Professional Documents
Culture Documents
CHUYÊN ĐỀ 7
Distributed Signal Processing in
Sensor Networks
Thành viên : Mai Khắc Nguyên
Lê Thị Huyền
Nguyễn Văn Nam
Nội dung chính
• Từ quan điểm xử lý tín hiệu, thách thức chính là sự kết hợp phân tán dữ liệu
cảm biến trên toàn mạng. Điều này là do các nút cảm biến riêng lẻ thường
không thể cung cấp thông tin hữu ích hoặc toàn diện về số lượng được quan
sát. Hơn nữa, do các điều kiện môi trường thay đổi trong đó các thiết bị cảm
biến có thể được triển khai, người ta có thể mong đợi một phần nhỏ các nút
cảm biến bị trục trặc. Do đó, các thuật toán phân tán cơ bản phải mạnh mẽ
đối với các lỗi thiết bị.
Phần 1 : Giới thiệu
Nút cảm biến không dây hoặc Mote được sản xuất bởi Crossbow Technology, Inc. tại
San Jose, California.
Phần 1 : Giới thiệu
1.2. Các đặc điểm mong muốn khác của phương pháp tiếp cận
tính khả thi lồi
1.2. Các đặc điểm mong muốn khác của phương pháp tiếp cận
tính khả thi lồi
• Công thức có thể được áp dụng cho nhiều loại cấu trúc liên
kết mạng. Một số cấu trúc liên kết cho phép tính toán hiệu
quả nhất, một số cho phép thiết lập mạnh mẽ nhất và những
cấu trúc khác dẫn đến các mức độ thỏa hiệp khác nhau giữa
các thuộc tính mong muốn này.
• Công thức có cấu trúc toán học rất phong phú dựa trên các
kết quả gần đây trong các lĩnh vực toán học ứng dụng sev-
eral bao gồm phân tích lồi, tối ưu hóa song song và lý
thuyết chính quy.
Phần 1 : Giới thiệu
1.3 Kí hiệu
Các vectơ được ký hiệu bằng chữ in hoa. Chữ in hoa in đậm
được sử dụng cho ma trận. Các phần tử của ma trận A được
gọi là [A] i j. Chúng ta biểu thị tập các bộ giá trị thực M
bằng RM và sử dụng ký hiệu R + cho các số thực dương.
Giá trị kỳ vọng của một biến ngẫu nhiên x được ký hiệu là E
{x}. Toán tử tích chập tuyến tính được ký hiệu là ⋆. Không
gian của các hàm có thể đo lường Lebesgue được biểu diễn
bằng L (a, b), L (a, b), v.v. Phần cuối của ví dụ được biểu thị
bằng ký hiệu ♢.
Phần 2 : Phân tích phổ biến bằng mạng cảm
biến
2.1 Cơ sở
• Máy phân tích phổ hay máy phân tích quang phổ là một thiết
bị được sử dụng để kiểm tra thành phần phổ của một số dạng
sóng điện, âm thanh hoặc quang học.
• Phân tích quang phổ được sử dụng thường xuyên và rộng rãi
trong nhiều lĩnh vực khoa học vật lý. Có rất nhiều ví dụ về hải
dương học, kỹ sư điện, địa vật lý, thiên văn học và thủy văn.
Trong suốt chương này, chúng tôi sẽ sử dụng phân tích phổ
như một bài toán xử lý tín hiệu chuẩn để chứng minh các thuật
toán tổng hợp thông tin phân tán của chúng tôi.
Phần 2 : Phân tích phổ biến bằng mạng cảm
biến
2.1 Cơ sở
Một nguồn âm thanh (một loa) được giám sát bởi một tổ hợp các Motes
được đặt tại các vị trí đã biết khác nhau trong một căn phòng. Do tiếng vang,
tiếng ồn và các hiện vật khác, tín hiệu đến mỗi vị trí Mote là khác nhau. Các
Motes (cấu thành các nút cảm biến trong mạng của chúng tôi) được trang bị
micrô, thiết bị lấy mẫu, đủ phần cứng xử lý tín hiệu và một số phương tiện giao
tiếp. Mỗi Mote có thể xử lý dữ liệu quan sát của nó, đưa ra một số suy luận
thống kê về nó và chia sẻ kết quả với các nút khác trong net-work. Tuy nhiên,
để tiết kiệm năng lượng và băng thông liên lạc, "Các tổ chức không được phép
chia sẻ dữ liệu quan sát thô của họ với nhau." Bây giờ, mạng phải hoạt động
như thế nào để thu được ước tính về phổ tần số của nguồn âm phù hợp với các
quan sát của tất cả các Motes?
