HỌC VIỆN KĨ THUẬT MẬT MÃ

Khoa điện tử viễn thông

CHUYÊN ĐỀ 7
Distributed Signal Processing in
Sensor Networks
Thành viên : Mai Khắc Nguyên
Lê Thị Huyền
Nguyễn Văn Nam
 Nội dung chính

• Phần 1 : Giới thiệu

• Phần 2 : Phân tích phổ biến bằng mạng cảm biến
• Phần 3 : Các vấn đề nghịch đảo và phân loại
• Phần 4 : Ước tính phổ sử dụng phép chiếu tổng
quát
• Phần 5 : Các thuật toán phân tán để tính phép
chiếu tổng quát
• Phần 6 : Kết Luận
 Phần 1 : Giới thiệu
1.1 Giới thiệu
• Hãy tưởng tượng một hệ thống cảm biến được nối mạng với hàng
nghìn hoặc hàng triệu thành phần độc lập, tất cả đều có khả năng tạo
và giao tiếp dữ liệu. Một hệ thống cảm biến phức tạp như vậy dường
như không thể tưởng tượng được cách đây vài thập kỷ, nhưng ngày
nay, nó đã trở thành một khả năng, nhờ khả năng phổ biến rộng rãi của
các bộ xử lý nhúng giá rẻ và các mạng không dây dễ dàng truy cập.
• Kết nối mạng một số lượng lớn các thiết bị cảm biến tự trị là một công
nghệ mới nổi hứa hẹn khả năng giám sát từ vật lý chưa từng có thông
qua một mạng phân tán không gian gồm các thiết bị không dây nhỏ, rẻ
tiền, có khả năng tự tổ chức trong một mạng được kết nối tốt. Một loạt
các ứng dụng của mạng cảm biến đang được hình dung trong một số
lĩnh vực, bao gồm giám sát địa lý, quản lý hàng tồn kho, an ninh nội
địa và chăm sóc sức khỏe.
 Phần 1 : Giới thiệu
1.1 Giới thiệu
• Các khối xây dựng của mạng cảm biến, thường được gọi là “Motes”, là các
máy tính chạy bằng pin, độc lập để đo ánh sáng, âm thanh, nhiệt độ, độ ẩm và
các biến số môi trường khác (Hình.). Không thể tránh khỏi các hạn chế về tốc
độ xử lý, dung lượng lưu trữ và băng thông giao tiếp. Ngoài ra, tuổi thọ của
chúng được xác định bởi khả năng tiết kiệm điện.
• Về nguyên tắc, một mạng lưới cảm biến phân tán có thể có khả năng mở rộng
cao, phù hợp với chi phí và mạnh mẽ đối với lỗi Mote riêng lẻ. Tuy nhiên, có
nhiều rào cản công nghệ cần phải vượt qua để các mạng cảm biến trở nên khả
thi. Các bà mẹ chắc chắn bị hạn chế trong quá trình xử lý tốc độ, dung lượng
lưu trữ và băng thông liên lạc. Các thách thức thiết kế bổ sung bao gồm sức
mạnh hạn chế mà Mote có thể thu hoạch hoặc lưu trữ, khả năng chịu đựng
các điều kiện môi trường khắc nghiệt, khả năng đối phó với các lỗi của nút,
tính di động của các nút, cấu trúc liên kết mạng động và hoạt động không cần
giám sát.
 Phần 1 : Giới thiệu
1.1 Giới thiệu
• Một số tiêu chuẩn hiện đang được phát triển cho mạng cảm biến không dây.
Một ví dụ là ZigBee, là một tiêu chuẩn mạng lưới dành cho các mục đích sử
dụng như điều khiển công nghiệp, cảm biến nhúng, thu thập dữ liệu med-
ical, tự động hóa tòa nhà. ∗ Một tiêu chuẩn gần đây khác là WirelessHART,
là một phần mở rộng của Giao thức HART dành cho tự động hóa công
nghiệp .

• 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

1.1 Giới thiệu

Trong chương này, chúng tôi giới thiệu một lớp thuật toán tổng hợp
thông tin mạnh mẽ, dựa trên việc xây dựng bài toán tổng hợp cảm biến
như một “bài toán khả thi lồi”. Có những lợi thế lớn để xây dựng một
vấn đề kết hợp mạng cảm biến như một xác suất khả thi lồi. Ưu điểm
cơ bản nhất là một giải pháp có thể được tìm thấy theo kiểu phân tán
bằng cách sử dụng một loạt các phép chiếu độc lập lên các tập lồi độc
lập. Một ưu điểm chính khác là các phép chiếu riêng lẻ có thể được tính
toán, rất đáng tin cậy và hiệu quả, sử dụng các phương pháp tối ưu hóa
mâu thuẫn. Các phương pháp giải pháp này đủ tin cậy để được nhúng
vào hệ thống thời gian thực.
 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

