دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Yuanming Shi, Jialin Dong, Jun Zhang 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
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.
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.
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.
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