翻译07005838陈成

《翻译07005838陈成》由会员分享，可在线阅读，更多相关《翻译07005838陈成（10页珍藏版）》请在装配图网上搜索。

1、4.5.5 讨论对随机部署, 就像一个低通信半径R = 0.3可能引起一些传感器有很少的邻道, 和定位性能将产生反作用。 系统设计者应该计划的倾向于传感器的凸壳的外面较高的参考节点定位误差来体验。 这种行为是一种利用拉普拉斯特征映射相似性算法在传感器“拉”更紧密地联系在一起产生的结果,作为部分阐述了4.3。这样的方法很难准确地确定传感器节点以外的参考。如果参考节点的位置可以放置，有些应该被放置在禁区边缘的预期的覆盖区域。对局域网的连接使用一个现实的统计模型，模拟的基础上提出了一种部分显示了潜在的拉普拉斯特征映射的方法作为其鲁棒性，估计低偏离和低方差传感器位置。它并没有受到局部最优解，和MDS-

2、based估计相比具有较低的计算复杂度，例如110。本文所提出的两阶段重量选择方法在标准偏差和35%的下界被用来实现低的偏斜。然而,一般分析选择方法的重量还没有尝试。最后,分布式算法尚未给出所提出之方法。这些问题仍然有待于未来的研究。4.6传感器野外数据本地化这个单元探讨采用传感器数据的测量,以提供传感器的位置信息。当传感器为了能够测量和监控一个时变被部署时，空间相关领域，提出了利用测量同时提取传感器位置信息。本地化使用现场数据时可以高密度的传感器网络的结果之间的相关性在数据记录在邻近的传感器。这种高密度及相关领域有望是一个属性的许多无线传感器网络。由于随机性传感器的布置, 可以从一架直升飞机

3、下降或涂抹在一辆拖拉机的一个领域，高平均密度是可取的,以确保完全覆盖。另外,对于制造便宜(有时不可靠的)设备，冗余度的增加关系到传感器故障的可靠性和鲁棒性。最后,相关对于通过分布式压缩98减少数据速率（延长电池寿命）是非常有用的。测量传感器的数据是在现场观测的不同的传感器建立相互关系，这个初创时期是必需的。为了长期利用静态监控应用传感器，一个一次性设置延迟可以很容易调整。此外，便宜的装置可能另外使用射频(RF)的临近或RSS信息来估计传感器位置88,92。在一个真正的传感器网络里，现场数据看作是互补信息可能会很有用，一起使用RSS或其他距离测量。它可能会变成最重要的手段验证，在一个安全的定位系

4、统中，那一个传感器,声称是接近另一位邻居,实际上是一个邻居。然而，本节认为定位性能使用仅限传感器场数据。多式联运方式的测量定位使用未来是一个重要的课题研究。4.6.1应用实例考虑到精确农业的应用程序。传感器测定土壤的土壤中生长的pH值、盐度、氮水平、湿度水平，将使得农民们的定制种植,浇水、抗除草剂的应用。他们的领域和施肥试验,以最大限度地提高他们的农作物和减少他们的费用以及对环境造成负面冲击102。在不同的区域土壤化学领域因天气随时间变化而变化, 生物施肥、灌溉或影响。到几天或几个月，土壤条件可能是被看作是一个与时间和空间相关的随机域。同样，考虑声学传感器网络部署在广阔的户外区域为目的的来源定

5、位。引起鸟类、风、闪电,车辆、行人交通的环境噪声环境中，由于声音随距离衰减，将存在显著的空间相关性。当声音来源是确定的,与之相比插入到大环境(76)或通过动态跟踪环境18，一种自定位传感器声学传感器网络被提出。在这一节，这样的有目的的资料来源可能是部署的一部。但是更普遍的，现有的效果来源被认为是环境。在声字段是一个固定的和各向同性空间相关随机域这种情况下才可进行假设。 另外一个例子，考虑附或建成无线传感器的结构特点，桥梁的振动或建筑物和结构健康监测。这些振动经历与在附近的传感器应密切相关，也可能是时间延迟和相同信号的喧闹版本。这个观察已经被使用为时间同步在智能结构的无线传感器70。利用振动同步

