WSN中基于压缩感知的高能效数据收集方案

可靠高效的数据收集是无线传感器网络（Wireless sensor networks,WSN）应用中的关键问题.然而,由于无线通信链路的高失效率、节点资源受限以及环境恶劣等原因,网络容易发生丢包问题,使得现有的数据收集方法无法同时满足高精度和低能耗的要求.为此,本文提出了一种基于压缩感知的高能效数据收集方案.该方案主要分为节点上的数据处理和数据收集路径优化两个步骤.首先设计了基于指数核函数的稀疏矩阵来对感知数据进行稀疏化处理,然后综合考虑了数据的传输能耗和可靠性等因素,采用分块矩阵的思路,将单位矩阵和准循环低密度奇偶校验（Low density parity check,LDPC）码的校验矩阵相结合构造了测量矩阵,并证明了它与稀疏矩阵之间满足限制等距性质（Restricted isometry property,RIP）.最后,将数据收集路径优化问题建模为哈密尔顿回路问题,并提出了基于树分解的路径优化算法进行求解.仿真结果表明,在网络存在丢包的情况下,本文方案仍然能够保证数据收集的高精确度,相比于其他数据收集方案而言,本文方案在数据重构误差和能耗方面的性能更优.     

WSN中一种基于网络效益最大化的数据收集方案

数据收集问题是无线传感网中的研究热点之一。针对现有的数据收集方法能耗过大以及数据收集精度低下的问题,提出一种基于网络效益最大化的数据收集方案。首先基于压缩采样得到各个节点感知数据的测量值,然后在融合节点处采用随机高斯矩阵对测量值进行编码后传输,最后将编码后的测量值传输问题建模为网络效益最大化问题,并利用拉格朗日乘数法得到近似最优解。仿真实验结果表明,该方法是有效的,在数据重构精度以及网络生命周期等方面都要优于传统的方法。     

UWSNs中基于压缩感知的移动数据收集方案

由于水下无线传感器网络(UWSNs)工作环境的特殊性,降低节点能耗和保证数据收集的实时性是至关重要的问题.提出一种基于压缩感知(CS)的移动数据收集方案.以DEBUC协议和CS理论为基础,簇内节点依据设计的稀疏测量矩阵决定是否参与压缩采样,并将获得的测量值传输至簇头.通过AUV的移动来收集各个簇头上的数据到数据中心,该问题被建模为带有邻域的旅行商问题,并提出了近似算法进行求解.在数据中心处利用CS重构算法进行数据重构.仿真实验结果表明:相比于已有的水下移动数据收集算法,该方案在保证数据收集可靠性的同时,降低了数据收集延时,延长了网络寿命.     

基于稀疏带状矩阵的二维图像重建

压缩传感（Compressed Sensing,CS）是数据采样同时实现压缩的新理论、新技术。针对大图像重构时采用的测量矩阵维数高,所需存储空间过大的问题,引入稀疏带状概念,提出了稀疏带状测量矩阵,可减少测量矩阵独立随机元,根据图像按列逐步处理的方式,测量矩阵维数大大降低。实验结果表明基于稀疏带状测量矩阵的逐列图像重构算法在保证重建质量的情况下,计算速度也大大提升。     

GAN-TM:一种基于生成对抗网络的流量矩阵推断机制

随着当前互联网技术的快速发展,网络规模和复杂度不断提高,由于流量矩阵对于网络管理、流量工程、异常检测等都具有重要意义,因此准确测量流量矩阵对于计算机网络而言极其重要。当前针对流量矩阵的测量机制主要可以分为直接测量法和估计推断法,其中估计方法又包括简单统计反演法、附加链路测量信息法以及测量反演结合法。现有测量机制在准确性和测量耗费方面存在较多问题,直接测量的方法虽然可以保证准确性,但网络规模的扩张及网络结构的日趋复杂化使其在实现上存在困难,而流量矩阵推断问题在线性求解上固有的高度病态特性又使得估计推断法时常难以发挥作用,因此需要一种新的方法以更通用的方式解决现有问题。该文借鉴生成对抗网络(GAN)在图像恢复方面的作用,提出了一种基于生成对抗网络的流量矩阵推断机制GAN-TM。GAN-TM能够基于部分测量信息,建立起基于掩码矩阵评估的卷积生成对抗网络模型,利用部分测量信息对缺失的流量矩阵进行推断。实验结果表明,在数据缺失率低于30%的情况下,GAN-TM的推断误差能够控制在0.10以内。     

