This article presents an adaptive multi-sensing (MS) framework for a network of densely deployed solar energy harvesting wireless nodes. Each node is mounted with heterogeneous sensors to sense multiple cross-correlated slowly-varying parameters/signals. Inherent spatio-temporal correlations of the observed parameters are exploited to adaptively activate a subset of sensors of a few nodes and turn-OFF the remaining ones. To do so, a multi-objective optimization problem that jointly optimizes sensing quality and network energy efficiency is solved for each monitoring parameter. To increase energy efficiency, network and node-level collaborations based multi-sensing strategies are proposed. The former one utilizes spatial proximity (SP) of nodes with active sensors (obtained from the MS) to further reduce the active sensors sets, while the latter one exploits cross-correlation (CC) among the observed parameters at each node to do so. A retraining logic is developed to prevent deterioration of sensing quality in MS-SP. For jointly estimating all the parameters across the field nodes using under-sampled measurements obtained from MS-CC based active sensors, a multi-sensor data fusion technique is presented. For this ill-posed estimation scenario, double sparsity due to spatial and cross-correlation among measurements is used to derive principal component analysis-based Kronecker sparsifying basis, and sparse Bayesian learning framework is then used for joint sparse estimation. Extensive simulation studies using synthetic (real) data illustrate that, the proposed MS-SP and MS-CC strategies are respectively $48.2\ (52.09)\%$ and $50.30\ (8.13)\%$ more energy-efficient compared to respective state-of-the-art techniques while offering stable sensing quality. Further, heat-maps of estimated field signals corresponding to synthetically generated and parsimoniously sensed multi-source parameters are also provided which may aid in source localization Internet-of-Things applications.

中文翻译：

---

能量收集无线传感器网络中的协作式多传感器

本文介绍了一种用于密集部署的太阳能收集无线节点网络的自适应多感测（MS）框架。每个节点都装有异类传感器，以感测多个互相关的缓慢变化的参数/信号。利用观测参数的固有时空相关性来自适应地激活几个节点的传感器子集，并关闭其余节点。为此，针对每个监视参数解决了共同优化感测质量和网络能效的多目标优化问题。为了提高能源效率，提出了基于网络和节点级协作的多传感策略。前者利用具有主动传感器的节点的空间接近度（SP）（从MS获取）来进一步减少主动传感器集，后者则利用每个节点上观察到的参数之间的互相关（CC）来进行此操作。开发了一种再训练逻辑以防止MS-SP中的传感质量下降。为了使用从基于MS-CC的有源传感器获得的欠采样测量值来联合估计整个野外节点的所有参数，提出了一种多传感器数据融合技术。对于这种不适定的估计方案，由于测量之间空间和互相关而导致的双重稀疏性被用于导出基于主成分分析的Kronecker稀疏性基础，然后将稀疏贝叶斯学习框架用于联合稀疏估计。使用合成（真实）数据进行的大量模拟研究表明，提出的MS-SP和MS-CC策略分别是 开发了一种再训练逻辑以防止MS-SP中的传感质量下降。为了使用从基于MS-CC的有源传感器获得的欠采样测量值来联合估计整个野外节点的所有参数，提出了一种多传感器数据融合技术。对于这种不适定的估计方案，由于测量之间空间和互相关而导致的双重稀疏性被用于导出基于主成分分析的Kronecker稀疏性基础，然后将稀疏贝叶斯学习框架用于联合稀疏估计。使用合成（真实）数据进行的大量模拟研究表明，提出的MS-SP和MS-CC策略分别是 开发了一种再训练逻辑以防止MS-SP中的传感质量下降。为了使用从基于MS-CC的有源传感器获得的欠采样测量值来联合估计整个野外节点的所有参数，提出了一种多传感器数据融合技术。对于这种不适定的估计方案，由于测量之间空间和互相关而导致的双重稀疏性被用于导出基于主成分分析的Kronecker稀疏性基础，然后将稀疏贝叶斯学习框架用于联合稀疏估计。使用合成（真实）数据进行的大量模拟研究表明，提出的MS-SP和MS-CC策略分别是 为了使用从基于MS-CC的有源传感器获得的欠采样测量值来联合估计整个野外节点的所有参数，提出了一种多传感器数据融合技术。对于这种不适定的估计方案，由于测量之间空间和互相关而导致的双重稀疏性被用于导出基于主成分分析的Kronecker稀疏性基础，然后将稀疏贝叶斯学习框架用于联合稀疏估计。使用合成（真实）数据进行的大量模拟研究表明，提出的MS-SP和MS-CC策略分别是 为了使用从基于MS-CC的有源传感器获得的欠采样测量值来联合估计整个野外节点的所有参数，提出了一种多传感器数据融合技术。对于这种不适定的估计方案，由于测量之间空间和互相关而导致的双重稀疏性被用于导出基于主成分分析的Kronecker稀疏性基础，然后将稀疏贝叶斯学习框架用于联合稀疏估计。使用合成（真实）数据进行的大量模拟研究表明，提出的MS-SP和MS-CC策略分别是 由于测量之间存在空间和互相关性而导致的双重稀疏性被用于导出基于主成分分析的Kronecker稀疏化基础，然后将稀疏贝叶斯学习框架用于联合稀疏估计。使用合成（真实）数据进行的大量模拟研究表明，提出的MS-SP和MS-CC策略分别是 由于测量之间存在空间和互相关性而导致的双重稀疏性被用于导出基于主成分分析的Kronecker稀疏化基础，然后将稀疏贝叶斯学习框架用于联合稀疏估计。使用合成（真实）数据进行的大量模拟研究表明，提出的MS-SP和MS-CC策略分别是$ 48.2 \（52.09）\％$ 和 $ 50.30 \（8.13）\％$与相应的最新技术相比，具有更高的能源效率，同时提供稳定的传感质量。此外，还提供了与合成生成的和简​​约感测到的多源参数相对应的估计场信号的热图，这可能有助于源定位物联网应用。