文摘
接收信号强度(RSS)是物联网的关键(物联网),因为它是关键的基础通信资源分配、定位、干扰管理、传感、等等。除了它的意义,测量过程繁琐,耗费时间,不准确,涉及人类操作。最先进的作品通常应用的时尚“测量几,预测很多”,用测量校准模型生成RSS为整个网络。然而,这种方法仍不能在短时间内提供准确的结果,测量成本低。此外,他们还需要仔细安排的测量容易测量的冲突。在本文中,我们提出一种基于压缩传感- (CS) RSS测量解决方案,这是conflict-tolerant,省时,accuracy-guaranteed没有任何model-calibrate操作。基于cs的解决方案利用压缩传感理论,使同步测量在同一信道,降低了时间成本的水平(网络的大小),适用于稀疏的网络。广泛的实验基于真实数据进行跟踪显示建议的解决方案的效率。
1。介绍
无处不在的无线网络设备,我们设想实现物联网,这就需要无线网络发展和更高的频谱利用率,减少传输延迟,降低能源消耗。这一趋势生下许多新兴技术(例如,OFDMA,网络编码和认知无线电(1- - - - - -3])。实现物联网,一个关键的工作是如何优化现有无线通信资源的分配(如链路调度、信道分配和功率分配(4,5]),改善通信带宽,降低通信能耗。除了传统的数据传输,使用最近的研究努力甚至扩展使用物联网的无线信号进行定位(6)和活动识别(7]。他们所有人,虽然使用不同,依赖于接收信号强度(RSS)和它的变体。专门为通信资源分配,它需要RSS构建干扰模型。然而,在无线网络定位,它需要RSS来计算特定位置的距离或生成指纹。因此,测量的准确性RSS最终将影响优化结果以及定位精度。测量过程的效率也将影响这些无线应用程序的适用性和有效性。
向高效、准确的RSS测量及其应用在资源分配和本地化,大多数现有的作品(8- - - - - -10]主要关注如何获得度量(如SINR和RSS指纹),一些信号传播模型(例如,路径损耗模型(10])与固定经验参数。然而,这样的传播模型和相应的经验参数不能描述复杂、时变信道条件准确,进而优化和定位结果妥协。
获得准确的RSS的价值观,耗尽测量在所有无线连接将导致不可接受的时间成本。首先,RSS收集过程,例如,SINR-optimization过程,需要RSS值每一对节点之间的网络,那么RSS的数量值平方增长来衡量网络的大小。见图1的左行和行节点相同的一组节点在网络中,当节点之间的链接代表了测量不同节点之间进行的。RSS测量应在每一对节点进行的,从而导致测量的成本水平。同时,准确的测量RSS,它通常需要接收信号可解码,这样传输节点可以与数据包的源信息记录。见图2应该执行,没有测量同时RSS测量过程中,由于冲突将导致两个主要缺点。首先,两个信号冲突可能导致数据包解码的失败,所以不能确定信号的来源。其次,即使包捕获效应存在时可以解码;测量的RSS将重叠的信号;因此,测量RSS将远离预期的影响。由于上述原因,传统的RSS测量,如图2网格,灰色代表槽用于测量,进行不冲突。这种测量方法使整个测量过程的时间消耗的水平。
测量成本和时间消耗是不可接受的,大尺寸的网络节点。解决这个问题,我们提出一个压缩sensing-based解决方案,其基本思想可以概括为两个方面:部分测量和同时测量。
部分测量如图的想法3。在图中,只有一个子集的选择节点对测量RSS。衡量链接的数量可能只有甚至减少的水平,通过本文提出的方法。基于测量的RSS,其他未知的RSS值可以估计有一定的准确性。总之,部分测量方法是基于概念的“测量几,预测许多。”
