اعمال همزمان حسگری فشرده و زمانبندی خواب جهت افزایش طول عمر شبکه حسگر بی سیم با بهره‌گیری از هوش جمعی
محمد حسن کاتبی جهرمی
1
(
گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران
)
کرم الله باقری فرد
2
(
گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران
)
سیده راضیه ملک حسینی
3
(
گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران
)
سعید مهرجو
4
(
گروه مهندسی کامپیوتر ، واحد داریون، دانشگاه آزاد اسلامی، داریون، ایران
)
کلید واژه: شبکه حسگر بی سیم, تئوری حسگری فشرده, الگوریتم خواب و بیدار, مسیریابی تجمیع داده, مصرف انرژی, طول عمر,
چکیده مقاله :
شبکه حسگر بی‌سیم، شبکه‌ای متشکل از تعداد بسیار زیادی حسگر می‌باشد که در محیط مورد بررسی پراکنده شده‌اند. این گره‌ها محیط اطراف خود را حس نموده و پارامترهای محیطی همچون دما، رطوبت، نور و ... را اندازه‌گیری و از طریق کانال‌های بی‌سیم به دیگر گره‌ها یا ایستگاه پایه ارسال می‌نمایند. از اساسی‌ترین چالش‌های شبکه‌های حسگر بی‌سیم انرژی محدود گره‌های حسگر می‌باشد که تاثیر مستقیم بر طول‌عمر کل شبکه دارد. ارسال داده و اطلاعات در بین گره‌ها بیشترین میزان مصرف انرژی را شامل می‌شود. با در نظر گرفتن مدلی از شبکه که در آن ایستگاه پایه بایستی داده‌ی تمام گره‌ها را در هر مرحله داشته باشد، تعداد ارسالات در حالت معمول بسیار زیاد می‌باشد که منجر به کاهش طول‌عمر شبکه می‌گردد. برای شبکه‌های حسگر بی‌سیم چگال، همبستگی زمانی و فضایی در بین داده‌های گره‌ها وجود دارد. وجود چنین خصیصه‌ای باعث می‌شود تا بتوان از تئوری نمونه‌برداری فشرده بهره برد و طول‌عمر شبکه را بهبود بخشید. بکارگیری تئوری نمونه‌برداری فشرده اگرچه افزایش طول‌عمر را باعث می‌شود اما با توجه به اینکه داده‌های گره‌ها بایستی در ایستگاه پایه تخمین زده شود، لذا همیشه همراه با مقداری خطا می‌باشد. از اینرو بایستی در تمامی روش‌های پیشنهادی که از تئوری نمونه‌برداری فشرده استفاده می‌شود، میزان خطای بازسازی را نیز در نظر گرفت. در این رساله تلاش می‌شود تا نمونه‌برداری فشرده در شبکه حسگر بی‌سیم مورد استفاده قرار گیرد و همزمان مسئله دقت بازسازی را به عنوان یک پارامتر اساسی در کنار پارامتر طول‌عمر در نظر بگیریم.
چکیده انگلیسی :
A wireless sensor network is a network composed of a large number of sensors scattered in the environment under investigation. These nodes sense their surroundings and measure environmental parameters such as temperature, humidity, light, etc., and send them via wireless channels to other nodes or a base station. One of the most fundamental challenges of wireless sensor networks is the limited energy of sensor nodes, which has a direct impact on the overall network lifetime. Sending data and information between nodes consumes the most energy. Considering a network model in which the base station must have data from all nodes at each stage, the number of transmissions is very high in the normal state, which leads to a decrease in network lifetime. For dense wireless sensor networks, there is temporal and spatial correlation between the data of the nodes. The existence of such a property makes it possible to use compressed sensing theory and improve network lifetime. Although the use of compressed sensing theory increases lifetime, since the node data must be estimated at the base station, it is always accompanied by some error. Therefore, in all proposed methods that use compressed sensing theory, the reconstruction error rate should also be considered. In this thesis, an attempt is made to use compressed sensing in wireless sensor networks and simultaneously consider the accuracy of reconstruction as a fundamental parameter along with the lifetime parameter.
[1] G. A. López-Ramírez and A. Aragón-Zavala, "Wireless Sensor Networks for Water Quality Monitoring: A Comprehensive Review," in IEEE Access, vol. 11, pp. 95120-95142, 2023, doi: 10.1109/ACCESS.2023.3308905.
[2] M. N. Mowla, N. Mowla, A. F. M. S. Shah, K. M. Rabie and T. Shongwe, "Internet of Things and Wireless Sensor Networks for Smart Agriculture Applications: A Survey," in IEEE Access, vol. 11, pp. 145813-145852, 2023, doi: 10.1109/ACCESS.2023.3346299.
[3] D. R. Zaidan, A. G. Wadday, M. M. Abbood, A. F. Al-Baghdadi and B. J. Hamza, "Forest fire detection based wireless sensor networks-survey," in AIP Conference Proceedings, 2023, vol. 2776, no. 1: AIP Publishing.
