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。     

一种基于矩阵补全的无线传感网数据收集方案

针对无线传感器网络中的数据收集问题,设计了一种基于矩阵补全的数据收集方案.首先利用低秩矩阵分解模型将传感器节点的数据收集问题转换为两个相互关联的凸优化子问题,然后利用基于改进Kaczmarz迭代的矩阵补全算法循环交替求解凸优化子问题.在Kaczmarz迭代过程中,依据Johnson-Lindenstrauss引理对投影操作降维,从而提高了矩阵补全算法的计算速度.实验结果表明与现有矩阵补全算法相比,文中所设计的矩阵补全算法在重构精度、成功重构概率以及重构时间等方面具有较优的重构性能.     

UWSNs中面向能耗和延时优化的移动数据收集

为了降低水下无线传感网(UWSN)中数据收集的能耗和保证实时性,提出一种基于压缩感知的移动数据收集方案。以分布式能量均衡非均匀分簇(DEBUC)协议和压缩感知理论为基础,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。然后,通过自主式水下潜器(AUV)的移动来收集各个簇头上的数据到数据中心,该问题被建模为基于信息质量最大化的旅行商问题(TSP),并提出近似算法进行求解。仿真实验结果表明,相比于已有的水下移动数据收集算法,本文方案在保证数据收集可靠性的同时,缩短了数据收集延时,延长了网络寿命。     

一种基于El Gamal加密算法的压缩数据收集方法

压缩感知技术在信号处理、图像处理、数据收集与分析等方面有很大优势,是近年来的研究热点。研究了如何安全高效地运用压缩感知技术来收集无线传感器网络中的数据。传统的基于压缩感知技术的数据收集方法并不考虑数据收集的安全性,而且网络内的所有节点都会参与每个测量值的收集。将El Gamal加密算法和基于稀疏随机矩阵的压缩感知技术相结合,提出了一种基于El Gamal加密算法的稀疏压缩数据收集方法（El Gamal based sparse compressive data gathering,ESCDG）。理论分析和数值实验表明,ESCDG不仅能降低网络资源的消耗而且能抵御多项式算力的内部攻击和外部攻击。     

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。     

一种用于压缩感知理论的投影矩阵优化算法

考虑到投影矩阵对压缩感知(CS)算法性能的影响,该文提出一种优化投影矩阵的算法。该方法提出可导的阈值函数,通过收缩Gram矩阵非对角元的方法压缩投影矩阵和稀疏字典的相关系数,引入基于沃尔夫条件(Wolfes conditions)的梯度下降法求解最佳投影矩阵,达到提高投影矩阵优化算法稳定度和重构信号精度的目的。通过基追踪(BP)算法和正交匹配追踪(OMP)算法求解l0优化问题,用压缩感知方法实现随机稀疏向量、小波测试信号和图像信号的感知和重构。仿真实验表明,该文提出的投影矩阵优化算法能较大地提高重构信号的精度。     

基于自适应投影矩阵的压缩感知超宽带信道估计

超宽带信号由于功率谱密度较低和传输多径复杂,准确的信道估计十分重要。考虑其过高带宽带来的采样难度较高的问题,压缩感知理论提供了一种可行的低速采样方法。而目前常用的随机投影矩阵与超宽带信道稀疏变换矩阵相关度较高,算法必须在降维比较高时才能达到重构要求,采样速率依然较高。针对上述问题,提出使用贝叶斯压缩感知理论中的自适应投影矩阵设计方法进行超宽带信道估计。贝叶斯压缩感知理论给信道向量中的每个值设置受超参数控制的后验概率密度,计算信道向量的统计特性,并根据协方差矩阵计算新的投影向量,该投影向量可以使重构解的微分熵下降最快。通过这种自适应的投影矩阵设计方法,可以利用较少的采样值进一步地提高重构解的可信度,达到进一步降低采样速率的目的。实验结果表明该方法相对于现有的压缩感知重构算法可以在较低的降维比条件下达到较好的重构效果,显著降低了采样速率。     

基于压缩感知的室内多目标无线定位算法

针对现存无线传感器网络定位算法中需要采集、存储和处理大量数据导致运算量较大与能耗过高的问题,提出了一种改进的基于贝叶斯压缩感知的多目标定位算法.该算法利用锚节点对监控区域的划分,结合贝叶斯压缩感知理论将多目标定位问题转换为稀疏信号重构的问题.针对传统观测矩阵难以实现的缺陷,该算法中改进观测矩阵的设计可实现且与稀疏变换基相关性较低,进而使得算法的重构性能较高,从而降低了定位的误差.仿真结果表明,与现有的一些方法相比,所提算法在保证较低的计算复杂度的情况下更加充分地利用了网络节点,有效提高了定位精度,同时具有较强的鲁棒性.     