同时测量如图的想法4,在那里使用的总时间,而网格颜色与灰色暗示槽用于测量。清楚了总测量时间的优势可以扣除。然而,正如上面提到的,同时测量是被禁止的,因为我们无法分辨两个重叠的信号。反过来,我们也不能得到的值RSS和不知道信号来自哪里。然而,利用RSS的线性可加性的本质,我们展示了如何区分RSS的来源没有假设信号可以解码,告诉RSS的值。
与部分测量和同步量测相关的问题可以在我们提出共同解决压缩sensing-based解决方案,主要介绍了压缩传感的想法,导致测量成本和时间成本的水平。基于cs的解决方案允许同时在单通道测量。这主要是由压缩传感理论的发展(授权11- - - - - -13]。效率是通过CS理论的结果,并不是足够的重叠的测量(尺寸要求组数据)可以恢复原始矩阵(在我们的例子中它指的是RSS矩阵)。这进一步降低了时间成本的水平高度,优于传统的解决方案。然而,它只在稀疏网络达到可接受的精度。精度保证了控制测量的数量和RSS的稀疏矩阵。许多理论建立了研究精度和测量的数量之间的关系(13]。测量矩阵的生成方法和稀疏的控制方法提出了基于cs测量问题的解决具体问题。
本文的贡献总结如下:(我)我们揭示了重要的问题准确、高效的通信和传感物联网RSS测量。(2)我们RSS测量过程建模作为一个线性系统,提出一个基本框架进行同时测量RSS而不是传统的nonconflict测量。(3)我们进一步提出压缩感知(CS)的基础解决方案来实现部分测量。它可以实现的时间效率精度控制。提出了集中式和分布式的解决方案。(iv)我们引入LDPC-based测量矩阵,它只产生少量的测量。这对物联网大大降低了能源消耗。(v)我们进行广泛的实验使用真正的沟通跟踪收集从一个无线网状网络的实验,展示的效率提出了解决方案。
本文的其余部分组织如下。部分5介绍了相关工作。并给出了系统模型和定义问题的部分2.1。基于cs的解决方案提出了部分3。数值结果说明部分4。最后,本文的结论部分6。
2。预赛
在本节中,我们探索的第一步实现部分测量和同步测量,测量模型有效RSS问题看成是一个线性系统。提出建模之前,我们首先提出了网络模型和一些重要的指标来评估我们的解决方案。
2.1。网络模型
我们考虑一个同步,time-slotted无线网络组成的节点用。一组通道,用,可以在每个节点。我们表示每个节点的发送功率操作在任何通道的RSS信号从节点 在通道 在节点 。
我们的主要任务是获取所有RSS值在每一对节点和每个通道:也就是说,
测量方案可以评估通过以下指标:(我)时间成本:总时间槽来完成测量过程。(2)开销:测量在所有节点的总数和通道。(3)准确性:我们定义两个级别的准确性,这是link-wise广泛网络精度和准确性,感受。关于link-wise精度,测量的结果应该在一定程度的信心 。关于网络范围的准确性,它意味着的部分是准确的。基于cs的解决方案只有达到网络范围的准确性。
值得一提的是,link-wise准确性和全网的准确性之间的关系是不排斥的。可以实现他们两人限制在单一链接的频率测量和优化放在全局优化结果的准确性。然而,这样的双重限制将导致不可接受的开销。事实上,一个人可以通过测量方法(实现link-wise精度14),这是独立的与我们的压缩传感方法。我们的方法可以提供承诺的全网准确性的部分为实现准确但离开link-wise准确性。
精度是保证足够数量的测量,而开销和时间成本指标需要尽可能少的测量。因此,我们的目标是设计解决方案,取得了良好的这些指标之间的权衡。
2.2。一个线性系统配方
基本上,测量过程可以建模为一个线性系统。通过应用普遍压缩传感(12]在这个线性系统理论与适当的规范,我们得到一个有效的测量较低的开销和时间成本。
之前介绍的解决方案和部分测量和同步量测,我们首先制定我们的问题在一个线性系统的形式。
