کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6957428 1451918 2018 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Gravitational Clustering: A simple, robust and adaptive approach for distributed networks
ترجمه فارسی عنوان
خوشه گرانشی: روش ساده، قوی و انطباق برای شبکه های توزیع شده
ترجمه چکیده
پردازش سیگنال توزیع شده برای شبکه های حسگر بی سیم این دستگاه های مختلف را برای حل وظایف پردازش سیگنال مختلف همکاری می کند. اولین قدم مهم این است که به سوال پاسخ دهید: چه کسی چه چیزی را می بیند؟ به تازگی، چندین الگوریتم توزیع شده ارائه شده است که مسائل مربوط به برچسب گذاری سیگنال / چارچوب را از نظر تجزیه و تحلیل خوشه پس از استخراج ویژگی های خاص منبع، در عین حال، تعداد خوشه ها شناخته شده است. ما یک روش جدیدی به نام خوشه گرانشی پیشنهاد می کنیم تا به صورت سازگار برآورد تعداد متغیر زمان خوشه ای بر اساس مجموعه ای از بردارهای ویژگی. ایده کلیدی این است که بهره برداری از اصل فیزیکی نیروی گرانشی بین واحدهای توده ای: جریان های بردار ویژگی ها به عنوان واحد های جرمی از موقعیت ثابت در فضای مورد نظر محسوب می شوند، که در آن واحد جرم تلفن همراه در هر لحظه تزریق می شود. شمارش خوشه استفاده از این واقعیت است که بالاترین جاذبه در واحد های توده تلفن همراه توسط مناطق با تراکم بالا از بردارهای ویژگی، به عنوان مثال، خوشه های گرانشی، اعمال می شود. با به اشتراک گذاری برآوردهای بین گره های همسایه از طریق یک طرح سازگاری انتشار، توزیع خوشه های تعاونی و توزیع به دست می آید. آزمایش های عددی در مورد قابلیت اطمینان در برابر خروجی ها، همگرایی و پیچیدگی محاسباتی انجام شده است. برنامه کاربردی به شبکه های چندرسانه ای تعاونی توزیع شده نشان دهنده کاربرد پذیری در دنیای واقعی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
چکیده انگلیسی
Distributed signal processing for wireless sensor networks enables that different devices cooperate to solve different signal processing tasks. A crucial first step is to answer the question: who observes what? Recently, several distributed algorithms have been proposed, which frame the signal/object labelling problem in terms of cluster analysis after extracting source-specific features, however, the number of clusters is assumed to be known. We propose a new method called gravitational clustering to adaptively estimate the time-varying number of clusters based on a set of feature vectors. The key idea is to exploit the physical principle of gravitational force between mass units: streaming-in feature vectors are considered as mass units of fixed position in the feature space, around which mobile mass units are injected at each time instant. The cluster enumeration takes advantage of the fact that the highest attraction on the mobile mass units is exerted by regions with a high density of feature vectors, i.e., gravitational clusters. By sharing estimates among neighboring nodes via a diffusion-adaptation scheme, cooperative and distributed cluster enumeration is achieved. Numerical experiments concerning robustness against outliers, convergence and computational complexity are conducted. The application to distributed cooperative multi-view camera networks illustrates the applicability to real-world problems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Signal Processing - Volume 149, August 2018, Pages 36-48
نویسندگان
, , ,