{"_id":"24mSMvtuQjcMNxmyJ","bibbaseid":"ghadban-honeine-francis-mouradchehade-farah-kallas-mobilitdunrseaudecapteurssansfilbasesurlesmthodesnoyau-2013","author_short":["Ghadban, N.","Honeine, P.","Francis, C.","Mourad-Chehade, F.","Farah, J.","Kallas, M."],"bibdata":{"bibtype":"inproceedings","type":"inproceedings","author":[{"firstnames":["Nisrine"],"propositions":[],"lastnames":["Ghadban"],"suffixes":[]},{"firstnames":["Paul"],"propositions":[],"lastnames":["Honeine"],"suffixes":[]},{"firstnames":["Clovis"],"propositions":[],"lastnames":["Francis"],"suffixes":[]},{"firstnames":["Farah"],"propositions":[],"lastnames":["Mourad-Chehade"],"suffixes":[]},{"firstnames":["Joumana"],"propositions":[],"lastnames":["Farah"],"suffixes":[]},{"firstnames":["Maya"],"propositions":[],"lastnames":["Kallas"],"suffixes":[]}],"title":"Mobilité d'un réseau de capteurs sans fil basée sur les méthodes à noyau","booktitle":"Actes du 24-ème Colloque GRETSI sur le Traitement du Signal et des Images","address":"Brest, France","year":"2013","month":"September","keywords":"machine learning, wireless sensor networks, mobility, tracking, online adaptation","acronym":"GRETSI'13","url_paper":"http://honeine.fr/paul/publi/13.gretsi.wsn.pdf","abstract":"Wireless sensor networks have received considerable attention during the last decade for efficient monitoring, due to their low cost, their easy deployment and their capacity to locally process information. This paper derives original mobility schemes that allow improving the tracking of a physical phenomenon. To this end, we use kernel-based methods to construct a local model for each sensor, using the learning process where the input is the position of the sensor and the output is the estimation of the physical phenomenon. We show that kernel-based methods provide an elegant way to optimize the model. This allows us to derive mobility schemes for sensors in such a way to improve the efficiency of the models, by minimizing the estimation error. Sensors are moved according to several optimization techniques, by considering the first and second derivatives of the approximation error. Experimentations aim at estimating a gas diffusion in the space at any location devoid of sensor.","x-abstract_fr":"Les réseaux de capteurs sans fil ont reçu une attention considérable au cours de la dernière décennie en raison de leur faible coût, de la facilité de leur déploiement et de leur aptitude à être employés pour des techniques de surveillance efficaces. Le présent article propose des schémas de mobilité qui permettent d'améliorer le suivi d'un phénomène physique. A cette fin, les méthodes à noyaux permettent de construire un modèle local pour chaque capteur, dans lequel l'entrée du modèle est la position géographique du capteur et la sortie est l'estimation de la quantité physique à mesurer. Nous montrons que les méthodes à noyaux fournissent un cadre élégant à ce problème d'estimation. Cela nous permet de définir des schémas de mobilité des capteurs pour améliorer l'efficacité des modèles, de façon à minimiser l'erreur d'approximation. Ainsi, plusieurs techniques d'optimisation sont-elles proposées en tenant compte de la première et de la seconde dérivée de l'erreur d'approximation. Les expérimentations réalisées dans ce cadre, visant à estimer la diffusion d'un gaz, montrent la pertinence de la méthode proposée.","bibtex":"@INPROCEEDINGS{13.gretsi.wsn,\n author = \"Nisrine Ghadban and Paul Honeine and Clovis Francis and Farah Mourad-Chehade and Joumana Farah and Maya Kallas\",\n title = \"Mobilité d'un réseau de capteurs sans fil basée sur les méthodes à noyau\",\n booktitle = \"Actes du 24-ème Colloque GRETSI sur le Traitement du Signal et des Images\",\n address = \"Brest, France\",\n year = \"2013\",\n month = sep,\n keywords = \"machine learning, wireless sensor networks, mobility, tracking, online adaptation\",\n acronym = \"GRETSI'13\",\n url_paper = \"http://honeine.fr/paul/publi/13.gretsi.wsn.pdf\",\n abstract = \"Wireless sensor networks have received considerable attention during the last decade for efficient monitoring, due to their low cost, their easy deployment and their capacity to locally process information. This paper derives original mobility schemes that allow improving the tracking of a physical phenomenon. To this end, we use kernel-based methods to construct a local model for each sensor, using the learning process where the input is the position of the sensor and the output is the estimation of the physical phenomenon. We show that kernel-based methods provide an elegant way to optimize the model. This allows us to derive mobility schemes for sensors in such a way to improve the efficiency of the models, by minimizing the estimation error. Sensors are moved according to several optimization techniques, by considering the first and second derivatives of the approximation error. Experimentations aim at estimating a gas diffusion in the space at any location devoid of sensor.\",\n x-abstract_fr = \"Les réseaux de capteurs sans fil ont reçu une attention considérable au cours de la dernière décennie en raison de leur faible coût, de la facilité de leur déploiement et de leur aptitude à être employés pour des techniques de surveillance efficaces. Le présent article propose des schémas de mobilité qui permettent d'améliorer le suivi d'un phénomène physique. A cette fin, les méthodes à noyaux permettent de construire un modèle local pour chaque capteur, dans lequel l'entrée du modèle est la position géographique du capteur et la sortie est l'estimation de la quantité physique à mesurer. Nous montrons que les méthodes à noyaux fournissent un cadre élégant à ce problème d'estimation. Cela nous permet de définir des schémas de mobilité des capteurs pour améliorer l'efficacité des modèles, de façon à minimiser l'erreur d'approximation. Ainsi, plusieurs techniques d'optimisation sont-elles proposées en tenant compte de la première et de la seconde dérivée de l'erreur d'approximation. Les expérimentations réalisées dans ce cadre, visant à estimer la diffusion d'un gaz, montrent la pertinence de la méthode proposée.\",\n}\n","author_short":["Ghadban, N.","Honeine, P.","Francis, C.","Mourad-Chehade, F.","Farah, J.","Kallas, M."],"key":"13.gretsi.wsn","id":"13.gretsi.wsn","bibbaseid":"ghadban-honeine-francis-mouradchehade-farah-kallas-mobilitdunrseaudecapteurssansfilbasesurlesmthodesnoyau-2013","role":"author","urls":{" paper":"http://honeine.fr/paul/publi/13.gretsi.wsn.pdf"},"keyword":["machine learning","wireless sensor networks","mobility","tracking","online adaptation"],"metadata":{"authorlinks":{}},"html":""},"bibtype":"inproceedings","biburl":"http://honeine.fr/paul/biblio_ph.bib","dataSources":["DsERGQxgYm5hGq3CY"],"keywords":["machine learning","wireless sensor networks","mobility","tracking","online adaptation"],"search_terms":["mobilit","seau","capteurs","sans","fil","bas","sur","les","thodes","noyau","ghadban","honeine","francis","mourad-chehade","farah","kallas"],"title":"Mobilité d'un réseau de capteurs sans fil basée sur les méthodes à noyau","year":2013}