关键词： 配电网   违章预警   压缩感知   云边协同   字典学习   贪婪算法  

摘要： 随着配电网的快速发展,配网作业人身安全智能监护愈发成为配网生产经营一线的迫切需求。为解决配网现场违章行为智能预警系统的数据传输问题,提出一种基于压缩感知和贪婪算法的配网现场作业数据压缩重构方法。首先,分析了配网现场作业场景下数据的多源、异构特征;其次,在边缘侧构建观测矩阵,采用压缩感知技术对图像和视频流数据进行采样和压缩,并传输至云端;再次,在云端使用K-SVD字典学习算法得到合适的稀疏变换基,采用基于正则正交匹配追踪的贪婪算法实现数据重构,计算复杂度较低,迭代速度较快,保证数据传输的时效性。最后,算例验证了所提方法可以有效实现配网现场图像和视频流违章数据的压缩与重构。

关键词： 无线传感器网络   压缩感知   测量矩阵   分簇算法  

摘要： 自十二五规划以来，物联网已被提升至国家战略性新兴产业层次，作为新一代信息技术的核心部分，近年来发展十分迅速。而作为物联网的重要组成部分，无线传感器网络(Wireless Sensor Networks，WSN)因其在资源监测、环境监控等多个领域的巨大潜力，越来越受到研究和应用的重视。然而，WSN中的传感器节点由于受到能量供应的限制，导致它们在进行大规模部署和长时间运作时往往面临挑战。此外，随着WSN规模的扩大，数据传输可靠性也面临着严峻挑战，而数据传输可靠性也是数据精确重构的关键因素之一。因此，在无线传感器网络中对数据收集及传输的研究领域，迫切需要研发出能够在低能耗下确保精确数据重构的高效算法与模型。在这样的背景下，压缩感知(Compressed Sensing， CS)理论展现了其独到的价值，可以在远少于传统奈奎斯特采样频率的情况下，精确重构出完整的信息，极大地降低了对节点能量的需求，为无线传感器网络中的数据收集提供了一种全新的思路。　　压缩感知理论通过挖掘信号的稀疏或压缩特点，在降低维度的同时保持原始信号信息。它能使用有限的线性非自适应测量来实现原始信号的准确恢复。研究指出，要达到压缩感知的理想重构效果，必须具备三个关键要素：有效的信号稀疏表示、合理选择的重构算法，以及高性能的测量矩阵设计。而本文主要是基于测量矩阵的设计来开展对WSN数据压缩的研究。因此，本文的主要研究内容有以下几点：　　(1)提出一种基于KL变换(Karhunen-Loèvetransform)的半张量压缩感知测量矩阵的构建方法。以该方法构建的测量矩阵可以解决无线传感网络中由于信号的多样性而导致测量矩阵维数无法灵活匹配的问题，同时保证良好的重构效果。本方法的原理是在半张量压缩感知的基础上对传感矩阵进行KL变换，再由新传感矩阵反向计算出新的测量矩阵，该测量矩阵将极大程度地降低与稀疏基的相关性，使信号精确重构概率得到提升。最后通过仿真实验详细对比所构建矩阵在半张量压缩感知框架下与几种常见测量矩阵在传统压缩感知框架下的重构性能，并通过分析验证所构建矩阵的有效性和灵活性。　　(2)基于本文所构建的测量矩阵提出一种WSN数据压缩传输系统模型。该系统能够实现信号精确重构的同时降低网络通信能耗、延长网络寿命。针对簇头与基站的通信能耗远大于与节点的通信能耗的问题，对传统LEACH算法进行改进。当簇与基站相距较远时，为保证能源的最低损耗，通过适当牺牲对簇内通信能耗的控制，从而减少簇头与基站之间的通信能耗。改进后的分簇算法不仅能降低网络通信能耗，还能均衡感知层内节点负载，从而延长网络寿命。此外该系统还加入LDPC(Low-Density Parity-Check)码校验机制，在测量矩阵构建过程中基于已生成的高斯随机矩阵，构造出LDPC校验矩阵。校验机制的加入使得网络中数据传输可靠性得到保证，尤其在大型WSN中为信号的精确重构打下了基础。最后对该系统进行实验仿真，分别在节点能耗、网络寿命和数据传输可靠性方面上进行分析，最终得出所提出系统在能耗均衡性能和网络生存时间上有良好表现，而在数据传输可靠性上也有明显优势的结论，并且该结论更能体现于大型WSN中。

