基于Jacobi ADMM的传感网分布式压缩感知数据重构算法

针对无线传感网中分布式数据收集及应用,采用分布式压缩感知理论中的JSM-1 (joint sparse model-1)模型,提出了一种基于Jacobi ADMM (alternating direction method of multipliers)的分布式压缩感知数据重构算法.该算法通过在簇头节点间交换公共信息以挖掘关联数据集的公共部分,并在各个簇头节点内部更新各自的独立部分,从而实现无线传感网中相关感知数据的分布式压缩重构.首先,将无线传感网中的数据收集问题抽象为一个分布式优化问题.然后,为了能够有效地解决分布式计算过程中产生的不收敛问题,在优化目标函数中引入了近似项,从而使得子优化问题具有严格凸性,并利用交替方向乘子法求解压缩感知数据的重构问题.最后,分别利用合成数据集和真实数据集进行验证.实验结果表明：与现有其他数据重构算法相比,基于Jacobi ADMM的分布式压缩感知数据重构算法具有更高的数据重构精度.     

基于时空相关性的分布式压缩感知多假设预测重构算法

综合考虑到视频序列本身的不同特性以及时空相关性, 将传统视频编码中的多假设预测运动估计思想引入到分布式压缩感知视频编码系统中, 提出一种新的基于时空相关性的分布式压缩感知多假设预测重构算法。在编码端增加CS帧的块模式判别, 在解码端CS帧根据模式判别进行相应的基于块的多假设预测估计和残差稀疏重构。仿真实验表明, 与传统的分布式压缩感知多假设预测重构算法相比, 所提出的算法能够较好地改善视频序列的重建质量。     

基于压缩感知的脑电信号重构研究

对EEG脑电信号的有效处理和分析,可以判断不同的脑机能状态,在神经生理科学研究和临床诊断中有着广泛应用。考虑到EEG脑电信号中每个单独的生物信号时间上的相关性和不同信道生物信号之间的信道间相关性,基于离散余弦变换基对EEG脑电信号进行稀疏化,并利用基于块稀疏贝叶斯的压缩传感技术对其进行仿真重构。大量实验结果表明,重构的EEG脑电信号与原信号具有极大的相似保真度,能够用于医学上的进一步处理。     

基于分布式压缩感知的无线传感器网络异常数据处理

无线传感器网络的海量数据采集、传输和处理,对传感器节点的处理能力和功耗提出了严峻挑战,而且现实环境中传感器故障或者环境因素的突变会导致部分采集数据异常,而传统的数据处理方法无法对包含异常的数据进行有效的处理。针对上述问题,文中提出了两类无线传感器网络的异常数据模型,以及相应的基于分布式压缩感知的异常数据处理方法。通过协同的多个传感器进行数据压缩采样,当多个传感器采集的数据包含异常成分时,分布式压缩感知技术对数据中相同的正常分量进行一次统一重构,仅对不同的异常分量进行单独重构,从而避免了对相同数据分量的重复处理,提高了对包含异常成分数据处理的效率。另外,分布式压缩感知技术充分利用数据间的相关性,可有效减少传感器网络的数据采集量,加强其对抗异常数据的鲁棒性。对两类异常数据模型的数值仿真结果表明:相比于传统的基于单组测量值的压缩感知技术,基于分布式压缩感知技术的数据处理方法在提高异常数据重构准确率的同时,将采样数据量减少了约33%,证明了该方法的有效性。     

基于分布式压缩感知的能量收集WSNs

针对无线传感器网络（WSNs）通信功耗和带宽要求高,引起节点寿命短的缺陷,利用WSNs节点感知数据的空间相关性和联合稀疏模型,结合分布式压缩感知（DCS）算法,提出了从能源收集的角度来分析对WSNs数据的压缩重构。通过理论和实验仿真表明：基于DCS的WSNs,在能源平衡方面具有很大的优势,在保证重构信号精确度的前提下大大提高了能源的有效利用率。     

基于量子免疫克隆的压缩感知数据重构算法

提出了一种基于量子免疫克隆的压缩感知数据重构算法（Q-CSDR）。算法先提出了一种能够提高数据重构概率的自适应分帧方法,然后利用量子克隆免疫算法的优化组合性能实现数据的精确重构。实验结果表明,Q-CSDR算法能够根据啄始信号稀疏度自动调节压缩比率,具有重构速度快,重构精度高,能够适应于高稀疏度数据重构等优点。该算法已应用于秦始皇帝陵博物院野外文物安防系统。经实际检验,收到了良好效果。     