体域网中一种基于压缩感知的人体动作识别方法

能量有效性是无线体域网在面向长时间健康监测应用的首要挑战。该文引入压缩感知和稀疏表示理论同时解决人体活动监测中的动作识别和数据压缩问题,探索在达到一定动作识别率的同时降低传感器节点的能耗。该文提出的压缩分类动作识别方法首先在传感器节点利用随机投影对传感数据进行压缩,传到中心节点后再利用稀疏表示对压缩采样数据进行分类与识别,可减少传感器节点处理、传输原始数据所带来的能耗。在公开的可穿戴式传感器动作识别数据库WARD(Wearable Action Recognition Database)验证算法性能,实验结果表明该动作识别方法能有效地对随机投影后的低维采样数据进行识别,具有与传统识别方法相比拟的动作识别准确率。     

稀疏随机矩阵有限等距性质分析

稀疏随机矩阵由于具有存储容量小、编码和重构复杂度低、易于更新等优良特性而适用于分布式应用。为确保稀疏随机矩阵可作为压缩感知观测矩阵,该文证明了稀疏随机矩阵的有限等距性质(RIP)。首先,证明了测量矩阵满足有限等距性质等价于其子矩阵的格拉姆矩阵特征值分布于1附近;在此基础上,证明了当测量值个数满足特定条件时,稀疏随机矩阵以接近于1的概率满足有限等距性质。仿真实验表明,稀疏随机矩阵在保证稀疏信号精确重建的同时,大大节约了测量和重建所需的时间。     

Compressive sensing based data gathering algorithm over unreliable links in WSN

To solve the problem that the ubiquitous unreliable links in the WSN influence the performance of the compressive sensing (CS) based data gathering,first the relationship between the reconstruction SNR of CS-based data gathering algorithm and the bit-error-ratio (BER) were simulated quantitatively.Then classify two cases were classified,namely light-payload and heavy-payload,relying on the analysis of wireless link packet loss characteristics.The random packet loss model was conceived to describe the packet loss under light-payload scenario.Further the neighbor topology spatial correlation prediction-based CS data gathering (CS-NTSC) algorithm was proposed,which utilized the nodes spatial correlation to reduce the impact of error.Additionally,the node pseudo-failure model was conceived to describe the packet loss occurred in network congestion,and then the sparse schedule-aided CS data gathering (CS-SSDG) algorithm were conceived,for the purpose of changing the sparsity of measurement matrix and avoiding measurements amongst the nodes affected by unreliable links,thus weakening the impact of error/loss on data reconstruction.Simulation analysis indicates that the proposed algorithms are not only capable of improving the accuracy of the data reconstruction without extra energy,but also effectively reducing the impact affected by the unreliable links imposed on CS-based data gathering.     

基于自相关函数的SRSF信号感知矩阵优化方法

根据随机步进频率(random stepped-frequency,RSF)信号特征,结合感知矩阵优化理论,提出了一种基于自相关函数的稀疏RSF(sparse RSF,SRSF)信号感知矩阵优化方法.首先,在构建稀疏重构模型的基础上,给出了SRSF信号波形参数与感知矩阵构造方式的内在联系;然后,研究了感知矩阵互相关系数...     

Fast reconstruction method for compressed sensing model with semi-tensor product

To reduce the storage space of random measurement matrix and improve the reconstruction efficiency for compressed sensing (CS),a new sampling approach for CS with semi-tensor product (STP-CS) was proposed.The proposed approach generated a low dimensional random measurement matrix to sample the sparse signals.Then the solutions of the sparse vector were estimated group by group with a l_q-minimization (0$\frac{M}{t}\text{×}\frac{N}{t}$ and decrease tow orders of magnitude of time that for conventional CS,while maintaining the reconstruction quality.Numerical results also show that the reconstruction time can be effectively improved 260 for the image size of 1 024×1 024.     