关键词： 无线传感网   压缩感知   K-SVD字典   数据压缩   时空相关性  

摘要： 针对无线传感网中,监测数据特征差异、节点能耗受限、现有数据压缩方法效率较低等问题,提出一种基于字典学习和压缩感知的数据压缩模型。改进K-SVD字典学习算法训练稀疏基,满足监测数据特征差异较大的特点,将稀疏变换由感知节点转移到基站,减轻感知节点能耗,降低压缩复杂度。在相同数据集上与现有的OEGMP算法以及基于DCT稀疏基的压缩感知算法做对比实验,其结果表明,在压缩率为0.2时,恢复数据均方根误差由0.281和0.260降低至0.093,模型在数据压缩率和恢复精度等方面有明显提升,可满足大部分实际应用需求。

关键词： 压缩感知   电场压缩   稀疏循环移位的高斯随机矩阵   升序压缩感知   曲波变换   电场重建  

摘要： 在科技飞速发展的今天,人们的生活水平逐渐提高,人们也越来越关注生活在电磁地理环境中的安全。但地理环境中的电磁场是人们无法感知的,只能通过专业的监测设备进行测量,在测量的过程中势必会产生的大量的电磁数据,因此有必要对电磁数据进行压缩,以便于后期的存储和传输。从另一方面说对于地理空间中的电磁数据是不可能进行完全测量的,只能对研究区域选取若干个采样点进行部分测量,因此需要寻求一种从测量得到的部分电场强度数据重建出研究区域内完整的电场分布情况的方法,这对于评估基站发射信号的覆盖情况以及辐射强度是否在监管机构规定的强制性限制范围内具有重要意义。为此本文一方面采用压缩感知的方法对不同地理环境中的电场强度数据进行压缩处理,以减少电场强度数据的存储量和传输量;另一方面本文采用压缩感知的方法重建不同地理环境中的电场。主要研究工作如下: (1)研究了天线在不同地理环境中的电场分布情况,给出了天线在自由空间、光滑地和粗糙地上的电场分布图和电场强度数据。从稀疏性和非相干性的角度对压缩感知进行了详细的介绍,并分析了不同地理环境中的电场强度数据在常用稀疏基变换后的稀疏性。 (2)针对高斯随机矩阵计算复杂度高和矩阵存储量大的问题,提出了稀疏循环移位的高斯随机矩阵。对稀疏循环移位的高斯随机矩阵的相干性进行了验证,证明了其与高斯随机矩阵一样,都具有和大多数稀疏基不相干的特性。对不同地理环境中的电场强度数据进行了仿真实验,证明了稀疏循环移位的高斯随机矩阵在减少一半的计算复杂度和矩阵存储量的同时,具有和高斯随机矩阵几乎相同的重构效果。 (3)提出了将电场强度数据进行升序排序再进行压缩感知的方法。升序排序后的电场强度数据的稀疏性相比与未进行升序排序的电场强度数据得到了极大的提升,其中光滑地和粗糙地中的电场强度数据表现的尤为明显。通过对不同地理环境中的电场强度数据仿真实验发现,当测量矩阵类型相同时,升序排序的电场强度数据的压缩比和重构效果相比未进行升序排序的电场强度数据得到大幅度的提升。 (4)将应用于地震数据重建的基于曲波变换的压缩感知方法引入到电场重建中来。基于曲波变换的压缩感知可以直接对二维电场强度数据进行采样和稀疏变换,而不是像传统压缩感知那样需要先将二维的电场强度数据转化为列向量的形式再进行压缩感知。此外为了克服随机采样的一些缺陷,引入了正方形jitter采样对研究区域中的电场进行采样。通过对半波偶极子天线和喇叭天线在不同地理环境中的电场重建仿真实验,实验结果表明基于曲波变换的压缩感知具有比传统压缩感知更好的重建效果。

