ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Low-overhead Communications in IoT Networks: Structured Signal Processing Approaches

دانلود کتاب ارتباطات کم سربار در شبکه های اینترنت اشیا: رویکردهای پردازش سیگنال ساختاریافته

Low-overhead Communications in IoT Networks: Structured Signal Processing Approaches

مشخصات کتاب

Low-overhead Communications in IoT Networks: Structured Signal Processing Approaches

ویرایش:  
نویسندگان: , ,   
سری:  
ISBN (شابک) : 9811538697, 9789811538698 
ناشر: Springer 
سال نشر: 2020 
تعداد صفحات: 164 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 33,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 5


در صورت تبدیل فایل کتاب Low-overhead Communications in IoT Networks: Structured Signal Processing Approaches به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب ارتباطات کم سربار در شبکه های اینترنت اشیا: رویکردهای پردازش سیگنال ساختاریافته نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب ارتباطات کم سربار در شبکه های اینترنت اشیا: رویکردهای پردازش سیگنال ساختاریافته



توسعه‌های اخیر در ارتباطات بی‌سیم، شبکه و سیستم‌های تعبیه‌شده، برنامه‌های کاربردی نوآورانه اینترنت اشیا (IoT) را هدایت کرده است، مانند شهرهای هوشمند، مراقبت‌های بهداشتی سیار، رانندگی مستقل و هواپیماهای بدون سرنشین. ویژگی مشترک این برنامه ها الزامات سختگیرانه برای ارتباطات کم تاخیر است. با در نظر گرفتن حجم کوچک معمولی برنامه های IoT، کاهش اندازه پیام سربار، به عنوان مثال، اطلاعات شناسایی، نمادهای آزمایشی برای تخمین کانال، و داده های کنترلی از اهمیت حیاتی برخوردار است. چنین ارتباطات کم سربار همچنین به بهبود بهره وری انرژی دستگاه های IoT کمک می کند. اخیراً، تکنیک‌های پردازش سیگنال ساختاریافته برای کاهش هزینه‌های سربار مشکلات طراحی کلیدی در شبکه‌های IoT، مانند تخمین کانال، شناسایی دستگاه و رمزگشایی پیام، معرفی و توسعه یافته‌اند. با استفاده از ساختارهای زیربنایی سیستم، از جمله پراکندگی و رتبه پایین، این روش ها می توانند به دستاوردهای عملکردی قابل توجهی دست یابند.

این کتاب مروری بر چهار مدل پردازش سیگنال ساختار یافته کلی ارائه می دهد: یک خطی پراکنده. مدل، یک مدل دمیکس‌سازی کور، یک مدل دمیکس‌سازی کور پراکنده، و یک مدل خطی مختلط، و کاربردهای آن‌ها را در ایجاد ارتباطات کم سربار در شبکه‌های IoT مورد بحث قرار می‌دهد. علاوه بر این، الگوریتم‌های عملی مبتنی بر رویکردهای بهینه‌سازی محدب و غیر محدب و همچنین تحلیل‌های نظری که از ابزارهای ریاضی مختلف استفاده می‌کنند، ارائه می‌کند.


توضیحاتی درمورد کتاب به خارجی

The recent developments in wireless communications, networking, and embedded systems have driven various innovative Internet of Things (IoT) applications, e.g., smart cities, mobile healthcare, autonomous driving and drones. A common feature of these applications is the stringent requirements for low-latency communications. Considering the typical small payload size of IoT applications, it is of critical importance to reduce the size of the overhead message, e.g., identification information, pilot symbols for channel estimation, and control data. Such low-overhead communications also help to improve the energy efficiency of IoT devices. Recently, structured signal processing techniques have been introduced and developed to reduce the overheads for key design problems in IoT networks, such as channel estimation, device identification, and message decoding. By utilizing underlying system structures, including sparsity and low rank, these methods can achieve significant performance gains.

This book provides an overview of four general structured signal processing models: a sparse linear model, a blind demixing model, a sparse blind demixing model, and a shuffled linear model, and discusses their applications in enabling low-overhead communications in IoT networks. Further, it presents practical algorithms based on both convex and nonconvex optimization approaches, as well as theoretical analyses that use various mathematical tools.



