بخشی از مقاله
چکیده
با ظهور شبکههای حسگر بیسیم بحث مربوط به اکتساب داده و بازسازی سیگنال به یکی از مباحث موردعلاقه در زمینه تحقیقات و مقالات علمی بدل شده است. در متون علمی گذشته برای فشردهسازی نمونهبرداریهای سیگنال از الگوریتم حسگری فشرده غیر وفقی استفادهشده ، که موجب گردید نرخ نمونهبرداریها نسبت به الگوریتمهای نمونهبرداری سنتی بسیار کاهش یابد و درنتیجه سبب کاهش نرخ انتقالات در شبکه و افزایش طول عمر شبکه حسگر بیسیم شود.
بااینحال، نشان دادهشده که روشهای غیر وفقی در محیطهای نویزی موجب کاهش کیفیت نمونهبرداری شده و همچنین مقیاسپذیر نمیباشند؛ یعنی با افزایش مقیاس نمونهبرداری کارایی این الگوریتمهای شدتبه اُفت میکند. ازاینرو، در این مقاله به ارائه فریم ورک وفق پذیر اکتساب داده و بازسازی سیگنال شبکه حسگر بیسیم - AAR-Frame Work - با الگوریتمهای حسگری مقعر برای همروندسازی جمعآوری داده ، الگوریتم NESTA برای بازسازی سیگنال و الگوریتم حسگری فشرده مقعر در امر نمونهبرداری سیگنال شبکه حسگر بیسیم از طریق یک سرور خارجی متصل به اینترنت پرداختهایم.
نتایج شبیهسازیها نشان میدهد که استفاده از الگوریتم های وفقی حسگری مقعر و حسگری فشرده مقعر در امر نمونهبرداری و جمع آوری سیگنال بهجای الگوریتم غیر وفقی حسگری فشرده بسیار مؤثر بوده و میتواند مشکل مقیاسپذیری را حل کرده و نیز منجر به افزایش کیفیت نمونهبرداری سیگنال در شبکه حسگر بیسیم گردد. فریم ورک پیشنهادی ما در امر بازسازی سیگنالهای اکتسابی بهویژه سیگنالهای تنک یا سیگنالهای که دارای همبستگی فضایی و زمانی هستند بسیار مؤثر عمل میکند، همچنین روش ارائهشده در این مقاله تعداد نمونهبرداری را کاهش داده و مقدار خطای بازسازی سیگنال را بهبود میبخشد.
-1مقدمه
شبکه حسگر بیسیم1 متشکل از تعداد زیادی گره های حسگری است که در یک محیط به طور گسترده پخش شده و به جمع آوری اطلاعات از محیط می پردازند
پردازش داده بخش اعظمی از زندگی مدرن را به خود تعلق داده است،داده های جذاب و جالبمعمولاً دارای نمایشهایی2 به صورت تنک3 در پایه اصلی یا پایه تبدیلی4 می باشند. به طور کلی تنکی - یا در حالت کلی تر قابلیت فشرده سازی - نقش خیلی مهمی در خیلی از علوم داشته است: تنکی رو تخمین ها و فشرده سازی تأثیر میگذارد
در روش سنتی برای نمونهبرداری سیگنالها ابتدا تمام دادهها را بدست آورده و سپس آن را فشرده کنیم، مشکل چنین پردازشهایی همانطور که Donoho در مقاله خود - Donoho, 2006 - بیان نمود این میباشد "چرا این همه تلاش شود برای بدست آوردن تمام دادهها در حالی که اکثر آنها دور ریخته خواهند شد؟ آیا ما نمیتوانیم تنها آن بخشی که قرار است دور ریخته نشوند را اندازهگیری کنیم؟" در عوض، حسگری فشرده همین کار را انجام میدهد.
با وجود جذابیتهای روش حسگری فشرده ، این روش با بزرگتر شدن و یا وجود نویزهای قوی در محیط به مشکل برمیخورد و کارایی لازم از نقطه نظر دقت5 و کاهش خطای بازسازی سیگنال از دست میدهد. وجود این مشکل ما را بر آن داشت تا فریم ورک پیشنهادی خود را مبتنی بر روش بسیار جدیدی که برای وفق پذیری سنجش سیگنال طراحیشده است پیادهسازی کنیم، به این روش حسگری فشرده مقعرJ. D. Haupt, Baraniuk, Castro, & Nowak, - 6 - 2009 میگویند .
فریم ورک پیشنهادی ما به دو صورت وفقی7 و غیر-وفقی8 ارائهشده است که در روش غیر-وفقی برای نمونهبرداری از تئوری کلاسیک حسگری - - Donoho, 2006 فشرده استفادهشده ولی در روش وفقی ما از وفق پذیری حسگری فشرده با تئوری حسگری مقعر - J. Haupt, Castro , & Nowak, 2011 - بهره بردهایم.