关键词： 压缩感知   数据采集   重构算法   稀疏基   测量矩阵   智能配电网  

摘要： 为了有效应对新型电力系统中数据量激增、数据采集难度大、采集成本高、通信传输拥挤等问题,进一步提高电力数据的分析应用能力,本文以配电网为具体研究场景,提出基于压缩感知理论的智能配电网数据采集方案并搭建了相应的模型。针对智能配电网的特点,本文从常用的稀疏基与满足约束等距性条件的测量矩阵中分别选取了离散W变换中的特定稀疏基与稀疏随机矩阵作为所提数据采集方案的稀疏基与测量矩阵,并通过分析与仿真得到了适用于该方案的信号长度与压缩测量维数的取值范围。此外,本文还设计了一种基于频率预估的压缩感知重构算法,并在仿真实验中证明该算法相较于正交匹配追踪算法、压缩采样匹配追踪算法、基于光滑L0范数的压缩感知重构算法、基于光滑L0范数和修正牛顿法的压缩感知重构算法这四类算法,在重构精度上有明显的提升,并且基于频率预估的压缩感知重构算法还具有迭代速度快、重构耗时短以及扩展性强的优点。

关键词： 压缩感知   硬件实现   正交匹配追踪算法   粒子群优化算法  

摘要： 由于受到传输接口效率、芯片处理速度、存储器容量等限制,超高速数据采集系统在实现过程中面临着海量数据的传输与实时存储等问题。针对上述问题,本文基于压缩感知(CS)理论,提出了一种基于压缩感知的数据压缩方法与FPGA硬件实现,并对压缩感知重构算法中的正交匹配追踪(OMP)类算法进行了深入研究。本文的主要研究内容如下:首先,本文在压缩感知理论的基础上,根据压缩感知通过非自适应性的线性投影运算得到测量值这一思想,对数据采集系统中的采样数据进行压缩,并采用Verilog HDL语言及VIVADO软件完成数据压缩方法的FPGA硬件电路设计,仿真结果验证了硬件设计的正确性与有效性。其次,本文基于OMP类算法的理论与仿真分析,提出了一种改进算法,称为预选分段正交匹配追踪(PSt OMP)算法,该算法需对满足阈值要求的预选原子进行固定步长数的二次选择。与其他传统的匹配追踪算法相比,改进算法可以在不知道信号稀疏度的前提下恢复原始信号。仿真结果表明PSt OMP算法可以获得相比于分段正交匹配算法更高的重构准确率,并且算法重构时间远低于稀疏度自适应算法。最后,针对PSt OMP算法的重构效果容易受到参数影响的问题,利用粒子群优化算法求解最优参数,使得PSt OMP算法的重构性能得以提高,通过大量的仿真实验,给出了PSt OMP算法在不同条件下参数的最优值以及推荐选取范围,并验证了参数优化方案的可行性。

