[논문 리뷰] On sensing capacity of sensor networks for the class of linear observation, fixed SNR models

Shuchin Aeron, Manqi Zhao외 1명|ArXiv.org|2007. 04. 25.

Distributed Sensor Networks and Detection Algorithms참고 문헌 21인용 수 17

한 줄 요약

이 논문은 고정된 신호 대 잡음비(SNR) 조건 하에서 선형 관측 모델에 대해 센서 네트워크의 감지 용량에 대한 정보이론적 한계를 설정하며, 신호 희소성이 감소함에 따라 감지 용량이 0으로 감소함을 보여준다. Fano의 부등식과 최대우도 검출을 이용하여 감지 용량의 상한과 하한을 유도하고, 무작위 센서 커버리지가 연속적 샘플링보다 우수함을 입증하며, 감지 다양성이 성능에 결정적인 영향을 미친다.

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).

연구 동기 및 목표

• 고정된 SNR 조건 하에서 선형 관측 모델에 대해 센서 네트워크의 감지 용량에 대한 기본 정보이론적 한계를 설정하는 것.
• 신호의 희소성과 감지 다양성이 센서당 신뢰할 수 있는 측정 수에 미치는 영향을 분석하는 것.
• 감지 용량 측면에서 무작위 대비 연속적 센서 샘플링의 성능을 비교하는 것.
• 센서 간 상관관계와 감지 모odalities 간 상관관계가 선형 관측 모델에서 감지 용량에 미치는 영향을 정량화하는 것.
• 감지 용량 한계에 기반한 알고리즘 독립적 설계 지침을 효율적인 센서 네트워크 아키텍처에 제공하는 것.

제안 방법

• 임의의 왜곡 기준 하에서 재구성 오차 확률의 하한을 도출하기 위해 Fano의 부등식을 일반화한다.
• 이러한 오차 한계를 이용하여 감지 용량의 상한을 유도하며, 희소성이 0에 가까워질수록 용량이 사라짐을 보여준다.
• 왜곡 제약 조건 하에서 최대우도 검출을 통해 감지 용량의 하한을 유도하여 구현 가능한 성능 한계를 도출한다.
• 비어 있는 행렬 집합 {0,1}에 대해 상호정보량 $ I( extbf{X}; extbf{Y}| extbf{G}) $ 를 분석하며, 무작위 및 연속적 샘플링 패턴을 모두 고려한다.
• 엔트로피와 조건부 엔트로피 항목을 평가하여 $ I( extbf{G}; extbf{X}| ilde{ extbf{Y}}}) $ 를 근사하며, 비어 있는 신호 성분과 감지 행렬 지지부의 겹침을 고려한다.
• 대규모 시스템 점근적 해석($ n \to \infty $)을 적용하며, $ k = \alpha n $, $ l = \beta n $ 를 사용하여 겹침 랜덤 변수의 극한 분포와 엔트로피 근사치를 유도한다.

실험 결과

연구 질문

• RQ1 고정된 SNR 조건 하에서 희소성은 센서 네트워크의 감지 용량에 어떻게 영향을 미치는가?
• RQ2 센서 네트워크에서 희소 신호의 신뢰할 수 있는 재구성에 대한 기본 정보이론적 한계는 무엇인가?
• RQ3 감지 다양성—즉, 센서당 효과적인 커버리지—는 감지 용량에 어떻게 영향을 미치는가?
• RQ4 감지 용량 측면에서 무작위 센서 샘플링 대비 연속적 샘플링의 상대적 성능 향상은 어느 정도인가?
• RQ5 선형 관측 모델에서 센서 간 상관관계와 감지 모달리티 간 상관관계는 감지 용량에 어떻게 영향을 미치는가?

주요 결과

• 희소성이 0에 가까워질수록 감지 용량이 0으로 감소함을 보여주며, 이는 매우 희소한 사건을 모니터링하기 위해 비례를 초월한 더 많은 센서가 필요함을 시사한다.
• 감지 용량의 상한과 하한은 유사한 추세를 보이지만 SNR 갭으로 분리되어 있어 구현 가능한 성능에 대한 기본적인 상충관계를 나타낸다.
• 무작위로 필드를 샘플링하는 센서가 연속적 샘플링보다 더 높은 감지 용량을 제공함을 보여주며, 이는 더 나은 다양성과 측정치 간 상관관계 감소 때문이다.
• 센서당 감지 다양성이 감소할수록 감지 용량이 감소함을 보여주며, 이는 센서당 효과적인 공간 커버리지의 중요성을 강조한다.
• $\{0,1\}$-엔세임 감지 행렬의 경우, 상호정보량 $ I( extbf{X}; extbf{Y}| extbf{G}) $ 는 $ \frac{m}{2} \mathbb{E}_j \log(1 + \frac{jP}{lN_0}) $ 로 제한되며, 여기서 $ j $ 는 비어 있는 신호 성분과 감지 행렬의 행 간 겹침이다.
• 연속적 샘플링의 경우, 상호정보량은 $ m H(\alpha + \beta) $ 로 제한되며, 여기서 $ \alpha $ 와 $ \beta $ 는 각각 정규화된 희소성과 감지 밀도이다.