Variational filtering for bayesian inference in wireless sensor networks

• Auteur / Autrice : Jing Teng
• Direction : Cédric Richard, Hichem Snoussi
• Type : Thèse de doctorat
• Discipline(s) : Optimisation et sûreté des systèmes
• Date : Soutenance en 2009
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'Ingénieur (Troyes, Aube)

Mots clés

Mots clés contrôlés

Markov, Processus de

Réseaux de capteurs (technologie)

Monte-Carlo, Méthode de

Statistique bayésienne

Résumé

Dans cette thèse, nous traitons les problèmes d'inférence bayésienne décentralisée dans les réseaux de capteurs sans fil (RCSF). Une approche variationnelle est proposée dans cette thèse afin de s’accommoder des contraintes énergétiques et des contraintes de transmission, inhérentes dans le cadre des RCSF. Trois applications, étroitement liées, ont été traitées: le tracking d'une seule cible, le tracking de plusieurs cibles et l’auto-localisation et le suivi de cible simultanés (SLAT). L’implémentation décentralisée de l’approche variationnelle repose sur un compromis entre la précision de l’estimation et l'efficacité énergétique. Les contributions de la thèse consistent en les points suivants: - Au niveau théorique, nous avons développé une approche variationnelle qui permet une prise en compte implicite de la propagation des erreurs d’approximation en mettant à jour les formes approximées des densités de probabilité dans un cadre non paramétrique. - Au niveau modélisation, la proposition d’un modèle de mélange continu de gaussiennes décrivant la dynamique de l’état de la cible permet un suivi efficace de trajectoires présentant des sauts brusques. Aussi, afin de minimiser la consommation de l’énergie et de respecter la bande passante limitée, un modèle d’observation binaire est utilisé. - Au niveau algorithmique, un protocole d’activation dynamique des clusters est proposé pour l’implémentation décentralisée du filtrage bayésien dans un réseau clustérisé. Un deuxième algorithme de type Dijkstra est aussi proposé afin de former les capteurs leaders d’une manière réactive

In this thesis, we tackle the intractable Bayesian inference problems in wireless sensor networks (WSNs) by variational approximation. A general framework for variational Bayesian inference is proposed for three basic and closely related applications: single target tracking, multiple targets tracking (MTT), simultaneous sensor localization and target tracking (SLAT). The trade-off between estimation precision and energy-awareness is the primary focus for the WSN applications, leading to decentralized execution of the variational filter (VF). Contributions of the thesis consist in following points: - A VF algorithm simultaneously updates and approximates the filtering distribution, reducing the temporal dependence to one Gaussian statistic. - A general state evolution model describes the target state, allowing discrete jumps in target trajectory. - A binary proximity observation model quantifies an observation to a single bit, minimizing energy and bandwidth consumption. - A non-myopic cluster activation rule based on the prediction of VF is proposed for the proactive cluster management, which dramatically decreases hand-off operations between successive clusters. - A Dijkstra-like clustering algorithm for reactive cluster management yields optimal clustering. - An hybrid probabilistic data association and VF scheme is employed for MTT. - A distributed VF solution for SLAT on-line up-dates and refines estimates of sensor locations and target trajectory