文献阅读《Compressive Wireless Sensing》

最新推荐文章于 2022-10-31 21:20:54 发布

空城--

最新推荐文章于 2022-10-31 21:20:54 发布

阅读量310

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/qq_41889434/article/details/88844498

本文介绍了一种名为Compressive Wireless Sensing (CWS)的技术，该技术利用压缩感知原理，在无线传感器网络中有效降低了数据传输过程中的能耗、延时，并提高了数据还原精度。尤其在缺乏传感器数据先验知识的情况下，CWS表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

“Compressive Wireless Sensing”笔记：

CWS是压缩感知在无线传感器网络中的应用，本文可以说是CS+wsn的开篇之作，文章首先讲述了通常衡量无线传感器网络在工作时的性能好坏的标准，包括功耗（p），延时（l），数据还原的误差（D）。文章说了你需要在这三者之间做有一个trade-off，以使wsn在观测数据然后在FC（数据融合中心，我觉得可以理解为远程服务器）处还原时达到P、L、D三者之间的最优。

当然你会说那本文提出的CWS方法的优点是什么，难道只有它才能在P-L-D之间做trade-off吗？答案是：不是。若在对传感器所要传输的数据有足够的先验知识的情况下，原有方法（例如MAC）就可以取得不错的效果。但是，本文提出的cws方法在缺少关于传感器传输的信息或者说在FC端需要恢复的信号的先验知识；或者说它的先验知识置信度很低的情况下，本文所提出的的CWS方法会表现出良好的性能。

接下来，讲述一下这篇文章讲述的CWS方法，CWS将信号通过随机投影的方式实现对感兴趣信号的观测，所以在FC端只需要有wsn节点数、随机数种子、信号观测值（维度远小于原始信号）就可以恢复初始信号。

$x^{*}$ 代表没有噪声污染的原始信号， $v=\varphi ^{T}x^{*}$ 表示 $x^{*}$ 信号的稀疏映射， FC端对 $x^{*}$ 的估计为: $\hat{v}=\varphi ^{T}( x^{*}+\omega )+\tilde{z}$ 。 $\tilde{z}\sim\mathbb{N} (0,\sigma _{z}^{2}/\rho )$ 为加性高斯白噪声，Rademacher随机向量为：{ ${ \phi _{i,j} }_{j=1}^{n}$ }，FC端的观测值为： $y_{i}=\phi _{i}^{T}(x^{*}+\omega )+\tilde{z_{i}},i=1,...,k,$