基于空间相关性与灰色模型的WSN数据压缩方法

针对目前无线传感器网络（WSN）数据压缩方法的计算复杂度高、压缩效率和数据恢复准确率较低的情况,提出基于簇头-基站分离式结构的WSN数据压缩方法。该方法在WSN的单层分簇结构的基础上,要求感知节点将采集的原始数据分段发送,采用原有WSN数据压缩方法对簇头节点接收的数据进行空间相关性压缩,在基站采用灰色模型进行数据恢复。另外,通过实验分析灰色模型与灰色马尔可夫链模型对数据的恢复效果,给出算法最优模型与段长。仿真结果表明,提出的方法相比传统线性回归方法在较高压缩效率时可显著提高数据恢复精度。     

一种新的基于压缩感知的WSN多目标定位方法

考虑无线传感器网络中定位信息的不完备性,将传感器网络监控区域划分成多个小网格,节点与目标随机分布于网格中,以目标位置信息为稀疏向量,提出了一种新的基于压缩感知的多目标定位方法。该方法将传感器节点感知到的目标数测量矩阵表示为压缩感知理论中测量矩阵、稀疏矩阵与稀疏向量的乘积形式,通过稀疏信号的重构算法恢复目标位置稀疏向量,实现多目标定位。考虑到感知矩阵不满足受限等距性条件,对此矩阵进行了正交化处理,使其满足重构算法的要求。通过仿真分析了节点感知半径、待定位目标数、传感器节点数对目标定位性能的影响。仿真结果表明,在定位信息不完备的情况下,上述方法能够满足无线传感器网络的目标定位要求,且该方法不依赖于硬件测距,其计算复杂度和定位精度与基于接受信号强度(RSS)的压缩感知定位算法相当。     

基于压缩感知的无线传感网络数据压缩

无线传感器网络（Wireless Sensor Networks,WSN）负责感知、采集、处理和监控环境数据,但是容易受限于资源。压缩感知（Compressed Sensing,CS）理论表明,利用最优化理论,稀疏信号可以从少量的非自适应线性投影中高概率精确恢复。根据CS理论设计WSN的数据压缩方法只依赖于信号内在的结构和内容,而不是信号的带宽,弥补了WSN的不足;提出了基于稀疏随机投影的编码方法;仿真结果表明系统在满足误差要求条件下构造的数据包减少至结点数目的30%,提高了WSN通信效率,降低了系统能耗。     

基于PCA的无线传感器网络压缩感知算法

针对常规压缩感知算法稀疏效果不佳的问题,提出了基于PCA的无线传感器网络(Wireless Sensor Network)压缩感知算法;该算法利用主成分分析法(Principle Component Analysis)的去噪和去冗余特性为节点数据提供一个自适应的稀疏矩阵,尽可能的减少观测量,并提出一个自相关系数保证PCA技术应用的有效性;最后,通过仿真将该算法与常规算法的重构误差进行比较,结果表明当信号相似度系数r大于0.7时,前者信号重构所需的观测量少很多,重构精度更高,对于WSN数据采集能够起到很好的节能效果。     

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。     

基于并行压缩感知的物联网海量数据处理

在大规模和超大规模物联网中往往需要采集和处理海量的数据,这对智能感知系统的寿命及物联网的性能将产生很大影响.提出利用压缩感知采样方法减少物联网中的采集数据,压缩感知是一种能够实现采样和数据压缩同时进行的新型数据采样方法,它通过降低采样率减少采集的数据量.压缩感知算法的计算复杂度较高、自适应性较差,因此提出并实现压缩感知算法的并行处理以提高算法执行速度并尝试引入冗余字典改善算法的灵活性.实验证明并行处理可以显著提高算法的执行速度、增强数据处理的实时性.最后,讨论了引入压缩感知理论后可能的物联网结构变化和未来的工作.     

高频微震震源预测系统设计

震源的不同会出现多级震源,在对震源进行预测过程中,常规震源预测方法主要对峰值加速度分布进行分析,存在对微震震源信号预测准确性差、耗时长的问题,提出新的高频微震震源预测系统设计方法。该系统硬件部分主要由震源信号采集模块、供电模块、主控模块、震源信息安全架构、通信模块及开关量传输接口模块组成。详尽分析了各个模块的电路结构,实现系统软件的构建。实验结果证明,利用改进方法所设计的高频微震震源的预测系统能够准确的定位并预测震源位置,系统实用性高,也降低了地震灾害给生活带来的损失。     

一种面向WSN节点的数据压缩简化算法

为了在存储空间和能量受限的无线传感器网络(WSN)节点上压缩数据来节省无线发送和外部存储所耗能量,分析并强调了面向WSN节点的数据压缩的特点与研究意义.针对资源受限节点在存储和传送数据中对压缩率和精度及能耗等性能的需要,基于傅立叶分析原理,通过简化基频测量和按允许误差调整傅立叶级数最高阶次,提出了一种可在节点常用的超低功微处理器上实现数据压缩的简化应用方法.实验表明了该简化压缩算法的有效性.     

