Censoring diffusion for harvesting WSNs

Fernandez-Bes, Jesus; Arroyo-Valles, Rocio; Arenas‐García, Jerónimo; Cid-Sueiro, J.

doi:10.1109/camsap.2015.7383780

Cited by 7 publications

(19 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Nesse caso, mantiveram-se os parâmetros do algoritmo DTAS-dNLMS, ao passo que β e µ s foram reajustados para o AS-dNLMS utilizando as Eqs. ( 11) e (12). Nesse cenário, observa-se o comprometimento da capacidade de rastreamento do AS-dNLMS.…”

Section: Resultados De Simulaçãounclassified

“…i pnq e ψ i pnq, isso não aumenta o número de transmissões. Como agora há um valor de β k pnq diferente para cada nó em vez de um parâmetro global β, o ajuste de µ s segundo (12) deve ser alterado, levando a um passo µ s k pnq para cada nó k. Além disso, como não se presume mais o conhecimento prévio de σ 2 max , esse termo é substituído por p σ 2 N k pnq em (12). Por fim, considerando-se ( 14), pode-se escrever…”

Section: Ajuste Automático Dos Parâmetrosunclassified

“…Nas últimas décadas, redes de difusão adaptativas se consolidaram como uma ferramenta interessante para o processamento distribuído de sinais. Utilizando nós espacialmente distribuídos e conectados entre si por meio de uma topologia, elas têm se mostrado uma solução eficiente em diversas aplicações, tais como localização e rastreamento de alvos, sensoriamento de espectro em redes móveis, aplicações médicas, entre outras [1]- [12]. Contudo, em certas situações, o custo associado à medição e processamento dos dados em cada nó é proibitivo, tornando necessário algum mecanismo de amostragem [13], [14].…”

Section: Introductionunclassified

“…Além disso, nas redes de sensores sem fio, o consumo energético é frequentemente uma limitação crítica. Nesses casos, é comum empregar técnicas de censura, que limitam a quantidade de transmissões entre os nós [11], [12].…”

Section: Introductionunclassified

See 3 more Smart Citations

Amostragem Adaptativa para Redes de Difusão com Ajuste de Parâmetros em Tempo Real

Tiglea¹,

Candido²,

Silva³

2021

Anais Do XXXIX Simpósio Brasileiro De Telecomunicações E Processamento De Sinais

View full text Add to dashboard Cite

Resumo-Recentemente, foi proposto um algoritmo de amostragem para redes de difusão que adapta localmente o número de nós amostrados segundo o erro de estimação, gerando economia energética e computacional. Seu desempenho depende da escolha do parâmetro responsável por penalizar a amostragem, que é função da potência do ruído. Escolhas inadequadas afetam a convergência após mudanças no ambiente. Neste artigo, esse parâmetro é ajustado automaticamente baseado na estimação adaptativa da potência do ruído. Embora aumente ligeiramente o custo computacional, tal modificação melhora a capacidade de rastreamento, reduz a influência de nós ruidosos e ainda é vantajosa na presença de ruído impulsivo.Palavras-Chave-Redes de difusão adaptativas, amostragem, processamento distribuído de sinais, ruído impulsivo.Abstract-Recently, we proposed a sampling algorithm for diffusion networks, which adapts locally the number of sampled nodes based on the estimation error. It reduces energy consumption and the computational cost. Its performance depends on the choice of the parameter that penalizes sampling, which is a function of the noise power. Inadequate choices of this parameter affect its tracking capability. In this paper, this parameter is automatically adjusted based on an adaptive estimation of the noise power. Although this modification slightly increases the computational cost, it improves the tracking capability, reduces the influence of noisy nodes and is advantageous in the presence of impulsive noise.

show abstract

Section: Resultados De Simulaçãounclassified

Section: Ajuste Automático Dos Parâmetrosunclassified

Section: Introductionunclassified

See 2 more Smart Citations

Amostragem Adaptativa para Redes de Difusão com Ajuste de Parâmetros em Tempo Real

Tiglea¹,

Candido²,

Silva³

2021

Anais Do XXXIX Simpósio Brasileiro De Telecomunicações E Processamento De Sinais

View full text Add to dashboard Cite

show abstract

“…There exist works on reducing the energy consumption of the diffu-sion algorithm by modifying either the algorithm, the communication frequency, or the topology [18]- [21]. However, in these works additional complexity is introduced [18], [19] or the performance of the diffusion algorithm degrades [20], [21]. We propose a novel EE method for reducing the energy consumption of the DLS algorithm.…”

Section: Introductionmentioning

confidence: 99%

Energy-Efficient Distributed Leader Selection Algorithm for Energy-Constrained Wireless Sensor Networks

2019

View full text Add to dashboard Cite

In the context of green communication and energy-efficiency in wireless communication, this paper investigates distributed estimation algorithms in an energy-constrained wireless sensor network and proposes an energy-efficient distributed leader selection algorithm. The existing state-of-the-art diffusion algorithm and the recently introduced distributed leader selection algorithm are investigated. To evaluate the energy consumption of the algorithms, their respective algorithmic complexity, and number of operations and information exchanges are derived and compared. The obtained values are used as a basis to estimate the execution time and energy consumption of the algorithms. We propose and introduce the energy-efficient distributed leader selection algorithm which retains the performance of the existing leader selection algorithm while reducing the complexity and energy consumption. For the simulations, the algorithms are mapped to widely used wireless sensor network hardware architectures (MSP430 and RSL10). The numerical results show that the proposed algorithm is able to decrease the energy consumption of the network by 32%-53% and can extend the network lifetime by 14%-46% as compared with the diffusion and the distributed leader selection algorithms.

show abstract