面向结构损伤信号的多传感器感知融合方法

针对结构监测中的结构损伤信号的处理,提出一种基于压缩感知的数据融合方法,实现压 缩采样后的稀疏信号的融合和重构。对航空铝板的损伤信号采用高斯随机矩阵将高维 信号序列投影到低维空间,获得稀疏采样的线性测量值,实现信号的压缩采样;再对多 传感器的线性测量值进行数据融合;最后通过重构算法来实现信号的重构。实验表明,与现 有的方法相比,感知融合的方法具有更好的融合性能和抗噪性,能获得更高的数据压缩效果 ,节省了网络的带宽和能量,更适合于结构损伤信号的处理。     

基于压缩感知和双簇头交替的WSNs路由算法

提出了一种基于压缩感知和双簇头交替的无线传感器网络分层路由算法CS-DC HA(Compressed Sensing-Double Cluster Head Alternation)。该算法对DCHS(Deterministic Cluster-head Selection)算法进行改进,利用压缩感知理论优化稀疏采样过程;采用双簇头交替方法进行路由选择,进而实现减低能耗;同时以贝叶斯算法进行稀疏信号重构。通过实验可以看出,相比于传统的无线传感器监测网络,CS-DCHA算法保证了在一定的信号重构精度条件下,能降低无线传感器网络的能耗并延长其生存时间。     

基于小波树模型的CoSaMP压缩感知算法

无线传感网络存在网络带宽限制和传感器节点的能耗问题,实际应用中通常希望可以通过重构算法从采集的少量数据中还原出原始信息,压缩感知理论为上述问题提供了一个解决思路。利用压缩感知理论,对无线传感器网络中温度传感器的监测信号进行了压缩感知的应用研究。针对传统压缩采样匹配追踪(CoSaMP)算法中测量次数多、重构精度低等问题,利用信号的小波系数所形成的连通树的结构特性,提出了基于小波树模型的压缩采样匹配追踪算法。将该算法应用到无线传感器网络监测信号的压缩感知仿真实验中,与传统压缩采样匹配追踪算法的重构性能进行比较,结果表明该算法较传统压缩采样匹配追踪算法在一定范围内对无线传感器网络中的温度信号具有更好的压缩感知性能。     

基于压缩传感的超分辨率红外成像研究

为解决红外图像系统复杂度与成像分辨率之间的矛盾,采用压缩传感(compressive sensing,CS)理论对红外成像系统进行研究.通过对原始红外图像进行稀疏化,构造基于高斯随机噪声的测量矩阵,实现对目标的压缩感知,以较少数目的测量信号表示目标,获取目标的稀疏表达,基于对目标的稀疏表达,构造基于正交匹配追踪的重构算法对目标信号进行重构,实现以较少的测量信号构造较高分辨率的图像.在几种典型红外目标图像上的分析表明,压缩传感理论可实现对目标的超分辨率成像,以较低分辨率的传感器获得较高分辨率的目标信息,重构出的目标红外图像与相应高分辨率传感器所获得的图像之间误差较低.     

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。     

分块子空间追踪算法

压缩传感理论是一种充分利用信号稀疏性或者可压缩性的全新信号采样理论。该理论表明,通过采集少量的信号测量值就能够实现可稀疏信号的精确重构。本文在研究现有经典重构算法的基础上,提出结合图像分块思想和回溯思想的分块子空间追踪算法（Block Subspace Pursuit, B_SP）用于压缩传感信号的重构。该算法以块结构获取图像,利用回溯过程实现支撑集的自适应筛选,最终实现图像信号的精确重构。实验结果表明,在相同测试条件下,该算法的重构效果无论从主观视觉上还是客观数据上都有不同程度的提高。     

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。     

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。     

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ZigBee技术的无线传感器网络及其应用研究

无线传感网络是当前国内外传感器技术领域的热点研究课题,着重研究了基于ZigBee技术的无线传感器网络节点的软硬件设计,实现了ZigBee无线传感器网络节点的设计,并运用该无线传感节点建立了基于ZigBee技术的无线结构健康监测系统,利用模式匹配的方法实现了基于无线传感器网络的载荷定位和结构紧固件失效的实时监测.     

基于无线传感器网络的远距离结构健康监测

针对复合材料结构健康监测的特点和需求,实现了一套基于无线传感器网络(WSNs)的远距离结构健康监测系统。系统构成包括前端传感监测子系统、WSNs子系统和远终端监控子系统。为了扩大系统的监测范围,降低系统网络功耗及成本,提高系统的稳定性、智能性和抗毁性,研究了自制的无线传感节点、多跳路由技术及小型化配接电路,改进了终端程序和网络节点程序。实验证明:相对于传统有线的监测方式,基于WSNs的结构健康监测具有灵活性高、负重轻、成本低、搭建移动方便、维护容易等优点。     

无线传感器网络在桥梁健康监测中的应用

桥梁的安全运营,是关系到国计民生的大事.因此,桥梁结构健康监测系统正成为国内外学术界和工程界的研究热点.无线传感器网络由于安装方便、维护成本低和部署灵活等特点,已被广泛应用于桥梁健康监测系统中.对现有的基于无线传感器网络的桥梁健康监测系统进行综述,依次介绍了各个子系统中的基本原理和典型方法,并结合多个具体实例分析了系统中的关键技术,最后总结了已有系统中存在的问题和未来的研究方向.     

