< Terug naar vorige pagina
Project
Signaalverwerkingsalgoritmes voor draadloze akoestische sensornetwerken.
Recente academische ontwikkelingen hebben een paradigmaverschuiving teweeg gebracht in de manier waarop we spatiale sensormetingen kunnen verkrijgen. Traditionele gelokaliseerde en regelmatig geordende sensorroosters zullen in de toekomst vervangen worden door sensoren die willekeurig over de geobserveerde omgeving verspreid worden, en die draadloos met elkaar kunnen communiceren. Dit is het domein van de zogenaamde draadloze sensornetwerken (wireless sensor networks</>, of WSNs). Een WSN bestaat uit sensornodes die elk over een sensor(rooster) en een verwerkingseenheid beschikken om de geobserveerde data te verwerken. Het voordeel in vergelijking met traditionele (bedrade) sensorroosters is dat er meer sensoren kunnen gebruikt worden die fysisch een veel grotere omgeving omspannen, wat typisch meer variëteit (en dus meer informatie) in de opgemeten signalen oplevert. Er wordt verwacht dat toekomstige data acquisitie en regel- en observatiesystemen veelvuldig gebruik zullen maken van dergelijke sensornetwerken. De meeste contributies in dit doctoraatsproefschrift zijn gericht op (maar niet gelimiteerd tot) WSNs voor ruisonderdrukking in spraakopnames. Ruisonderdrukking is cruciaal in vele spraaktoepassingen zoals gehoorapparaten, mobiele telefonie, video conferenties, handenvrije telefonie, automatische spraakherkenning, etc.
In dit doctoraatsproefschrift ontwikkelen we nieuwe gedistribueerde signaal- en parameterschattingstechnieken voor WSNs, waarbij de sensordata binnen hetnetwerk zelf wordt verwerkt, i.e., door de sensornodes zelf, zonder alle sensorobservaties te verzamelen in een centrale verwerkingseenheid zoals in gecentraliseerde schattingstechnieken. Gedistribueerde verwerking biedt vaak schalingsvoordelen met betrekking tot communicatiebandbreedte, transmissievermogen en lokale rekenkracht, en geniet daarom meestal devoorkeur. In bijna alle voorgestelde gedistribueerde schattingstechnieken is het doel om dezelfde schattingsperformantie te behalen als in een gecentralizeerd algoritme. We onderscheiden twee verschillende types schattingsproblemen: signaalschatting en parameterschatting. Beide problemen worden meestal op sterk verschillende manieren opgelost. In gedistribueerde signaalschatting neemt het aantal schattingsvariabelen lineair toemet het aantal sensorobservaties, d.w.z., voor elk bemonsteringstijdstip aan de sensoren moet een nieuw monster van het gewenste signaal geschat worden. Iteratieve verbetering van deze signaalschattingen zou dan betekenen dat tussentijdse schattingen van dezelfde signalen meerdere kerenmoeten worden uitgewisseld tussen hetzelfde paar nodes, wat meestal niet mogelijk is in real-time systemen met hoge bemonsteringsfrequenties. In gedistribueerde parameterschatting is de situatie anders. Ofwel ligt het aantal schattingsvariabelen vast, ofwel gebeurt de data acquisitie aan een trage bemonsteringssnelheid zodat er genoeg tijd is om tussentijdse schattingen iteratief te verbeteren.