基于结构化噪声矩阵补全的WSNs收集数据重建方法

许多科学研究都需要对环境数据进行分析,这些环境数据通常是通过部署在研究区域内的无线传感器网络(Wireless sensor networks, WSNs)来收集的。收集数据的完整性和准确性决定了科研结果的可靠性。然而,在数据收集过程中普遍存在的数据丢失和错误影响了收集数据的可用性,为此需要利用收集到的数据重建完整的环境数据。基于环境数据低秩特性,将数据重建问题建模为L2,1范数正则化矩阵补全模型,提出一种基于结构化噪声矩阵补全的WSNs收集数据重建方法(Data reconstruction approach via matrix completion with structural noise, DRMCSN)。真实数据集上的实验结果表明,该方法性能优于现有算法,不仅能以较高的精度恢复缺失的环境数据,而且能辨识出收集到错误数据的传感器节点。     

一种基于数据补全的大象流检测方法

由于在网络测量中存在不可避免的数据损失,网络监测数据通常是不完备的甚至是稀疏的,这使得大象流的精确检测成为一个具有挑战性的问题.本文提出了一种基于数据补全的离线大象流检测方法.为实现对于大象流的精准检测,首先实现了一个基于矩阵分解的数据补全算法,将流量数据补全问题转化为一个低秩矩阵奇异值分解问题.其次,在此基础上进行高阶扩展,引申出张量补全模型,利用张量CP分解实现数据补全,将原问题转化为通过最小化张量秩来恢复缺失条目的张量补全问题.最后对上面使用的矩阵补全算法和张量补全算法进行了仿真实验,对比了各算法精准度,评估了超参数,并展示了张量补全算法的时间开销.实验结果证明该方法取得了较好的效果.     

基于矩阵分解的卷积神经网络改进方法

针对传统卷积神经网络（CNN）在训练过程中优化难度高的问题,提出基于矩阵分解的CNN改进方法。首先,通过矩阵分解将模型卷积层在训练期间的卷积核参数张量转换为多个参数矩阵的乘积,形成过参数化;其次,将这些额外的线性参数加入网络的反向传播,并与模型的其他参数同步更新,以改善梯度下降的优化过程;完成训练后,将矩阵乘积重新还原为标准卷积核参数,从而使推理期间前向传播的计算复杂度与改进前保持一致。选用简化QR分解和简化奇异值分解（SVD）,在CIFAR-10数据集上进行分类效果实验,并用不同的图像分类数据集和初始化方式作进一步的泛化实验。实验结果表明,基于矩阵分解的VGG和残差网络（ResNet）对7个不同深度模型的分类准确率均高于原网络模型,可见矩阵分解方法可以让CNN更快地达到较高的分类准确率,最终收敛得到更好的局部最优。     

基于高阶近似的链路预测算法

目前大部分链路预测算法只研究了节点与邻居节点之间的一阶相似性，没有考虑节点与邻居的邻居节点之间的高阶相似性关系。针对此问题，提出一种基于高阶近似的链路预测算法（LP-HOPA）。首先，求出网络的归一化邻接矩阵和相似度矩阵；其次，利用矩阵分解的方法将相似度矩阵进行分解，得到网络节点的表示向量以及其上下文的表示向量；然后，通过高阶网络表示学习的网络嵌入更新（NEU）算法对原始相似度矩阵进行高阶优化，并利用归一化的邻接矩阵计算出更高阶的相似度矩阵表示；最后，在四个真实的数据集上进行大量的实验。实验结果表明，与原始链路预测算法相比，大部分利用LP-HOPA优化后的链路预测算法准确率提升了4%到50%。此外，LP-HOPA算法能够将基于低阶网络局部结构信息的链路预测算法转换为基于节点高阶特征的链路预测算法，在一定程度上肯定了基于高阶近似链路预测算法的有效性和可行性。     

