مریم مهربان - کارشناسی ارشد/هوش مصنوعی و رباتیک /دانشگاه علم و صنعت

حسگری فشرده روی گراف، سیگنال ها می توانند بوسیله گراف و با نودهایی که حاوی اطلاعات هستند، تقریبزده شوند بنابراین میتوان از حسگری فشرده برای جمع آوری اطلاعات توزیع شده بروی نودها و یا لینک هااستفاده نمود. همچنین به دو دلیل هزینه زیاد بررسی یک به یک پارامترها و در دسترس نبودن اطلاعات برخیاز آنها به صورت مستقیم در گراف، حسگری فشرده روی گراف حائز اهمیت می گردد. در این مقاله، سعی شدهبا استفاده از ایده ی یادگیری فعال و قدم زن تصادفی، روشی برای بهبود ساخت ماتریس اندازه گیری در حوزهگراف معرفی شود تا اطلاعاتی از گراف که در ساخت ماتریس اندازه گیری (با فرض اینکه ماتریس اندازه گیریزیرمعین و غیرفقی است( به روش قدمزنی تصادفی ممکن است از قلم افتاده باشند، مشخص شده و پس ازمشاهده، در ماتریس اندازه گیری درج شوند که نتیجه آن بازیابی قوی تر سیگنال اولیه خواهد بود. جهت آزموناین روش، ابتدا از روی مجموعه داده شامل پانصد نود بعنوان سیگنال اولیه، ماتریس اندازه گیری با دو روشقدمزنی تصادفی و روش پیشنهادی، ساخته می شود و از روی آن بردار خروجی بدست می آید سپس سیگنالتنک اولیه با دو الگوریتم بازیابی بهینه سازی محدب و مدل آیزینگ، بازیابی می شود و در نهایت میزان خطا ومیزان شباهت چهار سیگنال بازیابی شده را نسبت به سیگنال اولیه محاسبه نموده و از مقایسه آنها مشخصمی گردد بازیابی سیگنال تنک از روی ماتریس ساخته شده به روش پیشنهادی و بازیابی با الگوریتم بهینه سازیمحدب، دارای بیشترین میزان شباهت و کمترین مقدار خطا با سیگنال اولیه، نسبت به سه سیگنال بازیابی شدهیدیگر است

حسگری فشرده، محدودیت ساختاری گراف، ماتریس اندازه گیری، یادگیری