فهرست مطالب

Preface
	Acknowledgements
Contents
Mathematical Notations
1 Introduction
	1.1 Low-Overhead Communications in IoT Networks
		1.1.1 Grant-Free Random Access
		1.1.2 Pilot-Free Communications
		1.1.3 Identification-Free Communications
	1.2 Structured Signal Processing
		1.2.1 Example: Compressed Sensing
		1.2.2 General Structured Signal Processing
	1.3 Outline
	References
2 Sparse Linear Model
	2.1 Joint Activity Detection and Channel Estimation
	2.2 Problem Formulation
		2.2.1 Single-Antenna Scenario
		2.2.2 Multiple-Antenna Scenario
	2.3 Convex Relaxation Approach
		2.3.1 Method: p-Norm Minimization
		2.3.2 Algorithm: Smoothed Primal-Dual First-Order Methods
		2.3.3 Analysis: Conic Integral Geometry
			2.3.3.1 Conic Integral Geometry for the Sparse Linear Model
			2.3.3.2 Computation and Estimation Trade-Offs
			2.3.3.3 Simulation Results
	2.4 Iterative Thresholding Algorithm
		2.4.1 Algorithm: Approximate Message Passing
		2.4.2 Analysis: State Evolution
			2.4.2.1 State Evolution
			2.4.2.2 Denoiser Designs
			2.4.2.3 Asymptotic Performance of Device Activity Detection
			2.4.2.4 Simulation Results
	2.5 Summary
	References
3 Blind Demixing
	3.1 Joint Data Decoding and Channel Estimation
	3.2 Problem Formulation
		3.2.1 Cyclic Convolution
		3.2.2 System Model
		3.2.3 Representation in the Fourier Domain
	3.3 Convex Relaxation Approach
		3.3.1 Method: Nuclear Norm Minimization
		3.3.2 Theoretical Analysis
	3.4 Nonconvex Approaches
		3.4.1 Regularized Wirtinger Flow
		3.4.2 Regularization-Free Wirtinger Flow
		3.4.3 Riemannian Optimization Algorithm
			3.4.3.1 An Example on Riemannian Optimization
			3.4.3.2 Riemannian Optimization on Product Manifolds for Blind Demixing
		3.4.4 Simulation Results
	3.5 Summary
	References
4 Sparse Blind Demixing
	4.1 Joint Device Activity Detection, Data Decoding, and Channel Estimation
	4.2 Problem Formulation
		4.2.1 Single-Antenna Scenario
		4.2.2 Multiple-Antenna Scenario
	4.3 Convex Relaxation Approach
	4.4 Difference-of-Convex-Functions (DC) Programming Approach
		4.4.1 Sparse and Low-Rank Optimization
		4.4.2 A DC Formulation for Rank Constraint
		4.4.3 DC Algorithm for Minimizing a DC Objective
		4.4.4 Simulations
	4.5 Smoothed Riemannian Optimization on Product Manifolds
		4.5.1 Optimization on Product Manifolds
		4.5.2 Smoothed Riemannian Optimization
		4.5.3 Simulation Results
	4.6 Summary
	References
5 Shuffled Linear Regression
	5.1 Joint Data Decoding and Device Identification
	5.2 Problem Formulation
	5.3 Maximum Likelihood Estimation Based Approaches
		5.3.1 Sorting Based Algorithms
		5.3.2 Approximation Algorithm
	5.4 Algebraic-Geometric Approach
		5.4.1 Eliminating Π via Symmetric Polynomials
		5.4.2 Theoretical Analysis
			5.4.2.1 Exact Data
			5.4.2.2 Corrupted Data
		5.4.3 Algebraically Initialized Expectation-Maximization
		5.4.4 Simulation Results
	5.5 Summary
	References
6 Learning Augmented Methods
	6.1 Structured Signal Processing Under a Generative Prior
	6.2 Joint Design of Measurement Matrix and Sparse Support Recovery
	6.3 Deep-Learning-Based AMP
		6.3.1 Learned AMP
		6.3.2 Learned Vector-AMP
		6.3.3 Learned ISTA for Group Row Sparsity
			6.3.3.1 Simulations Results
	6.4 Summary
	References
7 Conclusions and Discussions
	7.1 Summary
	7.2 Discussions
	References
8 Appendix
	8.1 Conic Integral Geometry
		8.1.1 The Kinematic Formula for Convex Cones
		8.1.2 Intrinsic Volumes and the Statistical Dimension
		8.1.3 The Approximate Kinematic Formula
		8.1.4 Computing the Statistical Dimension
	8.2 Proof of Proposition 2.1
	8.3 Proof of Theorem 3.3
		8.3.1 Proof of Lemma 8.4
	8.4 Theoretical Analysis of Wirtinger Flow with Random Initialization for Blind Demixing
	8.5 The Basic Concepts on Riemannian Optimization
	8.6 Proof of Theorem 3.4
	8.7 Basic Concepts in Algebraic–Geometric Theory
		8.7.1 Geometric Characterization of Dimension
	References




نظرات کاربران