认知WSN中基于能量有效性自适应观测的梯度投影稀疏重构方法

针对认知无线传感器网络中传感器节点侧的模拟信息转换器对本地感知数据进行稀疏表示与压缩测量,该文提出一种基于能量有效性观测的梯度投影稀疏重构(GPSR)方法。该方法根据事件区域内认知节点对实际感知到的非平稳信号空时相关性结构,映射到小波正交基级联字典进行稀疏变换,通过加权能量子集函数进行自适应观测,以能量有效的方式获取合适的观测值,同时对所选观测向量进行正交化构造测量矩阵。汇聚节点采用GPSR算法进行自适应压缩重构。仿真比较了GPSR自适应重构与正交匹配追踪(OMP)重构算法。仿真结果表明,在压缩比小于0.2的区域内,基于能量有效性观测的GPSR自适应重构效果优于传统随机高斯测量信号重构。在相同节点数情况下,GPSR自适应压缩重构方法在低信噪比区域内具有较小的重构均方误差,且该方法所需观测数明显低于随机高斯观测,同时有效保障了感知节点的能耗均衡。     

基于代理函数优化的稀疏性字典学习

稀疏性字典学习是指对在某个已知的基字典上具有稀疏表示的字典的学习.论文利用块松弛思想,将稀疏性字典学习问题转化为字典和系数的分别优化问题,利用代理函数优化方法分别对固定字典和固定系数情况下的目标函数进行优化处理,得到固定字典情况下的系数更新算法和固定系数情况下的字典更新算法,进而得到稀疏性字典学习算法.理论分析说明了本...     

基于Ad Hoc的无线自组传感网集成技术研究

基于Ad Hoc无线网络通信控制技术在无线传感器和无线网络通信应用领域中的重要性和用途,研究自适应动态多跳自组网技术、传感器网络客户端节点的结构及功能设计、节点传感器模块化与集成化以及客户端智能化引导技术等关键技术,分析Ad Hoc网络自适应动态组网算法及多传感器信息融合处理算法的实现流程.多种类传感器在核安全领域中基...     

利用稳健字典学习的雷达高分辨距离像目标识别算法

基于字典学习算法的信号稀疏表示被广泛应用于信号处理领域。由于字典原子间存在冗余性,求解信号的稀疏表示会受到观测信号中扰动分量的影响,从而带来表示的不确定性,不利于雷达高分辨距离像(HRRP)目标识别任务。针对这一问题,该文提出一种稳健字典学习(SDL)算法,通过边缘化信号丢失,构建稳健损失函数用于学习自适应字典。该算法利用距离像在散射点不发生越距离单元走动的方位帧内具有结构相似性,约束临近训练样本间稀疏表示的非零元素位置相同,并通过结构化稀疏约束选择最优子字典用于测试样本的分类。基于实测HRRP数据的实验结果验证了所提算法的有效性。     

基于稀疏优化的图像压缩感知重建算法

在信号的稀疏表示方法中,传统的基于变换基的稀疏逼近不能自适应性地提取图像的纹理特征,而基于过完备字典的稀疏逼近算法复杂度过高.针对该问题,文章提出了一种基于小波变换稀疏字典优化的图像稀疏表示方法.该算法在图像小波变换的基础上构建图像过完备字典,利用同一场景图像的小波变换在纹理上具有内部和外部相似的属性,对过完备字典进行灰色关联度的分类,有效提高了图像表示的稀疏性.将该新算法应用于图像信号进行稀疏表示,以及基于压缩感知理论的图像采样和重建实验,结果表明新算法总体上提升了重建图像的峰值信噪比与结构相似度,并能有效缩短图像重建时间.     

