西北大学(Northwestern University),于1851年创立,是美国著名的高等学府之一,这所私人学府位于伊利诺州的埃文斯顿市,临近芝加哥,是十大联盟高校之一。它招收严格,只录取最优秀的人才入内深造。在2011《美国新闻与世界报道》美国大学排名中,西北大学的商学院排名第5、法学院排名第12、医学院排名第19、工程学院排名第20

VIP内容

论文摘要:在设备部署密集、多种协议共存的环境下,如何设计有效的信道共享技术,使得无线网络传输在达到高吞吐目的的同时,还满足低功耗低开销要求,是本文需要解决的主要问题。本文主要包括以下几方面工作和贡献:

  1. 本文研究了以ZigBee节点为代表的低功耗网络设备之间的时间同步问题。时间同步技术是信道访问控制的支撑技术。针对现有时间同步技术依赖于频繁时间戳交换从而导致能耗开销巨大的问题,本文提出一种基于环境信息的低功耗时间同步方法 DualSync,根据节点时钟频偏与节点工作环境的相关性提出了“环境-频偏”时钟模型。在该模型的基础上,提出了基于本地环境信息的自同步技术,该技术使得节点可以根据本地采集到的环境信息对节点时钟偏移量进行估计及补偿,极大程度降低了时间同步对时戳交换的依赖性,从而降低了通信开销。

  2. 本文研究了针对 ZigBee 设备的跨协议干扰源识别问题。跨协议干扰源识别是跨协议设备信道共享的基础。针对现有跨协议干扰源识别方法需要特殊硬件设备从而II不适用于低代价的ZigBee设备的问题,本文提出一种基于 RSSI 特征的干扰源识别方法CrossFind。根据各个协议的协议规范及网络设备分布的多样性,CrossFind 抽取出一系列基于RSSI的信号特征,实现了低代价的干扰源指纹提取。其次,提出了基于K-Means 聚类的干扰源识别方法,使得ZigBee节点能够仅仅利用信号的RSSI时间序列信息进行跨协议干扰源识别。

  3. 本文研究了针对ZigBee设备的跨协议信道共享问题。针对现有跨协议干扰避免技术造成的信道资源浪费、网络吞吐率过低问题,本文提出了一种针对ZigBee设备的跨协议信道共享技术Smoggy-Link,Smoggy-Link 利用无线网络中的“暴露终端”现象使得干扰源和ZigBee设备有机会 同时进行数据传输。具体而言,本文挖掘了干扰源与链路质量分布的强相关性,构建了链路模型来描述干扰源与 ZigBee 网络链路质量的关系。

  4. 本文研究了无源感知设备并发传输问题。现有的无源感知网络采用基于时分复用的Slot Aloha技术进行信道接入控制,从而导致了极低的信道利用率以及网络吞吐率。研究者们提出了无源感知设备并发传输技术来解决这一问题,但这些技术十分依赖于信号在时间域和 IQ 域的稳定性,因此在实际网络环境中表现出较差的解码成功率。本文提出了一种高可靠的无源标签并发解码技术 FlipTracer,该技术即使在高度动态的信道环境中也能够达到很高的解码成功率,同时实现了高吞吐以及高解码成功率。

关键字:并发传输,跨协议信道共享,无源感知技术,ZigBee 协议,低功耗

作者介绍:金梦,他是西北大学信息科学与技术学院2015级的博士研究生,他的博士生导师是房鼎益。他博士期间主要的研究工作是无线网络、物联网、移动计算等。

成为VIP会员查看完整内容
0
1

最新内容

#新闻看点# 在 6 月 22 日的北京智源大会上,美国西北大学教授 Jorge Nocedal 就非线性优化问题进行了十分细致的讲解。Jorge Nocedal 教授同时还是冯诺伊曼理论奖得主,美国国家工程... 冯诺伊曼理论奖得主Jorge Nocedal:零阶优化方法应用在机器学习

0
0

最新论文

Gesture recognition is a hot topic in computer vision and pattern recognition, which plays a vitally important role in natural human-computer interface. Although great progress has been made recently, fast and robust hand gesture recognition remains an open problem, since the existing methods have not well balanced the performance and the efficiency simultaneously. To bridge it, this work combines image entropy and density clustering to exploit the key frames from hand gesture video for further feature extraction, which can improve the efficiency of recognition. Moreover, a feature fusion strategy is also proposed to further improve feature representation, which elevates the performance of recognition. To validate our approach in a "wild" environment, we also introduce two new datasets called HandGesture and Action3D datasets. Experiments consistently demonstrate that our strategy achieves competitive results on Northwestern University, Cambridge, HandGesture and Action3D hand gesture datasets. Our code and datasets will release at https://github.com/Ha0Tang/HandGestureRecognition.

0
0
下载
预览
Top