nonparametric Sequential Spectrum Sensing under Electromagnetic Interference
提出了一种非参数分布式顺序算法，用于快速检测认知无线电系统中的频谱空洞。两个或多个本地节点做出决定，并通过报告多址信道（MAC）通知融合中心（FC），融合中心然后做出最终决定。在存在衰落、重尾电磁干扰（EMI）和离群值的情况下，本地节点使用能量检测，FC使用均值检测。主信号、通道增益或EMI的统计数据是未知的。不同的非参数顺序算法进行比较，以选择合适的算法在本地节点和FC使用。最近开发的随机游走测试的修改被选择用于能量检测的本地节点以及用于均值检测的融合中心。通过仿真和分析表明，非参数分布式算法的衰落，EMI的存在下，表现良好，是鲁棒的离群值。该算法本质上是迭代的，使得计算和存储需求最小。
2015-04-30 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
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
Distributed Sequential Hypothesis Testing With Zero-Rate Compression
在本文中，我们考虑序贯测试在一个单一的传感器，一个单一的决策中心设置。在每个时刻$t$，传感器获得$k$样本$(k>0)$，并通过零速率无噪声链路向决策中心描述直到时间$t$的观察序列。决策中心向传感器发送一位反馈，请求更多样本进行压缩/测试或停止传输。在第一类错误概率不超过给定阈值$ε\in (0,1)$的约束下，当决策中心请求数的期望值小于$n$且趋于无穷大时，刻画了第二类错误概率的最优指数.有趣的是，最优指数与零速率通信约束下的固定长度假设检验的最优指数一致。
2021-09-17 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
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
Order-2 Asymptotic Optimality of the Fully Distributed Sequential Hypothesis Test
本文分析了在无融合中心的传感器网络中，当I类和第二类错误率趋于零时，全分布式序贯假设检验过程的渐近性能。特别地，传感器网络由无向图定义，其中每个传感器可以随时间观察样本，访问来自相邻传感器的信息，并基于其自己的决策统计执行顺序测试。与大多数文献不同的是，在我们的框架中，采样过程和信息交换过程同时发生（或者至少在可比的时间尺度上），因此不能彼此解耦。考虑了两种消息传递方案，并在此基础上分别进行了分布式序贯概率比测试（DSPRT）。第一个方案的特点是散发原始样本。尽管基于样本传播的DSPRT在每个传感器处产生渐近最优性能，但由于原始样本与索引信息的交换，它会引起过多的传感器间通信开销。第二种方案采用了一致性算法，在传感器之间交换局部决策统计而不是原始样本，从而显着降低了通信要求相比，第一种方案。特别地，在每个传感器处的DSPRT的决策统计通过在每个消息传递步骤处的邻域中的决策统计的加权平均来更新。我们表明，在一定的正则条件下，基于一致性算法的DSPRT也产生了2阶渐近最优性能在所有传感器。
2016-06-14 cs.IT math.IT stat.AP
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
Sequential Channel State Tracking & SpatioTemporal Channel Prediction in Mobile Wireless Sensor Networks
我们提出了一个非线性滤波框架接近的问题，在移动无线传感器网络中的信道状态跟踪和时空信道增益预测，在贝叶斯设置。我们假设无线信道构成一个可观察的（由传感器/网络节点），时空，条件高斯随机过程，这是统计依赖于一组隐藏的信道参数，称为信道状态。信道状态根据已知的、非平稳的、非线性的和/或非高斯马尔可夫随机核随时间演变。该公式导致部分可观测系统，具有随时间变化的全局状态和时空变化的观测。认识到一般的非线性状态估计的棘手性，我们提倡使用基于网格的近似滤波器作为一种有效的和鲁棒的手段递归跟踪的信道状态。我们还提出了一个连续的时空预测跟踪信道增益在时间和空间的任何点，提供实时连续估计各自的信道增益图，为网络中的每个传感器。此外，我们表明，这两个估计收敛到真正的各自的MMSE最优估计，在一个共同的，相对较强的意义。数值仿真验证了该方法的有效性。
2015-02-06 cs.IT math.IT stat.AP
