دوره 18، شماره 3 - ( 10-1400 )                   جلد 18 شماره 3 صفحات 76-65 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Azarnia G, Tinati M A, Yousefi Rezaii T. Distributed and Cooperative Compressive Sensing Recovery Algorithm for Wireless Sensor Networks with Bi-directional Incremental Topology. JSDP. 2021; 18 (3) :65-76
URL: http://jsdp.rcisp.ac.ir/article-1-1027-fa.html
آذرنیا قنبر، طینتی محمدعلی، یوسفی رضایی توحید. الگوریتم توزیع‌شده و مشارکتی به‌منظور بازسازی سیگنال‌های تنک در شبکه‌های حس‌گری بی‌سیم با توپولوژی افزایشی دو‌جهته. پردازش علائم و داده‌ها. 1400; 18 (3) :76-65

URL: http://jsdp.rcisp.ac.ir/article-1-1027-fa.html


دانشگاه ارومیه
چکیده:   (684 مشاهده)
مسأله دریافت فشرده در همین اواخر توجه زیادی در پردازش سیگنال به خود جلب کرده به‌طوری که بخش اعظمی از پژوهش‌ها در این حوزه به این مسأله معطوف شده است. از جمله حوزه کاربردی دریافت فشرده، کاربرد آن در شبکه‌های حس‌گری بی‌سیم است. ساختمان این شبکه‌ها که متشکل از حس‌گرهای بی‌سیم با توان محدود است، ایجاب می‌کند تا الگوریتم‌هایی که برای این کاربرد ارتقا داده می‌شوند، به لحاظ مصرف انرژی بهینه باشند. به عبارتی، الگوریتم‌های طراحی‌شده برای این زمینه می‌بایست پیچیدگی‌های محاسباتی کمتری داشته و نیازمند کمترین تبادلات بین حس‌گرها باشند. بر همین اساس، در این مقاله الگوریتم بازسازی دریافت فشرده توزیع‌شده‌ای برحسب مد مشارکتی افزایشی دوجهته پیشنهاد شده ‌است؛ در حقیقت، نخست یک چهارچوب جامع توزیع‌شده برای بازسازی سیگنال‌های تنک در شبکه‌های حس‌گری ارائه شده و سپس این چهارچوب برای مسائل بهینه‌سازی متفاوتی پیاده شده است. پیچیدگی پایین محاسباتی و عملکرد حالت دائم بهتر مهم‌ترین مشخصه الگوریتم‌های پیشنهادی است.
متن کامل [PDF 803 kb]   (215 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: 1398/3/11 | پذیرش: 1399/5/28 | انتشار: 1400/10/30 | انتشار الکترونیک: 1400/10/30

فهرست منابع
1. [1] E.J. Candès, and M.B. Wakin, "An introduction to compressive sampling", IEEE signal processing magazine, vol. 25(2), pp.21-30, 2008. [DOI:10.1109/MSP.2007.914731]
2. [2] H. Shiri, M. A. Tinati, M. Codreanu, and G. Azarnia, "Distributed sparse diffusion estimation with reduced communication cost", IET Signal Processing, vol. 12(8), pp. 1043-1052, 2018. [DOI:10.1049/iet-spr.2017.0377]
3. [3] G. Azarnia, M.A. Tinati, and T.Y. Rezaii, "Cooperative and distributed algorithm for compressed sensing recovery in WSNs", IET Signal Processing, vol. 12(3), pp.346-357, 2017. [DOI:10.1049/iet-spr.2017.0093]
4. [4] B.K. Natarajan, "Sparse approximate solutions to linear systems", SIAM Journal on Computing, vol. 24(2), pp. 227-234, 1995. [DOI:10.1137/S0097539792240406]
5. [5] S. S. Chen, D. L. Donoho, and M. A. Saunders, "Atomic decomposition by basis pursuit," SIREV, vol. 43(1), pp.129-159, 2001. [DOI:10.1137/S003614450037906X]
6. [6] E. J. Candès and T. Tao, "The Dantzig selector: Statistical estimation when p is much larger than n," The annals of Statistics, vol. 35(6), pp. 2313-2351, 2007. [DOI:10.1214/009053607000000532]
7. [7] R. Tibshirani, "Regression shrinkage and selection via the Lasso," J. Roy. Statist. Soc. Ser. B, vol. 58(1), pp. 267-288, 1996. [DOI:10.1111/j.2517-6161.1996.tb02080.x]
8. [8] D. Estrin, L. Girod, G. Pottie, and M. Srivastava, "Instrumenting the world with wireless sensor networks', In 2001 IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings (Cat. No. 01CH37221), vol. 4, pp. 2033-2036, 2001.
