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。     

基于离散鸡群压缩感知的WSNs多目标定位

对无线传感器网络（WSNs）多目标定位问题进行研究,提出一种基于离散鸡群压缩感知的多目标定位方法。首先给出离散鸡群算法（DCSO）相关定义,设计离散鸡群编码方式和迭代进化策略,在此基础上,构建基于压缩感知（CS）的WSNs多目标定位模型,对测量矩阵和稀疏矩阵进行合理选取,并将离散鸡群算法应用于CS信号重构算法中,实现对稀疏度未知多目标位置信息的精确重构。仿真结果表明,与OMP和MLE定位算法相比,该方法具有较高的多目标定位精度。     

基于压缩感知的多目标定位与功率估计

因传感器网络中定位问题具有的天然稀疏性,压缩感知理论被广泛应用于其中以减少数据采样量。然而,现有的基于压缩感知的定位技术往往需要目标的发射功率作为先验条件,这并不符合实际中目标完全未知的情况。基于此,提出了一种多目标定位和发射功率估计的方法,该方法将目标位置和功率信息建模成一个稀疏向量,从而将定位和功率估计问题转化为稀疏向量估计问题。该方法包括离线和在线两个阶段:离线阶段主要是部署一些射频发射器并测量接收信号强度值,从而构建感知矩阵;在线阶段中,通过部署少量传感器测量接收信号强度值,求解一个₁范数最优化问题便可精确地重构出稀疏向量。仿真结果验证了该多目标定位和功率估计方法的有效性和鲁棒性。     

基于动态格点的压缩感知目标计数和定位算法

基于压缩感知技术的无线传感器网络定位,一般将定位区域划分为一定数目的网格并假定目标位于网格中心,然后通过求解一个₁范数最小化问题来获得目标的位置。事实上,目标的随机性导致其很难位于网格中心,此时假定的变换基将无法稀疏表示位置信号,从而造成字典失配,使得定位精度下降。因此,提出一种基于动态格点的压缩感知定位算法。该算法能够自适应地调整格点的划分,使目标位于网格中心处。在求解过程中,该算法将复杂的优化问题转化成字典的更新和位置向量的求解两个部分的迭代来完成,同时实现了目标的计数和定位功能。仿真结果证明,与传统的压缩感知定位算法相比,所提算法在目标计数和定位方面都有更好的性能。     

非基于测距的压缩感知多测量向量目标定位

传统的压缩感知定位方法大多是基于测距的,需要获得目标的精确定位信息,并不适用于资源受限的低损耗无线传感器网络。提出一种非基于测距的压缩感知多测量向量目标定位方法,能够大大降低对网络硬件的要求。该算法一方面根据传感器获得的目标连通性信息,设计了非基于测距的压缩感知定位模型;另一方面采用对定位区域进行动态感知的方法,解决了非基于测距的定位中定位精度不高的问题。该算法能够同时处理多组测量数据,且操作简单,适用性强。仿真证明,该算法具有较好的定位精确性和鲁棒性。     

基于多峰函数优化的无线传感网稀疏事件检测

为提高无线传感网稀疏事件检测的实时性,提出一种基于多峰函数优化的压缩感知事件检测算法。该算法利用多峰函数最小化方法求解压缩感知检测算法中的欠定线性方程组问题。首先构造连续高斯函数对多峰目标函数进行逼近,而后通过求解连续函数的最优化问题得到多峰函数最小化的解。仿真实验表明新算法与以往的压缩感知检测算法相比,同一长度的事件向量,多峰函数最小化检测可在保证重构准确度的前提下有效缩短检测时间,而重构误差与经典算法基本一致。     

基于分布式压缩感知的联合检测与跟踪算法

多基雷达系统对隐身目标的检测与跟踪具有良好的效果,但是在集中式融合框架下应用于 多基雷达的检测与跟踪算法具有计算复杂、计算量大的缺点.对此,提出一种应用于 多基雷达系统的基于分布式压缩感知的联合检测与跟踪算法.首先,应用分布式紧凑感知 矩阵追踪算法直接重构出表征目标状态空间信息的稀疏网格反射向量;然后,应用检测 前跟踪算法得到精确的目标运动状态和轨迹.仿真实验表明了所提出算法的有效性.     