一种基于混合压缩感知的WSN能耗优化方法

网络节点能耗是影响无线传感器网络生命周期的重要因素。提出了一种基于混合压缩感知(Hybrid-CS)的网络能耗优化方法。首先,为保证数据重构精度,根据参加数据收集节点数的不同,确定合理的观测矩阵维数范围。然后,通过分析不同维数观测矩阵对Hybrid-CS发送数据量的影响,求出较优的观测矩阵维数,从而使所设计的方法达到降低网络能耗的目的。仿真结果表明,该方法在节约网络能耗的同时还保证了数据重构精度。     

WSN中一种基于压缩感知的目标定位算法

针对目前的目标定位算法在定位误差等方面的不足,提出一种基于压缩感知的目标定位算法。将传感器网络划分为多个网格,相对于网格个数,目标个数是稀疏的,因此将目标定位问题转化为稀疏信号重构问题,基于目标的能量衰减特性设计测量矩阵,证明其满足RIP性质,并运用该算法来实现目标的精确定位。理论分析和仿真实验结果表明,该算法在目标定位误差及稀疏信号重构性能等方面优于传统的Binary等算法。     

用于压缩感知的无线传感网测量矩阵设计方法

为了解决无线传感器网络中数据采集过程中的冗余和传输能耗问题,深入分析信号的线性测量过程,提出一种用于压缩感知的测量矩阵设计方法.该方法结合对角矩阵和正交基线性表示原理,采用线性结构化的方法构造,过程简单、速度快、稀疏度高、没有冗余,适合硬件资源有限的传感器节点的实现.仿真结果表明,基于对角矩阵线性表示的测量方法与常见的高斯随机矩阵和部分哈达玛矩阵两种测量方法相比,该方法在相同信号重构精度前提下信号恢复成功率更高,传感节点可以通过压缩观测得到更少的测量数据,从而大大减少网络通信量,节约网络能耗,延长网络生存周期.     

Data Gathering in Wireless Sensor Networks Via Regular Low Density Parity Check Matrix

A great challenge faced by wireless sensor networks (WSNs) is to reduce energy consumption of sensor nodes. Fortunately, the data gathering via random sensing can save energy of sensor nodes. Nevertheless, its randomness and density usually result in difficult implementations, high computation complexity and large storage spaces in practical settings. So the deterministic sparse sensing matrices are desired in some situations. However, it is difficult to guarantee the performance of deterministic sensing matrix by the acknowledged metrics. In this paper, we construct a class of deterministic sparse sensing matrices with statistical versions of restricted isometry property (StRIP) via regular low density parity check (RLDPC) matrices. The key idea of our construction is to achieve small mutual coherence of the matrices by confining the column weights of RLDPC matrices such that StRIP is satisfied. Besides, we prove that the constructed sensing matrices have the same scale of measurement numbers as the dense measurements. We also propose a data gathering method based on RLDPC matrix. Experimental results verify that the constructed sensing matrices have better reconstruction performance, compared to the Gaussian, Bernoulli, and CSLDPC matrices. And we also verify that the data gathering via RLDPC matrix can reduce energy consumption of WSNs.      

基于图像分块的Toeplitz结构测量矩阵设计

现有压缩感知成像系统存储测量矩阵时需要较大空间,针对该问题,提出一种基于图像分块的Toeplitz结构块循环测量矩阵设计方法。将图像分块进行压缩感知,减少测量系统的存储空间,从而降低硬件实现难度。仿真结果表明,该方法能快速有效地获得测量值,且重构图像的主客观质量较好。     