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
Cooperative Distributed Sequential Spectrum Sensing
我们认为合作频谱感知认知无线电。我们开发了一个能量有效的检测器，具有低检测延迟，使用顺序假设检验。在局部节点和融合中心均采用序贯概率比检验（SPRT）。我们还分析了该算法的性能，并与仿真结果进行了比较。模型的分布参数的不确定性被认为是。考虑了认知无线电系统中存在和不存在理想信道状态信息时的慢衰落。
2012-11-23 cs.IT math.IT stat.AP
On the Sequential Test and Distributed Detection
University of Bamenda（巴门达大学）
本文提出停时的简单定义，用于集中式和分布式检测的序贯检验，推导最优停时上界，并扩展到无环有向图网络。
2026-09-10 cs.IT math.IT math.ST
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
Multi-Sensor Sequential Change Detection with Unknown Change Propagation Pattern
用多个传感器检测变化的问题在文献中受到了极大的关注。在许多实际应用中，如关键基础设施监测和疾病传播建模，一个有用的变化传播模型是一个变化最终发生在所有传感器，但不是所有的传感器在同一时刻见证变化。虽然以前的工作考虑的情况下，已知的变化传播动力学，本文研究了一个更一般的设置未知的变化传播模式（轨迹）。贝叶斯制定的问题，在集中和分散的设置进行了研究，目标是检测的第一个时刻，在任何传感器见证了变化。利用动态规划（DP）框架，最优解结构的推导，并在罕见的变化制度，提出了几个更实用的变化检测算法。在一定条件下，当虚警概率为零时，证明了多图检验算法的一阶渐近最优性。为了进一步降低计算复杂性，提出了基于在线估计未知变化传播模式的变化检测算法。数值研究表明，所提出的检测技术提供了接近最佳的性能。此外，在分散的设置，它示出，如果事件触发的采样方案称为电平交叉采样与滞后（LCSH）被用于本地统计的采样和传输，检测性能可以显着提高使用相同数量的通信资源相比，传统的均匀时间采样（US）计划。
2018-09-20 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
A Novel Algorithm for Cooperative Distributed Sequential Spectrum Sensing in Cognitive Radio
本文研究了认知无线电中的协作频谱感知问题。在我们以前的工作中，我们已经开发了DualSPRT，一个分布式算法的合作频谱感知使用顺序概率比测试（SPRT）在认知无线电以及在融合中心。该算法运行良好，但不是最优的。在本文中，我们提出了一种改进的算法- SPRT-CSPRT，这是从累积和程序（CSPUM）的动机。我们从理论上进行了分析。我们也修改这个算法来处理SNR和衰落的不确定性。
2012-11-23 cs.IT math.IT stat.AP
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
Efficient Byzantine Sequential Change Detection
在多传感器顺序变化检测问题中，在由多个传感器监视的环境中发生中断。这种中断会导致未知传感器子集的观测值发生变化。在拜占庭版本的这个问题，这是这项工作的重点，它进一步假设假设的变点模型可能会被误指定为一个未知的传感器子集。然后，问题是快速可靠地检测变化，对于任何可能的受影响传感器子集，即使错误指定的传感器被对手控制。给定一个用户指定的上界妥协的传感器的数量，我们提出并研究了三个家庭的顺序变化检测规则这个问题。这些都是设计和评估下的Lorden的标准，其中有条件的预期检测延迟和预期时间误报计算在最坏的情况下，受损的传感器的推广。这些程序的一阶渐近性能的特点是最坏情况下的虚警率为0。从这些理论结果的见解证实了模拟研究。
2017-08-24 cs.IT math.IT math.ST
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
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
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
