基于贝叶斯压缩感知的信号重构

本文提出了基于贝叶斯压缩感知的信号重构算法,将压缩感知理论应用于信号的压缩传输以及重构,该算法将压缩感知问题转化为线性回归问题,逐步推演出结果向量之间的迭代关系,最后通过迭代以得到原始信号的精确重构. 仿真说明了贝叶斯压缩感知在信号处理中的应用,结果表明该算法对一维和二维信号的压缩重构有很好的效果.     

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。     

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。     

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.     

基于差值信号稀疏模型的分布式压缩感知

利用无线传感器网络的空间相关性,构建了一种差值信号稀疏模型,该模型适用于对同一物理现象或事件进行监测的传感器网络应用。在差值信号稀疏模型的基础上,提出了一种适用于该模型的分布式压缩感知算法,该算法能够在节点间不通信的情况下实现对差值信号的编码。仿真结果表明,与单独重构相比,提出的算法可以用更少的观测值联合重构出信号群,以能量有效的方式满足了无线传感器网络的应用。     

基于压缩感知的拥塞控制机制

针对无线传感网络(WSN)的拥塞问题,提出一种压缩感知与速率控制相结合的拥塞缓解方法。针对局部拥塞,通过开环逐条反压机制调整上游节点的发送速率,从而快速缓解局部拥塞;针对全局拥塞,各节点采用压缩感知的方法采集数据,减小采集信息的冗余,从而缓解全局性拥塞。拥塞缓解后,节点正常采样,以此来保证数据的真实度。仿真结果表明,该方法对WSN的拥塞具有较好的控制效果。     

压缩感知在无线传感网络的应用综述

随着信息技术的发展,近些年压缩感知技术格外引人瞩目,在图像视频编码、雷达及微波辐射成像、气象卫星、图像加密、物联网等领域展现出强大的功能与发展前景。首先介绍了压缩感知在无线传感网络领域的发展及研究现状,然后从压缩感知仿真实验和实例、压缩感知的测量方案、压缩感知的解压缩方案、压缩感知在无线传感网络的具体应用四个方面阐明了压缩感知在无线传感网络领域的优势,最后对压缩感知的前景进行了展望。     

基于遗传压缩感知的无线传感器网络数据压缩方法

考虑到无线传感器网络WSNs能量、通信带宽、计算能力及成本有限,不适合大规模数据传输,同时存在数据冗余,需要进行数据压缩处理,提出一种新的基于遗传算法的压缩感知CS(Compressive Sensing)重构方法,应用于无线传感器网络数据压缩中。详细阐述分布式WSNs数据压缩特点,压缩感知基本理论,基于遗传算法的CS重构新方法以及在WSNs数据压缩中的应用。通过实验仿真证明,从压缩比、节点平均能耗、网络生存时间和网络时延四个方面,与DCCM算法及CCS算法的WSNs数据压缩算法进行比较,提出的算法具有较高的压缩比,提高了采集数据的重构精度,降低了数据冗余度和网络通信量,提高了网络效率。     

结构化压缩感知研究进展

压缩感知（Compressive sensing,CS）是一种全新的信息采集与处理的理论框架. 借助信号内在的稀疏性或可压缩性,可从小规模的线性、非自适应的测量中通过非线性优化的方法重构信号. 结构化压缩感知是在传统压缩感知基础上形成的新的理论框架,旨在将与数据采集硬件及复杂信号模型相匹配的先验信息引入传统压缩感知,从而实现对更广泛类型的信号准确有效的重建. 本文围绕压缩感知的三个基本问题,从结构化测量方法、结构化稀疏表示和结构化信号重构三个方面对结构化压缩感知的基本模型和关键技术进行详细的阐述,综述了结构化压缩感知的最新的研究成果,指出结构化压缩感知进一步研究的方向.     

