无线传感器网络中基于空间相关性的分布式压缩感知

提出了无线传感器网络中基于空间相关性的分布式压缩感知模型和分布式压缩感知算法,利用无线传感器网络节点间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编解码算法,以能量有效的方式对无线传感器网络的感知数据进行压缩、重构.最后,通过仿真分析了分布式压缩感知重构误差和压缩比之间的关系,以及分布式压缩感知在能量有效性方面的性能,仿真结果表明分布式压缩感知以能量有效的方式满足了无线传感器网络中事件估计的精确度要求.     

采用压缩感知和GM(1,1)的无线传感器网络异常检测方法

针对当前无线传感器网络(WSNs)异常检测算法的检测准确率较低同时影响网络能耗均衡的问题,提出了一种基于改进压缩感知(CS)重构算法和智能优化GM(1,1)的WSNs异常检测方法。首先,通过建立双层异质WSNs异常检测模型,并采用压缩感知技术对上层观测节点收集到的下层检测节点温度测量数据进行处理,同时结合温度数据稀疏度未知特点,构造有效的稀疏矩阵和测量矩阵,并重新定义测量矩阵正交变换预处理策略,使得CS观测字典满足约束等距(RIP)条件;其次,重新定义了离散蜘蛛编码方式,蜘蛛种群不断协同进化,以获得稀疏结果中非零元素的位置信息,利用最小二乘法得到非零元素的幅度信息,实现了对未知数量检测节点数据的精确重构。在此基础上可以由蜘蛛种群迭代进化得到优化后GM(1,1)的参数序列,通过检测参数序列的相关阈值来判定节点是否发生异常。实验仿真结果表明,与OMP-IGM等异常检测方法相比,该方法的异常检测准确率提高了约7%~33%,网络能耗降低了约18%~43%。     

参与式感知系统中基于压缩感知的数据采集算法

基于压缩感知理论提出了一种在参与式感知系统中进行数据采集的算法.该算法通过对节点社会关系的分析,估计得出部分未被传输的节点感知数据,在此基础上对观测矩阵进行更新,使压缩感知算法可以利用已传输的数据和估计得出的数据进行重构.该算法能显著减少参与式感知系统中传输的数据量,同时能够保证较好的数据重构精度.采用随机漫步移动模型进行了仿真实验,验证了算法的可行性.实验表明,与传统的压缩感知算法相比,上述算法在重构成功率相同的情况下,可以显著减少网络传输的数据量,从而降低网络消耗.     

基于近似l_0重构算法的传感网数据收集方案

针对无线传感器网络中的数据收集问题,基于压缩感知理论设计并实现了一种高效节能的数据收集方案.数据采集时利用矩阵投影对传感器节点感知的数据进行压缩,数据重构时利用指数函数族对l0范数进行逼近,从而将带约束条件的l0范数最小化问题转化为无约束条件的优化问题,同时还设计了相应的加权函数,从而进一步提高重构算法的收敛速度.实验结果表明:所设计的基于近似l0范数重构算法的传感网数据收集方案在数据收集过程中具有较高的运行效率,其对无线传感器网络的带宽、能量等资源消耗较低;在数据重构过程中能够在适当的重构时间内进一步提高压缩数据的重构成功率.     

基于时空相关性的传感器网络数据压缩算法

针对当前传感器网络数据压缩算法存在压缩比率低、 数据变形严重等缺陷, 为提高传感器网络数据传输的实时性, 提出一种基于时空相关性的传感器网络数据压缩算法. 首先采集传感器网络原始数据, 采用空间变换技术从空间上分析传感器网络数据之间的相关性, 进行去噪处理, 减少噪声所占的空间资源; 然后根据传感器网络数据的时间相关性, 引入压缩感知算法对空间系数进行压缩处理, 减少传感器网络数据冗余; 最后通过仿真实验分析传感器网络数据压缩算法的性能. 仿真实验结果表明, 相对于其他传感器网络数据压缩算法, 该算法可在不损失传感器网络数据信息的条件下, 提高传感器网络数据压缩比率, 同时获得更快的传感器网络数据压缩速度, 减少传感器网络通信压力.     

线性回归的分布式压缩采样算法

为减少无线传感器网络数据传输量,进而延长网络的生命周期,研究了一种联合线性回归和压缩感知的分布式采样方法。依据节点数据的相关性对网络进行分簇,将感知数据显著线性相关的传感器节点划分到同一簇中。以此为基础,提出了一种基于线性回归的分布式压缩采样算法,该算法联合运用线性回归和压缩感知理论重构节点数据,实现了低速率采样条件下节点数据的高精度重构。对实测温度数据进行仿真实验,结果表明,与等间隔采样相比,该算法减少了71%的采样值个数。     

基于压缩感知的稀疏事件检测

为了提高无线传感器网络中稀疏事件的检测概率,利用压缩感知技术,提出了一种改进的下降迭代检测算法.该算法通过动态调节参数,改变迭代权值,加快了算法收敛速度.实验结果表明:在相同条件下,改进算法的成功检测概率比贝叶斯算法平均提高了13%.     