6、信号,即为空间定位,是一种自然的延伸。4.6.2定位算法这一节描述如何应用流形学习算法的估计传感器的位置。传感器数据的测量最初，每个感测器i = 1N记录数据vi(t),时间t=1 . . . 。让向量vi = vi(1), . . . , vi( ) 成为传感器的数据i。然后，时间后，每个传感器把它的数据发送到直接相邻的项。定义ki为传感器的数量，这样传感器i可以直接联系到。K为相邻预期的号码。如果ki K,传感器i可查询一个或多个远离本身的传感器。如果ki K,传感器i只能从那些ki传感器收到数据。传感器i通过自己的数据和它的相邻传感器的数据之间用R计算欧氏距离。让这些数据的距离用i,jj

7、表示(4.27) i,j = kvi vjk 有一些特殊事项需要特别说明一下先前在这篇论文中，i,j是用来表示物理距离测量, 而在这里它是用来表示之间的距离在不同传感器测量数据.方程(4.27)利用欧氏距离, 但是其他的应用可能需要和使用其他的距离测量。如果多式联运方式的传感器被使用,这个工作可能被延伸,通过允许vi(t)是一个矢量的测量。邻居选择其次, 利用距离i,jj , i定义其邻居列表传感器. 在这一节, 以下的邻居选择方法被使用: LLE算法使用k最近邻邻居(KNN) 的选择方法; 要求邻居对称的Isomap算法, 采用对称k最近邻(SKNN)的邻居选择方法，HLLE,这些不需要对称

8、但敏感稀疏的邻居图表, 采用take-pity k最近邻(TPKNN)的邻居选择方法( Lmin =3). 这些邻居选择方法4.3.1部分定义。当我们将当表现进行详细描述的仿真结果，当存在一个不是任何其他传感器的一个邻居传感器网络时, HLLE方法不工作。TPKNN方法被用来避免这样一种情况。降维根据邻居选择，一个流形学习算法被应用(Isomap,HLLE， LLE算法)于减少传感器数据的尺寸 vi 。118条,第104号34 详细给出了这些算法的描述，而4.3部分综述了这些算法。这些算法输出一个平均坐标为零并且很可能是一个非物质的规模的一个地图。例如, 也有一些坐标输出任意旋转。因此他们只作

9、为网络中一个相关的地图传感器进行服务。匹配前面的知识一旦流形学习算法对传感器输出一个相对地图坐标, 已知先验的坐标是用来找到一个旋转, 缩放，和可能的镜像,以便在最小二乘意义上参考坐标估计比赛他们熟悉的坐标。由于最后的优化只涉及m氮装置坐标，在单个设备上它的计算比原来的流形学习较简单。输出用来产生最终坐标估计的一个翻译和DD变换矩阵。 i.e., i = n + 1.N式, 之前被假定为是完美的坐标为参考的设备, 先验坐标被用到，而不是用他们的估计的坐标。4.6.3仿真模型为了运作模拟来测试上述算法, 一个模型是所需要的各向同性空间的时变特性,相关的领域。不像射频(RF)测量和第二章仿制, 作

10、者并没有制造或发现报道测量深度传感器网络的时空领域。困难的一部分是每一个形态,如温度、土壤水分、声、或图像传感器将很可能需要一个不同的时空模型。相反, 为了达到目的在这篇论文中提出了模拟，一种各向同性多元高斯模型被采用。该模型在精确农业文献31 74被用于模拟参数和土壤水分土壤化学水平。而很明显,很多场测量中会有更大的复杂行为,这模型给我们提供一种手段,展示了一些分析和仿真结果和探讨了系统的性能在功能上的几个参数。特别需要指出的是, 引文31, 74 使各向同性假设，i.e.,即二套传感器之间数据的协方差，只有一个功能,即它们之间的距离。这将不持有，如果，例如，有一些角的依赖,如风向在一个特定

11、的角方向造成更高一致关联分析。然而，来自积木的均匀各向同性模型是更加复杂的非各向同性或非固定模型48。在用在这一章中的该模型中，在每个时刻t，传感器i测量数据vi(t).这里，它假定了传感器1 . . .N在时间t的测量数据。v(t) =v1(t), . . . , vN(t)T是联合高斯，u是独立的实际坐标zi，协方差矩阵。(4.28)(d)是一个各向同性协方差函数进行归一化处理。进一步的, 它假定该协方差函数非负，因此 : 0,) 0, 1. 在统计学文学中, 的一个流行模型是48课的动力指数，(4.29)0 0 是常量。为达到仿真的目的，做一个假设，传感器在不同的时间瞬间的数据记录是i.