能量有效的无线传感器网络协作压缩感知机制

单一的稀疏基无法适应无线传感器网络节点压缩感知过程的复杂性,该文提出一种适用于无线传感器网络的协作压缩感知策略,根据各自的能量消耗状态,节点之间以协作的方式选择稀疏基,进而,通过冗余字典增大数据表示过程中的稀疏度,并有效地增强传输过程的鲁棒性,达到降低能耗的目的。仿真结果表明该文提出的策略能够有效地延长网络生存时间,同时,数据恢复的准确性得到了极大地改善。     

无线传感器网络中基于压缩感知的动态目标定位算法

传统的动态目标定位算法需要采集、存储和处理大量数据,并不适用于能量受限的无线传感器网络。针对该缺陷,该文提出一种基于压缩感知的动态目标定位算法。该算法利用目标的运动规律设计稀疏表示基,从而将动态目标定位问题转化为稀疏信号恢复问题。针对传统观测矩阵难以实现的缺陷,该算法设计可实现且与稀疏表示基相关性低的稀疏观测矩阵,从而保证了算法的重构性能。该算法的特点是可利用较少的数据采集实现动态目标定位,从而大大延长无线传感器网络的寿命。仿真结果表明,该文所提出的基于压缩感知的动态目标定位算法具有较好的定位性能。     

基于改进PSO的无线传感器网络数据自适应聚类算法

为解决无线传感器网络数据类项过于繁杂的问题，将相似信息参量整合成独立的簇类对象集合，提出基于改进PSO的无线传感器网络数据自适应聚类算法。按照改进PSO算法的作用机制，确定欧氏距离指标的计算数值，实现对网络数据的处理。在无线传感器网络体系中定义聚类排序原则，结合相关数据样本求解自适应期望熵，完成无线传感器网络数据自适应聚类算法研究。实验结果表明，在改进PSO算法作用下，无线传感器网络数据经过整合后的簇类对象集合数量由20个减少到6个，能够解决无线传感器网络数据类项过于繁杂的问题，满足按需整合相似信息参量的实际应用需求。     

自适应半耦合稀疏字典学习算法

为实现图像超分辨力重建,提出了一个自适应半耦合稀疏字典学习算法。由于耦合字典学习算法中存在稀疏编码约束条件太过严苛的缺点,本文采用半耦合的字典学习算法。根据在半耦合的字典学习算法中全局字典表达的局限性,分析和采用了多字典训练算法及相应的重建方法。提出了基于自适应图像块聚类算法的半耦合稀疏字典学习算法。仿真实验结果显示,新算法重建得到的Butterfly,Cameraman,Foreman,Plants,Hat和Lena等图像的峰值信噪比(PSNR)分别比用基于K-means聚类算法的半耦合稀疏字典学习算法得到的重建图像高出0.18 dB,0.16 dB,0.52 dB,0.21 dB,0.23 dB和0.14 dB。该算法可以得到更好的图像重建效果。     

无线传感器网络中基于数据融合树的压缩感知算法

针对无线传感器网络能量有限等特点,将路由策略考虑到投影矩阵的设计中,该文提出了基于数据融合树的压缩感知算法(Compressed Sensing algorithm based on Data Fusion Tree,CS-DFT)。该算法采用稀疏投影矩阵最小化通信消耗,在生成数据融合树的同时减小投影矩阵与稀疏基之间的相关度以保证数据的重构质量。仿真结果表明,该文提出的算法不仅在重构质量和能量消耗之间做到了很好的平衡,同时对于不同稀疏基下的数据也有较高的适应性。     

结合字典学习技术的ISAR稀疏成像方法

鉴于稀疏ISAR成像方法的成像质量受到待成像场景的稀疏表示不准确的限制,该文将字典学习(DL)技术引入到ISAR稀疏成像中,以提升目标成像质量。该文给出基于离线DL和在线DL两种ISAR稀疏成像方法。前者通过已有同类目标ISAR图像进行学习,获得更优稀疏表示,后者在成像过程中从现有数据中通过优化获得稀疏表示。仿真和实测ISAR数据成像结果表明,结合离线DL和在线DL的成像方法均可获得比现有方法更优的成像结果,离线DL成像优于在线DL成像,而且前者计算效率优于后者。     

