Distortion sum-rate performance of successive coding strategy in gaussian wireless sensor networks
Notice bibliographique
Résumé
In this paper, we investigate the distortion sum-rate performance of the successive coding strategy in the so-called quadratic Gaussian CEO problem. In the CEO problem, the central unit or the CEO desires to obtain an optimal estimate of the source signal. Since the source cannot be observed directly, L sensors will be deployed to observe independently corrupted versions of the source. They communicate information about their observations to the CEO through rate constrained noiseless channels without cooperating with each other. We consider a distributed sensor network consisting of two sensors with different noise levels and derive the minimum achievable distortion under a sum-rate constraint using the successive coding strategy of S.C. Draper and G.W. Wornell (2004). We also demonstrate that the best way to achieve minimum distortion under a sum-rate constraint is to allocate more rate to the sensor with higher quality of observation in a generalized water-filling manner. The fractional rate allocation is approximately 1/2 if the sum-rate lowbarR is large. Thus, we can simplify rate allocation problem in a general parallel sensor network with L sensors by assigning equal rates to sensors, provided the average rate per sensor node is large. We show that this scheme may not cause a large extra distortion compared with the minimum achievable distortion. Finally, we consider the problem of combining source and channel coding in sensor networks. Two paradigms are considered, Shannon's separation paradigm and joint source-channel coding paradigm. We obtain the distortion-power tradeoffs for both coding paradigms in the Gaussian sensor network with multiple access channel
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 ».