Mạng cảm biến giám sát nguồn âm thanh tĩnh trong phòng.
• Để hình thành vấn đề này về mặt toán học, chúng tôi giả định rằng
tín hiệu âm thanh được quan sát, được gọi là x (n), là một quá trình
ngẫu nhiên. quy trình được cung cấp bởi “trình tự tương quan”
(ACS) của nó hoặc, tương đương, bởi "phổ công suất" còn được gọi
là "mật độ phổ công suất«
• ACS là một mô tả miền thời gian của thống kê bậc hai của một quá
trình ngẫu nhiên. Phổ công suất cung cấp một mô tả miền tần số của
cùng một thống kê. Việc xác định "phổ công suất" của một tín hiệu
ngẫu nhiên bằng cách sử dụng dữ liệu phân tán thu được bởi một
mạng cảm biến
2.2 Ước tính phổ công suất của nguồn tín hiệu bằng dữ liệu
mạng cảm biến
• Đặt x (n) biểu thị một phiên bản rời rạc của tín hiệu được tạo ra bởi
nguồn và giả sử rằng đó là quá trình ngẫu nhiên Gaussian WSS có
nghĩa là 0. Tần số lấy mẫu fs kết hợp với x (n) là tùy ý và phụ thuộc
vào độ phân giải tần số mong muốn trong quá trình ước lượng phổ.
Ký hiệu bằng vi (n) tín hiệu được tạo ra ở
đầu trước của nút cảm biến thứ i. i(n) được
cho rằng liên quan đến tín hiệu nguồn ban
đầu x(n) bằng mô hình được chỉ ra trong
hình. The linear fil-ter Hi (z) trong hình này
mô hình hóa hiệu ứng kết hợp của âm vang
trong phòng, đáp tuyến tần số của micrô và
một bộ lọc bổ sung mà nhà thiết kế hệ thống
có thể muốn đưa vào.
Khối thập phân theo sau bộ lọc biểu thị sự khác biệt (tiềm năng) giữa tần số
lấy mẫu f kết hợp với x (n) và tần số lấy mẫu thực tế của thiết bị lấy mẫu
Mote. Ở đây, giả định rằng tần số lấy mẫu liên quan đến vi (n) là fs / Ni
trong đó Ni là một số tự nhiên cố định.Đơn giản là chỉ ra rằng tín hiệu vi (n)
trong hình cũng là một quy trình WSS. Hệ số tự tương quan Rvi (k) kết hợp
với vi (n) được cho bởi:
Trong đó hi (k) biểu thị phản ứng xung của Hi (z). Chúng ta có thể biểu
diễn Rvi (k) như một hàm của nguồn và sau đó
sử dụng nó để viết cả phổ công suất của tín hiệu.
Phương trình. trong miền tần số:
Xác định
• Nghiên cứu các bài toán nghịch đảo là một trong những lĩnh vực
phát triển nhanh nhất trong toán học ứng dụng trong hai thập kỷ qua.
Sự tăng trưởng này phần lớn được thúc đẩy bởi nhu cầu của các ứng
dụng trong cả khoa học tự nhiên (ví dụ, lý thuyết tán xạ nghịch đảo,
phục hồi hình ảnh thiên văn và lý thuyết học thống kê) và công
nghiệp (ví dụ, chụp cắt lớp vi tính và viễn thám). Người đọc được
tham khảo để biết các phương pháp điều trị chi tiết của lý thuyết về
các vấn đề sai lầm và cho các ứng dụng tương ứng trong tán xạ
nghịch đảo và suy luận thống kê.