利用块稀疏特性的压缩感知麦克风阵列声源定位

与传统声源定位算法如相位变换加权、时延累加定位不同,压缩感知麦克风阵列声源定位算法可将声源定位转化为稀疏重构问题从而获得较高的性能。但在实际应用环境下,由于远场声源自身指向性、空间混响等原因,声源方向向量往往呈现块稀疏度结构,导致采用传统稀疏恢复算法如正交匹配追踪算法（Orthogonal matching pursuit,OMP）等进行压缩感知定位性能下降。本文在压缩感知声源定位算法中引入块稀疏似零范数,以压缩感知为基本框架,采用块稀疏似零范数稀疏恢复进行声源方向向量的重构,获取声源的方位。实验结果表明,相较于传统声源定位算法和基于OMP的压缩感知声源定位算法,本文算法具有更高的定位精度。     

微震定位系统中拾震器布阵研究

对微震监测中拾震器阵列进行科学有效的布置是保证微震定位系统能有效运行的一个关键条件,设计了4种拾震器阵列布设方案,使煤矿中微震定位监测系统运行得更加科学有效.首先建立复杂地质模型,利用微变网格射线追踪正演模拟出微震源起震到拾震器阵列接收信号的过程,然后在施加随机扰动的情况下,利用粒子群-神经网络算法(PSO-BP)反演推算出震源位置,最后通过震源位置的误差来分析各个布阵方案的特点,同时分析了阵列中拾震器数量的合理值.研究结果表明,在微震监测系统中拾震器利用率最高的情况下,可以给出准确、合理、有效的拾震器布阵方案.     

应用于脑机接口系统的动态稀疏矩阵压缩算法

在脑机接口系统中,高通道数神经信号采集是一个核心功能模块。在高通道数神经信号采集中,因其原始数据量巨大,直接传输和处理产生的原始数据会消耗极大的功耗并增加硬件设计上的难度。为解决这个问题,一个有效的方法是在数据传输和处理前对原始数据进行压缩。神经元动作电位信号具有不应期性的特点,文中利用此特点,将多通道神经信号的数字标记输出在一定时间范围内定义为一个稀疏矩阵,并对此稀疏矩阵进行特征提取,根据其特征动态地采用优化算法进行数据压缩。文中的算法在使用FPGA作为中控硬件的32通道神经采集硬件系统上通过实时验证,实验证明文中提出的动态稀疏矩阵压缩算法可实现83.4%的数据压缩率。     

结合半张量积压缩感知的可验证图像加密

目的物联网(internet of things, IoT)感知层获取数据时存在资源受限的约束,同时数据常常遭受泄露和非法篡改。数据一旦遭到破坏,将对接收者造成很大的影响,甚至可能会比没有收到数据更加严重。针对IoT数据获取面临的能耗和安全问题,提出一种基于半张量积压缩感知的可验证图像加密方法。方法首先采用级联混沌系统生成测量矩阵和验证矩阵,测量矩阵以半张量积压缩感知的方式进行采样得到观测值矩阵。利用Arnold置乱观测值矩阵得到最终密文信号,与此同时由验证矩阵生成消息验证码一同在公共信道传输,将由级联混沌系统生成的测量矩阵、验证矩阵以及Arnold置乱的参数的初始种子作为密钥在安全信道上传输。结果密钥空间分析、密钥敏感性分析、图像熵分析、直方图分析、相关性分析、身份验证分析、压缩率分析的实验结果显示:相比于两种对比方法,本文算法加密后图像的熵值更接近于8,而对应密文图像像素之间的相关系数更接近于0。结论本文的可验证加密算法结合了半张量压缩感知的优点,在有效减少数据采样能耗的同时保证了数据在传输过程中的安全性与完整性。     

压缩传感在无线视频监控中的应用研究*

图像采集数据量大是制约视频监控系统向无线化方向发展的主要因素,提出利用压缩传感进行视频图像的采样,为无线视频监控带来一种新的应用研究。为了减少图像稀疏分解过程的计算量和存储量,在匹配追踪算法的基础上,引入量子遗传算法,实现快速的图像稀疏表示。以Fourier矩阵作为压缩传感的测量矩阵,能有效减少测量数据量,并提高重构图像的质量。仿真实验证明,采用压缩传感所得到的测量数据量远小于传统采样方法所获的数据量,突破了传统信号采样的瓶颈,提高了采样效率,最终获取的压缩测量值能够很好地恢复为监控场景。     