Decentralized fault detection and isolation in wireless structural health monitoring systems using analytical redundancy

One of the most critical issues when deploying wireless sensor networks for long-term structural health monitoring (SHM) is the correct and reliable operation of sensors. Sensor faults may reduce the quality of monitoring and, if remaining undetected, might cause significant economic loss due to inaccurate or missing sensor data required for structural assessment and life-cycle management of the monitored structure. This paper presents a fully decentralized approach towards autonomous sensor fault detection and isolation in wireless SHM systems. Instead of physically installing multiple redundant sensors in the monitored structure (“physical redundancy”), which would involve substantial penalties in cost and maintainability, the information inherent in the SHM system is used for fault detection and isolation (“analytical redundancy”). Unlike traditional centralized approaches, the analytical redundancy approach is implemented distributively: Partial models of the wireless SHM system, implemented in terms of artificial neural networks in an object-oriented fashion, are embedded into the wireless sensor nodes deployed for monitoring. In this paper, the design and the prototype implementation of a wireless SHM system capable of autonomously detecting and isolating various types of sensor faults are shown. In laboratory experiments, the prototype SHM system is validated by injecting faults into the wireless sensor nodes while being deployed on a test structure. The paper concludes with a discussion of the results and an outlook on possible future research directions.     

A holistic approach to decentralized structural damage localization using wireless sensor networks

Wireless sensor networks (WSNs) have become an increasingly compelling platform for Structural Health Monitoring (SHM) applications, since they can be installed relatively inexpensively onto existing infrastructure. Existing approaches to SHM in WSNs typically address computing system issues or structural engineering techniques, but not both in conjunction. In this paper, we propose a holistic approach to SHM that integrates a decentralized computing architecture with the Damage Localization Assurance Criterion algorithm. In contrast to centralized approaches that require transporting large amounts of sensor data to a base station, our system pushes the execution of portions of the damage localization algorithm onto the sensor nodes, reducing communication costs by two orders of magnitude in exchange for moderate additional processing on each sensor. We present a prototype implementation of this system built using the TinyOS operating system running on the Intel Imote2 sensor network platform. Experiments conducted using two different physical structures demonstrate our system’s ability to accurately localize structural damage. We also demonstrate that our decentralized approach reduces latency by 65.5% and energy consumption by 64.0% compared to a typical centralized solution.     

桥梁结构的未标记模态特征稀疏编码深度学习监测*

由于建筑物结构健康问题大部分是累积性损害,很难被检测到,实际结构和环境噪声的复杂性使得结构健康监测更加困难,并且现有方法在训练模型时需要大量的数据,但是实际中对于数据的标记是很复杂的。为克服该问题,通过配备无线传感器网络,并采用稀疏编码实现桥梁结构健康监测,然后通过大量未标记实例在实现特征提取基础上进行稀疏编码算法训练,实现数据维度压缩和无标记数据预处理。其次,利用深度学习算法实现桥梁结构健康监测类别预测,同时基于线性共轭梯度对Hessian优化进行改进,利用半正定高斯-牛顿曲率矩阵替换不确定Hessian矩阵,进行二次目标组合,以实现深度学习算法效率提升;实验结果表明,所提深度学习桥梁结构安全检测算法实现了环境噪声稀疏编码水平下的高精度结构健康监测。     

基于贝叶斯网络的体域网多模态健康数据融合方法

体域网作为无线传感器网络在生物医学领域的一个重要分支能够远程实时监测人体多项健康数据.针对基于体域网采集到的多模态健康数据融合与分析方法进行研究,设计了一套包括动态心电传感器、血压传感器和血氧饱和度传感器的体域网组网方式,提出了一种基于贝叶斯网络模型和推理算法的心肌缺血监测识别方法.通过对60例确诊心脏病患者施行单一模态动态心电监测和多模态健康数据监测对比实验,验证了所提出的多模态健康数据融合方法能够有效提高无症状性心肌缺血的检出率,为临床应用提供了一种新的辅助判别手段.     

基于PSK声通信的无线传感器网络节点设计

可用于无线传感器网络的声信号通信方式,不占用无线电通信频率带宽,无射频干扰,在诸如环境监测、军事侦测等领域有广泛的应用前景。研究了一种基于相移键控(PSK)调制声通信的无线传感器网络节点系统。节点系统采用ARM+FPGA的结构,核心控制器为具有低功耗休眠模式的STM32型ARM芯片,FPGA用于进行数据缓存和部分数据处理,采用PZT型扬声器实现声信号的收发。测试表明:节点系统可以在10m范围内进行数据通信,数据码率300bps,误码率小于10-3,系统最大功耗小于0.1 W,最低休眠功耗小于10μW。