تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله حسگری، فشرده سازی و بازیابی برای WSN ها – نشریه IEEE

عنوان فارسی: حسگری، فشرده سازی و بازیابی برای WSN ها: مدل سازی پراکنده سیگنال و چارچوب نظارتی
عنوان انگلیسی: Sensing, Compression, and Recovery for WSNs: Sparse Signal Modeling and Monitoring Framework
تعداد صفحات مقاله انگلیسی : 15 تعداد صفحات ترجمه فارسی : 45
سال انتشار : 2012 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 217 رفرنس : دارد
محتوای فایل : zip حجم فایل : 4.36Mb
رشته های مرتبط با این مقاله: مهندسی فناوری اطلاعات، فناوری اطلاعات و ارتباطات، مهندسی کامپیوتر و برق
گرایش های مرتبط با این مقاله: مهندسی کنترل، شبکه های مخابراتی، سامانه های شبکه ای، مخابرات سیار، دیتا، شبکه های کامپیوتری و هوش مصنوعی
مجله: یافته ها در زمینه ارتباطات بی سیم - TRANSACTIONS ON WIRELESS COMMUNICATIONS
دانشگاه: موسسه مخابرات و فناوری اطلاعات، دانشگاه کالیفرنیا سن دیگو، کالیفرنیا
کلمات کلیدی: حسگر فشرده سازی، شبکه های حسگر بی سیم،جمع آوری اطلاعات، نظارت توزیع شده، برآورد بیزی،تجزیه و تحلیل مولفه اصلی
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه نشده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه و کار های مربوطه

2. ابزار ریاضی برای بازیابی CS

الف) تحلیل اجزای اصلی

ب) حسگری به صورت فشرده (CS)

ج) CS و PCA مشترک

3. توصیف سیگنال ها و WSN های ملاحظه شده

استفاده از WSN

سیگنال ها

ویژگی های همسبتگی

4. تحلیل پراکندگی اجزای اصلی سیگنال واقعی (REAL SIGNAL PRINCIPAL COMPONENTS)

A. مدل سیگنال پراکنده

B. تحلیل پراکندگی

C. شرایط MAP بیزی و بازیابی CS

5. قالب کاری نظارت تکراری

A. بلوک های منطقی در قالب کاری نظارتی

B. اعتبار سنجی قالب کاری نظارتی

6. مقایسه عملکردی : تکنیک های بازسازی

A. مدل های سیگنال و تکنیک های درون یابی

B. عملکرد روش های بازیابی سیگنال

7. جمع بندی

نمونه متن انگلیسی

Abstract

We address the problem of compressing large and distributed signals monitored by a Wireless Sensor Network (WSN) and recovering them through the collection of a small number of samples. We propose a sparsity model that allows the use of Compressive Sensing (CS) for the online recovery of large data sets in real WSN scenarios, exploiting Principal Component Analysis (PCA) to capture the spatial and temporal characteristics of real signals. Bayesian analysis is utilized to approximate the statistical distribution of the principal components and to show that the Laplacian distribution provides an accurate representation of the statistics of real data. This combined CS and PCA technique is subsequently integrated into a novel framework, namely, SCoRe1: Sensing, Compression and Recovery through ON-line Estimation for WSNs. SCoRe1 is able to effectively self-adapt to unpredictable changes in the signal statistics thanks to a feedback control loop that estimates, in real time, the signal reconstruction error. We also propose an extensive validation of the framework used in conjunction with CS as well as with standard interpolation techniques, testing its performance for real world signals. The results in this paper have the merit of shedding new light on the performance limits of CS when used as a recovery tool in WSNs.

نمونه متن ترجمه

چکیده

ما در مورد مشکل فشرده سازی سیگنال های بزرگ و توزیع شده نظارت شده توسط شبکه حسگر بی سیم (WSN) و بازیابی آنها از طریق مجموعه ای از تعداد کمی از نمونه ها صحبت می کنیم. ما یک مدل پراکندگی پیشنهاد می دهیم که امکان استفاده از احساس فشرده سازی (CS) برای بازیابی آنلاین مجموعه های داده بزرگ در سناریوهای واقعی WSN را فراهم می کند و از آنالیز مولفه اصلی (PCA) برای گرفتن ویژگی های فضایی و زمانی سیگنال های واقعی استفاده می کند. آنالیز بیزی برای تقریب توزیع آماری مولفه های اصلی و نشان دادن آن که توزیع لاپلاس یک ارائه دقیق از آمار داده های واقعی فراهم میکند استفاده میشود. این روش ترکیبی از CS و PCA متعاقبا به صورت یک چارچوب جدید، یعنی SCoRe1: احساس، فشرده سازی و بازیابی از طریق برآورد ON-line برای WSNs، ادغام میشود. SCoRe1 طور موثر ی قادر به خود سازگار با تغییرات غیر قابل پیش بینی در آمار سیگنال است ، این ویژگی به دلیل وجود یک حلقه کنترل فیدبک است که در زمان واقعی خطای بازسازی سیگنال را تخمین می زند. ما همچنین یک تایید گسترده از چارچوب استفاده شده در ارتباط با CS و با تکنیک های الحاق استاندارد ارائه می دهیم، و عملکرد آن را برای سیگنال های جهان واقعی آزمایش می کنیم. نتایج در این مقاله شایستگی آشکار کردن محدودیت های عملکردی CS در هنگام استفاده به عنوان یک ابزار بازیابی در WSN ها را دارند.