无线传感器网络下基于压缩感知的多目标分层贪婪匹配定位

针对基于压缩感知（Compressive sensing,CS）的多目标定位问题,通过分析多目标场景中的隐含结构信息,本文提出一种层级的贪婪匹配追踪定位算法.该算法首先获得多目标在网格化空间中的可能位置作为全局估计层,然后利用该全局估计信息作为稀疏恢复层的输入信息,在网格化空间中重构多目标位置矢量.本文证明了文献中广泛采用的基于正交化的预处理方式实质上降低了信噪比（Signal to noise ratio,SNR）,从而降低了定位性能.本文通过全局估计,预先排除了不可能的位置,等效于从观测子空间中分离出信号子空间,从而降低了观测噪声的影响.通过理论分析与计算机仿真,表明所提算法具有线性复杂度且在相同信噪比下具有更高的定位正确率和定位精度.     

基于分布式压缩感知的可穿戴多传感数据联合重构新方法

为提高可穿戴多传感数据远程联合重构性能,提出了一种基于分布式压缩感知的可穿戴多传感加速度数据联合重构新方法。该方法首先对可穿戴多传感原始数据压缩编码,将数据融合传送至远端服务器;然后,基于可穿戴传感数据的时空相关性,构建块稀疏贝叶斯学习联合重构算法,实现压缩数据解码,准确重构各传感原始数据;最后,新方法对美国加州伯克利大学可穿戴多传感运动数据进行分析。实验结果表明,对不同编码采样率,文章所提方法重构性能明显优于传统的算法,并且能够准确解码压缩数据,有望在远程医疗环境下推广应用。     

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。     

基于压缩感知的多特征加权目标跟踪算法

针对被跟踪目标运动、纹理或环境变化时, 采用基于压缩感知目标跟踪算法目标易漂移、丢失的问题, 提出了改进的压缩感知目标跟踪算法。通过压缩感知算法提取灰度和纹理特征, 计算特征对样本分类结果并更新特征的权值, 使用加权过的特征寻找目标在下一帧的位置。对不同视频的测试结果表明, 提出的算法在目标运动、纹理或环境变化的情况下跟踪准确, 在目标大小80×120像素时平均帧速为25 fps。与传统的压缩感知跟踪算法和其他跟踪算法相比, 所提出的算法在目标运动、纹理或环境变化时能快速准确地获取跟踪目标, 并具有更强的鲁棒性。     

Node localization algorithm for wireless sensor networks using compressive sensing theory

In recent years, localization has been recognized as an important supporting technology for wireless sensor networks (WSNs). Along with the increase in WSN indoor applications, indoor localization has become a hot research topic and many localization algorithms have been studied. Among these algorithms, the localization method based on compressive sensing theory emerges as a popular approach to indoor localization. In this approach, the nodes are sparse when compared to the number of grids utilized to represent the locations of the nodes, so the locations are considered as sparse signal and can be reconstructed using the compressive sensing techniques. The localization problem is formulated as the sparse reconstruction of sparsifying matrix which is comprised of measurement of received signal at grids. In order to improve the localization accuracy and meet the real-time requirement of localization applications in large indoor area, an indoor localization algorithm based on dynamic measurement compressive sensing for wireless sensor networks is proposed. Using the bounding-box method, we firstly identify a potential area that possesses the independent features. Instead of using the entire node deployment region as the measurement area, our method can decrease the number of meshing and also the dimension of measurement matrix. Meanwhile, we assume that only the anchor nodes which have communication relationship with the unknown nodes can be used as the measuring nodes; the measurement matrix of unknown nodes which need to be localized can be dynamically constructed according to the potential area and the received anchor node information, and the maximum number of measurement is decided by the number of grids of potential area. The proposed algorithm can mitigate the measurement redundancy and improve the real-time feature. Simulation results indicate that the proposed algorithm can reduce the time complexity and also maintain good localization accuracy and localization efficiency.     

