چکیده: شبکه های حسگر بی سیم، ابزاری پرکاربرد و مناسب برای جمع آوری داده به صورت متناوب و انتقال آن به مرکز محاسبات است. در طراحی شبکه های حسگر بی سیم، به حداقل رساندن هزینه انتقال داده به گره ایستگاه (جهت پردازش و تفسیر داده ها) از جمله اهداف مهم محققان بوده است. یکی از روش ها در این زمینه می تواند ارسال داده فشرده شده به ایستگاه باشد. راهکارهای متعددی در جمع آوری داده با استفاده از فشرده سازی وجود دارد. یکی از آن ها استفاده از نظریه ی سنجش فشرده است که دو مرحله ی سنجش و فشرده سازی داده را به صورت همزمان انجام می دهد. در این روش بر خلاف حالت معمول، به جای سنجش مستقیم از سیگنال، ترکیب خطی نمونه های سیگنال انجام می شود. مصرف انرژی گره ها عمدتاً از سه فعالیت سنجش، داده پردازی و برقراری ارتباط نشئت می گیرد. تحقیقات پیشین دو مرحله انتقال و پردازش را بر مرحله سنجش مقدم می دانستند اما اخیراً محققان به این نتیجه رسیده اند که بهینه سازی مرحله سنجش و کاهش تعداد نمونه ها از طریق زمان بندی الگوی سنجش می تواند نقش بسیار موثری در کاهش هزینه های چنین سیستمی داشته باشد. مسئله مورد بحث در این پایان نامه، بهبود روش زمان بندی الگوی سنجش مبتنی بر سنجش فشرده در جهت کاهش تعداد نمونه های اخذ شده است. روش های اخیر مبتنی بر سنجش فشرده وفق پذیر توزیع شده، ابتدا مدل مناسبی برای سیگنال از داده های گذشته بدست می آورد و در نهایت سیگنال را از مقدار معدودی از نمونه های جمع آوری شده و مطابق با مدلِ سیگنال آموخته شده، بازسازی می کند. مشکل اصلی، بدست آوردن مدل سیگنال (واژه نامه) از روی داده های ناقص است که تحت سنجش فشرده در گره ایستگاه قرار دارند. بنابراین برای دست یابی به خود داده نیاز به درون یابی نقاط مفقود می باشد. در این پایان نامه به جای درون یابی با روشهای مرسوم از روش های یادگیری واژه نامه استفاده شده است. این روش به دلیل استفاده از واژه نامه عملکرد بهتری دارد. چون واژه نامه در برگیرنده ویژگی های آماری داده می باشد بنابراین نقاط مفقود را با دقت بالاتری درون یابی می کند. نتایج بدست آمده در این تحقیق حاکی از عملکرد بهتر روش پیشنهادی نسبت به روش های مرسوم است.