In het kader van gedistribueerde signaalschatting in WSNs stellen we een gedistribueerd adaptief node-specifiek signaalschattingsalgoritme voor (`distributed adaptive node-specific signal estimation</>' of DANSE), dat eerst wordt beschreven voor volledig geconnecteerde WSNs. De term `node-specific</>' duidtaan dat elke node een ander signaal schat, hoewel er verondersteld wordt dat deze signalen een gemeenschappelijke laagdimensionele signaalruimte delen. Indien hieraan voldaan is, dan kan DANSE de uitwisseling van data tussen de nodes sterk reduceren, en toch de optimale schatter bekomenin elke node, alsof alle nodes toegang hebben tot alle sensorsignalen in het volledige netwerk. In de oorspronkelijke versie van DANSE worden de lokale schatters in elke node iteratief en sequentieel aangepast. Het DANSE algoritme wordt daarna uitgebreid zodat nodes hun lokale schattersgelijktijdig kunnen aanpassen, wat toelaat om veel sneller te reageren op veranderingen in de omgeving. Beide versies van het algoritme worden dan toegepast in een spraakverbeteringscontext. Hiervoor wordt het DANSEalgoritme uitgebreid naar een robuustere versie om numerieke problemen -die regelmatig opduiken in dergelijke praktische opstellingen- te vermijden. Het DANSE algoritme wordt daarna ook verder uitgebreid naar netwerken met een boomtopologie, zodanig dat elke node niet per se hoeft te communiceren met elke andere node in het netwerk. Een laatste uitbreiding van DANSE bestaat erin dat er node-specifieke lineaire beperkingen kunnen opgelegd worden in elk lokaal schattingsprobleem.
Een tweede deel van dit doctoraatsproefschrift richt zich op gedistribueerde parameterschatting, in het bijzonder op lineaire regressieproblemen waar de data- of regressiematrix met ruis gecontamineerd is, waarvoor traditionele kleinste kwadratenschatters een bias</> vertonen. Om deze bias the reduceren, stellen we twee nieuwe methoden voor. De eerste is een gedistribueerde versie van total least squares</> schatting, die de bias elimineert indien de regressieruis wit is. Een andere methode, die ook voor gekleurde ruis werkt, past bias-compensatie toe op een recursief kleinste kwadratenalgoritme met diffusie adaptatie. Dit algoritme wordt geanalyseerd in een adaptieve filtering context, en we tonen aan dat samenwerking tussen de nodes inderdaad de bias reduceert, en bovendien devariantie op de lokale parameterschattingen verkleint.
In het laatste deel beschrijven we twee ondersteunende technieken voor (akoestische) signaalschatting in WSNs. De eerste is een energie-gebaseerde multi-spreker spraakdetector, die als doel heeft om het spraakvermogen van individuele sprekers, die tegelijk aan het praten zijn, te schatten. Tenslotte stellen we een efficiënt greedy</> sensorselectietechniek voor die de set van sensors selecteert die het meeste invloed hebben op definale signaalschatting. De andere -minder belangrijke- sensornodes kunnen dan uitgezet worden om energie te besparen. Deze methode geeft als bijproduct ook efficiënte formules om de optimale schatter te herberekenen indien er plots een draadloze link uitvalt.
In dit doctoraatsproefschrift ontwikkelen we nieuwe gedistribueerde signaal- en parameterschattingstechnieken voor WSNs, waarbij de sensordata binnen hetnetwerk zelf wordt verwerkt, i.e., door de sensornodes zelf, zonder alle sensorobservaties te verzamelen in een centrale verwerkingseenheid zoals in gecentraliseerde schattingstechnieken. Gedistribueerde verwerking biedt vaak schalingsvoordelen met betrekking tot communicatiebandbreedte, transmissievermogen en lokale rekenkracht, en geniet daarom meestal devoorkeur. In bijna alle voorgestelde gedistribueerde schattingstechnieken is het doel om dezelfde schattingsperformantie te behalen als in een gecentralizeerd algoritme. We onderscheiden twee verschillende types schattingsproblemen: signaalschatting en parameterschatting. Beide problemen worden meestal op sterk verschillende manieren opgelost. In gedistribueerde signaalschatting neemt het aantal schattingsvariabelen lineair toemet het aantal sensorobservaties, d.w.z., voor elk bemonsteringstijdstip aan de sensoren moet een nieuw monster van het gewenste signaal geschat worden. Iteratieve verbetering van deze signaalschattingen zou dan betekenen dat tussentijdse schattingen van dezelfde signalen meerdere kerenmoeten worden uitgewisseld tussen hetzelfde paar nodes, wat meestal niet mogelijk is in real-time systemen met hoge bemonsteringsfrequenties. In gedistribueerde parameterschatting is de situatie anders. Ofwel ligt het aantal schattingsvariabelen vast, ofwel gebeurt de data acquisitie aan een trage bemonsteringssnelheid zodat er genoeg tijd is om tussentijdse schattingen iteratief te verbeteren.
