Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction to Compressed Sensing and Sparse Filtering Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

12. Estimation of Time-Varying Sparse Signals in Sensor Networks

verfasst von : Manohar Shamaiah, Haris Vikalo

Erschienen in: Compressed Sensing & Sparse Filtering

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this chapter, we consider the problem of reconstructing time-varying sparse signals in a sensor network with limited communication resources. In each time interval, the fusion center transmits the predicted signal estimate and its corresponding error covariance to a selected subset of sensors. The selected sensors compute quantized innovations and transmit them to the fusion center. We consider the situation where the signal is sparse, i.e., a large fraction of its components is zero-valued. We discuss algorithms for signal estimation in the described scenario, analyze their complexity, and demonstrate their near-optimal performance even in the case where sensors transmit a single bit (i.e., the sign of innovation) to the fusion center.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Recursive Reconstruction of Sparse Signal Sequences
Nächstes Kapitel Sparsity and Compressed Sensing in Mono-Static and Multi-Static Radar Imaging
Literatur
1.
Ribeiro A, Giannakis GB, Roumeliotis SI (2006) Soi-kf: distributed kalman filtering with low-cost communications using the sign of innovations. IEEE Trans Signal Process 54(12):4782–4795CrossRef
2.
Simon D, Chia TL (2002) Kalman filtering with state equality constraints. IEEE Trans Aerosp Electron Syst 38(1):128–136CrossRef
3.
Sukhavasi RT, Hassibi B (2009) The kalman like particle filter : optimal estimation with quantized innovations/measurements. In: IEEE CDC, pp 4446–4451
4.
5.
6.
Bajwa W, Haupt J, Sayeed A, Nowak R (2006) Compressive wireless sensing. In: IPSN, pp 134–142
7.
Haupt J, Bajwa WU, Rabbat M, Nowak R (2008) Compressed sensing for networked data. IEEE Signal Process Mag 25(2):92–101CrossRef
8.
Angelosante D, Giannakis GB, Grossi E (2009a) Compressed sensing of time varying signals. In: IEEE DSP, pp 1–8.
9.
Angelosante D, Giannakis GB (2009) RLS-weighted Lasso for adaptive estimation of sparse signals. In: IEEE ICASSP, pp 3245–3248.
10.
Babadi B, Kalouptsidis N, Tarokh V (2010) SPARLS: the sparse RLS algorithm. IEEE Trans Signal Process 58(8):4013–4025
11.
Angelosante D, Roumeliotis SI, Giannakis GB (2009b) Lasso-Kalman smoother for tracking sparse signals. In: IEEE ACSSC, pp 181–185
12.
Vaswani N, Lu W (2010) Modified-CS: modifying compressive sensing for problems with partially known support. IEEE Trans Signal Process 58(9):4595–4607
13.
Vaswani N (2010) LS-CS-residual (LS-CS): compressive sensing on least squares residual. IEEE Trans Signal Process 58(8):4108–4120MathSciNetCrossRef
14.
Carmi AY, Gurfil P, Kanevsky D (2010) Methods for sparse signal recovery using Kalman filtering with embedded pseudo-measurement norms and quasi-norms. IEEE Trans Signal Process Mag 58(4):2405–2409MathSciNetCrossRef
15.
Carmi AY, Mihaylova L, and Kanevsky D (2012) Unscented compressed sensing. In: IEEE ICASSP, pp 5249–5252
16.
Dai W, Pham HV, and Milenkovic O (2009) A comparative study of quantized compressive sensing schemes. In: IEEE ISIT, pp 11–15
17.
Zymnis A, Boyd S, Candes E (2010) Compressed sensing with quantized measurements. IEEE Signal Process Lett 17(2):149–152CrossRef
18.
Qui K, Dogandzic A (2012) Sparse signal reconstruction from quantized noisy measurements via GEM hard thresholding. IEEE Trans Signal Process 60(5):2628–2634MathSciNetCrossRef
19.
Boufounos PT (2009) Greedy sparse signal reconstruction from sign measurements. IEEE ACSSC, pp 1305–1309
20.
Laska JN, Wen Z, Yin W, Baranuik RG (2011) Trust, but verify: fast and accurate signal recovery from 1-bit compressive measurements. IEEE Trans Signal Process 59(11):5289–5301, 1417–1420
21.
Kamilov U, Goyal VK, Rangan S (2011) Message-passing estimation from quantized samples. eprint arXiv:1105.6368
22.
Mezghani A, Nossek JA (2012) Efficient reconstruction of sparse vectors from quantized observations. IEEE ITG Workshop on smart antennas (WSA)
23.
Kailath T, Sayed AH, Hassibi B (2000) Linear estimation. Prentice Hall, Upper Saddle River
24.
Iltis RA (2006) A sparse Kalman filter with application to acoustic communications channel estimation. In: IEEE OCEANS, pp 1–5
Metadaten
Titel
Estimation of Time-Varying Sparse Signals in Sensor Networks
verfasst von
Manohar Shamaiah
Haris Vikalo
Copyright-Jahr
2014
Verlag
Springer Berlin Heidelberg
Buch
Compressed Sensing & Sparse Filtering

Print ISBN: 978-3-642-38397-7

Electronic ISBN: 978-3-642-38398-4

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-642-38398-4_12

Neuer Inhalt

    Bildnachweise