Hvordan designe et fusionsregel- og RIS-system for forbedret ytelse i WSN

I denne delen presenteres en designstrategi for å oppnå høy ytelse i tråd med målsettingen for et system som benytter seg av risikodrevne sensornettverk (WSN). Spesielt fokuserer vi på den kombinerte utformingen av en fusionsregel-statistikk, Λ = 𝒮(y), og faseforskyvningene 𝚯, som til sammen utnytter de kollektive sansingsegenskapene til WSN. Formuleringen av den optimale fusionsregelen for problemet i denne sammenhengen er, som vist i Kay (1998), gitt ved:

hvor Λₒₚₜ er log-likelihood ratio (LLR), 𝛾 er terskelen for sammenligning av LLR, og p(y | 𝚯) er sannsynligheten for å observere y gitt en bestemt hypotese. Denne analysen er avhengig av at faseforskyvningene i RIS (𝚯) kan justeres for å opprettholde et konstant falsk alarm-nivå eller for å minimere feilrate i systemet.

En viktig observasjon er at LLR-baserte fusionsregler medfører høy beregningskompleksitet som vokser med 𝒪(2K), hvor K er antall sensorer. I tilfeller med mange sensorer blir denne metoden uoverkommelig, og i tillegg gir LLR-metoden ikke en praktisk lukket form for ytelsesanalyse. Denne mangelen på en lukket form gjør at uttrykk for systemets deteksjons- og falsk alarm-sannsynligheter ikke er tilgjengelige når LLR brukes som fusionsregel.

Når enklere evalueringsmetoder, som defleksjonsmål, vurderes, får man et mål som kan være lettere å arbeide med. Defleksjonen som brukes i systemer uten RIS-støtte blir gitt ved:

Dette defleksjonsmålet gjør det mulig å analysere ytelsen til fusionsreglene, men når RIS er involvert, blir det nødvendig å tilpasse designet ytterligere for å kunne utnytte RIS på en optimal måte. I stedet for å bruke LLR som fusionsregel, kan man benytte en mer strømlinjeformet løsning som benytter seg av Widely Linear (WL) fusionsregler, som har vist seg å gi lovende resultater i distribuerte MIMO-konfigurasjoner uten RIS.

For WL-baserte fusionsregler blir defleksjonen gitt ved:

Her kan man også bruke en IS-antagelse, hvor sannsynlighetene for deteksjon og falsk alarm for alle sensorer er lik (Pr(x = 𝟏K | 𝚯₁) = Pr(x = −𝟏K | 𝚯₀) = 1), og dermed forenkles den statistiske karakteriseringen av vektoren y|𝚯i til:

Optimaliseringen for å maksimere denne defleksjonen kan uttrykkes som et ikke-konveks problem, hvor det er behov for metoder som alternere mellom å maksimere WL-vektoren a og faseforskyvningene 𝚯. En slik metode som har vist seg effektiv i mange sammenhenger, er Alternating Optimization (AO). Denne metoden går ut på å oppdatere a ved å anta at 𝚯 er fast, og deretter oppdatere 𝚯 ved å anta at a er fast.

Under oppdateringstrinnet for WL-vektoren a, kan det vise seg å være nødvendig å bruke teknikker som Cauchy-Schwarz for å finne optimal a, som da blir justert for å matche matrisen He(𝚯)D𝛼1_K.

Viktige ting som leseren bør merke seg, er at en komplett og effektiv tilnærming til RIS-assistert beslutningsfusjon krever at både fusion og RIS-design optimaliseres samtidig. Videre er det viktig å forstå at LLR-baserte metoder kan være svært krevende, både når det gjelder beregningskompleksitet og ytelsesanalyse. I stedet bør man fokusere på mer praktiske metoder som WL-fusionsregler, som tillater en mer håndterbar designprosess. I tillegg bør leseren være oppmerksom på at RIS-design og faseforskyvningene spiller en avgjørende rolle i å maksimere ytelsen til systemet, spesielt i distribuerte WSN-konfigurasjoner.

Hvordan datafusjon i mmWave Massive MIMO trådløse sensornettverk kan forbedre ytelsen i moderne systemer

Trådløse sensornettverk (WSN) har blitt en avgjørende teknologi på tvers av mange domener som katastrofehåndtering, overvåking, militære operasjoner og helsevesen. Disse systemene fungerer ved at sensorer sender sine observasjoner til et sentralt fusjonssenter (FC) via et kanalaksesssystem (MAC). Her benyttes en velutformet beslutningsregel for å fastslå tilstedeværelsen eller fraværet av et spesifikt fenomen. Etter hvert som behovet for slike applikasjoner øker og antallet sensorer vokser, har det blitt en betydelig utfordring for tradisjonelle cellulære nettverk å håndtere den økte trafikken, spesielt i frekvensområdet under 6 GHz. Dette har ført til et økende press på tilgjengelig båndbredde i dette området.

Imidlertid medfører den økte frekvensen i mmWave-systemene også utfordringer som ikke kan overses. Et av de største problemene er de høye kravene til strømkonsum og kompleksitet ved bruk av tradisjonelle digitale transceivere. I slike systemer kreves en egen radiofrekvenskjede (RF-kjede) for hver antenne, noe som ikke er praktisk i massive MIMO-systemer (Multiple-Input Multiple-Output). For å håndtere disse utfordringene benyttes ofte hybride kombinerere som behandler signaler både i analogt og digitalt format, og som krever færre RF-kjeder.

