基于压缩感知理论的WSNs时序信号分段压缩算法

针对压缩感知理论(CS)应用在无线传感器网络中时序信号在传输过程存在压缩比率低、通信能耗高等问题,提出了一种时序信号分段压缩算法来解决在信号稀疏度未知及高稀疏度条件下,压缩感知数据重构算法中存在的重构效率低,重构精度差,影响网络生命周期的问题.该算法将采集数据中非零元素个数作为分段依据,通过减少段内非零元素组合数量来提高信号重构精度,同时利用了压缩感知理论特性实现了对信号的高压缩率.实验结果表明,在以混沌量子免疫克隆重构(Q-CSDR)算法为重构算法、在信号盲稀疏度及稀疏度高于40的条件下,能够以大于0.4的压缩比率对信号进行压缩,其重构信号的均方误差小于0.01,能够延长网络寿命2倍左右.     

基于量子免疫克隆的压缩感知数据重构算法

提出了一种基于量子免疫克隆的压缩感知数据重构算法（Q-CSDR）。算法先提出了一种能够提高数据重构概率的自适应分帧方法,然后利用量子克隆免疫算法的优化组合性能实现数据的精确重构。实验结果表明,Q-CSDR算法能够根据啄始信号稀疏度自动调节压缩比率,具有重构速度快,重构精度高,能够适应于高稀疏度数据重构等优点。该算法已应用于秦始皇帝陵博物院野外文物安防系统。经实际检验,收到了良好效果。     

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。     

联合弹性碰撞与梯度追踪的WSNs压缩感知重构

为提高压缩感知(Compressed sensing,CS)大规模稀疏信号重构精度,提出了一种联合弹性碰撞优化与改进梯度追踪的WSNs(Wireless sensor networks)压缩感知重构算法.首先,创新地提出一种全新的智能优化算法|弹性碰撞优化算法(Elastic collision optimization algorithm,ECO),ECO模拟物理碰撞信息交互过程,利用自身历史最优解和种群最优解指导进化方向,并且个体以N(0,1)概率形式散落于种群最优解周围,在有效提升收敛速度的同时扩展了个体搜索空间,理论定性分析表明ECO依概率1收敛于全局最优解,而种群多样性指标分析证明了算法全局寻优能力.其次,针对贪婪重构算法高维稀疏信号重构效率低、稀疏度事先设定的缺陷,在设计重构有效性指数的基础上将ECO应用于压缩感知重构算法中,并引入拟牛顿梯度追踪策略,从而实现对大规模稀疏度未知数据的准确重构.最后,利用多维测试函数和WSNs数据采集环境进行仿真,仿真结果表明,ECO在收敛精度和成功率上具有一定优势,而且相比于其他重构算法,高维稀疏信号重构结果明显改善.     

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。     

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。     

基于改进贝叶斯压缩感知的正交频分复用系统信道估计

针对正交频分复用(OFDM)系统利用传统压缩感知算法进行信道估计需要已知信道稀疏度等消息,且算法复杂度高,重构时间长的问题,提出改进贝叶斯压缩感知算法进行OFDM信道估计。该算法将正交频分复用系统的信道估计转化为贝叶斯压缩感知重构问题,在不需要预先知道信道稀疏度信息的情况下,通过优化重构过程中的基函数选择方法,将基函数从1个开始逐渐增加,而不是删除,进而得到信道估计值以及误差范围,使该算法具有更快的收敛速度。仿真结果表明,与传统信道估计算法相比,该算法不需要信道的稀疏度信息,并且重构精度更高,在低信噪比的情况下估计效果更好,提高了运算速度,降低了复杂度。     

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。     

一种基于量子粒子群的二次匹配OMP重构算法

正交匹配追踪算法（OMP）是一种基于贪婪迭代思想的算法,是压缩感知中信号重构方法之一。为了降低OMP算法的计算复杂度,采用一种全局寻优能力较强的量子粒子群算法（QPSO）优化OMP算法中的匹配过程（QPSO-OMP）;针对OMP算法特点,引入原子分量二次匹配,进一步提高QPSO-OMP算法重构精度。仿真结果表明,所提出的基于QPSO算法的二次匹配OMP算法复杂度低,精确重构概率高于基于粒子群算法的正交匹配追踪算法。     

一种基于变量约简的稀疏优化算法

压缩感知理论能够为处理大规模信号数据提供有效支持.压缩感知中信号的稀疏表示和稀疏重构问题本质是一个稀疏优化问题,该问题是要从满足欠定方程组约束的无穷多解中找到稀疏度最大的解.鉴于此,提出一种基于变量约简求解压缩感知中稀疏优化问题的算法(VRSO),变量约简从欠定方程组约束中挖掘出变量关系,将变量分为核心变量和约简变量并用核心变量表示约简变量,通过设置核心变量中元素为0,将求解整个变量解空间上的最小化问题简化为求解约简变量解空间上的最小化问题.所提出算法通过原子与观测信号的内积大小对核心变量集合进行迭代更新,并找出优化问题的1组稀疏解.实验结果表明,所提出算法的重构误差和稀疏度误差优于匹配追踪算法、正交匹配追踪算法、迭代硬阈值算法等5种所选的对比算法,所求解的信号精度更高、稀疏度更好.     

