ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

STCS-GAF: Spatio-Temporal Compressive Sensing in Wireless Sensor Networks- A GAF-Based Approach

سال انتشار: 1397
کد COI مقاله: JR_JECEI-6-2_004
زبان مقاله: انگلیسیمشاهد این مقاله: 168
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 14 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله STCS-GAF: Spatio-Temporal Compressive Sensing in Wireless Sensor Networks- A GAF-Based Approach

Mohammad Ghaderi - Department of Electrical Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran
Vahid Tabataba Vakili - Iran University of Science and Technology
Mansour Sheikhan - Department of Electrical Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran

چکیده مقاله:

Routing and data aggregation are two important techniques for reducing communication cost of wireless sensor networks (WSNs). To minimize communication cost, routing methods can be merged with data aggregation techniques. Compressive sensing (CS) is one of the effective techniques for aggregating network data, which can reduce the cost of communication by reducing the amount of routed data to the sink. Spatio-temporal CS (STCS), with the use of spatial and temporal correlation of sensor readings, can increase the compression rate in WSNs, thereby reducing the cost of communication. In this paper, a new method of STCS technique based on the geographic adaptive fidelity (GAF) protocol is proposed which can effectively reduce the communication cost and energy consumption in WSNs. In the proposed method, temporal data is obtained from random selection of temporal readings of cluster head (CH) sensors located in virtual cells in the clustered sensors area and spatial data will be formed from the data readings of CHs located on the routes. Accordingly, a new structure of sensing matrix will be created. The results show that the proposed method as compared to the method proposed in [29], which is the most similar method in the literature, reduces energy consumption in the range of 22% to 43% in various scenarios which were implemented based on the number of required measurements at the sink (M) and the number of measurements in the routes (m_r).

کلیدواژه ها:

Compressive sensing, GAF protocol, Spatio-temporal, Wireless sensor network

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/929874/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Ghaderi, Mohammad و Tabataba Vakili, Vahid و Sheikhan, Mansour,1397,STCS-GAF: Spatio-Temporal Compressive Sensing in Wireless Sensor Networks- A GAF-Based Approach,,,,,https://civilica.com/doc/929874

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1397, Ghaderi, Mohammad؛ Vahid Tabataba Vakili و Mansour Sheikhan)
برای بار دوم به بعد: (1397, Ghaderi؛ Tabataba Vakili و Sheikhan)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود ممقالهقاله لینک شده اند :

  • H. Zheng, F. Yang, X. Tian, X. Gan, X. Wang, ...
  • J. Haupt, W. Bajwa, M. Rabbat, and R. Nowak, Compressed ...
  • S. Li, L. Xu, and X. Wang, Compressed sensing signal ...
  • B. Ali, N. Pissinou, and K. Makki, Identification and validation ...
  • O. Younis and S. Fahmy, HEED: A hybrid, energy-efficient, distributed ...
  • N. A. Pantazis and D. D. Vergados, A survey on ...
  • S. Wang and Z. Chen, LCM: A link-aware clustering mechanism ...
  • D. Bhattacharyya, T. H. Kim, and S. Pal, A comparative ...
  • M. Bhuiyan, G. Wang, and A. Vasilakos, Local area predictionbased ...
  • E. Xu, Z. Ding, and S. Dasgupta, Target tracking and ...
  • A. Vempaty, O. Ozdemir, K. Agrawal, H. Chen, and P. ...
  • Y. Xu, J. Heidemann, and D. Estrin, Geography-informed energy conservation ...
  • F. Shang and J. Liu, Multi-hop topology control algorithm for ...
  • D. L. Donoho, Compressed sensing, IEEE Transactions on Information Theory, ...
  • E. Candes, J. Romberg, and T. Tao, Robust uncertainty principles: ...
  • E. Candes and M. Wakin, An introduction to compressive sampling, ...
  • M. B. Wakin, M. F. Duarte, S. Sarvotham, D. Baron, ...
  • E. Candes and T. Tao, Near-optimal signal recovery from random ...
  • E. Candes and T. Tao, Decoding by linear programming, IEEE ...
  • E. Candes, J. Romberg, and T. Tao, Stable signal recovery ...
  • J. Tropp and A. Gilbert, Signal recovery from random measurements ...
  • M. Duarte and R. Baraniuk, Kronecker compressive sensing, IEEE Transactions ...
  • E. Candes, The restricted isometry property and its implications for ...
  • E. Candes and J. Romberg, Sparsity and incoherence in compressive ...
  • J. Haupt and R. Nowak, Signal reconstruction from noisy random ...
  • M. Leinonen and S. Member, Sequential compressed sensing with progressive ...
  • M. Duarte and R. Baraniuk, Kronecker product matrices for compressive ...
  • M. Mahmudimanesh, A. Khelil, and N. Suri, Balanced spatiotemporal compressive ...
  • X. Li, X. Tao, and G. Mao, Unbalanced expander based ...
  • L. Quan, S. Xiao, X. Xue, and C. Lu, Neighbour-aided ...
  • W. Heinzelman, A. Chandrakasan, and H. Balakrishnan, An application-specific protocol ...
  • H. Zheng, J. Li, X. Feng, W. Guo, Z. Chen, ...
  • W. Cai and M. Zhang, Spatio-temporal correlation–based adaptive sampling algorithm ...
  • S. Chen, J. Liu, K. Wang, and M. Wu, A ...
  • S. Mehrjoo and F. Khunjush, Accurate compressive data gathering in ...
  • Y. Zhou, L. Yang, L. Yang, and M. Ni, Novel ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: 9,703
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی