بهبود روش نمونه برداری تجمیع داده مبتنی بر سنجش فشرده و یادگیری لغت نامه در شبکه حسگر بی سیم به کمک نظریه اطلاعات
Publish Year: 1401
Type: Journal paper
Language: Persian
View: 418
This Paper With 18 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_JIPET-13-49_003
Index date: 11 October 2021
بهبود روش نمونه برداری تجمیع داده مبتنی بر سنجش فشرده و یادگیری لغت نامه در شبکه حسگر بی سیم به کمک نظریه اطلاعات abstract
در دهه اخیر با هدف کاهش هزینه های نظارت محیطی، فرایند تجمیع داده مبتنی بر روش مشترک سنجش فشرده و یادگیری لغتنامه در شبکه های حسگر بی سیم مورد توجه قرار گرفته است. در این مقاله یک طرح نمونهبرداری قطعی و غیرتصادفی برای استفاده در این روش تجمیع داده ارائه شده است. این طرح مبتنی بر برآورد کمیت اطلاعات متقابل داده حسگرها است که با نمونهبرداری از تمام آنها در بخش کوتاهی از دوره جمع آوری داده بهنام مرحله آموزش بهدست می آید. در مرحله بعدی و اصلی دوره جمع آوری داده گره هایی نمونهبرداری می شوند که بیشترین اطلاعات را درباره گره های نمونهبرداری نشده در اختیار بگذارند. نتایج شبیهسازی ها با سیگنالهای واقعی نشان می دهد که حتی زمانیکه تعداد حسگرهای نمونه بردار تنها شامل ۲۵ درصد از کل گره های شبکه است می توان به طور متوسط به بیش از ۱۲ درصد صرفهجویی در مصرف انرژی نسبت به روش نمونهبرداری مرجع دست یافت.
بهبود روش نمونه برداری تجمیع داده مبتنی بر سنجش فشرده و یادگیری لغت نامه در شبکه حسگر بی سیم به کمک نظریه اطلاعات Keywords:
بهبود روش نمونه برداری تجمیع داده مبتنی بر سنجش فشرده و یادگیری لغت نامه در شبکه حسگر بی سیم به کمک نظریه اطلاعات authors
غلامرضا ایمانیان
دانشکده مهندسی مکانیک، برق و کامپیوتر- واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
محمدعلی پورمینا
دانشکده مهندسی مکانیک، برق و کامپیوتر- واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
احمد صلاحی
پژوهشگاه ارتباطات و فن آوری اطلاعات، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :