[论文解读] Compressive Sensing Based Signal Processing in Wireless Sensor Networks: A Survey

Thakshila Wimalajeewa, Pramod K. Varshney|arXiv (Cornell University)|Sep 28, 2017

Sparse and Compressive Sensing Techniques参考文献 198被引用 6

一句话总结

本综述提出了一种针对无线传感器网络（WSNs）的扩展压缩感知（CS）框架，解决了通信约束、从压缩数据中推断信息以及量化和信道噪声等实际限制问题。通过利用稀疏性和网络内压缩，该框架实现了节能的信号处理，在无需完整信号重建的情况下保持了鲁棒性能。

ABSTRACT

In this survey paper, our goal is to discuss recent advances of compressive sensing (CS) based solutions in wireless sensor networks (WSNs) including the main ongoing/recent research efforts, challenges and research trends in this area. In WSNs, CS based techniques are well motivated by not only the sparsity prior observed in different forms but also by the requirement of efficient in-network processing in terms of transmit power and communication bandwidth even with nonsparse signals. In order to apply CS in a variety of WSN applications efficiently, there are several factors to be considered beyond the standard CS framework. We start the discussion with a brief introduction to the theory of CS and then describe the motivational factors behind the potential use of CS in WSN applications. Then, we identify three main areas along which the standard CS framework is extended so that CS can be efficiently applied to solve a variety of problems specific to WSNs. In particular, we emphasize on the significance of extending the CS framework to (i). take communication constraints into account while designing projection matrices and reconstruction algorithms for signal reconstruction in centralized as well in decentralized settings, (ii) solve a variety of inference problems such as detection, classification and parameter estimation, with compressed data without signal reconstruction and (iii) take practical communication aspects such as measurement quantization, physical layer secrecy constraints, and imperfect channel conditions into account. Finally, open research issues and challenges are discussed in order to provide perspectives for future research directions.

研究动机与目标

• 通过利用压缩感知（CS）减少传输功率和带宽使用，解决无线传感器网络（WSNs）中对节能信号处理的需求。
• 通过扩展框架以处理通信约束和实际部署挑战，克服标准CS在WSNs中的局限性。
• 在无需完整重建的情况下，直接从压缩测量中实现信号推断（例如检测、分类）。
• 将测量量化、物理层保密性和非理想信道条件等实际考虑因素整合到基于CS的WSN设计中。
• 识别开放的研究挑战，并为基于CS的WSN信号处理未来研究提供指导。

提出的方法

• 通过量身定制的投影矩阵和重建算法设计，将标准CS框架扩展以在集中式和分布式WSN架构中纳入通信约束。
• 开发基于CS的推断技术，使检测、分类和参数估计能够直接从压缩数据中完成，避免完整的信号重建。
• 将测量量化模型整合到CS框架中，以考虑传感器节点中有限动态范围和有限精度的影响。
• 对非理想无线信道对基于CS的信号采集和重建的影响进行建模并加以缓解。
• 通过在CS测量过程中引入保密约束，解决物理层安全问题，以在传输过程中保护数据。
• 提出自适应和分布式CS策略，在资源和环境约束下保持重建精度。

实验结果

研究问题

• RQ1 如何将标准CS框架扩展以考虑集中式和分布式WSNs中的通信约束？
• RQ2 在不进行信号重建的情况下，能在多大程度上直接从压缩的CS测量中完成检测和分类等推断任务？
• RQ3 测量量化和非理想信道条件如何影响WSNs中基于CS的信号恢复？这些影响又该如何缓解？
• RQ4 物理层保密在基于CS的WSN通信中扮演什么角色？如何将其整合到传感和传输过程中？
• RQ5 在将CS应用于实际WSN应用时，关键的开放挑战和未来研究方向是什么？

主要发现

• 将CS扩展以包含通信约束，可在保持可接受重建质量的同时显著降低传输功率和带宽使用。
• 从压缩数据中进行推断（如检测和分类）可实现高精度，减少对完整信号重建的需求，从而节省能量。
• CS测量的量化会引入失真，但经过优化的量化方案可保留足够信息以实现可靠的信号恢复和推断。
• 非理想的无线信道会降低重建性能，但通过建模信道影响的鲁棒CS算法可缓解这些影响并维持系统可靠性。
• 将物理层保密整合到基于CS的WSNs中可增强数据安全性，而无需额外的加密层。
• 将实际约束整合到CS框架中，可使解决方案更具可部署性和可扩展性，适用于实际WSN应用。