宽带认知无线电网络分布式协作压缩频谱感知算法

针对宽带认知无线电网络中压缩频谱感知算法在低信噪比环境下频谱检测性能下降的问题,提出了一种基于高斯过程的分布式压缩频谱感知(PBCS)算法.首先应用层次化的正态分布概率模型来表示压缩频谱的重构,然后各个认知无线电用户交换模型参数并结合本地的压缩采样数据进行压缩频谱感知.有别于其他直接融合频谱感知结果或检测数据的协作式算法,PBCS算法通过模型参数融合来进行协作,能有效减小信噪比低的协作用户的影响,从而提高算法的抗噪性.仿真结果表明,PBCS算法可以在-5dB的信噪比条件下达到检测概率大于0.9、误检概率为0.1的频谱检测性能.     

分布式信息融合的物联网事件检测方法

事件检测是物联网感知技术的一项重要应用。由于感知节点资源受限,事件检测准确率与节点能量有效性较难平衡。提出了一种新的物联网事件检测方法,基于分布式无线传感器网络,采用特征选择与人工智能学习算法,对感知数据进行局部与全局的二级信息融合,在降低节点功耗的同时提升了检测的准确率。进行要地周界入侵事件检测实验,结果表明,该方法相比传统的事件检测方法更加有效。     

基于压缩感知理论的线性分组码译码

将压缩感知理论应用于线性分组码的译码,提出差错图案E重构的压缩感知模型及校验矩阵H作为测量矩阵的构成形式和性质.将伴随式S作为测量信号,校验矩阵H作为测量矩阵,以(15,7)循环码为例,采用基追踪(BP)算法重构差错图案E的估值,并设计线性分组码译码的仿真实验方案.仿真实验结果表明,采用压缩感知理论与BP算法能较好完成线性分组码的译码.     

基于最佳联合稀疏表示的分布式压缩感知算法

通过探索无线传感器网络节点感知数据的时空相关性,可以构建适用于不同应用情形的联合稀疏模型。利用联合稀疏模型,提出了一种适用于无线传感器网络的分布式压缩感知算法。该算法采用联合编码联合解码的方式,充分利用了信号内部和信号之间的相关性,从而可以用更少的观测值实现信号群的精确重构。与单独编码单独解码相比,采用联合编码联合解码的方法,在保证信息可靠传输的前提下,减少了整个网络的数据流量,节约了宝贵的能量资源,以能量有效的方式满足了传感器网络的应用。     

压缩感知在ECT分相含率检测中的应用

该文研究了压缩感知(CS)理论在电容层析成像(ECT)问题中的应用,有效解决了图像重构中的欠定性问题,从而通过图像计算两相流中的截面分相含率。首先,采用时域基作为图像向量的稀疏基,并采用高斯随机对灵敏度矩阵进行重新排序,设计其观测矩阵;然后,将不动点迭代算法FPC应用于凸优化问题的求解,得到重构图像;最后,利用最优阈值算法对重构图像进行灰度处理,由灰度图像进行分相含率的计算。在仿真实验阶段建立ECT传感器模型,对3种典型两相流流型进行重构,并与经典的LBP,Landweber算法综合3种重构效果评价指标进行比较。仿真结果表明:基于CS的ECT重构算法在只有少量测量数据的情况下也能精确地重构图像,且成像质量远高于LBP算法,并优于Landweber迭代算法,成像速度也大幅提升,有效提高了分相含率检测的准确性。     

基于自动编码器和长短时记忆网络的智能汽车故障诊断方法研究

智能汽车故障诊断技术对于保障智能汽车安全行驶具有重要意义,本文针对智能汽车传感器数据异常检测和车辆运动的异常检测提出了一系列故障诊断方法. 针对非时序传感器数据,采用基于超限学习框架的自动编码器,对正常数据进行特征压缩学习其特征表示,再利用压缩的特征重构数据,根据重构误差的大小判断数据是否异常. 针对时序传感器数据,采用多层长短时记忆网络学习时序数据之间的时间依赖关系来预测当下时刻的数据值,根据预测误差的大小判断数据是否异常. 提出一种阈值随误差大小动态变化的自适应阈值确定方法,使得决策变量对于异常值相对敏感. 进一步地,采用车辆自行车运动学模型和Kalman滤波,利用Jarque-Bera测试对预测值和量测值残差的正态性进行检验来检测车辆运动是否异常. 实际场地测试验证了本文所提出的方法可以有效检测非时序或时序传感器数据的异常,并对车辆运动是否异常进行检测.     