• Các vấn đề nghịch đảo liên quan đến việc xác định nguyên nhân cho
một tác động mong muốn hoặc quan sát được. Thông thường, các bài
toán nghịch đảo khó giải quyết hơn nhiều (từ quan điểm toán học-
biểu tượng) so với các bài toán trực tiếp của chúng.
Phần 3 : Các vấn đề về nghịch đảo và sai lệch
Về mặt hình thức, một vấn đề của vật lý toán học được gọi là "được
đặt ra tốt hoặc được đặt ra theo nghĩa là Hadamard ”nếu nó đáp ứng các
điều kiện sau:
1) Đối với tất cả dữ liệu có thể chấp nhận, một giải pháp tồn tại.
2) Đối với tất cả dữ liệu có thể chấp nhận, giải pháp là duy nhất.
3) Giải pháp phụ thuộc liên tục vào dữ liệu.
Một vấn đề mà một hoặc nhiều điều kiện trên bị vi phạm được gọi là
không tốt. Lưu ý rằng các điều kiện được đề cập ở trên không tạo ra
định nghĩa chính xác cho tư thế tốt. Để đưa ra định nghĩa chính xác
trong một tình huống cụ thể, người ta phải chỉ rõ khái niệm về giải
pháp, dữ liệu nào được coi là có thể chấp nhận được và cấu trúc liên kết
nào được sử dụng để đo tính liên tục.
Phần 3 : Các vấn đề về nghịch đảo và sai lệch
Nhân K (s, t) liên tục trên [a b] × [a b] và ánh xạ một hàm x (t) liên tục
trên [a b] tới một hàm y (s) cũng liên tục trên [a b].
được hình thành bởi hạt nhân K (s, t) sở hữu thuộc tính
Phần 3 : Các vấn đề về nghịch đảo và sai lệch
trong đó x ∗ (t) là một nghiệm của phương trình tích phân ban đầu Ax = y.
Đối với ω đủ lớn, vế phải của phương trình. khác với vế phải của Phương
trình. chỉ bởi một lượng nhỏ gω (s), trong khi nghiệm của nó khác với nghiệm
của Phương trình. bằng lượng sin (ωt).
trong đó A là một toán tử tích phân Fredholm của loại đầu tiên là sai.
Phần 3 : Các vấn đề về nghịch đảo và sai lệch
Người ta có thể dễ dàng xác minh rằng vấn đề của việc giải phương
trình toán tử. tương đương với việc tìm một phần tử x ∗ ∈ E1 sao cho
hàm
Chú ý rằng phần tử tối thiểu x ∗ ∈ E1 luôn tồn tại ngay cả khi Phương
trình ban đầu.
Trong mọi trường hợp, nếu vế phải của Phương trình. không chính xác,
nghĩa là, nếu chúng ta thay y bởi yδ sao cho ∥y - y δ ∥E2 <δ trong đó δ
là một giá trị nhỏ, một phần tử mới xδ ∈ E1 sẽ tối thiểu hóa hàm
Tuy nhiên, nghiệm mới xδ không nhất thiết phải gần với nghiệm đầu
tiên x ∗ ngay cả khi δ có xu hướng bằng không.
Nói cách khác, khi phương trình toán tử Ax = y
là sai.
Phần 3 : Các vấn đề về nghịch đảo và sai lệch
3.2 Các phương pháp điều chỉnh để giải các phương trình toán tử tuyến tính phân biệt
rõ ràng
Lý thuyết quy định hóa là một trong những dấu hiệu đầu tiên của sự tồn
tại của “suy luận thông minh”. Thật khó hiểu rằng trong khi các
phương pháp "tự hiển nhiên" để giải một phương trình toán tử có thể
không hoạt động, thì các phương pháp "không hiển nhiên" của lý
thuyết chính quy lại làm được. Ảnh hưởng của triết học được tạo ra bởi
lý thuyết về chính quy là rất sâu sắc. Cả triết lý chính quy hóa và kỹ
thuật chính quy hóa đều trở nên phổ biến rộng rãi trong nhiều lĩnh vực
khoa học và kỹ thuật [,].