基于DNN的低资源语音识别特征提取技术

针对低资源训练数据条件下深层神经网络（Deep neural network,DNN）特征声学建模性能急剧下降的问题,提出两种适合于低资源语音识别的深层神经网络特征提取方法.首先基于隐含层共享训练的网络结构,借助资源较为丰富的语料实现对深层瓶颈神经网络的辅助训练,针对BN层位于共享层的特点,引入Dropout,Maxout,Rectified linear units等技术改善多流训练样本分布不规律导致的过拟合问题,同时缩小网络参数规模、降低训练耗时;其次为了改善深层神经网络特征提取方法,提出一种基于凸非负矩阵分解（Convex-non-negative matrix factorization,CNMF）算法的低维高层特征提取技术,通过对网络的权值矩阵分解得到基矩阵作为特征层的权值矩阵,然后从该层提取一种新的低维特征.基于Vystadial 2013的1小时低资源捷克语训练语料的实验表明,在26.7小时的英语语料辅助训练下,当使用Dropout和Rectified linear units时,识别率相对基线系统提升7.0%;当使用Dropout和Maxout时,识别率相对基线系统提升了12.6%,且网络参数数量相对其他系统降低了62.7%,训练时间降低了25%.而基于矩阵分解的低维特征在单语言训练和辅助训练的两种情况下都取得了优于瓶颈特征（Bottleneck features,BNF）的识别率,且在辅助训练的情况下优于深层神经网络隐马尔科夫识别系统,提升幅度从0.8%~3.4%不等.     

基于相似粗糙集的案例特征权值确定新方法

针对现有案例特征权值确定方法客观性差、算法复杂等问题，首先介绍和完善了基于传统粗糙集的权值确定方法．其次，针对基于传统粗糙集的方法会造成案例相似度测量误差从而影响案例推理的准确性的问题，将传统粗糙集的不可分辨关系推广为相似关系，提出了一种基于相似粗糙集的案例特征权值确定方法．给出了相似粗糙集的基本定义，以及利用该方法基于差别矩阵进行特征权值计算的两个定理．最后，用实例表明了方法的有效性．     

帐篷混沌序列稀疏测量矩阵构造

测量矩阵的构造是压缩感知(CS)中重要的研究内容之一.利用混沌系统伪随机性、遍历性的特点,提出了一种基于帐篷混沌序列构造确定性稀疏随机矩阵的方法.对混沌系统生成的确定性序列进行了间隔采样,采样后的序列满足统计独立性,然后通过符号函数映射,生成了具有稀疏性质的伪随机序列,进而构造出混沌稀疏测量矩阵.仿真实验表明:该方法构造出的混沌稀疏测量矩阵与高斯随机矩阵、稀疏随机矩阵及Bernoulli随机矩阵相比,具有类似的重构性能.混沌系统参数与初值固定时,构造的混沌稀疏测量矩阵是确定的,计算复杂度小且硬件上容易实现.     

基于准循环低密度奇偶校验码的压缩感知测量矩阵

针对随机测量矩阵元素随机产生、不易于硬件实现的缺点,利用有限域上准循环低密度奇偶校验(QC-LDPC)码奇偶校验矩阵的构造方法,设计了一种确定性的结构化稀疏测量矩阵。由于QC-LDPC码的信道编解码性能较好,故以此为基础构造压缩感知(CS)测量矩阵预计有较好的性能。分别用一维和二维信号的CS重建实验验证新矩阵的性能,结果表明,与常用的测量矩阵相比,在相同的重建算法和压缩比条件下,新矩阵对应的重建误差较低,在峰值信噪比(PSNR)的评价指标上有所提高(0.5~1dB)。特别地,所提的确定性测量矩阵在结构上具有对称特性和准循环特性,如将其应用于硬件实现,可降低物理内存的需求量与硬件实现的复杂度。     

大旋角无人机影像全自动拼接方法研究

低空无人机抗风能力弱、稳定性差,影像旋偏角大且存在突变,无法按照常规正射影像镶嵌方法获得全区域拼接影像。为此,提出一种基于尺度不变特征变换(SIFT)特征匹配与多分辨率样条融合的低空无人机影像全自动拼接方法。对非量测影像进行畸变校正,利用查找表设计多幅影像快速畸变校正算法。采用SIFT特征的单应约束影像匹配算法,计算相邻影像的最优变换矩阵。给出最优变换矩阵的多分辨率样条融合影像拼接算法。实验结果表明,该方法能够获得大量稳定的匹配点对,影像间几何变换关系稳定,得到的拼接影像无缝清晰,适用于大旋角、低稳定性的低空无人机影像非摄影测量快速拼接。