图像分块的贝叶斯压缩感知算法研究

为增加信号重构的可信度和减少重构过程的人为干预,采用贝叶斯压缩感知的方法,将待重构信号赋予先验分布,不仅重构出信号参数,并能同时获得信号参数的置信区间,以此实时调整重构模型使信号恢复达到最佳。基于拉普拉斯分级先验模型的贝叶斯压缩感知算法,对图像进行合理分块,用不同比率对分块图像压缩,并在重构过程进行分级处理,进一步减少运算时间,最终使用相关向量机(RVM)实现了稀疏信号的最大后验概率估计。实验结果表明,通过和传统算法相比较,上述算法使得重构图像质量得到明显提高,并且相比于全局贝叶斯压缩感知算法具有更好的实时性。     

贝叶斯压缩感知稀疏信号重构方法研究

讨论了贝叶斯框架下压缩感知稀疏信号重构的方法,描述了基于非参数方法构建压缩感知字典的过程.实验结果表明:基于贝叶斯方法的压缩感知算法能够对单元脉冲信号进行较好重构,且与其他算法相比具有更小的重构误差.最后对贝叶斯压缩感知的发展进行展望.     

基于深度压缩感知的脑电情感识别

【目的】传统压缩感知中存在观测矩阵对信号适应性和重构算法对字典依赖性的问题，深度压缩感知则利用深度学习的方法解决传统压缩感知中存在的问题。【方法】利用深度信念网络(DBN)能够在不破坏观测矩阵随机性的前提下对信号进行自适应压缩，同时利用栈式自编码器(SAE)可以端到端地训练重构网络来摆脱重构算法对稀疏字典的依赖性，根据信号的稀疏表示中所具有的判别性，提出基于DBN和SAE的压缩感知识别模型(CS-DBN-SAE)。【结果】在DEAP情感脑电数据库上的四分类实验结果表明，CS-DBN-SAE模型的识别率达到83.29%,相比于传统压缩感知识别模型均取得了4.3%以上的提升。     

基于动态调整发送编码门限阈值的传感器网络数据压缩算法

针对无线传感器网络节点感知数据存在空间和时间冗余的问题,提出一种基于动态调整数据发送阈值的传感器网络数据压缩算法——DADST算法.首先,节点采集周围信息后发送给基站,基站接收到数据后对其进行Huffman编码,并依据节点发送的数据即时调节基站向各节点发送数据的门限阈值;其次,各节点依据接收到的编码判断向基站传输压缩码还是原始感知数据.仿真实验结果表明,该算法在保证数据传输精度的同时,能显著提高网络数据传输量和网络工作效率,减缓了节点的能量消耗.     

采用压缩感知的流程工业异常监测数据检验与修复方法

针对由于流程工业生产系统具有变量多、维度高、耦合关系复杂等特性导致的异常监测数据检验与修复难题,提出了一种采用压缩感知的流程工业异常监测数据检验与修复方法。压缩感知算法能够使用极少的测量数据重构出原稀疏信号或能够在某稀疏基上得到稀疏表达的信号。结合压缩感知原理及重构成功率指标,构建出重构非线性系统方程的数学模型,该模型仅使用少量的监测数据就可以重构出反映状态感知网络节点动态关系的系统方程。将重构的系统方程代入考虑系统偏差的求解结构中得到监测数据的解析值,对比监测数据的实际值与解析值,若实际值超差则用解析值替代实际值,从而实现异常监测数据的检验与修复。通过某煤化工企业压缩机子系统应用案例验证所提方法的有效性,结果表明:在监测数据正常的情况下,实际数据与修复数据的相对误差波动极小,而当监测数据出现异常时,相对误差发生剧烈变化,证明提出的算法能够检测到异常监测数据,并能够较好地恢复监测数据的原貌。     

基于子空间追踪的稀疏信号重构算法

信号重构算法是压缩感知理论中的重要环节,其优劣影响压缩感知的重构效果.基于子空间追踪算法,对经稀疏表示和测量矩阵压缩后的信号进行重构验证,理论分析和实验结果表明,子空间追踪算法能使信号在较高压缩比下保持良好的重构效果.     

基于不平衡扩展模型的火灾信息分布式压缩感知

针对无线传感网络数据传输与计算的不均衡而导致部分节点能耗大的问题,首先结合图论中二部图思想,将不平衡扩展模型应用在分布式压缩感知上,并设计出一种与该架构相对应的分布式算法.该算法通过一个列稀疏度确定的稀疏随机二值矩阵决定节点之间是否实现数据传输,从而将传输和计算任务平均分散在各个节点,并利用二阶锥形规划法对融合中心的数据进行重构.最后,在火灾场中利用不平衡扩展模型的分布式压缩感知网络进行仿真实验,并对算法的优越性和网络的节能性作出详细分析.在仿真过程中,通过分析均方误差和信噪比证明所提出的模型不仅在降低节点能耗上有较好的效果,而且在有噪声环境中可以很好地保证信号的重构性能.