Phần 3 : Các vấn đề về nghịch đảo và sai lệch
trong đó S (x) là một “chức năng ổn định” ξ (δ) là một hằng số được
chọn thích hợp (có giá trị phụ thuộc vào mức “nhiễu”).
khi đó người ta thu được một chuỗi các nghiệm xδ hội tụ đến một giải
pháp mong muốn vì δ có xu hướng bằng không.
1. Bài toán tối thiểu hóa Rreg (x) được đặt ra cho các giá trị cố định của
δ và ξ (δ).
2. khi ξ (δ) được chọn thích hợp.
Phần 3 : Các vấn đề về nghịch đảo và sai lệch
Xét một hàm S (x) bán liên tục dưới có giá trị thực.
gọi S (x) là “chức năng ổn định” nếu nó có các đặc tính sau:
1.Nghiệm của phương trình toán tử Ax = y thuộc miền xác định D (S) của hàm
S.
2.S (x) ≥0, ∀x ∈ D (S).
3. Các tập cấp {x ∶ S (x) ≤ c}, c = const.,
các điều kiện trên là đủ để bài toán tối thiểu Rreg (x) được đặt ra [7, p.51 ].
vấn đề quan trọng còn lại là xác định mối quan hệ tương đối hàm giữa δ và ξ
(δ) sao cho dãy nghiệm thu được bằng cách tối thiểu hóa Phương trình.
Định lý sau thiết lập các điều kiện đủ cho mối quan hệ như vậy:
Gọi E1 và E2 là hai không gian mêtric và cho A ∶ E1→ E2 là toán tử liên tục
và một đối một. Giả sử rằng với y ∈ E2 tồn tại một nghiệm x ∈ D (S) ⊂ E1
cho phương trình toán tử Ax = y.
Phần 3 : Các vấn đề về nghịch đảo và sai lệch
• trong đó σ là một hằng số cố định. Một lần nữa, hàm ổn định S (x) được định
nghĩa như trong phương pháp của Tikhonov. Lưu ý rằng ba phương pháp
chính quy hóa được đề cập ở trên chứa một tham số tự do (ξ trong phương
pháp của Tikhonov, µ đối với phương pháp Phillips và σ trong phương pháp
của Ivanov tất cả các phương pháp này đều tương đương với nghĩa là nếu một
trong các phương thức (giả sử Phillips ') cho một giá trị nhất định của tham số
của nó (giả sử µ ∗) tạo ra nghiệm x ∗, thì sẽ tồn tại các giá trị tương ứng tham
số của hai phương pháp khác tạo ra cùng một giải pháp.
Phần 3 : Các vấn đề về nghịch đảo và sai lệch
• Chúng tôi nhận xét rằng một sự lựa chọn thông minh của
tham số tự do là rất quan trọng để có được một giải pháp tốt
(hội tụ nhanh) bằng cách sử dụng bất kỳ phương pháp chính
quy nào được đề cập ở trên. Có một số nguyên tắc để chọn
tham số tự do theo cách tối ưu.
Phần 4 :Ước tính phổ sử dụng các phép chiếu tổng
quát
• toán ước lượng phổ mạng cảm biến (Bài toán.) Đặt ra trong Phần. . về
Bài
cơ bản là tìm một trong giao của các tập khả thi . Dễ dàng xác minh rằng
các tập là đóng và lồi.
Phép chiếu tổng quát về cơ bản là một phương pháp chính quy hóa với
“khoảng cách tổng quát” đóng vai trò là chức năng ổn định. Một ưu điểm
lớn của việc sử dụng công thức dự phòng tổng quát là nghiệm có thể
được tìm thấy bằng cách sử dụng một loạt các phép chiếu lên các tập
trung gian .
Các phép chiếu trung gian này có thể được tính toán cục bộ tại mỗi nút
sen-sor do đó cho phép các phép tính được thực hiện đồng thời và theo
kiểu phân tán cao. Khoảng cách tổng quát là một hàm không âm có giá trị
thực của hai biến vectơ D (X, Y) được xác định theo một cách cụ thể sao
cho giá trị của nó có thể biểu thị khoảng cách giữa X và Y theo một nghĩa
tổng quát nào đó.