基于模糊压缩感知的无线传感网络拥塞控制算法

针对无线传感网络(WSN)的拥塞问题,提出了一种将模糊控制和压缩感知(CS)技术相结合来缓解无线传感网络拥塞的算法。首先,将压缩感知技术引进到无线传感网络的拥塞控制中,理论分析了压缩感知对缓解传感网络拥塞的效果,通过对采集数据进行压缩感知处理来减少网络冗余信息,从而缓解网络拥塞。其次,针对网络拥塞时压缩感知技术不能动态适应无线传感网络复杂环境的问题,设计了一种模糊-压缩感知的拥塞控制算法,该算法结合网络拥塞状况对压缩感知的观测矩阵维数进行动态调节,从而使压缩感知技术更好地适应传感网络拥塞状况的变化。该机制在不同的拥塞状况下能够提高网络吞吐量10%~50%,降低网络的丢包率10%~50%,减少网络时延将近5 s。通过NS2仿真表明,该机制对无线传感网络的拥塞缓解有较明显的效果。     

WSN中基于多分辨率和压缩感知的数据融合方案

提出一种基于多分辨率和压缩感知的传感器网络数据融合方案;首先,对传感器网络进行配置,以生成多个层次不同类型的簇结构用于过渡式数据收集,在该结构上,最低层的叶结点只传输原始数据,其他层上的数据收集簇进行压缩采样,然后将其测量值向上发送,当母数据收集簇收到测量值时,利用基于反向DCT变换和DCT模型的CoSaMP算法来恢复原始数据;最后,我们在SIDnetSWANS平台上部署了本文方案,并在不同的二维随机部署传感器网络规模下进行了测试;实验结果表明,随着分层位置不同,大部分结点的能耗均显著降低,与NCS方案相比,能耗下降50%~77%,与HCS方案相比,能耗下降37%~70%。     

WSN中基于压缩感知的高能效数据收集方案

可靠高效的数据收集是无线传感器网络（Wireless sensor networks,WSN）应用中的关键问题.然而,由于无线通信链路的高失效率、节点资源受限以及环境恶劣等原因,网络容易发生丢包问题,使得现有的数据收集方法无法同时满足高精度和低能耗的要求.为此,本文提出了一种基于压缩感知的高能效数据收集方案.该方案主要分为节点上的数据处理和数据收集路径优化两个步骤.首先设计了基于指数核函数的稀疏矩阵来对感知数据进行稀疏化处理,然后综合考虑了数据的传输能耗和可靠性等因素,采用分块矩阵的思路,将单位矩阵和准循环低密度奇偶校验（Low density parity check,LDPC）码的校验矩阵相结合构造了测量矩阵,并证明了它与稀疏矩阵之间满足限制等距性质（Restricted isometry property,RIP）.最后,将数据收集路径优化问题建模为哈密尔顿回路问题,并提出了基于树分解的路径优化算法进行求解.仿真结果表明,在网络存在丢包的情况下,本文方案仍然能够保证数据收集的高精确度,相比于其他数据收集方案而言,本文方案在数据重构误差和能耗方面的性能更优.     

基于混合压缩感知的分簇式网络数据收集方法

为了减少分簇式传感器网络中的数据传输量并均衡网络负载,提出了一种采用混合压缩感知(compressive sensing, CS)进行数据收集的方法.1)选取各临时簇中距离簇质心最近的一些节点为候选簇头节点,然后依据已确定的簇头节点到未确定的候选簇头节点的距离依次确定簇头;2)各普通节点选择加入距离自己最近的簇中;3)贪婪构建一棵以Sink节点为根节点并连接所有簇头节点的数据传输树,对数据传输量高于门限值的节点使用CS压缩数据传输.仿真结果表明:当压缩比率为10时,数据传输量比Clustering without CS和SPT without CS分别减少了75%和65%,比SPT with Hybrid CS和Clustering with Hybrid CS分别减少了35%和20%;节点数据传输量标准差比Clustering without CS和SPT without CS分别减少了62%和81%,比SPT with Hybrid CS和Clustering with Hybrid CS分别减少了41%和19%.     

