Analysis of distributed parameter estimation in WSN with unreliable nodes

Abstract

In this article we analyze the diffusion normalized least mean square (NLMS) and its set-membership version (SM-NLMS) diffusion algorithms in a scenario where sensor nodes are subjected to different noise variances. We show through simulation that the SM-NLMS is a more robust algorithm in such condition, in addition to the provided reduced energy consumption. We also show that, in such context, the reduced feedback SM-NLMS (RF-SM-NLMS) presents a similar performance when compared to the SM-NLMS with an additional energy saving and lower channel occupancy. Moreover, we propose an adaptive way to choose the SM-NLMS and RF-SM-NLMS parameters in order to provide further performance enhancement in the presence of nodes subjected to different noise variances.

Extensão do Algoritmo Set-Membership-CM para o Contexto de Redes de Sensores Sem Fio

“…O modelo de rede adotado opera em modo difusão com estrutura distribuída homogênea e estática baseado em [3], [5], [6]. Esse modelo de rede pode ser utilizado em diversos cenários diferentes [7] principalmente em aplicações de tempo real, como localização de objetos ou desenho topográfico de mapas aéreo, na medicina estimando ou monitorando dados fisiológicos de pessoas, na estimação de dados ambientais como chuvas, velocidade do vento, umidade dentre diversas outras aplicações.…”

“…Consideramos que todos os nós têm capacidade de processar a informação recebida e os nós vizinhos trocam informações entre si. Também foi mostrado que o desempenho do algoritmo depende da matriz de combinação que está sendo utilizada, diferentemente de algoritmos supervisionados [7].…”

Algoritmo Set-Membership CMA no modo Difusão Aplicado a Redes de Sensores

“…Neste trabalho, abordaremos o problema de filtragem adaptativa dentro do contexto de redes de sensores sem fio. No contexto de técnicas supervisionadas, diversos algoritmos foram propostos e analisados na literatura [1,2,3,4,5,6]. Neste contexto, o algoritmo mais utilizado é o Least Mean Squares (LMS).…”

“…Tal trabalho considera que todos os nós têm capacidade de processar a informação recebida e os nós vizinhos trocam informações entre si. Em [8], foi mostrado que o desempenho do algoritmo depende da matriz de combinação sendo utilizada, diferentemente de algoritmos supervisionados [3]. Além disso, dependendo da topologia da rede e inicialização dos nós, a cooperação entre os nós permite que se consiga convergir para boas soluções mesmo que alguns nós tenham inicializações ruins, ganhando certa robustez contra convergências para mínimos locais.…”

Diffusion Constant Modulus Algorithm for Wireless Sensor Networks

“…We also briefly analyze the algorithms convergence with respect to the filter initialization, keeping in mind that the constant modulus criterion presents local minima [6]. In addition, the combination matrix, which represents the network topology in the algorithms adaptation, plays an important role in the methods performance, differently from what is observed on supervised methods [2], [3].…”