Phần 4 :Ước tính phổ sử dụng các phép chiếu tổng
quát
• Khi
xác định khoảng cách tổng quát, thông thường không yêu cầu điều
kiện đối xứng. Do đó, D (X, Y) có thể không giống với D (Y, X). Hơn
nữa, chúng tôi không nhấn mạnh vào bất đẳng thức tam giác mà một số
liệu truyền thống cũng phải tuân theo.
Gọi và là hai phổ công suất trong (−π, π). Chức năng:
Phần 4 :Ước tính phổ sử dụng các phép chiếu tổng
quát
•• Xử lý tín hiệu phân tán trong mạng cảm biến có thể được sử dụng để
đo khoảng cách tổng quát giữa và Các hàm không âm và trở thành 0
khi và chỉ khi =
• Lưu ý rằng chỉ đơn giản là khoảng cách Euclide giữa và .
• Các hàm và có nguồn gốc từ lý thuyết thông tin và thống kê. Chúng
được gọi là phân kỳ Kullback-Leibler và entropy chéo Burg, tương
ứng. Bằng cách sử dụng một khoảng cách tổng quát phù hợp, chúng ta
có thể chuyển đổi bài toán ước tính phổ mạng cảm biến ban đầu.
• Cho Q được định nghĩa như trong Bài toán
Ví dụ 9.2: Tìm trong Q sao cho
Phần 4 :Ước tính phổ sử dụng các phép chiếu tổng
quát
•• Nếu khoảng cách Euclide, ∣∣ X - Y∣∣ được sử dụng trong ngữ cảnh này
thì phép chiếu được gọi là phép chiếu met-ric. Trong một số trường hợp,
chẳng hạn như bài toán ước lượng phổ được xem xét ở đây, hóa ra lại rất
hữu ích khi giới thiệu các phương thức tổng quát hơn để đo khoảng cách
giữa hai vec-tors. Lý do chính là dạng hàm của giải pháp sẽ phụ thuộc
vào việc lựa chọn thước đo khoảng cách được sử dụng trong phép chiếu.
Thông thường, không thể thu được một dạng hàm dễ thao tác hoặc giải
thích (ví dụ, một hàm hợp lý) bằng cách sử dụng số liệu Euclide thông
thường.
• Nó có thể được chỉ ra rằng khoảng cách và trong Ví dụ 9.2. Dẫn đến
các giải pháp có lợi cho. Sự lựa chọn sẽ dẫn đến một giải pháp duy nhất
cho rằng một số phổ công suất đơn nhất định bị loại trừ.
Phần 4 :Ước tính phổ sử dụng các phép chiếu tổng
quát
• (a) Mô tả tượng trưng của phép chiếu metric và (b) phép chiếu tổng quát của vectơ Y vào
•
một tập lồi đóng Q.
Hình 9.4
• Trong (a) phép chiếu được chọn bằng cách nhỏ nhất metric ∣∣X −Y ∣∣ trên mọi X ∈ Q trong
khi ở (b) được tìm thấy bằng cách thu nhỏ khoảng cách tổng quát D (X, Y) trên cùng một
tập hợp.
• Từ không gian của các giải pháp hợp lệ. Không biết liệu có dẫn đến giải pháp ổn định hay
không. Kết quả là, tính đúng đắn của Vấn đề, khi được sử dụng vẫn chưa được thiết lập.
Phần 5: Các thuật toán phân tán
Thí dụ . Hãy xem xét một mạng cảm biến đơn giản tương tự như
mạng được hiển thị trong Hình 9.5. Giả sử rằng tỷ lệ lấy mẫu giảm
trong mỗi Mote là như nhau. Như vậy, N = N = N = N = 4. Ngoài ra,
giả sử rằng các hàm truyền (z) đến (z) liên quan đến đầu ra front-end
của Motes (n) với tín hiệu nguồn ban đầu x (n) được đưa ra như sau:
Phần 5: Các thuật toán phân tán
Các hàm truyền ở trên được chọn để hiển thị các đặc điểm truyền
thấp, thông dải và thông cao điển hình (Hình 9.6). Chúng thu được
bằng cách sử dụng các kỹ thuật thiết kế bộ lọc tiêu chuẩn. Tín hiệu
đầu vào có phổ công suất được ước tính được chọn để có phổ thông
thấp mượt mà. Chúng tôi đã sử dụng Thuật toán vòng với L = 4và số
liệu Euclid làm hàm khoảng cách để ước tính phổ sig-nal đầu vào.
