基于时延和能耗约束的感知数据协作卸载策略研究

研究了物联网感知数据边缘卸载问题,即多个边缘节点相互协作,将原本需要发送给云中心的感知数据全部或部分卸载,以保护数据隐私与提升用户体验。在协作卸载过程中,感知数据传输以及边缘节点之间的信息交互会消耗系统资源,产生协作代价。如何在保持较低协作代价的基础上提高感知数据的卸载比例是一个具有挑战性的问题。首先,将该问题表述为一个满足网络时延和系统能耗约束的感知数据卸载比例和协作规模联合优化问题。其次,提出了一种基于约束投影和变量分裂的分布式交替方向乘子法(ADMM,alternating direction method of multipliers)进行求解。最后,使用MATLAB进行仿真实验,数值结果表明,与分布式优化算法(DOA,distributed optimization algorithm)、公平合作算法(FCA,fairness cooperation algorithm)和多子任务到多服务器卸载方案(MTMS,multi-subtasks-to-multi-servers offloading scheme)相比,所提方法在网络时延和能耗上均有较大优化。

基于KR积的稀疏重构近场源定位

针对声源数多于阵元数的近场信源定位问题,该文提出一种基于Khatri-Rao(KR)积的稀疏重构近场源定位方法.该方法首先假设信号是准平稳的,然后通过KR积得到虚拟阵列结构,增加了阵列的自由度;接着在虚拟阵列结构下对虚拟信号进行稀疏表示,最后通过l1范数约束得到声源的空间谱估计.仿真表明,此稀疏重构定位方法可以实现信源定位的欠定估计,且性能优于基于KR积的子空间方法.