Blant de mest populære arkitekturene som er utviklet for massive MIMO-systemer, finner vi to hovedtyper: den sentraliserte (C-MIMO) og den distribuerte (D-MIMO) konfigurasjonen. I C-MIMO er antennearrayet plassert på fusjonssenteret, som typisk befinner seg i midten av cellen. Denne konfigurasjonen gir lavere installasjonskostnader. På den andre siden innebærer D-MIMO at flere fusjonssentre med egne antennearrayer er plassert på forskjellige geografiske steder i cellen. Disse FC-ene er koblet sammen med høyhastighets optiske fiberforbindelser for datahåndtering og -aggregering.

I D-MIMO-systemer kan større avstand mellom FC-ene, sammen med kortere avstand til nærmeste FC, føre til bedre ytelse og lavere korrelasjon mellom signalene. Et utfordrende aspekt ved disse arkitekturene er imidlertid at når beslutninger sendes fra lokale sensorer til FC, kan dette føre til ytelsestap. Dette skjer fordi fusjonssenteret ikke har tilgang til all informasjon om det observerte fenomenet i sanntid, og den beslutning som tas er dermed basert på ufullstendige data. En nøkkel til å overvinne dette problemet er effektiv databehandling og integrering av flere informasjonskilder, noe som kan bidra til mer presise beslutninger i systemet.

Videre er det viktig å vurdere hvordan disse teknikkene påvirker energiforbruket i systemene. Siden trådløse sensorer ofte har begrensede energikilder, er det essensielt å utvikle metoder for å redusere energiforbruke

Hvordan musikk kan forme den smarte musikalske byen

Den smarte musikalske byen er et spennende konsept som forbinder teknologi med kunst, og som åpner for helt nye former for musikkopplevelser. Spesielt når det gjelder nettverksmusikkframførelser (NMP) og teknologi-assistert publikumsdeltakelse (TMAP), oppstår det et potensial for både musikanter og publikum å samhandle på måter som tidligere var utenkelige. I denne sammenhengen spiller Internett av Musikalske Ting (IoMusT) en avgjørende rolle ved å kombinere disse to teknologiene for å skape et dynamisk, interaktivt musikklandskap.

NMP-systemer er laget for å tillate musikere å spille på avstand ved hjelp av en kommunikasjonslink. Hensikten er å reprodusere de samme akustiske forholdene som ved en tradisjonell, fysisk framføring. For å oppnå dette, må en rekke tekniske utfordringer overvinnes, deriblant forsinkelse (latens), jitter og nøyaktig gjengivelse av den akustiske scenen delt mellom musikerne. Latensen, som oppstår når lyddata pakkes og sendes over et nettverk, er den største utfordringen. For at framføringen skal oppleves realistisk, må latensen ikke overskride 20–30 ms, da dette tilsvarer den tiden lyd tar for å bevege seg gjennom luft i et rom på ca. 8–10 meter. Dette er den maksimale avstanden som anses som mulig for å sikre en stabil samspill mellom musikere i et rom.

På en annen front finner vi TMAP-systemer, som har som mål å demokratisk tilgjengeliggjøre musikkproduksjon og øke publikums aktive engasjement i live musikkopplevelser. Tradisjonelt har musikken blitt sendt fra komponistene til utøverne og deretter til publikum som passive mottakere. Med TMAP og IoMusT kan dette ensidige kommunikasjonsmønsteret brytes. Publikum kan nå samhandle med musikerne, selv om de befinner seg på forskjellige steder, og faktisk bidra til å forme framførelsen. For eksempel kan et konserten utføres av ulike band som spiller på forskjellige steder i en by, med publikum som enten er fysisk tilstede eller befinner seg på andre steder, for eksempel hjemme eller på en bar.

I en smarte musikalsk by kan også teknologiske løsninger berike kulturarven og turistopplevelsen. Flere apper har allerede blitt utviklet for å støtte turisme, ved å tilby en plattform der brukere kan få tilgang til stedsspesifikke lydopplevelser, inkludert musikk, historier og beskrivelsene av et sted. For eksempel har apper som Citytalks og Autio muligheten til å tilby lydinnhold knyttet til bestemte steder i en by, som gir en ekstra dimensjon til opplevelsen av byen. Dette kan bidra til å forme en mer helhetlig forståelse av et sted, ved å kombinere lyd, musikk og historie i én sammenheng.

Verona kan videre illustrere hvordan en smarte musikalsk by kan koble musikk til spesifikke områder, hvor ulike distrikter eller nabolag har egne musikalske temaer som reflekterer lokal kultur eller stemninger. Slike tilnærminger kan føre til et rikt samspill mellom turisme, kulturarv og teknologi, som til syvende og sist beriker både innbyggernes og besøkendes forhold til byens musikk og historie. Musikalske forslag som tilpasser seg et områdes spesifikke karakter kan skape et mer personalisert forhold til byen, og samtidig hjelpe til med å bygge bro mellom etnisk mangfold og kulturell utveksling.

Smarten i en slik by ligger ikke bare i det teknologiske utstyret, men i evnen til å integrere musikk og lyd i hverdagen på en måte som gjør opplevelsen både mer levende og interaktiv. Ved å tilby dynamiske musikkopplevelser knyttet til bestemte steder og situasjoner kan den smarte musikalske byen bidra til å skape et mer engasjerende og minneverdig forhold mellom mennesker og deres omgivelsene.