基于参数化流形学习的压缩传感重构方法

压缩传感是一种新的信息获取理论,它突破了传统的采样理论,将数据采集和压缩合二为一,再利用重构算法将原始数据恢复。为了能够得到更好的压缩传感重构效果,把流形学习的思想和方法与压缩传感相结合,提出了一种基于参数化流形学习的压缩传感重构方法。实验结果表明,提出的方法对自然图像进行重构取得了很好的效果,充分验证了基于参数化流形学习的压缩传感重构方法的有效性。     

压缩感知重构匹配类算法分析

压缩感知理论是一种利用信号的稀疏性或可压缩性而把采样与压缩融为一体的新理论体系,它成功地克服了传统理论中采样数据量大、资源浪费严重等问题。该理论的研究方向主要包括信号的稀疏表示、测量矩阵的设计和信号的重构算法。其中信号的重构算法是该理论中的关键部分,也是近年来研究的热点。本文主要对匹配追踪类重构算法作了详细介绍,并通过仿真实验结果对这些算法进行了对比和分析。     

基于压缩传感的邻域嵌入

基于谱流形学习算法的一个核心问题是局部邻域的构建,可通过KNN或ε准则构建局部邻域。受压缩传感理论的启发,提出一种基于l₂和l₁范数重构准则的邻域构建模式,称之为基于压缩传感的邻域嵌入(CSNE)。在此基础上,利用无标签数据,提出半监督的CSNE。在多个数据集上的可视化和半监督分类实验,证明该算法的有效性。     

一种新的压缩采样匹配追踪算法

提出了实用性更强的完全受噪声扰动理论模型,引入了与原信号相关的乘性噪声;并基于新的模型,提出了一种改进的压缩采样匹配追踪算法.该算法通过构造一个感知测量矩阵,在信号替代阶段中取代随机测量矩阵来减少相关性对支撑集筛选的影响,最后可在乘性噪声存在的情况下实现了信号的精确重建.实验结果表明,在相同测试条件下,该算法的重建效果均优于其他贪婪算法和基匹配法(basic pursuit,BP).     

基于压缩感知的遥感成像稀疏重构性能分析

压缩感知是一种新型的信息论，打破了传统的Shannon-Nyquist采样定理，能够以少量数据完成信号采样。稀疏重构是压缩感知由理论到实际的关键环节，为了将压缩感知有效地应用于遥感成像领域，研究了稀疏重构对遥感成像过程的影响。针对稀疏重构理论模型，分析了重构误差的成因；同时，针对典型的凸优化类算法和贪婪类算法，利用峰值信噪比指标对遥感图像重构误差进行评价。在仿真实验中，定量考察遥感图像在不同压缩采样率、不同重构算法下的稀疏重构性能。结果表明，稀疏重构算法能够成功重构遥感图像，各算法在不同压缩采样率下均表现出了较好的重构质量，整体上能够满足遥感成像应用，验证了压缩感知稀疏重构方法在遥感成像中应用的可行性。     

基于压缩感知的互补特征加权目标跟踪算法

针对基于压缩感知的目标跟踪算法中存在特征单一,在目标纹理或光照变化较大时跟踪不稳定的问题,提出了基于压缩感知的互补特征加权目标跟踪算法。该算法通过两个随机测量矩阵提取出两类互补的纹理特征和灰度均值特征,计算这两类特征对样本的分类结果并更新特征的权值,使用所选取的大权值特征寻找目标在下一帧的位置。在分类器更新过程中,针对不同特征在跟踪过程中的稳定性不同,采取不同速度的更新。对不同视频的实验结果表明,提出的算法跟踪准确,且满足实时性的要求。与相关算法相比,新算法在目标纹理或光照变化很大的情况下具有更强的鲁棒性。     

基于分块压缩感知的图像半脆弱零水印算法

针对数字图像的内容认证和完整性保护问题,提出了一种基于分块压缩感知(Compressive sensing, CS)的图像 半脆弱零水印算法(Block compressive sensing based image semi-fragile zero-watermarking, BCS-SFZ).首先将图像划分成若干分块,分块大小可以根据水 印数据量和篡改定位精度调整.再按照压缩感知理论对各个图像块进行观测, 并将观测值作为零水印信息注册保存.实验结果表明, BCS-SFZ算法可以准确定位非法篡改并借助水印信息恢复被篡改的区域. 压缩感知理论的引入为算法提供了保密性支持,并且有利于实现图像成像与水印生成的同步,同时该算法实现简单,计算复杂度低.