关键词： 无线传感网络   压缩感知   数据压缩   时空相关性   字典学习   测量矩阵  

摘要： 作为物联网的重要组成部分,应用于多个领域的无线传感网所产生的数据量与日俱增,对这类感知数据压缩的研究一直是物联网应用中最关键的技术之一。由于受到感知节点存储空间、电源能耗、计算能力等限制,如何在低能耗条件下满足应用需求来实现数据压缩成为亟待解决的难题之一。结合感知节点和基站特点,本文针对压缩感知理论处理时空相关性较强的一类感知数据的过程进行改进,实验结果表明本文的改进能够获得较好的压缩效果。论文的主要工作内容如下:首先,针对无线传感网中,监测数据特征差异、节点能耗受限、现有数据压缩方法效率较低等问题,提出一种基于字典学习和压缩感知的数据压缩模型。模型通过基站实现稀疏变换,提出改进K-奇异值分解(K-SVD)字典学习算法的初始字典,利用字典学习算法的自适应特性训练稀疏变换基,满足监测数据特征差异较大的特点,降低压缩复杂度和节点能耗。与本课题组的改进灰色模型数据压缩算法以及常用的基于离散余弦变换基的压缩感知算法作对比实验,结果表明,本文模型在数据压缩率和恢复精度等方面都有明显提升。其次,针对压缩感知的压缩过程中,随机性测量矩阵带来的计算复杂度较高、存储不便、硬件实施困难等问题,本文设计了一种基于规则的低密度奇偶校验矩阵的稀疏测量矩阵,用于感知节点的数据压缩。低密度奇偶校验矩阵非零元素个数较少,易于压缩保存;规则的低密度奇偶校验矩阵满足统计有限等距性质,确保数据恢复精度;这样测量矩阵与感知数据相乘进行压缩时,大幅减少了计算量。理论分析和对比实验结果都表明,该方法在减少数据传输量、提高压缩率的同时,能够节约能耗,延长网络生命周期。本文在Intel Berkeley实验室提供的公开数据集上进行所有对比算法的重现,实验结果表明,本文设计的基于字典学习和压缩感知的无线传感网数据压缩模型及规则的低密度奇偶校验测量矩阵,可以在提高数据压缩率和数据恢复精度方面有所提升,满足时空相关性较强的一类实际应用需求。

关键词： 无线传感器网络   压缩感知算法   测量矩阵   线性拟合  

摘要： 无线传感器网络（Wireless Sensor Networks,WSNs）通过众多能随意部署的传感器节点以多跳（Multi-hop）的形式实现对监测区域内感知数据的采集,在环境监测,军事战场等领域应用广泛。由于靠电池供电的节点能量有限,数据处理能力弱,且密集部署会造成采集数据的冗余,从而增大节点的能耗。因此,如何减少传感器节点的传输量,平衡负载能耗是目前WSNs发展亟待解决的问题。而压缩感知（Compressed Sensing,CS）作为新型数据压缩采样方法,能利用少量的观测量完成对原始信号的重建,将其应用于资源有限的WSNs可在一定程度上降低节点所需传输数据量,达到降低能耗的目的。本文在基于CS的数据压缩采集技术以及测量矩阵两个方面展开深入研究,具体工作如下:1.针对固定采样率造成节点能耗增大,网络资源浪费等问题,设计了一种动态采样率的WSNs数据压缩采集策略。该方法基于混合压缩感知（Hybrid CS）的分簇式WSNs,首先在簇头节点应用Hybrid CS采集少量观测值并传输给汇聚节点（sink）,sink再利用重构算法对各簇压缩测量数据进行分簇重构;然后将各簇数据分段线性拟合后得出确定系数R2;再通过增量控制因子,得出每段的采样率;最后反向调整簇头所需测量值。实验结果显示,网络能依据采样率的动态变化对观测值的不同需求做出实时调整,进而最小化满足重构精度的数据传输量。相较于固定采样率的压缩数据采集策略,此方法更适用于监测实时变化的信号,并以一定的计算开销换取采样次数的减少,且能有效提高数据的重构精度。2.为解决信息冗余造成传输量过大的问题,从测量矩阵出发深入研究了信号的线性测量过程,利用双结构的构造思想,提出了一种混合单位方阵（Identity matrix,I）与伯努利矩阵（Bernoulli Matrix,B）的双结构测量矩阵[I B]。它利用单位方阵的计算复杂度低以及伯努利矩阵的重构性能良好的特性,具有一定的普适性。为验证[I B]矩阵在信号重构的有效性,从理论上分析证明了[I B]满足有限等距准则（Restricted Isometry Property,RIP）,并在合成随机信号和真实WSNs数据集中进行仿真验证。仿真实验表明,[I B]能够在不降低恢复性能的基础上降低压缩比,减少WSNs传输量。最后,分析对比[I B]、[R]在动态采样率下压缩数据采集的仿真实验中,[I B]的重构误差更低,重构精度表现更优。

