在传感器网络中,多个传感器对于同一目标的识别结果经常会发生冲突.本文采用基于D em pster-Shafer证据推理理论的数据融合方法来解决这一问题.然而,采用D-S证据组合公式计算融合结果,计算量过于巨大,对处理能力有限的感知结点来说负担...在传感器网络中,多个传感器对于同一目标的识别结果经常会发生冲突.本文采用基于D em pster-Shafer证据推理理论的数据融合方法来解决这一问题.然而,采用D-S证据组合公式计算融合结果,计算量过于巨大,对处理能力有限的感知结点来说负担过重,此外,计算所造成的延时也将严重影响系统的实时性和同步性.本文提出了一个基于矩阵分析的快速融合算法,该算法采用了D-S证据理论的思想,计算得到的融合结果与D-S证据组合公式计算得到的融合结果相同.本文用数学归纳法证明了这一结论.经过模拟实验验证,和直接采用D-S证据组合公式相比,该算法的计算量和所需的计算时间明显减少.展开更多
为了提高传感网中数据重构精度以及降低不可靠链路丢包对压缩感知(Compressive Sensing,CS)数据收集的影响,本文提出了一种基于压缩感知丢包匹配数据收集算法(Packet Loss Matching Data Gathering Algorithm Based on Compressive Sens...为了提高传感网中数据重构精度以及降低不可靠链路丢包对压缩感知(Compressive Sensing,CS)数据收集的影响,本文提出了一种基于压缩感知丢包匹配数据收集算法(Packet Loss Matching Data Gathering Algorithm Based on Compressive Sensing,CS-MDGA).本文算法通过压缩感知技术构建了全网数据间的“关联效应”,并设计了基于丢包匹配的稀疏观测矩阵(Sparse Observation Matrix Based on Packet Loss Matching,SPLM),证明了该观测矩阵概率趋近于“1”时,满足的等距约束条件(Restricted Isometry Property,RIP),完成了节点间多路径路由数据的可靠交付.仿真实验结果表明,本文算法在链路丢包率为60%情况下,相对重构误差仍小于5%,验证了本文算法不仅具有较高的重构精度,而且还可以有效缓解不可靠链路丢包对CS数据收集的影响.展开更多
文摘在传感器网络中,多个传感器对于同一目标的识别结果经常会发生冲突.本文采用基于D em pster-Shafer证据推理理论的数据融合方法来解决这一问题.然而,采用D-S证据组合公式计算融合结果,计算量过于巨大,对处理能力有限的感知结点来说负担过重,此外,计算所造成的延时也将严重影响系统的实时性和同步性.本文提出了一个基于矩阵分析的快速融合算法,该算法采用了D-S证据理论的思想,计算得到的融合结果与D-S证据组合公式计算得到的融合结果相同.本文用数学归纳法证明了这一结论.经过模拟实验验证,和直接采用D-S证据组合公式相比,该算法的计算量和所需的计算时间明显减少.
文摘为了提高传感网中数据重构精度以及降低不可靠链路丢包对压缩感知(Compressive Sensing,CS)数据收集的影响,本文提出了一种基于压缩感知丢包匹配数据收集算法(Packet Loss Matching Data Gathering Algorithm Based on Compressive Sensing,CS-MDGA).本文算法通过压缩感知技术构建了全网数据间的“关联效应”,并设计了基于丢包匹配的稀疏观测矩阵(Sparse Observation Matrix Based on Packet Loss Matching,SPLM),证明了该观测矩阵概率趋近于“1”时,满足的等距约束条件(Restricted Isometry Property,RIP),完成了节点间多路径路由数据的可靠交付.仿真实验结果表明,本文算法在链路丢包率为60%情况下,相对重构误差仍小于5%,验证了本文算法不仅具有较高的重构精度,而且还可以有效缓解不可靠链路丢包对CS数据收集的影响.
