شماره ركورد
15572
شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
15572
پديد آورنده
زهرا صادقيگل
عنوان
بازسازي سيگنال در حسگري فشرده به روش بيزين مدل پايه
مقطع تحصيلي
دكتري
رشته تحصيلي
مخابرات - سيستم
سال تحصيل
ديماه 1394
تاريخ دفاع
ديماه 1394
استاد راهنما
دكتر محمدحسين كهايي
استاد مشاور
دكتر فرزان حدادي
دانشكده
برق
چكيده
با استفاده از تئوري حسگري فشرده، ميتوان سيگنالهاي تنك را در شرايطي كه تعداد نمونههاي دردسترس از سيگنال موردنظر، بسيار كمتر از نرخ نايكوئيست ميباشد، بازسازي كرد. در بين الگوريتمهاي موجود در اين حوزه، الگوريتمهايي كه از مدل، براي سيگنال موردِ بازسازي استفاده ميكنند داراي عملكرد بهتري نسبت به ساير الگوريتمها ميباشند. آنچه هدف اين رساله ميباشد ارائه روشها و الگوريتمهايي است كه با بكارگيري مدلهاي جديد آماري، عملكرد بهتري در بازسازي سيگنال داشته باشند.
بطور كلي در مدلسازي آماريِ سيگنالهاي تنك، از توابعي كه توانايي بالايي در نمايش يك سيگنال تنك دارند، استفاده ميشود. اين توابع داراي ويژگيهاي مشتركي ميباشند كه از آن جمله ميتوان به داشتن دنباله سنگين خارج از مبدا و داشتن قله تيز در مبدا اشاره كرد. در الگوريتمهاي پيشنهادي باتوجه به اين ويژگيها، مدلهاي جديدي ارائه گرديده و براساس اين مدلها، روشِ استنتاجِ مربوط به آنها طراحي شده است. در اولين روش پيشنهادي جهت كاهش خطاي بازسازي، از تبديل موجك مختلط در حوزه حسگري فشرده بيزين استفاده گرديده است. روش دوم پيشنهادي، يك مدل جديد آماري مبتني بر درخت مخفي ماركوف دو حالته با بكارگيري توزيع دنباله سنگين Bessel K Form ميباشد. در اين روش از استنتاج Markov chain Monte Carlo استفاده گرديده است. اين روشِ استنتاج، داراي دقت بالا ولي سرعت كمي ميباشد. به همين دليل براي بالابردن سرعت همگرايي الگوريتم، در سومين روش پيشنهادي، از استنتاج variational Bayes استفاده شده است.
در روش سوم از مدلِ درخت مخفي ماركوف دو حالته مبتني بر يك توزيع دنباله سنگين جديد به نام generalized double Pareto بهرهگيري شده است. اين تابعِ توزيع، براي پارامترِ دقتِ توزيع گاوسي، از تابع مزدوج گاما استفاده ميكند. يكي ديگر از توابع مزدوج براي دقت توزيعِ گاوسي، تابع توزيع بتا است كه در روش چهارم پيشنهاد گرديده است. در اين روشِ پيشنهادي، مدل جديدي مبتني بر تابع سه مرحلهاي generalized Beta mixture of Gaussian ارائه گرديده است كه عملكرد بهتري نسبت به ساير الگوريتمهاي مقايسهاي دارد. در اين روش، نيز از استنتاج variational Bayes براي افزايش سرعت همگرايي استفاده گرديده است. براساس نتايج شبيهسازيها، با استفاده از روشهاي پيشنهادي ميتوان خطاي بازسازي سيگنال را كاهش داد و سرعت اجراي الگوريتمها، با توجه به نوع استنتاج مورد استفاده تعيين ميگردد.
واژههاي كليدي: حسگري فشرده آماري، مدلسازي آماري سيگنال، روشهاي استنتاج آماري.