日 | 月 | 火 | 水 | 木 | 金 | 土 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
気温の分布などを分散配置したセンサノードで計測するとき、各センサの特性パラメータを自動的に較正する手法。気温分布などはフーリエ変換したりウェーブレット変換したりすると、少数のパラメータで表現できる。このパラメータ数をrであらわすとき、気温の時間変化の自由度はr次元になる。未較正のセンサから得られる計測値の変化がr次元の空間で表現できるように、特性パラメータの値を決定する。
rの数やr個の既定が既知であることを仮定している。もうひとひねりできないものか。
http://www.dsp.ece.rice.edu/cs/DCS112005.pdf
Compressed Sensingの基本は、ひとつのセンサの計測データに対するエンコード/デコードであるが、上記論文は分散配置したセンサに対するそれに関する理論。
Compressed Sensingは、エンコード側で(圧縮率を高くしつつデコードしやすいように)工夫すrのではなく、エンコードには対して気を使わずデコード側で頑張る話である。ので、上記論文も、分散配置したセンサがそれほど気を使わずにエンコードして中央のサーバにデータを送信して、サーバ側が頑張ってデコードする。このとき、分散配置したセンサが共通の音源からの音であるとか、似た地域の気温分布であるとか、計測データをセンサ間で共通する要素とそうではない要素とに分解できるような場合について「サーバ」でどのくらいデコードを頑張れるかを考えている。
なんというか、なるほどなぁという感じは得られる論文。エンコード側で工夫する感覚が染みついているので、途中何度も違和感を感じて読みにくかった。
compressed sensingには、なんとなくワクワクするものがある。
http://www.ic.is.tohoku.ac.jp/~swk/cv/pub/kagami_ieicej_a_200505.pdf
Information Filterに工夫して、通信遅延に耐性をもつカルマンフィルタを実現。計測データにより推定値の確度が最も高くなるセンサを選択する。
ネットワークに接続された多数のセンサのうち、どのセンサを現在使うべきかを選択する手法。計測対象の現在の状態の推定誤差分散に基づき、その誤差分散を最も小さくできそうなセンサを選択する。そのようなセンサの選択に、センサから見た対象の状態のエントロピーを利用したり、センサの位置と対象の位置の間のマハラノビス距離を利用したりする。センサの選択を中央のサーバでおこなわず、各ノード間の通信で上記選択を実現するところがミソといえばミソ。
最近のコメント