Name: When Compressive Sensing Meets Mobile Crowdsensing (en Inglés)
Price: 386223.00 COP
Availability: InStock
Author: Linghe Kong; Bowen Wang; Guihai Chen
ISBN: 9789811377754

portada When Compressive Sensing Meets Mobile Crowdsensing (en Inglés)

When Compressive Sensing Meets Mobile Crowdsensing (en Inglés)

Formato

Libro Físico

Editorial

Springer

Autor

Linghe Kong; Bowen Wang; Guihai Chen

Año

2019

Idioma

Inglés

N° páginas

127

Encuadernación

Tapa Dura

ISBN13

9789811377754

N° edición

Categorías

Teoría de la información
Arquitectura de la información

When Compressive Sensing Meets Mobile Crowdsensing (en Inglés)

Linghe Kong; Bowen Wang; Guihai Chen (Autor) · Springer · Tapa Dura

Libro Nuevo Importado

Envío: 15 a 21 días háb.

$ 643.705$ 386.223

-40%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan más de 100 unidades

$ 386.223

¡Envío Gratis! Llega entre el 13 Jul y el 23 Jul a Bogota, Cundinamarca. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "When Compressive Sensing Meets Mobile Crowdsensing (en Inglés)"

This book provides a comprehensive introduction to applying compressive sensing to improve data quality in the context of mobile crowdsensing. It addresses the following main topics: recovering missing data, efficiently collecting data, preserving user privacy, and detecting false data.Mobile crowdsensing, as an emerging sensing paradigm, enables the masses to take part in data collection tasks with the aid of powerful mobile devices. However, mobile crowdsensing platforms have yet to be widely adopted in practice, the major concern being the quality of the data collected. There are numerous causes: some locations may generate redundant data, while others may not be covered at all, since the participants are rarely systematically coordinated; privacy is a concern for some people, who don’t wish to share their real-time locations, and therefore some key information may be missing; further, some participants may upload fake data in order to fraudulently gain rewards. To address these problematic aspects, compressive sensing, which works by accurately recovering a sparse signal using very few samples, has proven to offer an effective solution.