Energy-Efficient Compressive State Recovery From Sparsely Noisy Measurements
Notice bibliographique
Résumé
The compressive sensing theory has been intensively inspired to develop new methods and applications. Energy conservation for every node and overall energy consumption in the network is one of the main design issues in such networks. In large-scale sensor networks, information is relatively sparse compared with the number of nodes. In such networks, the state recovery problem can be recast as a sparse signal recovery problem in the discrete spatial domain to be solved with a small number of linear measurements as an underdetermined linear system by an <i xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">l</i> <sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">1</sub> -norm minimization program. A series of signal processing methods is applied to recover the current state of sensory data, e.g., temperature, pressure, force, flow, humidity, position, or motion, from noisy measurements. We propose an energy-efficient state recovery method for sensor networks; then, the proposed method is employed to recover an air quality signal in an air-quality-monitoring system. The signal contains the air quality indexes for all monitoring sites in the system. To have a sparse representation of the signal, it is first transformed to frequency domain and then recovered and reconstructed from a small portion of coefficients. Different random matrices driven from Bernoulli and Gaussian distributions are investigated to find an energy-efficient sensing scheme for signal reconstruction. The results reveal more than 60% saving in power consumption with only 10% reconstruction and recovery error. The proposed method prolongs network lifetime with noticeable saving in deployment and maintenance cost, particularly in large-scale sensor networks with slowly varying phenomena.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».