9. [9] G. Azarnia, M. A. Tinati, and T. Y. Rezaii, "Generic cooperative and distributed algorithm for recovery of signals with the same sparsity profile in wireless sensor networks: a non-convex approach," The Journal of Supercomputing, vol. 75(5), pp. 2315-2340, 2019. [DOI:10.1007/s11227-018-2632-y]
10. [10] I. Akyildiz, W. Su, Y. Sankarasubramaniam and E. Cayirci, "A survey on sensor networks", IEEE Communications Magazine, Vol. 40(8), pp.102-114, 2002. [DOI:10.1109/MCOM.2002.1024422]
11. [11] C. Luo, F. Wu, J. Sun, and C. W. Chen, "Compressive data gathering for large-scale wireless sensor networks", In Proceedings of the 15th annual international conference on Mobile computing and networking, 2009, 145-156, [DOI:10.1145/1614320.1614337]
12. [12] C. Luo, F. Wu, J. Sun, and C. Chen, "Efficient measurement generation and pervasive sparsity for compressive data gathering", IEEE Trans Wireless Commun., vol. 9(12), pp. 3728-38, 2010. [DOI:10.1109/TWC.2010.092810.100063]
13. [13] Y. Zhu and X. Wang, "Multi-session data gathering with compressive sensing for large-scale wireless sensor networks," in Proc. Global Telecommunications conf, 2010, pp. 1-5. [DOI:10.1109/GLOCOM.2010.5683396]
14. [14] A. Abrardo, C. M. Carretti, and A. Mecocci, "A compressive sampling data gathering approach for wireless sensor networks using a sparse acquisition matrix with abnormal values", Communications Control and Signal Processing (ISCCSP), 2012 5th International Symposium on, 2012, pp. 1-4. [DOI:10.1109/ISCCSP.2012.6217784]
15. [15] J. Wang, S. Tang, B. Yin, X. and Li, "Data gathering in wireless sensor networks through intelligent compressive sensing", In 2012 Proceedings IEEE INFOCOM, pp. 603-611, 2012. [DOI:10.1109/INFCOM.2012.6195803]
16. [16] R. Xie and X. Jia, "Minimum transmission data gathering trees for compressive sensing in wireless sensor networks," in Proc. IEEE GlobeCom, pp. 1-5, 2011.
17. [17] X. Wu, Y. Xiong, W. Huang, H. Shen, and M. Li, "An efficient compressive data gathering routing scheme for large-scale wireless sensor networks," Comput. Electr, Eng, vol. 39(6), pp. 1935-1946, 2013. [DOI:10.1016/j.compeleceng.2013.04.009]
18. [18] H. Zheng, F. Yang, X. Tian, X. Gan, X. Wang, and S. Xiao, "Data gathering with compressive sensing in wireless sensor networks: A random walk based approach," IEEE Trans. Parallel Distrib. Syst., vol. 26(1), pp. 35-44, 2015. [DOI:10.1109/TPDS.2014.2308212]
19. [19] D. Baron, M. B. Wakin, M. F. Duarte, S. Sarvotham, and R. G. Baraniuk, "Distributed compressed sensing", Dept. Elect. Eng., Rice University, Houston, TX, Tech. Rep. TREE-0612, 2006.