基于联合压缩感知重构的网络通信服务目标数据检测技术

采用当前无监督组件支持向量机模型检测技术、高维随机矩阵检测技术,对网络通信服务目标数据检测时,缺少特殊属性目标采集过程,导致数据检测效果较差。针对该问题,提出了基于联合压缩感知重构的网络通信服务目标数据检测技术研究。根据联合压缩感知重构原理,采集网络通信服务节点温度稀疏目标数据,利用联合压缩感知重构技术处理网络节点通信数据,构造稀疏二进制矩阵,完成对未知数量检测数据精确重构。利用构造函数计算网络通信服务数据之间的相似度,完成不同样本特征的区分,剔除不必要数据特征,并采用联合压缩感知重构技术实现对网络通信服务目标数据检测。实验结果表明,该技术数据检出率最高可达到87%,为海量数据下社交网络特殊对象数据挖掘奠定基础。     

基于数据预处理的无线气象传感网数据重构模型

针对无线气象传感网内由于节点数量大、感知数据冗余度高而导致节点通信耗能过高的问题,提出了数据联合稀疏预处理模型,利用监测区域气象要素预报值和各簇头要素值计算出一个全网公共分量并对网内数据进行预处理。将分布式压缩感知应用于簇型传感网中,对各节点感知数据进行压缩观测,在汇聚节点进行数据重构,从根本上降低节点通信量,均衡负载;同时设计了一个基于公共分量异常数据稀疏方法。仿真实验中,相对于单独使用压缩感知,数据联合稀疏预处理模型能够有效利用数据时空相关性提高数据稀疏度,压缩性能提高了25%,重构性能提高46%;同时,异常数据处理方案能够以96%的高概率恢复异常数据。因此,该数据预处理模型能够提高数据重构效率,有效降低网内数据通信量,延长网络寿命。     

基于块稀疏贝叶斯学习压缩感知的心音重构

为提高体域网远程传输心音信号的重构精度、运行时间及处理数据量,对一种基于块稀疏贝叶斯学习的压缩感知重构心音方法进行研究。在传感节点端对心音信号做分块处理,进行离散余弦变换字典训练;通过稀疏二进制矩阵对心音信号进行压缩,并传送至终端;利用块稀疏贝叶斯学习对终端压缩的心音重构,将重构结果与传统的正交匹配追踪结果比较。实验结果表明,块稀疏贝叶斯学习算法比正交匹配追踪算法重构的结构相似度高0.2-0.3,在信噪比方面高10db-30db,所提方法具有重构精度高,处理心音数据量大,运行时间快的显著优势。     

基于边信息的分布式视频压缩感知重建

WZ视频编码系统中的虚拟信道会因信道模型参数估计的不稳定导致系统性能下降,为了克服该问题,提出不带有虚拟信道的分布式视频压缩感知重建算法,仅靠解码端获得的压缩感知观测值对非关键帧的错误进行纠正,并利用平滑投影Landweber迭代求解联合重建模型.实验证明本文所提出算法获得了更好的率失真性能和更低的重建时间.     

一种基于压缩感知的无线传感信号重构算法

压缩感知(Compressed Sensing,CS)是一种基于稀疏信号的获取和恢复的新理论,能以较小的采样代价获得完整的信号.这一理论符合无线传感网络在带宽和采集能力局限下需要低代价采样的需求.但由于无线传感网络的开放性,其容易受到环境噪声的影响,特别是采用压缩感知方法进行欠采样,虽然可以减小获取数据的开销,但这种“不完整”的欠采样数据对噪声更加敏感.因此抗噪声的健壮的重构算法能有效保证信号重构的精度.文中提出了一种近似梯度下降算法(Proximal Gradient Algorithm,PRG)对噪声下的压缩采样信号进行恢复.该算法通过逐步迭代逼近的方式,求得约束方程最优解,进而还原出原信号.通过与OMP、SP、BP算法比较,PRG算法在噪声环境下表现出较好的重构性能.     

深度学习框架下压缩感知重建算法综述

压缩感知技术以远小于奈奎斯特频率采样信号,并高概率重建原信号,是信号处理领域里程碑式的进展。近年来深度学习在特征提取与模式分类方面的优势给压缩感知技术提供了新的思路,基于深度学习的压缩感知重建算法采用数据驱动的方式,在重建时间上有数量级的降低,且重建精度具有可比性或更高。重点综述基于深度学习的压缩感知重建方法,综合考虑传统重建方法,并分为基于先验知识、纯数据驱动、混合先验知识与数据驱动的三类,分析了典型算法的特点、网络结构、关键步骤。最后分析与总结,展望了深度学习技术应用于压缩感知的研究前景。     

一种基于压缩感知的超声阵列全矩阵数据重构方法

针对传统全矩阵数据采集数据量大、采样时长随阵元个数增加的问题,提出了一种基于压缩感知的超声阵列全矩阵数据重构方法.根据多阵元等幅同步有限次激励下采集的超声信号与全矩阵数据的压缩采样关系,利用多阵元等幅同步有限次激励下采集到的少量超声信号进行超声阵列全矩阵数据重构,并将重构数据用于缺陷的全聚焦成像.基于提出的数据压缩采集...     

