Estudo e desenvolvimento de detectores distribuídos com convergência rápida

• Processo: 18/26040-2
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de maio de 2019
• Data de Término da vigência: 31 de janeiro de 2022
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Vitor Heloiz Nascimento
• Beneficiário: Allan Eduardo Feitosa
• Instituição Sede: Escola Politécnica (EP). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Processamento de sinais Rede distribuída Filtragem adaptativa
• Palavra(s)-Chave do Pesquisador: Detecção | filtragem adaptativa | Redes distribuídas | Processamento de Sinais

Resumo

Atualmente há um grande interesse no desenvolvimento de técnicas de detecção utilizando redes distribuídas, devido à sua economia de energia e de recursos, robustez a falhas em nós e links, escalabilidade e melhor desempenho em rastreamento. Algoritmos de detecção podem de modo geral ser baseados em detectores de Neyman-Pearson (NP), que maximizam a probabilidade de detecção dada uma máxima taxa de falso alarme, ou em detectores bayesianos, que minimizam a probabilidade de erro em detecção. Implementados em redes distribuídas, com conexões apenas entre nós vizinhos, cada nó deve decidir entre hipóteses concorrentes sobre o estado do ambiente onde a rede está inserida. Durante o mestrado do candidato, procurou-se investigar o desempenho de detectores distribuídos em transiente, e foi proposto um detector binário de máxima verossimilhança - isto é, com as probabilidades a priori do detector Bayesiano iguais. O processo de decisão se baseava em medidas locais e em estimativas compartilhadas entre nós, utilizando o algoritmo de estimação distribuída LMS por difusão. Uma inicialização específica do algoritmo desenvolvido possibilitou acelerar seu desempenho, reduzindo significativamente o tempo necessário para a convergência da probabilidade de erro. Neste projeto, propomos generalizar os resultados já alcançados para novas situações, além de aprofundá-los, desenvolvendo uma análise mais completa do desempenho em transiente de detectores distribuídos. Procuraremos desenvolver soluções para detectores NP e bayesianos para probabilidades a priori diferentes e para situações com mais do que duas hipóteses, procurando generalizações teóricas para os novos resultados, além de considerar o desempenho dos algoritmos no caso de ambientes não estacionários (rastreamento). (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

FEITOSA, ALLAN E.; NASCIMENTO, VITOR H.; LOPES, CASSIO G.; IEEE. LOW COMPLEXITY DISTRIBUTED ESTIMATION FOR IoT SENSOR NETWORKS. 2021 IEEE STATISTICAL SIGNAL PROCESSING WORKSHOP (SSP), v. N/A, p. 5-pg., 2021-01-01. (18/12579-7, 18/26040-2)

FEITOSA, ALLAN E.; NASCIMENTO, VITOR H.; LOPES, CASSIO G.; IEEE. A LOW-COMPLEXITY MAP DETECTOR FOR DISTRIBUTED NETWORKS. 2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH, AND SIGNAL PROCESSING, v. N/A, p. 5-pg., 2020-01-01. (18/12579-7, 18/26040-2)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

FEITOSA, Allan Eduardo. Prefira a tartaruga à lebre: um estudo sobre um algoritmo de detecção eficiente para redes de sensores sem fio.. 2023. Tese de Doutorado - Universidade de São Paulo (USP). Escola Politécnica (EP/BC) São Paulo.