Channel sensing consists of probing the channel from time to time to check whether or not it is active - say, because of an incoming message. When communication is sparse with information being sent once in a long while, channel sensing becomes a significant source of energy consumption. How to reliably detect messages while minimizing the receiver energy consumption? This paper addresses this problem through a reconfigurable scheme, referred to as AdaSense, which exploits the dependency between the receiver noise figure (i.e., the receiver added noise) and the receiver power consumption; a higher power typically translates into less noisy channel observations. AdaSense begins in a low power low reliability mode and makes a first tentative decision based on a few channel observations. If a message is declared, it switches to a high power high reliability mode to confirm the decision, else it sleeps for the entire duration of the second phase. Compared to prominent detection schemes such as the BMAC protocol, AdaSense provides relative energy gains that grow unbounded in the small probability of false-alarm regime, as communication gets sparser. In the non-asymptotic regime energy gains are 30% to 75% for communication scenarios typically found in the context of wake-up receivers.


翻译:频道感测包括时不时地对频道进行测试, 以检查频道是否活跃, 例如, 是因为收到消息。 当通信由于信息长期发送一次而变得稀少时, 频道感测会成为一个重要的能源消耗源。 如何可靠地检测信息, 同时将接收器的能源消耗最小化? 本文通过一个可重新配置的计划( 称为 AdaSense ) 解决这个问题, 它利用接收器噪音数字( 即接收器添加的噪音) 和接收器电能消耗之间的依赖性; 更高的电力通常会转化为较少噪音的频道观测。 AdaSense 以低能量低可靠性模式为起点, 并根据少数频道观测结果做出初步决定。 如果信息被公布, 它会切换到高能量的可靠模式来确认决定, 否则它会在整个第二阶段都沉睡。 与突出的检测计划( 如 BMAC 协议 ) 相比, AdaSense 提供了相对的能源收益, 这种相对的能源收益在错误武器系统的小概率中不受限制, 因为通信机制变得稀疏。 在不显的情况下, 通信系统获得的能源收益在一般情况下, 中, 30% 到 75% 。

0
下载
关闭预览

相关内容

专知会员服务
21+阅读 · 2021年4月15日
专知会员服务
61+阅读 · 2020年3月19日
[综述]深度学习下的场景文本检测与识别
专知会员服务
78+阅读 · 2019年10月10日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
老铁,邀请你来免费学习人工智能!!!
量化投资与机器学习
4+阅读 · 2017年11月14日
已删除
将门创投
3+阅读 · 2017年10月27日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
4+阅读 · 2020年3月27日
VIP会员
相关VIP内容
专知会员服务
21+阅读 · 2021年4月15日
专知会员服务
61+阅读 · 2020年3月19日
[综述]深度学习下的场景文本检测与识别
专知会员服务
78+阅读 · 2019年10月10日
相关资讯
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
老铁,邀请你来免费学习人工智能!!!
量化投资与机器学习
4+阅读 · 2017年11月14日
已删除
将门创投
3+阅读 · 2017年10月27日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员