根据SINR模型,RSS是近似线性的添加剂。这个属性意味着当几个网络中的节点发送信号在同一位置,某些节点的RSS的和RSS的发送节点。在一个时间段,我们已经正式结束 ,在那里代表RSS节点和是一个二进制变量节点是否站吗应该在这个时间段发送测量信号。当我们将这个配方扩展到多个时段的场景,合奏成矩阵形式, 在这里, 被称为RSS矩阵,其元素代表的RSS节点到节点。矩阵 代表测量的结果。中的元素th行和列,表示,代表的RSS测量节点在时间槽。根据SINR模型,是值的总和的RSS节点收到。矩阵 ,称为测量矩阵,为每个节点代表测量计划和每个时间段, 表明节点发送一个槽的测量信号。
从这个线性系统的角度来看,我们的问题可以表示如下。
定义1(高效RSS测量问题)。给定一个网络节点,试图让RSS矩阵
通过测量过程计划
用最小的。
注意,如果我们选择作为一个
单位矩阵,RSS矩阵可以很容易地恢复。然而,随着列的数量代表测量槽,我们需要生成一个矩阵与
。因此,一个
单位矩阵是不可接受的,尤其是大量的网络节点。只有在线性系统有一个独特的解决方案
。因此,一个矩阵与
没有足够的解决
与一个独特的解决方案。然而,这个公式与提供的工具可以解决压缩传感理论,只要足够稀疏。恢复的准确性保证有高概率的。
2.3。压缩传感原理
展示我们的解决方案之前,我们简要介绍了压缩传感理论。压缩传感(或抽样)(CS) (12,13)是一种概念产生的信号处理领域。在传统范式中,自然信号首先得到Nyquist-Shannon采样率,然后压缩高效存储或传输。CS转变这种模式通过结合两个过程为一个压缩采样过程,大大减少了数据采集的复杂性。在CS理论最重要的理念是,少量的随机稀疏或可压缩信号的线性预测包含足够的信息信号重建和处理。
换句话说,信号可以准确地重建基于以下条件:(1)稀疏或压缩信号的先验知识。(2)提供少量的全球线性测量。在完整性和一致性的目的,我们提出以下定义。
定义2(稀疏信号)。让 是一个维的信号。我们说是一个如果只有-简约信号( )非零项。此外,我们说是一个-简约信号域,如果存在一组标准正交基,表示 ,,可以表示为一个吗-简约向量:
压缩传感理论指出,一个维信号,这是-简约的域 ,是一个-简约向量),可以有效地为代表 线性测量。具体地说,让是一个 矩阵;然后,测量可以获得的 ,在那里是测量结果。矩阵被称为测量矩阵和矩阵被称为代表基础。关键的问题是是否可能以及如何恢复维信号从维测量。萤石和道13)表明,当 ,遵循限制等容的财产(RIP) [11),准确的恢复可通过求解一个线性优化问题:
的向量的模被定义为 。众所周知,最小化问题可以解决线性规划(LP)技术(11]。的 等价性依赖于不连贯的财产(15)之间的和或限制等容属性(RIP) (11的矩阵 。
它已经建立了高斯矩阵 独立的条目和恒等分布的实现一定的零均值随机变量的方差时,满足撷取有高概率 ,在那里是一个常数(16]。
3所示。压缩Sensing-Based解决方案
正如上面提到的,高效的RSS测量依赖于局部测量和同步测量的过程。前者可以通过解决线性系统建模,而后者依靠我们如何恢复RSS矩阵只有几个时间段测量。我们的基本想法是将压缩感知理论应用到线性系统。
部分测量和同步测量的过程主要是通过精心设计的测量矩阵压缩传感、拥有的能力恢复完整的信号从部分被测信号信息,并有能力分辨重叠信号时是线性的总和。我们将讨论它特别当我们提出测量矩阵的设计。
3.1。解决方案框架
解决方案的成功取决于两个关键组件。第一个是测量矩阵的生成具有良好的撕裂。根据定理(17,好把指(限制等容常数)小于 。进一步,我们也应该找到表征的基础上,在空间的RSS矩阵可以表示的形式-简约矩阵。注意,我们处理一个矩阵,而不是一个向量。在矩阵的背景下,低等级类似于稀疏,因为频谱由稀疏低秩矩阵的奇异值。因此,在我们的问题中,-简约矩阵的秩是矩阵方法。