20. [20] J. Park, S. Hwang, J. Yang, and D. Kim, "Generalized distributed compressive sensing" appeared in Rice University Compressive Sensing Resources, http://www.dsp.rice.ed-u/cs.
21. [21] H. Xu, N. Fu, L. Qiao, and X. Peng, "Fast pursuit method for greedy algorithms in distributed compressive sensing," in Conf. Rec., IEEE Instrumentation and Measurement Technology Conf., pp. 1118-1122, 2015. [DOI:10.1109/I2MTC.2015.7151428] [PMCID]
22. [22] W. Chen, I. Wassell, and M. Rodrigues, "Dictionary design for distributed compressive sensing," IEEE Signal Processing Letters, vol. 22(1), pp. 95-99, 2015. [DOI:10.1109/LSP.2014.2350024]
23. [23] M. Rabbat, J. Haupt, A. Singh, and R. Nowak, "Decentralized compression and predistribution via random gossiping", in Proc. of IPSN, pp. 51-59, 2006. [DOI:10.1145/1127777.1127789]
24. [24] W. Wang, M. Garofalakis, and K. Ramchandran, "Distributed sparse random projections for refinable approximation," in Proc. of IPSN, pp. 331-339, 2007. [DOI:10.1145/1236360.1236403]
25. [25] A. Talari and N. Rahnavard, "Cstorage: Distributed data storage in wireless sensor networks employing compressive sensing", in Proc. IEEE Global Telecommunications Conf., 2012, pp. 1-5. [DOI:10.1109/GLOCOM.2011.6134318]
26. [26] M. Lin, C. Luo, F. Liu, and F. Wu. "Compressive data persistence in large-scale wireless sensor networks", In Global Telecommunications Conference, 2010, pp. 1-5. [DOI:10.1109/GLOCOM.2010.5684035]
27. [27] F. Liu, M. Lin, Y. Hu, C. Luo, and F. Wu, "Design and analysis of compressive data persistence in large-scale wireless sensor networks," IEEE Trans. Parallel Distrib. Syst., vol. 26(10), pp. 2685-2698, 2015. [DOI:10.1109/TPDS.2014.2360855]
28. [28] G. Azarnia and M. A. Tinati, "Steady-state analysis of the deficient length incremental LMS adaptive networks," Circuits, Syst. Signal Process., vol. 34(9), pp. 2893-2910, 2015. [DOI:10.1007/s00034-015-9978-7]
29. [29] G. Azarnia and M. A. Tinati, "Steady-state analysis of the deficient length incremental LMS adaptive networks with noisy links," AEU Int. J. Electron. Commun., vol. 69(1), pp. 153-162, 2015. [DOI:10.1016/j.aeue.2014.08.007]
30. [30] Z. Zhao, J. Feng and B. Peng "A green distributed signal reconstruction algorithm in wireless sensor networks", IEEE Access, pp. 5908-5917, 2016. [DOI:10.1109/ACCESS.2016.2572303]
31. [31] D. Sundman , S. Chatterjee , and M. Skoglund, "Design and analysis of a greedy pursuit for distributed compressed sensing", IEEE Trans. Sig. Process. Vol. 64 (11), pp. 2803-2818, 2016. [DOI:10.1109/TSP.2016.2523462]
32. [32] W. Chen , and I.J. Wassell , "A decentralized bayesian algorithm for distributed compressive sensing in networked sensing systems", IEEE Trans. Wireless Commu, Vol. 15 (2), pp. 1282-1292, 2016. [DOI:10.1109/TWC.2015.2487989]
33. [33] G. Mateos, J. A. Bazerque, and G. B. Giannakis, "Distributed sparse linear regression," IEEE Transactions on Signal Processing, vol. 58(10), pp. 5262-5276, 2010. [DOI:10.1109/TSP.2010.2055862]
34. [34] S. Foucart, H. Rauhut, "A Mathematical Introduction to Compressive Sensing", Springer, New York, August 2013. [DOI:10.1007/978-0-8176-4948-7]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.