Monthly Archives: August 2014

Principal Component Analysis Tersebar untuk Jaringan Sensor Nirkabel

Principal Component Analysis (PCA) adalah sebuah teknik pengurangan dimensionalitas data yang cocok untuk pengolahan data dari jaringan sensor. PCA bisa diterapkan untuk tugas seperti kompresi, deteksi kejadian, dan pengenalan kejadian. Teknik ini didasarkan pada sebuah transformasi linear dimana pengukuran sensor berkorelasi, sekumpulan kecil komponen prinsip bisa menjelaskan sebagian besar variabilitas pengukuran. Hal ini ini memungkinkan untuk secara signifikan mengurangi jumlah komunikasi radio dan konsumsi energi.
Dalam penelitian ini, kami tunjukkan bahwa metode iterasi daya bias disebar dalam sebuah jaringan sensor untuk menghitung sebuah perkiraan dari komponen prinsip. Implementasi yang diusulkan bergantung pada sebuah layanan agregasi, yang baru-baru ini telah ditunjukkan untuk menyediakan sebuah kerangka kerja yang cocok untuk penyebaran komputasi dari sebuah transformasi linear dalam sebuah jaringan sensor. Kami juga mengembangkan penelitian sebelumnya ini dengan menyediakan analisir yang rinci dari komputasi, memori, dan biaya komunikasi yang dilibatkan. Sebuah percobaan kompresi yang melibatkan data real memvalidasi algoritma dan menggambarkan tukar-tambah antara akurasi dan biaya komunikasi.

Partisi Trellis untuk Jaringan Mikrosensor

Pembahasan sebelumnya adalah sebuah contoh dari sebuah system yang belum terkodekan yang berdasarkan pada quantizer scalar. Sekarang kita menjelaskan sebuah system pengkodean yang lebih canggih yang masih pada kuantisasi scalar namun sekarang yang menggunakan sebuah system yang dikodekan trellis yang mempunyai memori untuk konstruksi coset. Kita menekankan bahwa kita masih menggunakan quantizer scalar dengan panjang tetap untuk \{X_i \}_{i=1}^n, namun coset dibangun pada ruang \nabla^n. Perhatikan ruang \nabla^n, dan atur V=8. Dalam ruang ini terdapat total 2^{3n} urutan berbeda. Tugasnya adalah untuk mempartisi urutan ruang ini ke dalam coset sehingga jarak minum antara dua urutan dalam sebuah coset dibuat sejauh mungkin, sembari menjaga simetri antar coset. Kami memperhatikan sebuah partisi berbasis trellis yang berdasar pada kode konvolusi dan aturan partisi set seperti pada modulasi yang dikodekan trellis (TCM) Ungerboeck.

Pengkodean Sumber pada Jaringan Mikrosensor

Karena batasan keterbatasan laju pada transmisi informasi, sumber X harus dikuantisasi. Untuk sebuah keleluasaan rekonstruksi target, sebuah kode sumber harus dirancang, yang melibatkan hal-hal berikut:
Partisi dari ruang sumber: ruang sumber masukan scalar dipartisi menjadi 2^R, daerah terpisah, di mana R, didefinisikan sebagai laju sumber dalam bit/sampel/
Codebook: partisi tiap daerah di atas dihubungkan dengan sebuah perwakilan codeword , dimana himpunan codeword representasi melipudi codebook sumber.
Sumber dikuantisasi menjadi satu dari kode sumber, dan indeks dari codeword yang terkuantisasi dibuat tersedia untuk decoder tanpa error. Hal ini melibatkan sebuah laju transmisi S, bits/sampel. Codeword representasi yang untuk X, dikuantisasi dirujuk sebagai sebuah sumber codeword aktif. Codeword sumber aktif dinotasikan dengan U. penerjemahan lebih jauh melibatkan sebuah komponen yang melibatkan estimasi dari sumber yang berdasarkan baik sumber yang terkuantisasi dan sisi yang terkuantisasi informasi Y.

GPCA sebuah skema pengurangan dimensi yang efisien untuk kompresi dan pencarian citra

Beberapa tahun terkini telah menyaksikan sebuah peningkatan dramatis dalam kuantitas data citra yang yang terkumpul, karena peningkatan dalam bidang seperti citra medis, pengamatan, pengawasan, astronomi, multimedia dan lain-lain. Dengan peningkatan ini , kenaikan telah mendatangkan kebutuhan untuk bias disimpan, dikirim, dan dicari dalam jumlah citra yang besar secara efisien. Sebuah operasi pada basis data citra yang besar adalah pencarian sebuah citra yang mirip dengan citra yang dicari.
Untuk itu citra dalam database seringkali disajikan sebagai sebuah vector dalam ruang dimensi tinggi dan sebuah masukan dijawab dengan mencari semua vector citra yang dekat dengan citra masukan dalam ruang ini, di bawah ukuran kemiripan yang sesuai. Untuk mengatasi permasalahan yang berhubungan dengan dimensionalitas yang tinggi, seperti waktu pencarian dan penyimpanan yang tinggi, sbeuah langkah pengurangan dimensi biasanya dilakukan pada vector untuk mengumpulkan informasi yang relevan dalam jumlah dimensi yang kecil.
Principal Component Analysis (PCA) adalah sebuah skema pengurangan dimensi yang dikenal baik. Namun, karena PCA bekerja dengan representasi citra yang tervektorisasi, PCA tidak mengambil peran lokalitas spasial dari piksel dalam citra. Dalam makalah ini, sebuah skema pengurangan dimensi baru, disebut Generalized Principal Component Analysis (GPCA), disajikan. Skema ini bekerja secara langsung dengan citra dalam bentuk asal, seperti matrik dua dimensi, dengan memproyeksikan citra pada sebuah ruang vector yaitu perkalian tensor dari dua ruang vector dengan dimensi lebih kecil. Percobaan dalam database citra wajah menunjukkan bahwa, untuk sejumlah penyimpanan yang sama, GPCA lebih bagus daripada PCA dalam hal kualitas dari citra yang terkompresi, presisi pencarian, dan biaya komputasi.