[論文レビュー] On sensing capacity of sensor networks for the class of linear observation, fixed SNR models

Shuchin Aeron, Manqi Zhao+1 more|ArXiv.org|Apr 25, 2007

Distributed Sensor Networks and Detection Algorithms参考文献 21被引用数 17

ひとこと要約

本稿は、固定SNRにおける線形観測モデルに対して、情報理論的限界を確立し、信号のスパarsityが低下するにつれて感応容量がゼロに減少することを示している。Fanoの不等式と最尤検出を用いて感応容量の上界と下界を導出し、ランダムなセンサーカバレッジが連続的サンプリングを上回ることを示している。感応ダイバーシティが性能に顕著な影響を及ぼすことが明らかになった。

ABSTRACT

In this paper we address the problem of finding the sensing capacity of sensor networks for a class of linear observation models and a fixed SNR regime. Sensing capacity is defined as the maximum number of signal dimensions reliably identified per sensor observation. In this context sparsity of the phenomena is a key feature that determines sensing capacity. Precluding the SNR of the environment the effect of sparsity on the number of measurements required for accurate reconstruction of a sparse phenomena has been widely dealt with under compressed sensing. Nevertheless the development there was motivated from an algorithmic perspective. In this paper our aim is to derive these bounds in an information theoretic set-up and thus provide algorithm independent conditions for reliable reconstruction of sparse signals. In this direction we first generalize the Fano's inequality and provide lower bounds to the probability of error in reconstruction subject to an arbitrary distortion criteria. Using these lower bounds to the probability of error, we derive upper bounds to sensing capacity and show that for fixed SNR regime sensing capacity goes down to zero as sparsity goes down to zero. This means that disproportionately more sensors are required to monitor very sparse events. Our next main contribution is that we show the effect of sensing diversity on sensing capacity, an effect that has not been considered before. Sensing diversity is related to the effective \emph{coverage} of a sensor with respect to the field. In this direction we show the following results (a) Sensing capacity goes down as sensing diversity per sensor goes down; (b) Random sampling (coverage) of the field by sensors is better than contiguous location sampling (coverage).

研究の動機と目的

• 固定SNRを前提とする線形観測モデルにおけるセンサーネットワークの感応容量に関する根本的な情報理論的限界を確立すること。
• 信号のスパarsityと感応ダイバーシティが、1センサーあたりの信頼性のある測定数に与える影響を分析すること。
• 感応容量の観点から、ランダムサンプリングと連続的サンプリングの性能を比較すること。
• センサー間および感応モダリティ間の相関が感応容量に与える影響を定量化すること。
• 感応容量の限界に基づいて、アルゴリズムに依存しない効率的なセンサーネットワークアーキテクチャ設計指針を提示すること。

提案手法

• 任意の歪み基準下での再構成誤り確率の下界を導くために、Fanoの不等式を一般化する。
• これらの誤り限界を用いて、感応容量の上界を導出し、スパarsityがゼロに近づくにつれて容量が消滅することを示す。
• 歪み制約下での最尤検出を用いて感応容量の下界を導出し、達成可能な性能限界を求める。
• 非負の{0,1}-アンサンブル感応行列について、相互情報量 $ I( extbf{X}; extbf{Y}| extbf{G}) $ を分析し、ランダムおよび連続的サンプリングパターンの両方を検討する。
• エントロピーおよび条件付きエントロピー項を評価し、非ゼロ信号成分と感応行列のサポートの重なりを考慮して $ I( extbf{G}; extbf{X}| ilde{ extbf{Y}}) $ をバインドする。
• 大システムの漸近的解析（$ n \to \infty $）を適用し、$ k = \alpha n $、$ l = \beta n $ として、重なり確率変数の極限分布およびエントロピー近似を導出する。

実験結果

リサーチクエスチョン

• RQ1 固定SNR下でスパarsityがセンサーネットワークの感応容量にどのように影響するか？
• RQ2 センサーネットワークにおけるスパース信号の信頼性の高い再構成に関する根本的な情報理論的限界は何か？
• RQ3 感応ダイバーシティ（1センサーあたりの有効カバレッジ）が感応容量に与える影響は何か？
• RQ4 感応容量の観点から、ランダムセンサーサンプリングと連続的サンプリングの相対的性能向上はどの程度か？
• RQ5 線形観測モデルにおいて、センサー間および感応モダリティ間の相関が感応容量に与える影響は何か？

主な発見

• スパarsityがゼロに近づくにつれて感応容量がゼロに減少することから、極めてスパースなイベントを監視するには、それ以上のセンサーが著しく必要になることが示された。
• 感応容量の上界と下界は類似した傾向を示すが、SNRギャップによって分離されており、達成可能な性能に根本的なトレードオフがあることを示している。
• センサーによるフィールドのランダムサンプリングは、連続的サンプリングよりも高い感応容量を達成しており、測定の相関性が低く、ダイバーシティが優れているためである。
• 1センサーあたりの感応ダイバーシティが低下するにつれて感応容量は減少し、1センサーあたりの有効空間的カバレッジの重要性が浮き彫りになった。
• {0,1}-アンサンブル感応行列に対して、相互情報量 $ I( extbf{X}; extbf{Y}| extbf{G}) $ は $ \frac{m}{2} \mathbb{E}_j \log(1 + \frac{jP}{lN_0}) $ でバインドされ、ここで $ j $ は非ゼロ信号成分と感応行列の行との重なりを表す。
• 連続的サンプリングの場合、相互情報量は $ m H(\alpha + \beta) $ でバインドされ、ここで $ \alpha $ と $ \beta $ はそれぞれ正規化されたスパarsityおよび感応密度を表す。