假设RSS矩阵是-简约在一个特定的领域,正式声明
根据(2),测量结果可以表示一个矩阵的乘积和RSS矩阵。因此,我们可以重写通过 在哪里是测量矩阵决定。基于这些主要,我们现在继续测量矩阵的决心和代表性。
3.1.1。测量矩阵
在我们的测量中,测量矩阵是一个二进制矩阵,与每一行中的所有节点发送计划一次槽。的行数表示时间段的数量用于执行测量。此外,由于表示基础通常是正交矩阵,矩阵的撕裂是一样的。我们的目标是找到一个二进制矩阵,具有良好的RIP和少量的行和实现部分测量和同步测量的要求。
设计测量矩阵满足了部分测量需求,我们只需要确保测量矩阵的形式 ,在那里行号。在这种方式,测量时间成本小于信号的大小(网络尺寸在我们的例子中)。因此,这个测量矩阵将满意部分测量要求。
设计测量矩阵同时满足测量要求,我们只需要确保测量矩阵的形式 。这意味着测量矩阵的每一行有多个非零项,这也意味着有一个以上的节点同时进行测量。值得一提的是,非零元素在每一行的数量有直接关系的测量矩阵的行数最少的,以确保准确的恢复RSS矩阵。具体地说,它必须确保测量矩阵满足撕裂。因此,通过考虑部分测量和同步量测需求,如何设计一个好的矩阵成为我们的主要问题。在下面,我们提出我们的设计。
首先,我们推导出测量矩阵的行大小。本质上这将控制网络范围的准确性。根据(13),必须大于提供了一个复苏的准确性 ,在那里是限制等距常数。
然后,我们推导出测量矩阵的元素。正如上面提到的,测量矩阵在CS通常从一个随机矩阵的条目先验知识,服从高斯变量 (13]。然而,由于离岸结构的随机性和不确定性,这些随机矩阵是禁止在真实的应用程序中。在我们的应用程序中,一个二进制测量矩阵是必需的。一个简单的方法是生成一个二进制矩阵与条目服从伯努利分布与成功概率。据证明(16),这种矩阵熊好把w.h.p。。然而,这种矩阵可能有很大一部分非零项,,换句话说,介绍大型测量开销。为了减少测量的开销,我们可以应用的结果18]。它提供了一个生成的二进制矩阵LPDC(低密度奇偶校验),其定义如下。
定义3 (LDPC的矩阵(18])。一个二进制矩阵 由 每列和非零项 非零项每一行。在结构上,任何两列允许共享相同一个非零的位置。
根据(18),这个矩阵具有良好的RIP和低密度;因此,它极大地满足我们的要求。
测量开销可以进一步降低矩阵操作技巧。我们将测量矩阵分为两部分,。在这里是一个 矩阵和是一个 矩阵。在这种形式中,我们有下面的定理。
定理4。如果矩阵是单位矩阵,具有良好的撕裂,然后呢还好把。
证明。当符合方程后,我们说它有一个很好的把: 然后,如下: 因为是单位矩阵,我们有什么 因为具有良好的撕裂,然后呢 梳理(7),(11),(12)和(13),我们有 然后,具有良好的撕裂。
根据这个定理,我们发现,如果我们选择一个正交矩阵和随机生成好把,然后,整个矩阵有相同的撕裂。这是由于正交列不影响全随机矩阵的撕裂。根据这个特性,我们可以选择和识别矩阵作为,只有一个非零元素每一列。
3.1.2。表示基础
在本节中,我们描述了如何控制RSS的稀疏矩阵。注意,在RSS矩阵,大多数元素实际上是接近但不等于零。这种情况要求我们仔细滴一些元素矩阵稀疏。所有这些考虑,我们应用奇异值分解。
简单的说,一个 矩阵可以分解,这样 在哪里和是 酉矩阵(即 ),是一个 包含奇异值的对角矩阵。矩阵的秩是线性无关的行或列的数量,等于非零奇异值的数量。
确定表示和,我们可以使用路径损耗模型来计算一个近似矩阵。奇异值分解执行可以帮助我们得到了什么和。