WSN中基于稀疏观测和异步传输的分布式实时定位算法

针对无线传感器网络（WSN）中现有集中式多维标度（MDS-MAP）节点定位算法在定位精度和分布式方面的不足,提出一种基于稀疏观测和异步传输的分布式实时定位算法。首先在传统MDS-MAP算法中融入稀疏观测机制,使其能够更好地符合实际观测场景;然后提出一种异步传输序列,使节点能够分布式计算距离观测,并通过分布式计算结果给出位置估计;最后通过提出的位置估计精化操作减小估计误差,最终实现节点的精确定位。实验结果表明,该算法具有较高的定位精度。     

无线传感器网络中恶意软件传播研究

从平面无线传感器网络的拓扑结构、无线共享通信及安全机制等固有特征出发,对无线传感器网络上的恶意软件传播动力学进行研究。首先,使用随机几何图建立平面无线传感器网络模型;然后,基于元胞自动机理论建立恶意软件SI（Susceptible—Infected）传播模型,该模型充分考虑无线传感器网络固有特征和传播特征,模型建立引入MAC机制和随机密钥预分布方案。分析和仿真表明,无线传感器网络的空间局域化结构特征、无线信道共享机制和安全管理应用主导了传播增长效果,限制了恶意软件传播速度,降低了在无线传感器网络中大规模流行恶意软件的风险。文中提出的模型能够描述无线传感器网络中恶意软件传播行为,为建立无线传感器网络安全防御机制提供了基础。     

基于FPGA的杂波模拟系统的设计与实现

首先介绍了常用的杂波模型,利用ZMNL对地基雷达中常见的地杂波、海杂波进行建模,并基于FPGA分别实现了地杂波、海杂波实时模拟;最后对模拟数据进行分析,给出了模拟杂波数据的概率密度和功率谱密度曲线,与理论值对比得到了与理论值吻合的结果,验证了系统的有效性和准确性,为实验室的雷达系统调试提供了逼真的杂波环境,减少了研制成本。     

基于CM-OMEMD和小波散射网络的语音情感识别

语音情感识别（Speech Emotion Recognition,SER）是人机交互的重要组成部分,具有广泛的研究和应用价值。针对当前SER中仍然存在着缺乏大规模语音情感数据集和语音情感特征的低鲁棒性而导致的语音情感识别准确率低等问题,提出了一种基于改进的经验模态分解方法（Empirical Mode Decomposition,EMD）和小波散射网络（Wavelet Scattering Network,WSN）的语音情感识别方法。首先,针对用于语音信号时频分析的EMD及其改进算法中存在的模态混叠问题（Mode Mixing）和噪声残余问题,提出了基于常数Q变换（Constant-Q Transform,CQT）和海洋捕食者算法（Marine Predator Algorithm,MPA）的优化掩模经验模态分解方法（Optimized Masking EMD based on CQT and MPA,CM-OMEMD）。采用CM-OMEMD算法对情感语音信号进行分解,得到固有模态函数（Intrinsic Mode Functions,IMFs）,并从IMFs中提取了可以表征情感的时频特征作为第一个特征集。然后采用WSN提取了具有平移不变性和形变稳定性的散射系数特征作为第二个特征集。最后将两个特征集进行融合,采用支持向量机（Support Vector Machine,SVM）分类器进行分类。通过在含有七种情感状态的TESS数据集中的对比实验,证明了本文提出的系统的有效性。其中CM-OMEMD减小了模态混叠,提升了对情感语音信号时频分析的准确性,同时提出的SER系统显著提高了情绪识别的性能。      

L阶Markov信号的稀疏表示

在现实生活中,很多信号（比如语音信号）都具有有色性,即信号相邻采样点之间具有统计相关性,通常可采用L阶Markov过程进行较好的描述,然而已有的稀疏表示算法并没有充分考虑到这种统计特性。因此,针对L阶Markov信号,采用l（p≤1）-范数的广义平均值作为稀疏度量,并提出了基于重叠采样的稀疏表示算法。仿真结果表明,相比现有的线性规划稀疏表示方法、最短路径法和FOCUSS法,新算法的精度更高。     