压缩感知在无线传感器网络数据采集中的应用

提出了一种无线传感器网络中基于压缩感知的数据采集方法。通过分析信号压缩观测过程,提出了适合在硬件资源有限的传感器节点中实现的循环稀疏伯努利观测矩阵CSBM(Cyclic-Sparse-Bernoulli Measurement),该矩阵使用循环稀疏矩阵与伪随机伯努利序列,采用结构化的方法构造,具有非零元素少、良好的伪随机性、硬件易于实现等优点。仿真实验表明,与其他类型的观测矩阵相比,CSBM矩阵在一定信号重构精度前提下具有更低的压缩采样比CSR(Compress Sampling Rate)。在无线传感器网络数据采集应用中,感知节点可以通过压缩观测得到更少的观测数据,能够大大减少网络通信数据量。     

多稀疏基分簇压缩感知的WSN数据融合方法

针对传感器节点采集数据精度与能量消耗的矛盾,提出多稀疏基分簇压缩感知的无线传感器网络WSN（Wireless Sensor Network）数据融合方法。该方法利用改进的阈值对随机部署的传感器节点进行簇首选择继而形成最优簇,簇首采用伯努利随机观测矩阵对簇内节点信号进行线性压缩投影,然后将压缩的信息传送给汇聚节点,减少数据传输即降低通信能耗,从而提高网络的生命周期。根据传感器节点监测信号在有限差分和小波中都具有可压缩特性,汇聚节点在有限差分和小波两个稀疏基的约束下,利用OOMP算法分别对线形压缩投影信息进行重构;并采用最小二乘法融合重构信号,提高数据精度。仿真实验结果表明,多稀疏基分簇压缩感知的WSN数据融合方法在减少数据发送的情况下,能提高整个网络的生命周期,解决采集数据精度与网络生命周期的矛盾。     

无线传感器网络中基于Top-|K|查询分布式数据重构方法

针对分簇结构或多Sink节点的无线传感器网络应用场景,提出了一种基于Top-|K|查询的分布式数据重构方法.该方法包括分布式迭代硬阈值算法和基于双阈值的分布式Top-|K|查询算法两个部分.其中,管理节点和成员节点同时运行分布式迭代硬阈值算法,以分布式方式实现迭代硬阈值计算.同时,管理节点和成员节点运行基于双阈值的分布式Top-|K|查询算法,以分布式方式实现前一算法中查询绝对值最大的前K项元素和操作.实验结果表明,该方法的数据重构性能与现有方法无明显差异,同时能够有效地减少管理节点和成员节点之间的交互次数,并且降低网络中传输的数据量.     

A survey on distributed compressed sensing: theory and applications

The compressed sensing (CS) theory makes sample rate relate to signal structure and content. CS samples and compresses the signal with far below Nyquist sampling frequency simultaneously. However, CS only considers the intra-signal correlations, without taking the correlations of the multi-signals into account. Distributed compressed sensing (DCS) is an extension of CS that takes advantage of both the inter- and intra-signal correlations, which is wildly used as a powerful method for the multi-signals sensing and compression in many fields. In this paper, the characteristics and related works of DCS are reviewed. The framework of DCS is introduced. As DCS’s main portions, sparse representation, measurement matrix selection, and joint reconstruction are classified and summarized. The applications of DCS are also categorized and discussed. Finally, the conclusion remarks and the further research works are provided.     

联合弹性碰撞与梯度追踪的WSNs压缩感知重构

为提高压缩感知(Compressed sensing, CS)大规模稀疏信号重构精度, 提出了一种联合弹性碰撞优化与改进梯度追踪的WSNs (Wireless sensor networks)压缩感知重构算法.首先, 创新地提出一种全新的智能优化算法---弹性碰撞优化算法(Elastic collision optimization algorithm, ECO), ECO模拟物理碰撞信息交互过程, 利用自身历史最优解和种群最优解指导进化方向, 并且个体以N(0, 1)概率形式散落于种群最优解周围, 在有效提升收敛速度的同时扩展了个体搜索空间, 理论定性分析表明ECO依概率1收敛于全局最优解, 而种群多样性指标分析证明了算法全局寻优能力.其次, 针对贪婪重构算法高维稀疏信号重构效率低、稀疏度事先设定的缺陷, 在设计重构有效性指数的基础上将ECO应用于压缩感知重构算法中, 并引入拟牛顿梯度追踪策略, 从而实现对大规模稀疏度未知数据的准确重构.最后, 利用多维测试函数和WSNs数据采集环境进行仿真, 仿真结果表明, ECO在收敛精度和成功率上具有一定优势, 而且相比于其他重构算法, 高维稀疏信号重构结果明显改善.