In het kader van gedistribueerde signaalschatting in WSNs stellen we een gedistribueerd adaptief node-specifiek signaalschattingsalgoritme voor (`distributed adaptive node-specific signal estimation</>' of DANSE), dat eerst wordt beschreven voor volledig geconnecteerde WSNs. De term `node-specific</>' duidtaan dat elke node een ander signaal schat, hoewel er verondersteld wordt dat deze signalen een gemeenschappelijke laagdimensionele signaalruimte delen. Indien hieraan voldaan is, dan kan DANSE de uitwisseling van data tussen de nodes sterk reduceren, en toch de optimale schatter bekomenin elke node, alsof alle nodes toegang hebben tot alle sensorsignalen in het volledige netwerk. In de oorspronkelijke versie van DANSE worden de lokale schatters in elke node iteratief en sequentieel aangepast. Het DANSE algoritme wordt daarna uitgebreid zodat nodes hun lokale schattersgelijktijdig kunnen aanpassen, wat toelaat om veel sneller te reageren op veranderingen in de omgeving. Beide versies van het algoritme worden dan toegepast in een spraakverbeteringscontext. Hiervoor wordt het DANSEalgoritme uitgebreid naar een robuustere versie om numerieke problemen -die regelmatig opduiken in dergelijke praktische opstellingen- te vermijden. Het DANSE algoritme wordt daarna ook verder uitgebreid naar netwerken met een boomtopologie, zodanig dat elke node niet per se hoeft te communiceren met elke andere node in het netwerk. Een laatste uitbreiding van DANSE bestaat erin dat er node-specifieke lineaire beperkingen kunnen opgelegd worden in elk lokaal schattingsprobleem.
Een tweede deel van dit doctoraatsproefschrift richt zich op gedistribueerde parameterschatting, in het bijzonder op lineaire regressieproblemen waar de data- of regressiematrix met ruis gecontamineerd is, waarvoor traditionele kleinste kwadratenschatters een bias</> vertonen. Om deze bias the reduceren, stellen we twee nieuwe methoden voor. De eerste is een gedistribueerde versie van total least squares</> schatting, die de bias elimineert indien de regressieruis wit is. Een andere methode, die ook voor gekleurde ruis werkt, past bias-compensatie toe op een recursief kleinste kwadratenalgoritme met diffusie adaptatie. Dit algoritme wordt geanalyseerd in een adaptieve filtering context, en we tonen aan dat samenwerking tussen de nodes inderdaad de bias reduceert, en bovendien devariantie op de lokale parameterschattingen verkleint.
In het laatste deel beschrijven we twee ondersteunende technieken voor (akoestische) signaalschatting in WSNs. De eerste is een energie-gebaseerde multi-spreker spraakdetector, die als doel heeft om het spraakvermogen van individuele sprekers, die tegelijk aan het praten zijn, te schatten. Tenslotte stellen we een efficiënt greedy</> sensorselectietechniek voor die de set van sensors selecteert die het meeste invloed hebben op definale signaalschatting. De andere -minder belangrijke- sensornodes kunnen dan uitgezet worden om energie te besparen. Deze methode geeft als bijproduct ook efficiënte formules om de optimale schatter te herberekenen indien er plots een draadloze link uitvalt.
Datum:1 jan 2008 → 31 dec 2011
Trefwoorden:Acoustic sensor networks
Disciplines:Mechanica
Project type:PhD project