基于MPSO-DV-Hop的无线传感器节点定位

节点定位技术是无线传感器网络的关键技术,为减小DV-Hop算法的节点定位误差,提出一种多子群粒子群（MPSO）算法优化DV-Hop的节点定位算法（MPSO-DV-Hop）。通过设置门限值修正节点间的跳数,提高了跳段距离估算精度,DV-Hop的第3阶段引入MPSO算法,对节点定位误差进行校正,通过引入多子群加快算法收敛速度,提高DV-Hop算法的节点定位精度,在MATLAB2008平台上对算法仿真分析。结果表明,MPSO-DV-Hop算法在不增加成本情况下,提高了传感器的节点定位精度,具有较高的应用价值。     

粒子群优化在无线传感器网络定位中的应用

已提出的无线传感器网络节点的定位算法中大部分是针对二维网络,为了提高无线传感器网络节点的定位精度,提出应用粒子群优化实现无线传感器网络定位。该算法依据信标节点相对于未知节点的几何位置并利用粒子群优化算法估算未知节点的几何位置。通过仿真,并与最小二乘法比较,结果表明该算法能在不增加体积、成本、通信功耗的情况下,有效的提高节点的定位精度。     

基于布谷鸟搜索算法的无线传感器网络节点定位

无线传感器网络的节点定位实际上是解决测量距离和测距误差的多维约束优化问题。针对最小二乘方法对测距误差敏感的不足,提出一种基于布谷鸟搜索算法的无线传感器网络节点定位算法。该算法利用全局和局部寻优能力强的布谷鸟算法求解定位过程中的多维约束优化问题;通过设定相应的约束适应度函数来减小定位过程的搜索范围,加快了收敛速度,能够快速地确定未知节点的位置。仿真结果表明：相较于粒子群算法和最小二乘算法,该算法能有效地抑制测距误差对定位的影响,提高节点的定位精度,具备很好的实用性。     

融合K均值分簇MST路由的无线传感网压缩采样技术

考虑无线传感网中数据采集特点和能量约束性,将分簇路由策略融合到压缩感知采样中,提出了一种融合K均值分簇MST路由的压缩采样算法.算法采用稀疏投影矩阵以减小投影矩阵与稀疏基之间的相关度,利用K均值分簇MST(Mini?mum Spanning Tree)机制构造数据融合树,在保证数据重构质量的基础上减少网络数据传输量.仿真结果表明,算法可以提高网络能量使用效率,同时可以适应各种规模的无线传感网.     

An agent-assisted QoS-based routing algorithm for wireless sensor networks

Existing routing algorithms are not effective in supporting the dynamic characteristics of wireless sensor networks (WSNs) and cannot ensure sufficient quality of service in WSN applications. This paper proposes a novel agent-assisted QoS-based routing algorithm for wireless sensor networks. In the proposed algorithm, the synthetic QoS of WSNs is chosen as the adaptive value of a Particle Swarm Optimization algorithm to improve the overall performance of network. Intelligent software agents are used to monitor changes in network topology, network communication flow, and each node's routing state. These agents can then participate in network routing and network maintenance. Experiment results show that the proposed algorithm can ensure better quality of service in wireless sensor networks compared with traditional algorithms.     

基于过完备字典的体域网压缩感知心电重构

针对体域网远程监护中心对重构的心电信号（Electrocardiogram,ECG）精度要求高和体域网（Body sensor network,BSN）低功耗问题,提出基于过完备字典的体域网压缩感知心电重构方法. 该方法利用压缩感知理论,在传感节点端利用随机二进制矩阵对心电信号进行观测,观测值被传送至远程监护中心后,再利用基于K-SVD算法训练得到的过完备字典和块稀疏贝叶斯学习重构算法对心电信号进行重构. 仿真结果表明,当心电信号压缩率在70%～95%时,基于K-SVD过完备字典比基于离散余弦变换基的压缩感知心电重构信噪比高出5～22dB. 该方法具有信号重构精度高、功耗低和易于硬件实现的优点.     

WSN中基于压缩感知的分簇数据收集算法

为减少无线传感器网络的数据通信量和能量消耗,基于WSN节点数据时空相关性的特性,提出一种将K-means均衡分簇和CS理论相结合的数据收集方法。首先,通过K-means聚类算法均匀划分网络成簇。然后,各簇首对采集到的数据进行基于时空相关性的压缩感知并传输至基站Sink节点。最后,Sink节点采用OMP算法对收集到的数据进行精准重构。仿真结果表明,该算法有效减少了无线传感器网络的数据通信量和压缩感知算法重构过程所需要的观测量。     

一种基于时空相关性和异常检测的改进WSN节能策略

针对降低无线传感网能耗和保证数据精度之间的矛盾,提出了自适应采样数据并利用压缩感知进行压缩的方法.传统的基于压缩感知的无线传感器数据压缩,只采样部分节点的数据,对于未被采样节点感知到的突发事件很有可能发生漏检情况.本文方法检测所有节点上传的数据再进行压缩,可以有效避免漏检情况的发生.根据信号具有时间相关性的特点,本文采用基于方差分析ANOVA(Analysis of Variance)原理改进的传感器自适应采样频率方法,并考虑节点剩余能量,减少平稳信号的采集次数,均衡网络节点能耗.在LEACH协议基础上,对簇内数据进行压缩感知的方法对数据进行压缩从而减少数据的空间相关性并传输到汇聚节点,以减少网络整体的能量消耗.针对可能的漏报情况,提出一种改进的局部事件监测算法-滑动窗口局部事件监测SW-LED(Sliding Window-Local Event Detection)算法,实现了实时准确的异常检测和预警.实验结果表明本文方法既可以有效的均衡网络节点能耗以提高网络生存周期,同时保证了数据的精度,对于异常情况的识别率也有很大的提高.