Prefira a tartaruga à lebre: um estudo sobre um algoritmo de detecção eficiente para redes de sensores sem fio.

• Ano de defesa: 2023
• Autor(a) principal: Feitosa, Allan Eduardo
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Algoritmos úteis e específicos; Bayesian hypothesis test; Detection in wireless sensor networks (WSN); Distributed diffusion algorithms; IoT; Learning rate; Processamento de sinais; Teste de hipótese
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-09112023-114920/

Esta tese de doutorado descreve os resultados de uma pesquisa detalhada realizada entre janeiro de 2019 e julho de 2023 em um novo algoritmo de detecção distribuída. Em termos gerais, este estudo trata do problema estatístico de detecção usando Redes de Sensores Sem Fio (RSSF) inteligentes. Nesse contexto, uma rede de sensores é distribuída por um local para monitorar o ambiente e decidir o estado da natureza (state of nature) atual com base em observações sujeitas a ruído de natureza gaussiana. Os sensores utilizam capacidade de computação embarcada para processar localmente os dados e se comunicam sem fio com os sensores mais próximos, permitindo a exploração de algoritmos cooperativos. Mais especificamente, este estudo concentrouse em uma situação em que as RSSF são implantadas em locais com restrições rigorosas de energia portanto, é altamente desejável uma baixa complexidade computacional e baixo consumo de energia. Isso levou ao desenvolvimento de um algoritmo de detecção adequado para aplicações reais e com um desempenho que tende ao ótimo sob tais restrições. Além disso, em um mundo cada vez mais conectado por meio do paradigma da Internet das Coisas (Internet of ThingsIoT), algoritmos que realizam tarefas indispensáveis, como a detecção, e operam com consumo mínimo de energia são muito procurados. Não por acaso, a principal contribuição desta tese é a descrição de um detector com baixa complexidade computacional que se aproxima do desempenho esperado de um detector ótimo em termos da probabilidade média de erro, desde que certas condições sejam atendidas. A condição mais crucial é manter uma taxa de aprendizado lenta do algoritmo distribuído que conduz a rotina de detecção, especificamente o algoritmo diffusion LMS (Least Mean Square), um conhecido algoritmo adaptativo de estimação para redes distribuídas. O diffusion LMS é aqui utilizado para processamento de dados e compartilhamento de informações entre os sensores em toda a rede. De forma notável, assim como a Tartaruga da fábula, o desempenho do detector melhora à medida que o valor do tamanho do passo do LMS é reduzido, sem penalizar a taxa de convergência em termos de probabilidade de erro, apesar da desaceleração da rotina de estimação no cerne do algoritmo de detecção desenvolvido aqui. Esse resultado contraintuitivo é explicado teoricamente e confirmado por simulações. O problema de detecção apresentado aqui é modelado como um teste de múltiplas hipóteses usando a formulação Bayesiana e estende a pesquisa realizada durante meu mestrado para uma situação mais geral. Além disso, esta tese inclui discussões interessantes sobre o valor da estimativa inicial do algoritmo LMS, abrindo caminho para pesquisas futuras promissoras.