Spectrum Sensing using Distributed Sequential Detection via Noisy Reporting MAC
本文研究了认知无线电系统中的协作频谱感知算法，该算法的主要目标是减少检测样本的数量，以实现可靠的检测。我们开发了一个能量有效的检测器与低检测延迟使用分散序贯假设检验。我们的算法在认知无线电采用异步传输方案，考虑到在融合中心的噪声。我们从分布式算法DualSPRT开始，其中认知无线电顺序收集观测，使用SPRT（顺序概率比测试）进行本地决策，并将其发送到融合中心。融合中心顺序地处理这些接收到的本地决策损坏的噪声，使用SPRT的过程，以达到最终的决定。从理论上分析了其误码率和平均检测时延。我们还渐近研究其性能。即使DualSPRT执行渐近好，在融合节点的修改提供了更多的控制算法参数的设计，然后在认知无线电系统中的错误的通常的操作概率更好地执行。并对改进算法进行了理论分析。稍后，我们修改这些算法来处理SNR和衰落的不确定性。
2013-08-28 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
A Sequential Approximation Framework for Coded Distributed Optimization
University of California, Berkeley（加州大学伯克利分校）
在Lee等人和Ferdinand等人先前关于编码计算的工作的基础上，我们提出了一个以分布式方式解决优化问题的顺序近似框架。在分布式计算系统中，由单个处理器（“掉队者”）引起的延迟通常会导致整个过程的显著延迟。所提出的方法是由一个顺序的计算方案，这是专为系统的离散。该方案具有令人满意的性能，保证用户收到有用的（近似）计算结果时，处理器完成其子任务，即使在存在不确定的延迟。本文给出了一个矩阵-向量乘法序贯计算的编码定理，并证明了这种编码方案的最优性。作为应用的结果，我们演示了使用顺序逼近方法，加速算法在分布式系统中的离散求解优化问题。
2017-10-24 cs.DC cs.IT cs.LG
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
Semidefinite Programming Approach to Gaussian Sequential Rate-Distortion Trade-offs
序贯率失真（SRD）理论为研究实时通信系统中数据速率和数据质量之间的基本平衡提供了一个框架。本文考虑多维时变Gauss-Markov过程在均方失真准则下的SRD问题。我们首先重新审视传感器估计器分离原则，它断言认为SRD问题是相当于一个联合传感器和估计器的设计问题，其中传感器输出的数据速率最小化，而估计器的性能满足失真标准。然后，我们表明，最佳的联合设计可以进行半定规划。得到了相应的SRD函数的半定表示。本文还讨论了零延迟信源编码理论及其在网络控制理论中的应用。
2016-08-09 cs.IT math.IT math.OC
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
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
Sequential and Decentralized Estimation of Linear Regression Parameters in Wireless Sensor Networks
讨论了在集中和分散两种情况下线性回归系数向量的序贯估计问题。在序贯估计中，用于估计的观测数由观测样本决定，因此是随机的，而不是固定样本大小的估计。具体来说，在接收到新样本后，如果达到目标精度水平，我们将停止并使用迄今为止收集的样本进行估计;否则，我们将继续接收另一个样本。众所周知，寻找一个最佳的序贯估计，它最大限度地减少平均样本量为一个给定的目标精度水平，是一个棘手的问题，一般停止规则，取决于完整的观察历史。通过适当地限制搜索空间的停止规则，取决于一个特定的子集的完整的观察历史，我们得到的最佳序贯估计集中的情况下，通过最佳停止理论。然而，在这种情况下找到最佳停止规则需要{ \em二次}与待估计的参数的数量成比例的数值计算。对于具有严格的能量约束的分散设置，在另一个问题的制定是有条件的观测回归，我们首先推导出一个简单的最优方案，其计算复杂度是{ \em常数}的参数的数量。然后，根据这个简单的最佳方案，我们提出了一个分散的顺序估计，其计算复杂性和能量消耗的规模{ \em线性}的参数的数量。具体而言，在所提出的分散式方案中，通过不频繁地发送持续时间非常短的单个脉冲来实现接近最佳的平均停止时间性能。
2014-12-17 cs.IT math.IT math.OC
