SCRA: Structured Compressive Random Access for Efficient Information Collection in IoT
SCRA: Structured Compressive Random Access for Efficient Information Collection in IoT
复制标题
SCRA：用于物联网中高效信息收集的结构化压缩随机访问
DOI：
10.1109/jiot.2019.2958081
复制
发表时间：
2020-03
影响因子：
10.6
通讯作者：
Wang Zhi
中科院分区：
文献类型：
--
作者：
Sun Peng;Wu Liantao;Wang Zhibo;Feng Yunhe;Wang Zhi
在物联网（IoT）中实现有效的信息收集是一个根本问题，其中随机（信道）访问起着不可或缺的作用，特别是当IoT端节点之间的协调无法实现时。压缩感知（CS）已被广泛用于随机接入，以促进能源效率和准确的数据收集。然而，联合稀疏结构，这通常存在于由不同的终端节点获取的信号，已被现有的基于CS的随机接入方案长期忽视，导致能量效率和准确性不足。在这篇文章中，利用这种联合稀疏结构，我们提出了一个结构化的压缩随机访问（SCRA）机制，以实现最大的能源效率与数据收集的准确性保证。具体来说，我们首先建模的数据丢失引起的数据包碰撞随机访问过程中作为一个独立的CS测量过程中，每个节点，其中相应的CS投影矩阵是由数据丢失模式。此外，为了控制在信道中传输的数据量和减轻数据包碰撞，我们采用的感知概率的概念，在每个端节点进行随机子采样传输前，其中最佳的感知概率推导。最后，我们建议联合恢复组稀疏的概念的基础上，在所有节点的原始信号集制定的数据收集过程中作为一个单一的测量向量的问题CS。评估结果验证了SCRA的有效性，利用联合稀疏结构，以获得上级性能相比，基准方法。
It is a fundamental issue to achieve efficient information collection in Internet of Things (IoT), where random (channel) access plays an indispensable role, especially when coordination among IoT end nodes is unachievable. Compressive sensing (CS) has been widely used in random access to facilitate energy efficient and accurate data collection. However, a joint sparsity structure, which commonly exists among signals acquired by different end nodes, has been long ignored by existing CS-based random access schemes, leading to insufficient energy efficiency and accuracy. In this article, capitalizing on this joint sparsity structure, we propose a structured compressive random access (SCRA) mechanism in order to achieve maximum energy efficiency with accuracy guarantee for data collection. Specifically, we first model the data loss induced by packet collisions during random access as an independent CS measurement process for each node, where the corresponding CS projection matrix is determined by the data loss pattern. Furthermore, in order to control the amount of data transmitted in the channel and alleviate the packet collisions, we employ the concept of sensing probability to perform random subsampling at each end node before transmission, where the optimal sensing probability is derived. Finally, we propose to jointly recover the set of original signals at all nodes based on the concept of group sparsity by formulating the data collection process as a single-measurement-vector problem in CS. The evaluation results validate the effectiveness of SCRA in utilizing the joint sparsity structure to obtain superior performance compared to the benchmark methods.
登录
查看更多内容
DOI：
10.1007/978-0-387-31439-6_647
发表时间：
2008-03
期刊：
--
影响因子：
--
作者：
Richard Baraniuk
通讯作者：
Richard Baraniuk
DOI：
10.3390/s150819880
发表时间：
2015-08-13
期刊：
Sensors (Basel, Switzerland)
影响因子：
--
作者：
Wu L;Yu K;Cao D;Hu Y;Wang Z
通讯作者：
Wang Z
DOI：
10.1109/lcomm.2019.2892139
发表时间：
2019-01
期刊：
IEEE Communications Letters
影响因子：
--
作者：
Eunhye Park;Taehoon Kim;Youngnam Han
通讯作者：
Eunhye Park;Taehoon Kim;Youngnam Han
DOI：
10.1017/cbo9780511794308
发表时间：
2012
期刊：
--
影响因子：
--
作者：
Gitta Kutyniok
通讯作者：
Gitta Kutyniok
DOI：
10.1007/978-981-13-2523-6_1
发表时间：
2018-09
期刊：
SpringerBriefs in Electrical and Computer Engineering
影响因子：
--
作者：
L. Kong;Bowen Wang;Guihai Chen
通讯作者：
L. Kong;Bowen Wang;Guihai Chen