[4] D. L. Donoho, "Compressed sensing," in IEEE Transactions on Information Theory, vol. 52, no. 4, pp. 1289-1306, April 2006, doi: 10.1109/TIT.2006.871582.
[5] Q. Ling and Z. Tian, "Decentralized Sparse Signal Recovery for Compressive Sleeping Wireless Sensor Networks," in IEEE Transactions on Signal Processing, vol. 58, no. 7, pp. 3816-3827, July 2010, doi: 10.1109/TSP.2010.2047721.
[6] Wei Chen and I. J. Wassell, "Energy efficient signal acquisition via compressive sensing in wireless sensor networks," International Symposium on Wireless and Pervasive Computing, Hong Kong, 2011, pp. 1-6, doi: 10.1109/ISWPC.2011.5751335.
[7] C. Caione, D. Brunelli and L. Benini, "Distributed Compressive Sampling for Lifetime Optimization in Dense Wireless Sensor Networks," in IEEE Transactions on Industrial Informatics, vol. 8, no. 1, pp. 30-40, Feb. 2012, doi: 10.1109/TII.2011.2173500.
[8] S. Mehrjoo, F. Khunjush and A. Ghaedi, "Fully distributed sleeping compressive data gathering in wireless sensor networks," IET Communications, vol. 14, no. 5, pp. 830-837, 2020, doi: 10.1049/iet-com.2019.0077.
[9] X. Wang, H. Chen and S. Li, "A reinforcement learning-based sleep scheduling algorithm for compressive data gathering in wireless sensor networks," EURASIP Journal on Wireless Communications and Networking, vol. 2023, no. 1, p. 28, 2023, doi: 10.1186/s13638-023-02237-4.
[10] W. Chen and I. J. Wassell, "Optimized Node Selection for Compressive Sleeping Wireless Sensor Networks," in IEEE Transactions on Vehicular Technology, vol. 65, no. 2, pp. 827-836, Feb. 2016, doi: 10.1109/TVT.2015.2400635.
[11] M. Elad, "Optimized Projections for Compressed Sensing," in IEEE Transactions on Signal Processing, vol. 55, no. 12, pp. 5695-5702, Dec. 2007, doi: 10.1109/TSP.2007.900760.
[12] N. Vaswani and W. Lu, "Modified-CS: Modifying Compressive Sensing for Problems With Partially Known Support," in IEEE Transactions on Signal Processing, vol. 58, no. 9, pp. 4595-4607, Sept. 2010, doi: 10.1109/TSP.2010.2051150.
[13] W. Lu and N. Vaswani, "Regularized Modified BPDN for Noisy Sparse Reconstruction With Partial Erroneous Support and Signal Value Knowledge," in IEEE Transactions on Signal Processing, vol. 60, no. 1, pp. 182-196, Jan. 2012, doi: 10.1109/TSP.2011.2170981.
[14] G. Quer, R. Masiero, G. Pillonetto, M. Rossi and M. Zorzi, "Sensing, Compression, and Recovery for WSNs: Sparse Signal Modeling and Monitoring Framework," in IEEE Transactions on Wireless Communications, vol. 11, no. 10, pp. 3447-3461, October 2012, doi: 10.1109/TWC.2012.081612.110612.
[15] M. Elad and M. Aharon, "Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries," in IEEE Transactions on Image Processing, vol. 15, no. 12, pp. 3736-3745, Dec. 2006, doi: 10.1109/TIP.2006.881969.
[16] R. Baraniuk, M. Davenport, R. DeVore and M. Wakin, "A simple proof of the restricted isometry property for random matrices," Constructive approximation, vol. 28, pp. 253-263, 2008, doi: 10.1007/s00365-007-9003-x.
[17] W. H. P. Bodik, C. Guestrin, S. Madden, M. Paskin and R. Thibaux. Intel lab data [Online] Available: http://db.csail.mit.edu/labdata/labdata.html
[18] W. Chen, M. R. D. Rodrigues and I. J. Wassell, "A Frechet Mean Approach for Compressive Sensing Date Acquisition and Reconstruction in Wireless Sensor Networks," in IEEE Transactions on Wireless Communications, vol. 11, no. 10, pp. 3598-3606, October 2012, doi: 10.1109/TWC.2012.081612.111908.
[19] M. Dorigo, V. Maniezzo and A. Colorni, "Ant system: optimization by a colony of cooperating agents," in IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 26, no. 1, pp. 29-41, Feb. 1996, doi: 10.1109/3477.484436.
[20] V. Shnayder, M. Hempstead, B.-r. Chen, G. W. Allen and M. Welsh, "Simulating the power consumption of large-scale sensor network applications," in Proceedings of the 2nd international conference on Embedded networked sensor systems, 2004, pp. 188-200, doi: 10.1145/1031495.1031518.
[21] M. Grant, S. Boyd, and Y. Ye, "CVX: Matlab software for disciplined convex programming, version 2.0 beta," ed, 2013.
[22] J. G. Proakis, Digital communications. McGraw-Hill, Higher Education, 2008.