使用多智能体反馈神经网络实现的数字预失真器

近年来,深度学习（Deep Learning,DL）在通信场景中的应用逐渐兴起,其中就包括射频发射机的数字预失真（Digital Predistortion,DPD）处理。然而,由于射频功率放大器（Power Amplifier,PA）固有的非线性失真和记忆效应特点,如果直接应用传统DL算法去实现DPD会出现拟合效果不佳、自适应性差等现象。针对这个问题,本文提出了一种由多智能体反馈神经网络实现的数字预失真器（Multi-Agent Feedback Enabled Neural Network for Digital Predistortion,MAFENN-DPD）,该网络引入了具有高纠错能力的反馈智能体结构,其主要特点是基于Stackelberg博弈理论去加速网络训练和收敛,同时我们还应用信息瓶颈理论指导网络超参数设计以增强MAFENN-DPD对PA记忆效应变化的动态适应能力。我们进行了一系列的实验来验证MAFENN-DPD的有效性。与使用典型前馈网络实现的DPD方案相比,基于MAFENN-DPD的方案在相邻信道功率比（Adjacent Channel Power Ratio,ACPR）指标上提高了约5 dB。同时,在没有通信过程中的大量先验知识的情况下,MAFENN-DPD实现了与使用记忆多项式方法建模的DPD方案十分接近的ACPR性能。仿真结果说明MAFENN-DPD相比传统神经网络可进一步提升ACPR性能,同时相比记忆多项式方法具有更好的自适应建模能力和通用性,并且具有多智能体反馈结构特征的神经网络未来在其他的通信场景中也具有应用推广的潜力。      

时分MIMO滑坡雷达稀疏成像算法

针对现用于成像的MIMO山体滑坡雷达均匀线性阵列数目过多、数据处理复杂度高的问题，引入稀疏阵列时分地基MIMO雷达模型，提出一种基于逆傅里叶变换和混合匹配追踪算法的成像方法。首先通过对雷达回波信号作逆傅里叶变换实现距离向压缩，并进行近似相位补偿，然后采用一种基于时延补偿因子稀疏基的压缩感知算法实现方位向压缩。同时针对多目标成像的伪影点问题，方位向数据压缩引入子空间追踪算法和正交匹配追踪算法的结合算法重构出高分辨率且没有伪影的二维图像。根据真实的山体滑坡监测成像场景参数，通过数值仿真验证了该方法能够在低于传统均匀阵列的天线数目情况下实现目标高质量成像，且具有一定的抗噪性。     

基于稀疏解的米波雷达测高方法

针对米波雷达由于波束宽和地面反射多径引起的测高难题,提出一种基于稀疏解的米波雷达低仰角测高法。该方法首先构造基于类-P范数稀疏度和2-范数约束的代价函数,通过迭代方法最小化代价函数得到稀疏解,最后由尺寸远大于阵元数的稀疏解估计目标仰角和高度。与传统的高分辨算法相比,该方法对信噪比和快拍数要求不高、无需特征值分解和多维搜索过程,具有较高的分辨率和极低的旁瓣电平。计算机仿真和实测数据的处理结果验证了该算法的有效性。     

Protocol for the application of cooperative MIMO based on clustering in sparse wireless sensor networks

Wireless sensor networks (WSN) using cooperative multiple-input multiple-output (MIMO) communication are effective tools to collect data in several environments. However, how to apply cooperative MIMO in WSN remains a critical challenge, especially in sparse WSN. In this article, a novel clustering scheme is proposed for the application of cooperative MIMO in sparse WSN by extending the traditional low-energy adaptive clustering hierarchy (LEACH) protocol. This clustering scheme solves the problem that the cluster heads (CH) cannot find enough secondary cluster heads (SCH), which are used to cooperate and inform multiple-antenna transmitters with CHs. On the basis of this protocol, the overall energy consumption of the networks model is developed, and the optimal number of CHs is obtained. The simulation results show that this protocol is feasible for the sparse WSN. The simulation results also illustrate that this protocol provides significant energy efficiencies, even after allowing for additional overheads.