تخمین توزیع شده در شبکه های حسگری بی سیم خوشه-ای با استفاده از تبدیل ویولت به منظور کاهش توان مصرفی شبکه
First Statement of Responsibility
/پیمان محمودی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
تبریز : دانشگاه تبریز ، دانشکده مهندسی برق وکامپیوتر ، گروه مخابرات
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۱۰۳ص
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
مهندسی برق- مخابرات
Date of degree
۱۳۸۹/۱۰/۱۹
Body granting the degree
تبریز : دانشگاه تبریز ، دانشکده مهندسی برق وکامپیوتر ، گروه مخابرات
SUMMARY OR ABSTRACT
Text of Note
تحقیق حاضر نگاهی است بر شبکه های حسگری بی سیم و محدودیت های آن در انجام تخمین توزیع شده .در این تحقیق، روش های مختلف تخمین در شبکه های حسگری بیصسیم با فرضیات مختلف مورد بررسی واقع شده و در نهایت الگوریتمی جامع با لحاظ کردن محدودیت های شبکه اعم از محدودیت انرژی و پهنای باند، و همچنین پارامترهای مهم دیگر مانند نویز حاصل از کوانتیزه کردن مشاهدات، نویز و فیدینگ در کانال های ارتباطی ارائه شده است .روش پیشنهادی شامل دو بخش کلی می باشد .بخش اول شامل اصلاحاتی در ساختار کل شبکه و بررسی اثر خوشه بندی حسگرها در ارتقاء کارایی سیستم و توان مصرفی می باشد .در این روش سعی شده است با کاهش تبادل اطلاعات میان حسگرها وFC ، توان مصرفی شبکه کاهش داده شود، از طرف دیگر، با انجام پردازشهای اولیه مناسب در داخل خوشه ها، خطای سیستم کمتر شود .بخش دوم برای حسگرها و عملیات داخل خوشه ها میباشد.در این روش سعی شده است تا با استفاده از تکنیک ویولت، اطلاعات زائد را حذف و از ارسال آنها به CH جلوگیری نمود .این امر نیز می تواند با کاهش تبادل اطلاعات میان حسگرها وCH ، در کاهش توان مصرفی شبکه موثر واقع شود
Text of Note
The prepared research is a view on Distributed Estimation in Wireless Sensor Networks and it's constraints. In this paper, different methods with various suppositions have been studied and finally a comprehensive algorithm including networks limitations such as energy and bandwidth constraint, quantiztion noise, channel noise and path loss has been explained. The proposed scheme contains two section. In the first part, some changes applied to system topology in order to reduce power consumption and estimation error. The second part contains operations in each cluster for correlated sensors. We have used the lifting scheme to compute wavelet transforms as way of decorrelate data. The proposed algorithm allows a ?exible way of exploiting trade-off points between processing and communication costs, so that energy savings can be achieved while maximizing the network performance.