• Giải pháp toàn cầu là duy nhất và ổn định theo nghĩa là

những nhiễu loạn nhỏ trong dữ liệu quan sát được sẽ gây
ra một thay đổi nhỏ trong giải pháp.
•  Dạng hàm của giải pháp sẽ phụ thuộc vào sự lựa chọn
khoảng cách tổng quát được sử dụng trong các phép
chiếu. Do đó, có thể thu được một dạng hàm dễ thao tác
hoặc diễn giải cho một ứng dụng cụ thể (ví dụ, một hàm
hợp lý) bằng cách sử dụng một khoảng cách tổng quát
thích hợp.
 Phần 1 : Giới thiệu

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:

Từ các phương trình trên ta có

• Mối quan hệ giữa tín hiệu vi (n) được tạo ra bởi đầu trước của
cảm biến thứ i và tín hiệu nguồn ban đầu x (n)
• Công thức trên cho thấy Px (e jω) xác định duy nhất Rvi (k) cho
mọi giá trị của k. Tuy nhiên, ngược lại là không đúng sự thật.
Nói chung, việc biết Rvi (k) đối với một số hoặc tất cả các giá trị
của k là không đủ để xác định đặc tính riêng biệt của Px (ejω).
• Nhớ lại rằng vi (n) là một tín hiệu WSS nên tất cả các thông tin
thống kê có thể thu được về nó được giới hạn trong các hệ số tự
tương quan của nó. Người ta có thể sử dụng phần cứng xử lý tín
hiệu có sẵn tại mỗi nút cảm biến và ước tính hệ số tự tương quan
Rvi (k) cho một số k, giả sử 0≤ k ≤ L -1. Điều này dẫn đến việc
chúng tôi đặt ra vấn đề ước tính phổ mạng cảm biến như sau:
• Gọi Qi, k biểu thị tập hợp tất cả các phổ công suất đồng nhất với hệ số tự
tương quan thứ k Rvi (k) được ước lượng tại thứ i nút cảm biến. Tức là, Px
(e jω) ∈ Qi, k nếu

Xác định

trong đó N là số nút trong mạng và L là số hệ số tự tương quan được ước

tính tại mỗi nút.
Nếu chúng ta bỏ qua sự không hoàn hảo của phép đo và giả định rằng
các hệ số tự tương quan quan sát được Rvi (k) là chính xác, thì các tập
Qi, k là khác rỗng và cũng thừa nhận một giao điểm khác không Q.
Trong trường hợp này, Q chứa vô hạn Px (ejω). Khi các phép đo vi(n)
bị nhiễm nhiễu hoặc Rvi(k) được ước tính dựa trên các bản ghi dữ liệu
có độ dài hữu hạn, tập giao điểm Q có thể trống do sự không nhất quán
tiềm ẩn của các hệ số tự tương quan được ước tính bởi các cảm biến
khác nhau.
Do đó, Vấn đề. không có giải pháp hoặc có vô số giải pháp. Các vấn đề
có các đặc tính không mong muốn như vậy được gọi là “không tốt”.
Các vấn đề đặt ra sẽ được nghiên cứu trong phần tiếp theo.
 Phần 3 : Các vấn đề về nghịch đảo và sai lệch

• 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

3.1 Phương trình toán tử tuyến tính Ill-Posed

Phương trình toán tử tuyến tính Ax = y (.) được định nghĩa bởi toán tử
liên tục A ánh xạ các phần tử x của không gian metric E thành các phần
tử y của không gian metric E.
Gọi A biểu thị một toán tử tích phân Fredholm thuộc loại đầu tiên.

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

3.1 Phương trình toán tử tuyến tính Ill-Posed

Tính chất trên là hệ quả của thực tế là các hệ số chuỗi Fourier của một hàm
liên tục có x
xét phương trình tích phân Ax = y + gω, (.)
Vì phương trình trên là tuyến tính, nó tuân theo sử dụng Phương trình. rằng
nghiệm của nó xˆ (t) có dạng

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

3.2.1 Phương pháp của Tikhonov

Nếu thay vì hàm Rδ (x) thì một cực tiểu

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

Gọi yδ là một phần tử trong E2 sao cho ∥y - yδ ∥E2 ≤ δ.

Nếu tham số ξ (δ) được chọn sao cho

Khi đó các phần tử xδ ∈ D (S) tối thiểu hóa hàm lại

hội tụ về nghiệm chính xác x là δ →0.

