ІНТЕЛЕКТУАЛЬНІ РІШЕННЯ ЩОДО КОМПРЕСІЙНИХ ВИМІРЮВАНЬ ДЛЯ ЕФЕКТИВНОГО ЗБОРУ ДАНИХ У БЕЗДРОТОВИХ СЕНСОРНИХ МЕРЕЖАХ
Анотація
У даній роботі розглянуто застосування методів лінійної алгебри в технологію компресійних вимірювань (Compressive Sensing) для бездротових сенсорних мереж, спеціалізованих на моніторингу температури в «розумних» теплицях. Показано, що традиційний підхід, що передбачає передачу повних потоків даних від кожного окремого датчика, призводить до високого енергоспоживання та генерує інформаційну надмірність, що є проблемним фактором для автономних систем із батарейним живленням. Як альтернатива запропонована спеціальна архітектура компре-сійного вимірювання, в рамках якої передаються не початкові дані, а їх стислі лінійні комбінації. Це радикально скорочує трафік, але, завдяки математичним перетворенням, зберігає можливість повноцінного та точного відновлення всього температурного поля на стороні приймача. Методологічну основу становить використання фундаментальної властивості розрідженості температурних сигналів при їх поданні в певних базисах, зокрема, базисі дискретного косинусного перетворення. Для реконструкції вихідних даних із стиснених вимірів застосовано сучасні оптимізаційні та ітераційні лінійно-алгебраїчні алгоритми. Практичну ефективність ілюструє модельний приклад мережі з шістьма датчиками, де компресійне вимірювання дозволило зменшити обсяг переданої інформації на 50 % і одночасно виявити аномалії в роботі несправного сенсора, підтвердивши стійкість системи. Запропонована архітектура забезпечує комплексну енергоефективність, надійність та масштабованість системи моніторингу, підтримує динамічне додавання нових сенсорів та може бути успішно інтегрована в сучасні сис- теми Інтернету речей, промислові комплекси та «розумні» міста. Таким чином, робота наочно демонструє потужну синергію між математичною строгістю та практичною ефективністю компресійного вимірювання для створення інтелектуальних аграрних систем нового покоління.
Посилання
2. Mahdaoui A. E., Ouahabi A., Moulay M. S. Image denoising using a compressive sensing approach based on regularization constraints. Sensors, 2022. 22(6), 2199. https://doi.org/10.3390/s22062199
3. Baroli D., Harbrecht H., Multerer M. Samplet basis pursuit: Multiresolution scattered data approximation with sparsity constraints. IEEE Transactions on Signal Processing, 2024. 72, 1813–1823. https://doi.org/10.1109/ TSP.2024.3382486
4. Li B., Zhang S., Zhang L., Shang X., Han C., Zhang Y. Robust sensing matrix design for the Orthogonal Matching Pursuit algorithm in compressive sensing. Signal Processing, 2025. 227, 109684. https://doi.org/10.1016/ j.sigpro.2024.109684
5. Kiseleva E. M., Prytomanova O. M., Hart L. L., Zaytseva T. A., Kuzenkov O. O. Аpplication of mathematical methods of artificial intelligence to solve problems of optimal set partitioning. Питання прикладної математики та математичного моделювання, 2024. 27, 89–98. https://doi.org/10.15421/32242401
6. Xu Y., Ma Z., Li Y., Yang W., Wang H. A modified capacitance tomography image reconstruction approach based on iterative shrinkage-thresholding algorithm combined with deep networks. Measurement Science and Technology, 2024. 35(11), 115409. https://doi.org/10.1088/1361-6501/ad6c71
7. Dong G. S., Wan H. P., Luo Y., Li B., Xu X. An improved approach for compressive sensing of vibration signals considering spectral leakage effect. Structural Health Monitoring, 2025. 1. https://doi.org/ 10.1177/14759217251323201
8. Ракицький В. А. Дискретне косинусне перетворення як засіб комп’ютерної обробки інформації. Problems of Informatization and Management, 2019. 2(62), 53–56. https://doi.org/10.18372/2073-4751.2(62).14472
9. Middya R., Chakravarty N., Naskar M. K. Compressive Sensing in Wireless Sensor Networks – a Survey. IETE Technical Review, 2017. 34(6), 642–654. https://doi.org/10.1080/02564602.2016.1233835
10. Luo Ch., Wu F., Jun Sun J., Chen Ch. W. Compressive data gathering for large-scale wireless sensor networks. In Proceedings of the 15th annual international conference on Mobile computing and networking (MobiCom ‘09). Association for Computing Machinery, New York, NY, USA, 2009. 145–156. https://doi.org/10.1145/1614320.1614337
11. Azarnia G., Sharifi A. A. Performance improvement of OFDM systems using compressive sensing with group LASSO signal reconstruction algorithm. Wireless Networks, 2022. 28(8), 3771–3778. https://doi.org/10.1007/ s11276-022-03080-z
12. Zheng H., Li J., Feng X., Guo W., Chen Z., Xiong N. Spatial-Temporal Data Collection with Compressive Sensing in Mobile Sensor Networks. Sensors, 2017. 17(11), 2575. https://doi.org/10.3390/s17112575
ISSN 