面向有损链路的传感网压缩感知数据收集算法

基于压缩感知的数据收集算法在能量受限、数据冗余的无线传感网中有巨大应用潜力,现有研究大多假定无线链路理想.通过实验说明有损链路丢包会严重影响压缩感知数据收集算法的数据重构质量;提出了一种基于重传与时间序列相关性预测（CS data gathering based on retransmission and time series correlation prediction,简称CS-RTSC）的数据收集算法,将有损链路上的丢包建模为随机丢包和块状丢包,设计了基于滑动窗统计的丢包类型预判算法,在检测到链路丢包时判断丢包类型,对随机丢包采用重传恢复,对块状丢包设计了基于时间序列相关性预测算法恢复.仿真结果表明该算法能有效降低有损链路丢包对CS数据收集的影响,在网络丢包率达到30%时,CS数据重构的相对误差仅比理想链路下的CS相对重构误差高0.1%.     

基于压缩感知的无线传感器网络的数据编码

近年来,基于压缩感知的无线传感器网络数据编码的研究取得了一定的进展,但大部分研究是基于"单跳"的传输模型或者没有考虑网络内节点之间的合作。本文提出了一种基于压缩感知和分簇的传感器网络数据编码方法。首先,节点根据自己的编号伪随机的产生一个M维的列向量,把感知的数据xi投影到此向量上,然后把自己的编号和投影的数据一同传输给簇头。簇头把收到的数据进行求和,并且把计算后的结果传送给下一个簇头,直到sink节点。通过仿真实验和理论分析,验证了本文提出的方法比传统的方法能更好地减少网络内数据传输量。     

压缩感知中贪婪重构算法研究

压缩感知理论是利用信号的稀疏性,通过少量的观测值就可以实现对该信号的精确重构。贪婪类算法是压缩感知重构步骤中广泛应用的一类算法。该文主要对该类算法中典型的三种算法在存在噪声环境中进行了综合分析比较。首先从理论方面分析了三种算法,给出了实现过程;然后在不同稀疏度情况下,对三种贪婪算法重构性能进行综合比较。根据理论分析结果和仿真结果,得出相应的结论。     

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。     

压缩传感综述

在传统采样过程中, 为了避免信号失真, 采样频率不得低于信号最高频率的2倍. 然而对于数字图像、视频的获取, 依照香农(Shannon)定理会导致海量采样数据, 大大增加了存储和传输的代价. 近年来, 一种新兴的压缩传感理论为数据采集技术带来了革命性的突破, 得到了研究人员的广泛关注. 压缩传感采用非自适应线性投影来保持信号的原始结构, 能通过数值最优化问题准确重构原始信号. 压缩传感以远低于奈奎斯特频率进行采样, 在压缩成像系统、模拟/信息转换、生物传感等领域有着广阔的应用前景. 本文主要介绍了压缩传感的基本理论及相关应用, 并对其研究前景进行了展望.     

基于压缩感知的信号时频表示重构

传统的时频分析方法受限于Nyquist采样定理,信息量的增加提高了对采样速率、传输速度和存储空间的要求;同时,双线性魏格纳-维尔分布处理多分量信号时会产生交叉项,常用的核函数法在抑制交叉项时降低了信号的时频聚集性.该文将压缩感知与时频分析方法相结合,在时频分析中突破采样定理的限制,抑制交叉项的同时获得较高的时频聚集性.针对单分量信号、多分量信号、蝙蝠声音信号,利用不同的窗函数如矩形窗或高斯窗,得出仿真结果,验证了基于压缩感知的信号时频表示重构优于传统的基于傅里叶变换进行重构的方法.并利用最小均方误差MSE和时频聚集度CM作为衡量参数,分析了不同样本空间与所重构信号时频表示性能之间的关系.