Nếu E1 là một không gian Hilbert, thì hàm ổn định S (x) có thể đơn giản được chọn
là ,đây thực sự là lựa chọn ban đầu do Tikhonov đưa ra.
Trong trường hợp này, các bộ cấp của S (x) sẽ chỉ là nhỏ gọn yếu. Tuy nhiên, sự hội
tụ của các nghiệm chính quy sẽ là một điểm mạnh trong quan điểm của các tính chất
của không gian Hilbert. Tuy nhiên, các điều kiện đặt ra cho tham số ξ (δ) nghiêm
ngặt hơn những điều kiện được nêu trong định lý trên.
 Phần 3 : Các vấn đề về nghịch đảo và sai lệch

3.2.2 Phương pháp dư

Các kết quả được trình bày ở trên là những nguyên tắc cơ bản
trong lý thuyết chính quy hóa của Tikhonov.
Tuy nhiên, lý thuyết của Tikhonov chỉ là một trong số các
phương án được đề xuất để giải quyết các vấn đề không tốt. Một
biến thể quan trọng được gọi là Phương pháp Thặng dư đã được
giới thiệu bởi Phillips .
Trong phương pháp Phillips, người ta giảm thiểu hàm :
chịu sự ràng buộc
trong đó µ là một hằng số cố định. Chức năng ổn định S (x)
được loại bỏ như trong phần phụ trước.
 Phần 3 : Các vấn đề về nghịch đảo và sai lệch

3.2.3 Phương pháp Quasi-Solution

Trong phương pháp này, người ta giảm thiểu hàm

Chịu sự rằng buộc

• 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

•• Trong đó là phổ công suất tùy ý, giả sử = 1, −π ≤ ω <π.

 
• Khi tồn tại một P ∗ duy nhất, nó được gọi là hình chiếu tổng quát của P
lên Q [22]. Trong gen-eral, hình chiếu của một điểm đã cho lên một tập
hợp lồi được định nghĩa là một điểm khác, có hai thuộc tính: Thứ nhất,
nó thuộc tập hợp mà phép chiếu được thực hiện và thứ hai nó hiển thị
một điểm tối thiểu giá trị của khoảng cách giữa điểm đã cho và bất kỳ
điểm nào của tập hợp.
 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

5.1 Thuật toán vòng

 Thuật toán vòng là một thuật toán rất đơn giản: Nó bắt đầu với một
dự đoán ban đầu P(0) cho () và sau đó tính toán một loạt các phép
chiếu liên tiếp lên các tập ràng buộc . Sau đó, nó lấy dự đoán cuối
cùng, bây giờ được gọi là P(1), và chiếu nó trở lại tập ràng buộc đầu
tiên. Tiếp tục quá trình này sẽ tạo ra một chuỗi các nghiệm, , . . . mà
cuối cùng sẽ hội tụ về một nghiệm:
 Phần 5: Các thuật toán phân tán

Biểu diễn thuật toán vòng

Phần 5: Các thuật toán phân tán

Hình 9.5 Mô tả thuật toán vòng

 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

Hình 9.7Kết quả sự hội tụ của thuật toán

 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

5.2 Thuật toán sao

 Thuật toán Star là một thuật toán được phân bổ thay thế để kết hợp dữ
liệu của các cảm biến riêng lẻ. Nó kết hợp các phép chiếu liên tiếp lên
với một loại phép toán trung bình để tạo ra một chuỗi các nghiệm P
(m). Cuối cùng thì dãy sẽ hội tụ về một nghiệm nếu tồn tại một
nghiệm. Thuật toán Star là hoàn toàn hợp lí và do đó nhanh hơn nhiều
so với thuật toán vòng. Nó cũng cung cấp một số mức độ chắc chắn
cho sự thất bại của từng nút. Tuy nhiên, nó bao gồm một bước tập
trung, bước này cần được điều chỉnh phù hợp khi giao thức mạng của
hệ thống đang được thiết kế.
 Phần 5: Các thuật toán phân tán

Các bước thực hiện thuật toán Star

 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

Hình 9.8 Mô tả thuật toán sao

 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

Hình 9.9 Kết quả của thuật toán star

Phần 5: Các thuật toán phân tán

Hình 9.9 (Tiếp)

 Phần 6: Kết luận

Chúng em đã giới thiệu một mô hình chung để xây dựng và giải

quyết các lỗi xử lý tín hiệu phân tán trong mạng cảm biến. Cốt lõi
của mô hình này là hình thành vấn đề như một bài toán khả thi lồi.
Dữ liệu thô do các nút cảm biến thu thập được xử lý cục bộ để chỉ
định một tập hợp khả thi lồi mà giải pháp toàn cục phải thuộc về.
Mỗi nút cảm biến trong mạng chỉ định bộ fea-sible của riêng nó và
có thể cập nhật bộ này khi nó thu thập dữ liệu mới theo thời gian.
Hợp nhất thông tin được hiểu là việc tìm ra một giải pháp toàn cục
duy nhất và ổn định trong giao điểm của các tập khả thi được chỉ
định bởi tất cả các nút. Giải pháp toàn cục, nếu nó tồn tại, có thể
được tìm thấy bằng cách sử dụng nhiều thuật toán chiếu phân tán.
Chúng tôi đã thảo luận chi tiết về hai thuật toán chiếu dựa trên cấu
trúc liên kết mạng RING và STAR đơn giản.
 Phần 6: Kết luận

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