我们从几个信号传播模型,rss和发送功率线性增加。然而,发送功率影响的干扰范围节点。在一个基于cs的解决方案,我们更喜欢低秩矩阵RSS。更高的发送功率将导致一个更大的干扰和,反过来,更在RSS条目矩阵不接近于零。与此同时,如果调整发送功率太小,rss(接近于零)时,往往过于脆弱遇到噪音和恢复错误。因此,当应用结果来源于太小发送功率的普通场景,错误的比率将会被放大。一个合适的发送功率需要基于cs的更好的性能的解决方案。根据实验结果图7,发送功率应该设置为优化平均干扰比(部分中定义4.1)小于。
3.1.3。复苏的RSS矩阵
不同于传统与CS,恢复的目标是一个矢量,我们工作的目的是恢复一个矩阵与CS。根据(19),完美的恢复=解决以下问题: 然而,问题是很难直接解决。因此,在[19),作者提供了一个等效的问题: 通过引入奇异值分解(15),我们有 在这里,核标准(19]。因此,问题转化为一个凸规划问题,可以有效地解决。因为与最小的核最低秩的形式规范,将原矩阵w.h.p RSS。
总之,基于cs解决方案实现时间效率。我们总结了基于cs算法解决方案1。
|
||||||||||||||||||||||||
3.2。精度控制
精度控制由两部分组成,即控制测量矩阵的行号和控制基础的稀疏表示。
关于测量矩阵的行号,它本质上控制网络范围的准确性。根据(13),必须大于提供了一个复苏的准确性 ,在那里是限制等距常数。在这里,恢复精度与测量时间。因此,通过这种方法,我们就可以控制时间消费和准确性之间的权衡。
关于稀疏表示的基础上,复苏将减少我们的准确性下降的一些小型原始RSS的奇异值矩阵。因此,提高恢复精度,稀疏表示的基础上应该遵守。之间的数学关系和准确性将是我们未来的工作。
3.3。处理背景噪音
除了使用CS的解决方案作为一个单一的解决方案,它也可以作为一个扩展来减轻由于背景噪音的危害。在实践中,RSS是并不是所有的节点在网络;背景噪音通常是零星的和影响几乎所有的节点。
测量结果可以分为两个部分:噪声矩阵和RSS矩阵。正式的说, 我们可以安排这两个矩阵作为一个新的 并形成一个新的测量矩阵 ,这是一个 矩阵。在这里是 单位矩阵。然后一个CS算法解决方案1可以在线性系统中执行的
注意背景噪音通常影响大面积的网络。网络中的节点可以测量每个部分的平均背景噪音和获得一个低秩矩阵。这样,这个扩展可能会有噪音和RSS矩阵区分一个相当低的成本。
3.4。分布式方案
CS的解决方案可以很容易地转换为一个分布式的解决方案。为每个节点可以很容易地从网络中的节点收集RSS,假设测量矩阵是已知的,节点的测量过程可以正式 在哪里是一个向量和是一个向量。
因此,这是一个经典的压缩传感的形式,只要是稀疏的。以确保该算法是完全分布式的,每个节点应该生成独立测量矩阵和矩阵表示(算法2)。
|
||||||||||||||||||||||||||
的测量矩阵,我们仍然可以使用LDPC的矩阵。测量矩阵是一个全球性的计划,它必须是同步的。随机生成可以同步所有节点,如果他们使用相同的随机种子。这粒种子可能是全局时钟或其他人已同步。
每个节点表示的基础上,可以有自己的基础不影响恢复的结果。我们在这里应用标准表示的基础上的。具体来说,我们使用离散余弦变换(DCT)基础(20.]。DCT变换后的RSS向量通常变得稀疏。
与同步测量矩阵和相同的表示的基础上我们可以很容易地解决最小化问题:
3.5。实现问题
实现算法的实际部署无线网络,我们不得不考虑一些实现问题,特别是那些与分布式算法。因此,在本节中,我们将讨论两个主要问题,时间同步和测量矩阵的一代。
3.5.1。时间同步
