基于熵的高效传感器选择策略
文章提出了一种用于目标定位的基于熵的传感器选择启发式方法。该方法在不实际获取传感器数据的情况下，通过最大化预期的目标位置熵减少来选择信息丰富的传感器。实验表明，当最佳传感器提供更多信息时，该启发式方法效果更优，且在计算复杂度上低于基于互信息的方法。
Title
Entropy-based Sensor Selection Heuristic for Target Localization.
用于目标定位的基于熵的传感器选择启发式
Autor information
引用格式：Wang, Hanbiao, et al. “Entropy-based sensor selection heuristic for target localization.” Proceedings of the 3rd international symposium on Information processing in sensor networks. 2004.pdf链接
Full text
Abtract
提出了一种基于熵的传感器选择启发式定位方法。 给定 1) 目标位置的先验概率分布，以及 2) 一组可供选择的候选传感器的位置和传感模型，启发式选择一个信息丰富的传感器，使得所选传感器观测值与先验目标位置分布的融合平均上将产生最大或接近最大的目标位置分布熵减少。 启发式在每个步骤中贪婪地选择一个传感器，而不检索任何实际的传感器观察结果。
启发式在计算上也比基于互信息的方法简单得多。 使用定位模拟评估启发式的有效性，其中为简单起见假设高斯传感模型。
当最佳候选传感器提供更多信息时，启发式方法更有效。
Introduction
从信息论的角度来看，传感器的任务是观察目标，以增加有关目标状态的信息（或减少不确定性）。 当传感器具有不同的观察视角和感知不确定性时，归因于一个传感器的信息增益可能与归因于另一个传感器的信息增益非常不同。 有选择地使用信息丰富的传感器可以减少获取目标状态信息所需的传感器数量，从而延长系统寿命。 在使用无线传感器网络进行定位或跟踪的场景中，可以通过反复选择信息量最大的未使用传感器来逐步提高目标位置的置信状态，直到达到目标状态所需的精度（或不确定性）水平。
已经对传感器融合和管理的信息理论方法进行了多项研究。 在[8]中首次提出了在传感器管理中使用信息论的想法。 在 [12] 中，为分散式传感系统引入了基于预期信息增益的传感器选择。 在 [11, 6] 中，提出了预测传感器观测值与当前目标位置分布之间的互信息，以评估传感器对目标位置的预期信息增益。
另一方面，在不使用信息论的情况下，Yao 等人。 阿尔。 [16] 发现整体定位精度不仅取决于单个传感器的精度，还取决于在定位算法开发过程中传感器相对于目标位置的位置。 我们根据我们在目标定位方面的经验，提出了一种新的基于熵的启发式传感器选择方法。 它在计算上比 [11、6] 中提出的基于互信息的方法更有效。
Experienment
阐述了定位中的传感器选择问题，详细介绍了基于熵的传感器选择启发式算法，并讨论了本文提出的熵差与前人在传感器选择中使用的互信息之间的关系。
在本文中使用香农熵[14]来量化传感器观测到的关于目标位置的信息增益(或不确定性减少)。我们采用了基于互信息方法中的贪婪传感器选择策略[11,6]。贪心策略通过反复选择当前未使用且期望信息增益最大的传感器，逐步降低目标位置分布的不确定性。所选传感器的观测值通过顺序贝叶斯滤波纳入目标位置分布[3,7]。继续贪婪的传感器选择和序列信息融合，直到目标位置分布的不确定性小于或等于要求的水平。贪婪传感器选择方法的核心问题是如何在不实际检索传感器数据的情况下有效地评估归属于每个候选传感器的期望信息增益。
传感器选择问题表述如下: 给定1、先验目标位置分布:p(x)， 2、候选传感器的选择位置:xi, i∈S, 3。候选传感器的感知模型:p(zi|x)， i∈S，目标是找到其观测值z´i使后验目标位置分布的期望条件熵最小的传感器i;
i
^
=
arg
min
i
∈
S
H
(
X
∣
z
i
)
\hat i=\arg\min_{i\in S}H(X|z_i)
i^=argi∈SminH(X∣zi)
等价地，对传感器 i 的观察最大化了预期的目标位置熵减少，
i
^
=
arg
max
i
∈
S
(
H
(
x
)
−
H
(
X
∣
z
i
)
)
\hat i=\arg\max_{i\in S}{(H(x)-H(X|z_i))}
i^=argi∈Smax(H(x)−H(X∣zi))
H
(
x
)
−
H
(
x
∣
z
i
)
H(x) − H(x|zi)
H(x)−H(x∣zi) 是
I
(
x
;
z
i
)
I(x;zi)
I(x;zi) 的一种表达，目标位置 x 与预测的传感器观测值 zi 之间的互信息，传感器 i 的观察最大化了互信息 I(x;zi)
i
^
=
arg
max
i
∈
S
I
(
x
;
z
i
)
\hat i=\arg\max_{i\in S}I(x;z_i)
i^=argi∈SmaxI(x;zi)
在用于定位的无线传感器网络的开发过程中，我们观察到，归因于传感器的定位不确定性的降低在很大程度上受到两个量的差异的影响，即该传感器关于目标位置的视图的分布熵和该传感器对实际目标位置的感测模型的熵。
Conclusion
提出了一种基于熵的传感器选择启发式定位方法。 启发式的有效性已经使用模拟进行了评估，其中为简单起见假设高斯传感模型。 仿真表明，启发式算法会选择目标位置和传感器观测值之间几乎具有最大互信息的传感器。 给定先验目标位置分布、传感器位置和传感模型，平均而言，启发式选择的传感器将产生几乎最大的后验目标位置分布熵减少。 当最佳候选传感器提供更多信息时，启发式方法更有效。 正如基于互信息的传感器选择方法 [11、6] 所做的那样，启发式贪婪地在每个步骤中选择一个传感器，而不检索任何实际的传感器观测值。 此外，一般来说，我们的启发式在计算上比基于互信息的方法简单得多。
启发
- sensor selection 的不同视角
扫一扫
1815
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