Kết quả được thể hiện trong (Hình 9.7). Như được thấy trong hình
này, thuật toán hội tụ thành một giải pháp mà trong trường hợp này
là gần giống với phổ đầu vào thực tế trong ít hơn các vòng.
Phần 5: Các thuật toán phân tán
Hình 9.6 Biên độ đáp ứng tần số của các hàm truyền.
Phần 5: Các thuật toán phân tán
Kết quả hội tụ Thuật toán Ring: Trong mỗi hình, đường cong nét đứt
thể hiện phổ công suất thực tế của tín hiệu nguồn trong khi đường
cong liền là ước tính thu được bằng Thuật toán vòng, sau m vòng.
“Vòng” có nghĩa là các phép chiếu đã được chuyển qua tất cả các nút
trong mạng.
Phần 5: Các thuật toán phân tán
Ví dụ:
Hãy xem xét một mạng cảm biến đơn giản tương tự như mạng được
hiển thị trong Hình. . Giả sử rằng tỷ lệ lấy mẫu giảm trong mỗi Note
là bằng. Như vậy, một lần nữa, N = N = N = N =4. Ngoài ra, giả sử
rằng các hàm truyền (z) sang (z) liên quan đến đầu ra front-end của
Motes với tín hiệu nguồn ban đầu x(n) giống với tín hiệu được giới
thiệu trong Ví dụ. . Chúng tôi đã mô phỏng Thuật toán ngôi sao với L
= 4 và số liệu Euclid làm hàm khoảng cách để ước tính phổ của tín
hiệu đầu vào. Kết quả được thể hiện trong (Hình 9.9). Giống như
Thuật toán Vòng, Thuật toán Ngôi sao cũng hội tụ về một giải pháp,
gần giống với phổ đầu vào thực tế trong ít hơn các vòng.
Phần 5: Các thuật toán phân tán
Trong thực tế, mỗi nút cảm biến phải lặp lại chuỗi các phép chiếu
và lấy trung bình nhiều lần trước khi nó có thể chiếu thành công đầu
vào do nút trung tâm cung cấp vào giao điểm của các tập khả thi của
nó. Kết quả phép chiếu, được gọi là được gửi trở lại nút trung tâm.
Sau đó, nút trung tâm tính trung bình tất cả mà nó đã nhận được và
tính trung bình chúng để tạo ra Điều này được gửi trở lại các nút
riêng lẻ và quá trình lặp lại.
Phần 5: Các thuật toán phân tán
Tuy nhiên, đây không phải là những cách khả thi duy nhất mà các thuật
toán chiếu có thể được sử dụng để giải một bài toán khả thi lồi trong
một hệ thống phân tán. Có thể thiết kế nhiều thuật toán chiếu phân tán
khác dựa trên các cấu trúc liên kết mạng phức tạp hơn như trong
Hình. . Phân tích và thiết kế các thuật toán tổng hợp thông tin phân tán
cho các cấu trúc liên kết mạng khác nhau là một lĩnh vực nghiên cứu
mở. Hy vọng rằng các kết quả ban đầu được trình bày trong phần đóng
góp của nhóm sẽ chỉ ra con đường hướng tới các lý thuyết hoàn chỉnh
hơn và giúp định hình lĩnh vực xử lý cảm biến cho mạng cảm biến
đang nổi lên.
Phần 6: Kết luận
• Hai cấu trúc liên kết mạng đơn giản được sử dụng trong chương này
để chứng minh mô hình khả thi lồi:
• (a) cấu trúc liên kết hình sao và (b) cấu trúc liên kết vòng.
Phần 6: Kết luận
Các cấu trúc liên kết có thể có khác cho sự hợp nhất mạng cảm biến
phân tán bằng cách sử dụng mô hình khả thi lồi:
(a) cấu trúc liên kết đầy đủ và (b) cấu trúc liên kết cây
Chúng em cảm ơn thầy và các bạn đã
lắng nghe