روش ما شامل طراحی و پیادهسازی یک معماری برای نظارت و کنترل تمامی عملیات در شبکه حسگر بیسیم از طریق یک سرور خارجی متصل به اینترنت میباشد، بهطور کلی معماری پیشنهادی ما شامل چهار بلاک به صورت زیر میباشد که در ادامه مقاله در قسمت توضیح روش پیشنهادی به صورت کامل به تشریح این بلاکها میپردازیم؛ با این حال این بلاکها شامل:
1. پایگاه داده: مسئول ذخیرهسازی اندازهگیریهای شبکه حسگر بیسیم میباشد، این اندازهگیریها به واسطه الگوریتم نمونهبرداری وفقی حسگری فشرده مقعر - - J. D. Haupt et al., 2009 به دست میآید.
2. بلاک بازسازی سیگنال و کنترل وفقی خود شامل دو ماژول اصلی است: - 1.2 ماژول کنترل وفقی: مسئول ارسال دستور اندازهگیری و پالایش موقعیتهای که اندازهگیریها از آنجا جمعآوریشده است. - 2.2 ماژول بازسازی سیگنال: وظیفه بازسازی سیگنالهای موجود در دیتابیس - که حاصل اندازهگیریهای شبکه حسگر بیسیم است - دارا است، قلب این ماژول الگوریتم مرتبه اول - Becker, Bobin, & Candès, 2011 - NESTA میباشد.
3. بلاک انتقال: این بلاک مسئول انتقالات شبکه حسگر بیسیم میباشد - از سرور به شبکه حسگر و از شبکه حسگر به سرور -
4. بلاک نمایش: نمایش اندازهگیریهای بازسازی شده در یک محیط محاورهای.
-1-1ادبیات پیشین
بیشتر الگوریتم های که در زمینه اکتساب داده و بازسازی سیگنال در شبکه حسگر بیسیم ارائه شدهاند مبتنی بر حسگری فشرده سنتی هستند ایراد این روش اینجاست که یک رویکرد غیر-وفقی را برای نمونهبرداری سیگنال ارائه میدهد که موجب میشود ماتریس نمونهبرداری این مقالات که در ادامه به معرفی آنها خواهیم پرداخت به صورت تصادفی تشکیلشده درنتیجه این روشها مقیاسپذیر نبوده و با افزایش مقیاس نمونهبرداری و تأثیر نویز بر محیط کارایی آنها بهشدت تخریب میشود.
در - Ebrahimi & Assi, 2014 - از یک رویکرد بر اساس پروجکشن های موازی-مبتنی بر حسگری فشرده ارائهشده که بر اساس آن سعی شده از یک برآوردگر خطی برای بازسازی سیگنالهای انتقالی استفاده بشود،نویسنده نشان داده رویکرد موازی با کاهش انتقالات میتواند در بهبود انرژی مصرفی مؤثر باشد؛ با این حال روش پیشنهادی نویسنده غیر-وفقی میباشد و همانگونه که در قسمت نتایج نشان دادهایم روشهای غیر-وفقی در محیطهای نویزی دارای کارایی ضعیفی بوده و همچنین مقیاسپذیر نیز نمیباشند.
در - - Zheng et al., 2015 به حل مشکل جمع آوری داده در شبکههای حسگر بیسیم با تئوری حسگری فشرده مبتنی بر رویکرد Random Walk پرداخته شده است در اینجا نویسندگان یک فریم ورک را برای جمع آوری داده با یک رویکرد تصادفی ارائه داده و اثبات کرده است که فریم ورک او برخلاف فریم ورک های سنتی حسگری فشرده مبتنی بر نمونهبرداری یکسان1 می باشند و حجم اطلاعات کمتری را در شبکه انتقال میدهد که موجب کاهش حجم انتقالات شبکه و افزایش طول عمر شبکه حسگر بیسیم میشود
علاوه بر این نویسندگان پیچیدگی زمانی خطی را برای بازسازی سیگنال با حداقل سازی نرم بدست آوردهاند که بستگی به ضریب -kتنک بودن سیگنال دارد؛ نکتهای که حائز اهمیت در این مقاله صرف نطر کردن از تأثیر نویز محیط بر سیگنال در امر اکتساب داده و بازسازی آن میباشد و نیز همچنین مانند ادبیات قبل از یک رویکرد تصادفی برای اکتساب داده استفادهشده است.
در مقاله - - Quer, Zordan, Masiero, Zorzi, & Rossi, 2010 فریم ورکی برای نظارت بر شبکه حسگر بیسیم مبتنی بر حسگری فشرده ارائهشده است. در این مقاله نیز نمونهبرداریها بهصورت غیر-وفقی و توسط یک ماتریس تصادفی ساخته میشوند