关键词： 配电网   分布式压缩感知   边缘计算   K-SVD算法   谐波污染划分  

摘要： 针对配电网中电能质量数据日益庞大且谐波污染划分困难的问题,提出一种基于分布式压缩感知和边缘计算的电能质量数据压缩存储方法。创新之处在于:该方法是基于同步正交匹配追踪算法和K-SVD字典学习算法提出一种自适应联合重构算法,并将该重构方法应用到以分布式压缩感知为边缘算法的云边协同框架中,在云端通过对边缘上传的字典原子和测量值进行分析,实现电能质量数据的压缩存储,此外,还可以依据各节点稀疏系数间的互相关度实现配电网的谐波污染动态分区。仿真结果表明:该算法不仅能以很高的精度实现电能质量数据的压缩,节省数据存储空间,还对配电网的谐波污染分区具有借鉴意义。

关键词： 压缩感知   电能质量   去噪   谐波检测   数据压缩  

摘要： 目前常用的信号处理与数据压缩方法都是基于奈奎斯特采样定理,采样频率高,会产生大量的冗余数据,造成数据的存储和传输负担。本文采用压缩感知技术对电能质量信号进行处理,提高数据采样与压缩的效率,减少通信系统的负担。本文综述了国内外电能质量信号处理的相关文献,并指出压缩感知技术可以有效缓解数据采集、压缩、传输、存储等压力。本文针对大规模系统的电能质量信号去噪、谐波检测、数据压缩三方面存在的问题做出了针对性的改进:1)提出了基于压缩采样匹配追踪算法的电能质量信号去噪,并通过仿真验证了该算法的去噪能力;2)提出了稀疏度自适应的St OMP算法(SASt OMP),能够对未知稀疏度的谐波信号进行谐波检测;3)提出一种基于分部思想的压缩采样匹配追踪算法(Se Co Sa MP),通过该算法对电能质量信号进行压缩采样。具体工作如下:首先,详细介绍了压缩感知理论的提出背景、基本原理以及压缩感知的三要素:稀疏性、测量矩阵、重构算法的相关理论知识,为后面的章节奠定基础。其次,提出了基于Co Sa MP算法的电能质量信号去噪,并具体分析了压缩感知理论的去噪原理。通过比较不同算法对电压暂升、电压暂降、稳态谐波的去噪效果,本文所采用的算法得到了更好的去噪效果,为电能质量信号去噪提供了一种新思路,也为第四章、第五章奠定基础。再次,基于压缩感知理论的谐波检测,无需解压缩过程,可以直接从采样值中提取相应的谐波信号,完成谐波检测。由于贪婪算法对信号稀疏度依赖性大的,本文提出了一种基于稀疏度自适应的分段正交匹配追踪算法。通过对比不同预设稀疏度K、不同压缩比、不同阈值以及有噪条件下三种算法的谐波检测效果,验证了本文所提算法的优越性与有效性,且具有一定的去噪、抗干扰能力。最后,针对电能质量监测数据量大,给系统数据存储和传输带来巨大的负担的问题,本文对Co Sa MP算法进行改进,提出一种基于分部思想的压缩采样匹配追踪算法。对比了不同算法的电能质量数据的压缩重构效果以及含噪条件下算法的抗干扰能力,验证了本文所提算法的压缩能力与去噪能力。