12、i.d. 在现实中，传感器的数据在最后可能是相关的，这将降低时间样品的有效持续时间。4.6.4Cramer-Rao捆绑配方鉴于上述时空的计量模式,一个Cramer-Rao下界 可以得到在任意几何形状的网络中任何不偏差的位置估计的方差。这将是介绍了判断位置估计有用的性能。当按照上面的多元高斯模型测量,费舍尔得到信息矩阵F, 62,(4.30)k, l 1, . . . , n。(4.30)分析的简化不是一般可行的, 必须被计算。xi 和yi是xi 和 yi 的无偏估计量。ith微量协方差位置(for i = 1 . . . n)估计满足注意,认证机构不是一个功能，和抽样间隔的长度成反比。4.6.

13、5仿真实例特别地,在模拟中, 动力指数协方差函数(4.29) 当 = 1 和 = 1时使用。持续时间设置为 = 100。为每个测试描述如下, 一个特定的几何形状是固定的, 100个试验装置运行，通过这种方式45个不确定位置的传感器位置估计的一个不确定性椭圆被计算出。对于HLLE，TPKNN邻道选择方法可用K = 11 和 Lmin = 3。LLE在K = 7用SKNN，对于算法Isomap， K = 7时KNN被用。（通过在K的一定范围内观察模拟性能和K对于每一个方法有最好工作效果来选择这些测试值）。模拟首先运行在7x7的网络例子上，如图3.7。在角落里的四个传感器是引用设备（坐标准确地知道）

14、，45个附加传感器没有准确定位。LLE, HLLE的性能，Isomap算法在图4.17(a),(b), 和 (c)中与CRB做了比较。当没有方差的估计量有接近CRB, LLE 和HLLE估计相比具有低Isomap方差。而HLLE几乎是无偏，LLE和Isomap估计具有较高的偏差。其次, 当传感器位置从网格被摄动HLLE算法的性能被测试，如果1是用在7x7网格例子的矢量未知的坐标，2 = 1 + e在e N(0, 2eI).时被用。这里，1设备之间的距离e = 1/18, i.e., 1/3。某一特定部署结果显示在图4.17(d)。这里有重大偏差的传感器，总的来说, 估计量的方差已经增加了。特别

15、是，HLLE倾向于推分开非常靠近的邻道的估计。最后, 一个随机部署被测试，i.e., 当zi均匀分布在对于所有的i 的范围0, 12上的例子。由于没有保证装置的平均密度贯穿面积，这个随机部署比摄动网格更分散。在图4.17(e) 和 (f)中，Isomap 和 HLLE算法的性能通过一个均匀随机传感器部署特的定实现被展示出来。估计显示偏差和相似的方差但除了Isomap估计，都有严重有偏差,显示高得多的方差。HLLE算法保存常规形状的网络。在均匀随机部署中，如果HLLE算法采用KNN邻道选择方法，那么其性能就没有鲁棒性了。其原因被确定之前这具有一定的鲁棒性问题在89被记录。原因是相邻关系的非对称表

16、现，还有HLLE方法的敏感性。正如4.6.3节, HLLE失败在“单个”传感器案例。i.e., 当一个传感器具有很少的装置（没有或只有一个），那么认为这算是一个相邻。因为这个原因，在本节，TPKNN当Lmin = 3时通过HLLE模拟被用到。4.6.6讨论流形学习方法对于网络中传感器定位很有用，以希望通过在他们的数据作为位置信息时只使用该相关性来减少开销。此外，这个估计可以靠用到LLE 和 HLLE.的一个可扩展的, 分布式的方法来很好的被执行。虽然这分散版本在本节还没有实现，相似性方法特别适合于分布式计算，正如4.3.4所描述的一样。最后, HLLE似乎在估计偏差和方差的折衷方面表现出最佳性能。未来的研究必须通过系统的方法致力于流形学习方法的偏差问题。值得注意的是，自适应邻道选择方法，例如在早期的部分的探索，已近被尝试于传感器的数据定位。这里的流形学习方法可以扩展到为场估计提供非线性插值。由于流形学习的独特优势， 可以相信，未来的研究把这些技术应用到无线传感器网络的估计中是特别卓有成效的。