主从模式编队卫星SAR压缩感知成像算法

为减轻主从模式编队卫星SAR对稀疏目标场景回波信号的采集与传输负担,提出了编队卫星SAR的回波信号稀疏方法。在研究编队卫星SAR回波信号特征的基础上,构建了编队卫星SAR距离向和方位向的稀疏基、测量矩阵和重构矩阵。针对主从模式编队卫星SAR与地面的数据传输特点,提出了低传输负荷下的主从模式编队卫星SAR压缩感知成像方法,并借助于正交匹配追踪算法 (Orthogonal Matching Pursuit,OMP) 对稀疏后的回波信号进行了恢复重构,获得了高质量的编队卫星SAR图像。仿真结果表明,针对稀疏目标场景,本文提出的压缩感知成像方法利用较少的回波数据便能重构出原始目标场景,实现了低负荷下的编队卫星SAR成像。      

基于稀疏重构的全极化SAR联合多维重建

各极化通道独立处理和三维分步成像会忽视数据之间的关联性,造成散射中心的失配以及极化散射矩阵获取的不准确。鉴于此,该文提出一种基于稀疏重构的全极化联合多维重建方法。该方法通过设置联合稀疏约束对所有极化通道及所有维度进行联合,将全极化多维重建建模为多通道联合稀疏重构问题。通过数据插值对模型简化后,结合三维快速傅里叶变换、共轭梯度法和牛顿迭代法给出一种高效的模型求解方法,可以同时得到极化散射矩阵和目标三维信息。该文方法保证了不同极化通道、不同维度的稀疏支撑集一致,且充分利用了数据之间的关联性带来的额外信息。基于仿真数据和电磁计算数据的实验结果表明,该方法的性能不受目标类型影响,具有一定的抗噪性,能有效地获取目标的多维重建结果,得到的三维成像结果分辨率高且极化散射矩阵估计精度高。      

基于分圆类构造卷积压缩感知测量矩阵

卷积压缩感知是近年来兴起的新型压缩感知技术.卷积压缩感知选用循环矩阵作为测量矩阵,其采样可以简化为卷积的过程,因此大大降低算法复杂度.该文基于分圆类构造适用于卷积压缩感知的测量矩阵,测量值通过利用确定性序列循环卷积信号,然后进行随机2次采样获得.该文构造的测量矩阵的相关性小于已有文献构造的测量矩阵的相关性.模拟仿真结果...     

半张量积低存储压缩感知方法研究

由于随机观测矩阵的随机性,存在数据存储量大、内存占用率高、数据计算量大以及难以面向大规模实际应用等问题.为此,提出了一种可有效降低随机观测矩阵所占存储空间的半张量积压缩感知（STP-CS）方法.利用该方法,构建低维随机观测矩阵,经奇异值分解（SVD）优化后对原始信号进行采样,并利用拟合0-范数的迭代重加权方法进行重构.实验利用2维灰度图像进行测试,并对重构图像的峰值信噪比,结构相似度等指标进行了统计和比较.实验结果表明,本文所述的STP-CS方法在不改变随机观测矩阵数据类型的前提下,可将观测矩阵减小至传统CS模型中观测矩阵所占内存空间的1/256（甚至更低）,同时仍保持很高的重构质量.     

随机间距稀疏三元循环相位掩膜矩阵可压缩成像

可压缩成像是一种新兴的基于压缩感知理论的新成像技术,其核心思想是如果空间场景是稀疏或可压缩,那么它可以用远少于经典的Nyquist采样数目的测量值捕获的足够信息重构原场景;构建合适的测量矩阵并易于使用物理实现压缩感知理论中对于图像的随机线性测量是可压缩成像理论实用化的关键之一。该文在研究Bernoulli和Circulant矩阵的基础上,提出一种新的随机间距稀疏三元循环相位掩膜矩阵。模拟实验结果表明,在可压缩双透镜成像系统单次曝光下,与Bernoulli和Bernoulli-Circulant相位掩膜矩阵相比,新相位掩膜矩阵的成像信噪比与之相当;但是该文提出的矩阵随机独立变元个数和非零元个数显著减少,易于数据存储与传输;更重要的是物理上更容易实现,重构时间是只有原来的约20%~50%。新的相位掩膜矩阵的研究对于可压缩成像理论的实际应用具有重要的意义。