PassFit: Participatory Sensing and Filtering for Identifying Truthful Urban Pollution Sources
PassFit: Participatory Sensing and Filtering for Identifying Truthful Urban Pollution Sources
复制标题
PassFit：用于识别真实城市污染源的参与式传感和过滤
DOI：
10.1109/jsen.2013.2265717
复制
发表时间：
2013-05
影响因子：
4.3
通讯作者：
Yunhao Liu
中科院分区：
文献类型：
--
作者：
Chaocan Xiang;Panlong Yang;Chang Tian;Yubo Yan;Xiaopei Wu;Yunhao Liu
随着智能手机的普及，参与式传感网络成为城市传感应用的一种。值得注意的是，在污染监测应用中，未经训练的参与者和不可靠的传感器给报告的数据带来了很多噪音。当参数未知时，现有的研究无法识别真实的污染源。本文对已报道的数据进行聚类分析，并对污染源进行参数估计。受期望最大化方法的启发，我们估计污染源的存在，并利用这些结果进行噪声估计迭代。关键的见解是，我们可以识别真实的污染源与噪声数据的缓解迭代。进一步的理论分析还表明，我们可以实现最大似然（ML）意义下的最优估计。仿真结果表明，与基本的最大似然算法相比，该算法的识别误报率和漏报率分别降低了99%和82%，噪声估计的平均误差和偏差误差分别降低了49%和70%。
With the increasing ubiquitous usage of the smart phone, participatory sensing networks become applicable for urban sensing applications. Notably, in pollution monitoring applications, untrained participants and heterogeneously unreliable sensors bring much noise into the reported data. Status quo researches fail to identify truthful pollution sources when the parameters are not known. In this paper, we cluster the reported data and make parameter estimations of the pollution sources. Inspired by the expectation maximization method, we estimate the existence of the pollution sources and leverage these results for noise estimations iteratively. The key insight is that, we can identify the truthful pollution sources with the noisy data mitigation iteratively. Further, theoretical analysis also shows that, we can achieve optimal estimation in the sense of maximum likelihood (ML). Simulation results show that, compared with basic ML algorithm, we improve the false positive and false negative of identification by 99% and 82%, respectively, at the same time, the mean error and the deviation error of noise estimation by 49% and 70%, respectively.
登录
查看更多内容
DOI：
10.1109/infcom.2009.5062034
发表时间：
2009-04
期刊：
IEEE INFOCOM 2009
影响因子：
--
作者：
Yong Yang;I.-Hong Hou;J. Hou;M. Shankar;N. Rao
通讯作者：
Yong Yang;I.-Hong Hou;J. Hou;M. Shankar;N. Rao
影响因子：
2.5
作者：
E. Ziegel
通讯作者：
E. Ziegel
DOI：
10.1201/b17767-22
发表时间：
2012-08
期刊：
Actuarial Mathematics for Life Contingent Risks
影响因子：
--
作者：
Francis Albarede
通讯作者：
Francis Albarede
影响因子：
5.3
作者：
G. Xing;Jianping Wang;Zhaohui Yuan;R. Tan;Limin Sun;Qingfeng Huang;X. Jia;H. So
通讯作者：
G. Xing;Jianping Wang;Zhaohui Yuan;R. Tan;Limin Sun;Qingfeng Huang;X. Jia;H. So
DOI：
--
发表时间：
2007-07
期刊：
--
影响因子：
--
作者：
Andreas Krause;Carlos Guestrin
通讯作者：
Andreas Krause;Carlos Guestrin