• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>9th ACM/IEEE international conference on information processing in sensor networks 2010 >Online Distributed Sensor Selection
【24h】

Online Distributed Sensor Selection

机译：在线分布式传感器选择

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

A key problem in sensor networks is to decide which sensors to query when, in order to obtain the most useful information (e.g., for performing accurate prediction), subject to constraints (e.g., on power and bandwidth). In many applications the utility function is not known a priori, must be learned from data, and can even change over time. Furthermore for large sensor networks solving a centralized optimization problem to select sensors is not feasible, and thus we seek a fully distributed solution. In this paper, we present Distributed Online Greedy (DOG), an efficient, distributed algorithm for repeatedly selecting sensors online, only receiving feedback about the utility of the selected sensors. We prove very strong theoretical no-regret guarantees that apply whenever the (unknown) utility function satisfies a natural diminishing returns property called submodularity. Our algorithm has extremely low communication requirements, and scales well to large sensor deployments. We extend DOG to allow observation-dependent sensor selection. We empirically demonstrate the effectiveness of our algorithm on several real-world sensing tasks.
机译：传感器网络中的关键问题是，在受到约束（例如，功率和带宽）的约束下，决定何时查询哪个传感器，以便获得最有用的信息（例如，用于执行准确的预测）。在许多应用中，效用函数不是先验的，必须从数据中学习，甚至可以随时间变化。此外，对于大型传感器网络，解决集中优化问题以选择传感器是不可行的，因此我们寻求一种完全分布式的解决方案。在本文中，我们提出了分布式在线贪婪（DOG），这是一种高效的分布式算法，用于在线重复选择传感器，仅接收有关所选传感器的实用性的反馈。我们证明了非常强的理论后悔保证，只要（未知）效用函数满足称为子模数的自然递减收益特性，该保证就适用。我们的算法具有极低的通信要求，并且可以很好地扩展到大型传感器部署。我们扩展了DOG，以允许依赖于观察的传感器选择。我们通过经验证明了我们的算法在几种现实世界中的传感任务上的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号