压缩感知下的自适应声源定位估计

声源定位是一个应用非常广泛的研究课题。针对阵列定位精度不高的问题,提出一种基于压缩感知的声源定位算法。通过构建冗余字典,该算法将网络中的多个未知源节点的位置作为一个系数向量,然后采用稀疏贝叶斯学习算法估计声源位置。为了增快算法的运行速度,提出一种有效的多分辨率字典构建方法,并迭代地减小定位空间,提高定位精度。实验结果显示,基于压缩感知的声源定位算法可以改善多源节点的定位能力,且有效地减少所需的传感器节点。此外,与基于子空间的算法比较显示,该算法的性能更优越。     

基于DSP的遥测数据压缩系统硬件电路的实现

主要介绍了一种基于DSP的数据压缩系统的硬件电路的实现过程,文章把整个硬件系统分成2个模块来介绍:数据采集模块以及DSP解算模块.数据采集模块采集前端信号在CPLD的控制下经过AD和FIFO把数据写入DSP解算模块,DSP接收到信号后,把数据进行压缩.每个模块从核心器件的选择、硬件电路的总体设计方案以及实现过程进行了介绍.实验表明该方案是行之有效的.     

无线体域网节点数据压缩节能方法

无线体域网(WBAN)节点通常采用电池供电,能量有限且不易频繁更换.为降低节点能耗,提出了一种数据压缩节能方法,采用稀疏表示分类算法识别正常信号,运用压缩感知(CS)理论进行信号压缩采样,将压缩信号发送至基站并进行重构.对WBAN节点采集的心电图信号进行仿真分析,结果表明:心电图信号经压缩后,具有较好的识别与重构性能,在确保数据传输精度前提下,减少了数据采集量和传输量,有效地降低了WBAN节点能耗.     

压缩感知分组分离语音增强

压缩感知（Compressive Sensing,CS）是一种基于信号稀疏性的采样方法,可以有效提取信号中所包含的信息。提出了一种分组分离压缩感知语音增强新算法。算法利用语音在离散快速傅里叶变换（Fast Fourier Transform,FFT）域下的稀疏性,设计复域观测矩阵与软阈值对带噪语音进行压缩测量与去噪,通过可分组分离逼近稀疏重建（Sparse Reconstruction by Separable Approximation,SpaRSA）算法恢复语音信号,实现语音增强。实验表明：该算法对含噪信号压缩重构,信噪比幅度较大提高,能更有效地抑制背景噪声。     

基于模拟信息转换器的物联网海量数据处理研究

针对大规模物联网应用的海量数据处理信息获取效率低、硬件成本昂贵的问题, 依据压缩感知(compressed sensing, CS)理论, 建立了一种模拟信息转换器(analog to information converter, AIC)数据处理系统模型。模型以MATLAB/Simulink为平台, 分别设计了信号的解调、过滤、采样、重构等功能模块, 并对不同频率分量的信号进行处理。实验结果表明, 该模型可以较低采样率、高压缩比精确重构稀疏信号, 重构效率与观测数M、抽取行数K以及信号频率分量相关。     

基于压缩感知和音频指纹的固定音频检索方法

针对现有音频检索中样本音频特征库数据量较大且检索速率慢问题, 本文提出一种基于压缩感知和音频指纹降维的固定音频检索方法. 在音频检索的训练阶段, 首先, 对样本音频信号进行稀疏化处理, 并通过压缩感知算法对稀疏化后的音频数据进行压缩; 其次, 提取压缩信号的音频指纹; 再次, 引入音频指纹离散基尼系数通过计算音频指纹各维度的离散基尼系数对指纹实施降维, 最终得到检索特征库. 在音频检索阶段用和训练阶段相同的算法提取待检音频的特征与音频特征库数据匹配得出检索结论. 实验结果表明, 所提音频检索方法在确保较好的检索准确率的基础上, 大幅度减小了样本音频数据库的存储量, 提高了音频的检索速率.     

联合智能优化和分簇CS的WSNs稀疏数据采集

为提高无线传感器网络（Wireless Sensor Networks,WSNs）数据处理效率和降低网络能耗,提出了一种基于自适应智能优化和分簇压缩感知的WSNs稀疏数据采集方案。首先,建立分簇WSNs稀疏数据通信模型,通过定量分析节点密度与网络数据通信总跳数的关系,给出网络自适应分簇结果,并采用簇内观测矩阵测量数据获取和簇间多跳通信方式完成WSNs压缩感知数据采集;其次,采用StOMP算法进行稀疏信号重构,针对网络节点数据包丢失等链路不可靠情况,引入相关性矩阵变换策略,以降低错误数据传输对数据重构的影响,针对数据稀疏度未知特性和StOMP算法参数配置难的缺陷,将一种新型自适应智能优化（Improved Adaptive Intelligent Optimization algorithm,IAIO）算法应用于CS重构算法中,在理论分析IAIO全局寻优能力的基础上,实现对稀疏数据的可靠重构。最后,仿真结果表明,该方案能够实现稀疏信号的精确重构,而且降低了网络通信总量,提高了网络生存时间。