• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Automatica >Spatial prediction with mobile sensor networks using Gaussian processes with built-in Gaussian Markov random fields
【24h】

Spatial prediction with mobile sensor networks using Gaussian processes with built-in Gaussian Markov random fields

机译：使用带有内置高斯马尔可夫随机场的高斯过程的移动传感器网络进行空间预测

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

In this paper, a new class of Gaussian processes is proposed for resource-constrained mobile sensor networks. Such a Gaussian process builds on a GMRF with respect to a proximity graph over a surveillance region. The main advantages of using this class of Gaussian processes over standard Gaussian processes defined by mean and covariance functions are its numerical efficiency and scalability due to its built-in GMRF and its capability of representing a wide range of non-stationary physical processes. The formulas for predictive statistics such as predictive mean and variance are derived and a sequential field prediction algorithm is provided for sequentially sampled observations. For a special case using compactly supported weighting functions, we propose a distributed algorithm to implement field prediction by correctly fusing all observations. Simulation and experimental results illustrate the effectiveness of our approach.
机译：在本文中，针对资源受限的移动传感器网络，提出了一类新的高斯过程。这种高斯过程建立在GMRF的基础之上，即相对于监视区域上的接近图。与由均值和协方差函数定义的标准高斯过程相比，使用此类高斯过程的主要优点是由于其内置的GMRF以及可表示各种非平稳物理过程的能力，因此其数值效率和可伸缩性。推导了预测统计量（例如预测均值和方差）的公式，并为顺序采样的观测结果提供了顺序场预测算法。对于使用紧密支持的加权函数的特殊情况，我们提出了一种分布式算法，通过正确地融合所有观测值来实现场预测。仿真和实验结果说明了我们方法的有效性。

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