时间同步不断画研究关注自从分布式系统无线传感器网络和无线网络的mac协议。我们的算法主要依赖于网络同步两个折叠。第一个是我们的测量有槽的方式执行,这样所有节点间的时钟必须同步。第二个是,测量矩阵是由相同的随机函数生成相同的种子。这粒种子通常是时钟的时间。因此,同步算法是至关重要的。同步频率和时间成本是主要的开销在现实实现。这些费用可以减轻通过选择合适的同步方案。一个合适的解决方案,我们的情况是扩散算法在文献[21),这会产生低能源成本和低同步延迟。
同步的另一个关键问题是如何发现每个节点之间的测量矩阵的不一致。这种情况主要是由于时钟的转变。在我们的算法不一致可以很容易地发现的邻居交换测量矩阵或某些形式的校验和,例如,测量矩阵中所有元素的总和。
3.5.2。测量矩阵的一代
正如上面提到的,测量矩阵生成符合LDPC的矩阵。传统方案是生成一个二进制矩阵与条目服从伯努利分布与成功概率。两种方案都必须解决的挑战如何传递参数,例如,伯努利分布或在LDPC的矩阵。此类信息同步进程可以执行与时钟同步并发相结合的传播时钟和参数。
4所示。评价
在本节中,我们提出解决方案的性能分析与实验。我们首先给出了该系统的实验方法和仿真设置;然后,我们讨论了数值结果。
4.1。仿真设置
我们的模拟是基于收集的数据从游泳平台22]。它由10无线节点,能够在802.11 a / b / g模式下运行。我们收集的数据RSSI(接收信号强度指数)从每个AP灯塔。具体地说,我们一次激活一个节点,而每个AP顺序调到11个不同的频道。然后,我们走到25个不同的位置(包括10美联社的位置),收集50个不同信标消息从一个美联社在每个通道。RSSI,美联社ID, ID记录频道。
我们从这个数据集生成几个实验场景。由实验场景不同节点之间的RSS。我们还设置操作范围约2.4 GHz,总有11个频道20 MHz,一般设置在IEEE 802.11 g。200年场景生成执行统计性能比较评估。整个网络的吞吐量计算使用的算法23]。
用来量化的基准测试我们的解决方案是通过解决方案获得的RSS指标如何影响吞吐量的性能优化。准确量化使用迈普(平均百分比误差),这是正式的定义 。在这里,估计是RSS 。
关于基于cs的解决方案,我们主要研究如何提高SINR-based的性能优化方法。我们还提供之间的性能比较CS的解决方案和提出的解决方案14)与网络密度。关于网络密度,我们喜欢一个基准,直接连接网络密度和RSS的稀疏矩阵。一个度量称为平均干扰比,即有多少部分网络干扰由单个节点。假设代表节点的节点集干扰,我们得到平均干扰比的正式定义。在实现中,我们让行号测量矩阵等于。我们也检查的性能改变的引入方法,生成的代码度量矩阵。
4.2。试验结果
首先,我们比较基于cs的基本性能解决方案和基于模型的解决方案14]的改进SINR-based吞吐量的优化算法。结果在图5表明这两个解决方案执行几乎在同一水平。他们都是接近最优结果与详尽的测量。
我们还研究如何影响经济复苏的引入LDPC-based测量矩阵。正如上面提到的,LDPC码具有更好的RIP比较高斯矩阵。它也有更少的测量成本的优势,每排有有限非零元素。后者的优势与数学计算可以很容易地检查。因此,我们这里不提供数值结果。实验考察了复苏的优势LDPC-based测量矩阵如图6,行“CS-w-LDPC”确实是比另一个。这也意味着更好的复苏有助于提高优化结果的准确性。
我们进一步比较不同网络密度这两个解决方案。正如上面提到的,密集的网络产生一个RSS矩阵与更高的等级,进而会妥协的准确性。这是说明使用MSE和节点密度图。在图7,基于cs的迈普解决方案增加平均干扰比,而基于模型的解决方案执行在不同的网络密度稳定。当平均干扰比小于0.3(这也意味着70%的RSS矩阵零条目),基于cs溶液优于基于模型的解决方案。当整个网络单跳网络,基于cs的迈普解决方案增加高达36%。因此,基于模型的解决方案是更准确的网络无法调整发送功率达到平均干扰率不到30%。
