基于PCA的无线传感器网络压缩感知算法

针对常规压缩感知算法稀疏效果不佳的问题,提出了基于PCA的无线传感器网络(Wireless Sensor Network)压缩感知算法;该算法利用主成分分析法(Principle Component Analysis)的去噪和去冗余特性为节点数据提供一个自适应的稀疏矩阵,尽可能的减少观测量,并提出一个自相关系数保证PCA技术应用的有效性;最后,通过仿真将该算法与常规算法的重构误差进行比较,结果表明当信号相似度系数r大于0.7时,前者信号重构所需的观测量少很多,重构精度更高,对于WSN数据采集能够起到很好的节能效果。     

贪婪重构算法StOMP及其改进

为了对新型的采样定理:压缩感知理论CS(Compressed Sensing)进行深入的研究并将其应用于图像压缩编码,对压缩感知中的贪婪重构算法进行综述并分析该类算法的优缺点。通过理论分析与仿真实验,对比各算法的性能与效率。该类算法中StOMP需要人为地进行参数设置,而人为设置的参数值往往使算法的重建效果较差。针对该问题,利用粒子群优化算法对StOMP中的参数进行配置,以此来提高StOMP的重建效果。实验表明经过参数配置后的StOMP算法在重构效果上平均提高了2.62 dB,最大能提高13.63 dB。     

一种基于自适应代表节点选择的WSN数据收集方法

采用压缩感知的无线传感网络数据收集方法要求每个节点都参与数据收集,会造成很大的能量浪费.本文提出了一种基于自适应代表节点选择的WSN数据收集方法,在保证压缩感知数据重构精度的同时,减少参与数据收集的节点数.首先,采用主成分分析和混合压缩感知相结合的办法设计稀疏基;然后,通过分析稀疏基的框架势FP(Frame Potential)设计压缩感知的稀疏观测矩阵,从而选择代表节点,以减少参与数据收集的节点数目;最后,根据Sink处数据重构精度,自适应调整稀疏观测矩阵以用作下一时刻数据收集,从而保证数据收集的重构精度.仿真结果表明,该方法有效的降低了网络能耗和数据传输量,同时还保证了每个时刻数据重构的精度.     

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。     

分段正交匹配追踪（StOMP）算法改进研究

信号重构是压缩感知的核心技术之一,而其重构精度和所耗时长直接影响其应用效果。现今分段正交匹配追踪算法（StOMP）因耗时短而得到广泛应用,但也存在着重构精度差、稳定性低的缺点。提出一种基于粒子群优化（PSO）算法且同时具有回溯特性的StOMP改进算法（ba-IWPSO-StOMP）,即首先在StOMP算法的一次原子选择上,引入回溯策略,实现原子的二次筛选;在每次迭代计算中,使用具有惯性权重指数递减的PSO（IWPSO）算法对传感矩阵中部分原子进行优化,从而实现更高精度,更少迭代次数的信号重构。对一维信号和二维图像的重构结果表明,在稀疏条件相同的情况下,算法在收敛时间较短的情况下,其重构精度明显优于StOMP等同类算法。     

一种基于块稀疏的1比特压缩感知重构算法

块稀疏信号作为一种典型的稀疏信号,在压缩感知重构算法中被广泛应用研究,但是普通的重构算法并不能挖掘其内部结构,这导致重构精度得不到提高。在此基础上,针对普通的1比特压缩感知重构算法在块稀疏信号的重构中不能表现出良好的重构性能的问题,提出了一种专门针对块稀疏信号的1比特压缩感知重构算法。该算法以每一个块为重构单元,在二进制迭代硬阈值算法模型下进行重构。实验数据表明,提出的BLOCK-BIHT算法的重构精度比BIHT算法提高了3dB。     

基于车联网的数据动态压缩采集策略

车联网能高效地实现感知区域的覆盖,因此被应用于大规模城市感知。同时,为了解决车联网难以传输大量数据的问题,一些研究者使用压缩感知对具有时空相关性的数据进行压缩。但是,目前在车联网中应用压缩感知的研究并没有考虑数据和车辆分布变化的特性,很可能导致不可接受的误差。为了保证数据的重构精度,提出面向车联网的动态压缩感知方法。该方法能自动分析感知对象的数据特征、车辆分布和观测数量之间的关系。在压缩感知的基础上加入观测数量调整功能,通过对当前感知对象的数据特征和车辆分布的分析, 实时调整压缩感知中观测矩阵的参数,从而控制观测数据的数量,提升重构精度,实现更高质量的数据传输。实验表明与现有车联网中的压缩感知方法相比,面向车联网的动态压缩感知方法在重构精度上提升了15.3%。     

压缩感知在医学图像压缩中的应用

调研压缩感知的数学理论基础和常用方法,包括稀疏变换、测量矩阵和重构算法,利用Matlab软件实现压缩感知实验,比较几种测量矩阵的性能,提出双阈值分块正交匹配追踪重构算法。根据图像不同区域信息量的不同,采取分块处理的方法并加入采样阈值,针对不同子图像块采取不同采样率,提高采样效率;加入判断阈值,降低重构效果对采样阈值的依赖。实验结果表明,该方法能够以较低的采样率实现较高的重构精度,使压缩感知在医学图像压缩方面得到了较好应用。     

可调重构误差的传感数据时间相关压缩算法

无线传感器网络(WSN)节点能量与带宽均非常有限,难以适应大量数据长时间传输的需求,所以非常有必要对原始采集的数据进行聚合或压缩处理。利用传感数据间存在的时间相关性,提出分段常量近似与Haar小波压缩相结合的二级压缩算法,在误差可调的情况下压缩该类时间相关的传感数据。通过真实数据集上的实验,分析该算法的数据重构误差、数据压缩比与压缩耗时情况,并与其他压缩算法进行对比。实验结果表明,该算法能够有效地利用传感数据中存在的时间相关性,显著减少冗余数据,有较高的压缩比并保证数据精度。     

无线传感器网络中基于面积矢量的数据压缩算法

考虑无线传感器网络WSN(Wireless Sensor Networks)节点采集数据的时间相关性,提出一种基于面积矢量的有损压缩算法AVA(area vector algorithm),并推导面积阈值的取值公式。该算法通过设定面积阈值为判定标准,利用面积矢量的可叠加性提高算法的精度和效率。实验结果表明,该算法数据压缩量大,计算速度快,算法复杂度低,且能有效地控制误差范围。