最后,我们检查的时间成本基于cs溶液在不同网络规模。结果如图8。注意,为了说明基于cs的优势解决方案在一个大型网络的大小,我们生成几个50-nodes场景和100 -节点。总通道数设置为11。很明显,基于模型的解决方案的完成时间线性增长与网络规模(除了前两个点网络尺寸小比通道的数量),而基于cs溶液在对数生长秩序。不到100的总测量过程网络节点只需要不到200时段。今天的802.11在自我产品索赔200500年每槽。因此,每一轮测量精度控制只需要不到一秒。
总之,基于cs溶液在低密度的场景表现优和大型网络大小的时间效率。
5。相关工作
5.1。RSS估计
在[24),作者认为是网络之间的路径损耗一些低成本的传感器测量和存储以供将来使用。他们提出了一个算法,采用插值技术来估计之间的路径损耗传感器和网络中任意点。在[25),比如估计基于最小二乘的方法是引入一个有效的回归算法的设计。估计基于一个已知的节间距离概率调度进行了讨论(26]。作者假设分布两个相邻节点之间的距离,和容易,是已知或可以确定。对于精度控制方法,在27),作者提供了一个框架来控制精度的测量SINR-PRR关系。我们的以前的工作14)关注使用路径损耗模型改善SINR-based优化无线网络。
这些作品努力更准确的信号衰减模型在一个单一的传播。但是,没有人关注让一组测量所有潜在的链接和渠道,这对无线网络的吞吐量的优化至关重要。
5.2。压缩传感的应用
压缩传感理论是首先介绍了稀疏信号恢复用更少的采样(11,13),后来发现是有用的在压缩数据采集传感器网络。与传统模式相比,基于cs数据压缩变化最计算从编码器译码器,这使得它适合无线传感器网络中的数据处理。数据收集问题研究直接从传感器节点数据传输到一个遥远的基站数据收集后。在单跳网络中,压缩无线传感(水煤浆)[28)被证实能够减少数据收集的延迟交付的线性预测通过同步调幅模拟传输传感器读数。罗等。29日)探讨了压缩数据传输和解码方法,提供一个恒定的能源消耗计划。简要介绍了压缩传感解决流量矩阵推导和插值问题[30.和网络路径重建31日]。还有其他一些应用程序使用压缩传感在处理云媒体(32]。主要考虑的属性之间的无线网络媒体云用户和提出了一个新颖的基于CS significance-evaluation视频帧的方法。压缩传感也应用于车载信息娱乐系统(33]。我们之前的论文(34)探讨了有效RSS测量算法一般无线网络。
我们的方法不同于上述方法,我们的方法是使用分布式的方式,我们提出了一种新的基于LDPC的测量矩阵及其变异,这可能会降低测量成本和时间成本高于传统方法。我们以前的工作相比,我们进一步考虑物联网系统,提出分布式算法的特点和提高能源效率测量矩阵。
6。结论
RSS的效率和精度测量的无线网络吞吐量的优化具有十分重要的意义,本地化和无线传感网络的事情。传统有效的RSS测量采用一种“测量几,预测许多“时尚传播模型的校正参数。然而,我们认为这些方法不够好,因为他们错过的机会同时测量和控制部分,这些都是通过我们提出的压缩sensing-based解决方案。与基于cs的解决方案,整个测量过程可以按时完成的,而不是在传统的方式。此外,还提供了一个精确控制的工具,使定量的准确性和效率之间的平衡。实验与真实数据跟踪我们的平台已经证明了我们的解决方案的效率。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由国家支持部分中国NSF(批准号。61602238,61672278,61672283,和61373128),江苏的关键项目研究项目资助(BK20160805),和中国博士后科学基金会(没有。2016 m590451)。