关键词： 地震数据压缩与重构   压缩感知   小波变换   混沌伯努利测量矩阵   贝叶斯学习  

摘要： 随着石油地球物理勘探技术的飞速发展,地震勘探仪器也向着多维、多分量、多参数和高分辨率等方向迈进,地震勘探数据量随之呈指数增长,需要更高的数据传输速率来确保数据的实时性,否则会影响施工效率和勘探分辨能力。特别是地震勘探仪器从有线传输转变为现在广泛使用的无线传输后,面对海量数据实时回收、信道带宽限制等现实状况,如何提高地震勘探系统海量数据实时传输能力成了研究热点和待解决的核心问题,其中,对地震数据的压缩与重构技术的研究显得尤为迫切,数据压缩可以从传输的源头减少数据量,改善勘探系统的网络传输效率,提高数据的实时处理速度,节省存储空间。由于传统香农采样定理的制约,现有压缩技术方案大部分是对现场数据变换编码来消除其冗余,从而达到压缩效果,再通过解码反变换恢复出原始数据。这类压缩与重构方案需要对完整的地震数据进行操作,不仅时效性差,容易造成硬件资源浪费,而且解码完全是编码的逆运算,编解码算法间的关联性太强,难以同时满足实时压缩与高精度重构的需求。针对以上问题,本文基于压缩感知（CS）理论提出一种新的地震数据压缩与重构方案。在地震数据压缩过程中,首先使用Logistic混沌序列构造出混沌伯努利测量矩阵（CBMM）,然后利用该测量矩阵对地震数据小波变换后的稀疏系数进行压缩测量。因为压缩测量过程实质上是简单的矩阵与向量相乘运算,所以用构造测量矩阵的方式来压缩数据,能有效的提高计算速度,数据压缩的实时性会更好。地震数据回收时,对压缩测量后的观测值进行传输或存储,当需要对完整地震数据处理时,再通过重构算法恢复出来。在地震数据重构过程中,本文采用贝叶斯小波树结构压缩感知重构算法（BTSWCS）,该算法首先根据小波树结构统计特性来构建一个分层贝叶斯CS先验模型,即钉铆先验,然后利用马尔科夫链蒙特卡诺（MCMC）方法对模型参数后验估计,用变分贝叶斯推理来代替MCMC方法来提高该算法的收敛速度,这种依照贝叶斯理论的重构算法有良好的抗噪性能,重构精度更高。实际地震数据处理结果表明:压缩相同的数据,达到相同的压缩比时,本文构造的CBMM要比多级树集合分裂算法（SPIHT）压缩时间更短。CBMM对总采样点数为2～8的数据压缩,压缩时间可缩短至10-5s级,也就是说,若地震仪采样率是1kHz,CBMM测量矩阵对它采集的0.25s的数据可以实现实时压缩。对采样点数为214的实际数据处理,低信噪比情况下,BTSWCS算法重构效果明显优于常用的贪婪迭代算法和SPIHT算法,重构结果峰值信噪比达到70dB以上,重构误差小于0.05,PSNR值至少提升5dB。综合上述研究成果,在地震勘探过程中,利用本文构造CBMM的方法对地震数据实时压缩,然后对压缩后的数据进行传输和存储,最后利用BTSWCS算法高精度重构出完整数据,能有效地缓解海量地震数据传输的压力。

关键词： 压缩感知   电能质量   稀疏表示   DFT正交基  

摘要： 针对电能质量稳态信号的压缩问题,采用压缩感知理论实现了电能质量稳态信号的压缩采样和非线性重构。首先构造了谐波、电压波动和闪变等稳态电能质量信号的仿真模型,分析了上述信号在在傅里叶变换(DFT)正交基上的稀疏性,然后以随机高斯白噪声为测量矩阵进行电能质量信号的线性测量,最后采用正交匹配追踪算法实现信号重构。数值仿真表明了以DFT正交基作为稀疏分解字典的电能质量稳态信号压缩采样的可行性,它以远低于Nyquist采样频率的测量数实现了数据获取,并取得了与传统DFT正交变换和小波变换的正交变换阈值压缩相比拟的压缩性能。

关键词： 压缩感知   数据压缩   无线传感器网络   JSM  

摘要： 将JSM模型与无线传感器网络相互结合,在实际应用中通过节点采集相关数据,首先将这些数据输送至簇头节点,相应的簇头节点对传输过来的数据进行储存和处理,簇头节点还会针对节点传来的数据自动确立共同分量,接着测量共同分量与特征分量,测得的结果被传输至汇聚终端,最后重新构建和恢复传输来的信号。仿真结果显示,分布式压缩感知理论模型可以通过更少的测量值来还原出较精确的信号。

关键词： 地震数据重建   压缩感知   波原子   稀疏表示  

摘要： 地震数据重建在地震数据处理中是非常关键的问题,针对传统地震数据重建方法受奈奎斯特采样定理的限制较大,重建数据易出现假频,以及变换基函数对于复杂地震波前信息的稀疏表示不够准确的问题,结合波原子对于简单纹理模型具有最优的稀疏表示能力,可以较好稀疏表示地震数据同相轴信息的特点,提出基于波原子域的地震数据压缩感知重建算法.首先,在波原子域建立地震数据压缩感知重建正则化模型,通过Landweber迭代算法,稀疏反演求解L1范数最小优化问题.其次,为克服波原子变换缺乏平移不变性,易在地震数据缺失道邻域产生伪吉布斯现象的缺点,数据重建过程中在检波器轴采用循环平移技术,对重建结果线性平均以抑制失真.最后,利用指数阈值收缩模型在迭代初期加速促进编码系数的稀疏程度,去除噪声,迭代接近结束时减缓阈值收缩,加强保留地震数据的细节信息与数据的主要特征.利用合成地震模型及实际数据,通过与现有算法对比实验,表明本文算法能有效提高重建地震数据SNR,并且可以更好的保持地震数据同向轴复杂区域的局部特征.理论及实验证明了以波原子域稀疏表示为基础,建立、求解地震数据压缩感知重建模型的合理性,以及结合循环平移技术、指数阈值收缩模型抑制重建数据中噪声的有效性.

关键词： 字典学习   K-奇异值分解   压缩感知   振动数据修复   正则化正交匹配追踪  

摘要： 针对振动数据采集过程中由于设备短路或环境变化等诸多因素导致的数据丢失问题,提出了一种基于过完备字典的缺失振动数据压缩感知重构算法。首先利用K-奇异值分解算法对大量振动数据进行字典学习得到过完备字典,然后构建缺失振动数据的采样矩阵作为压缩感知框架下的测量矩阵。最后利用正则化正交匹配追踪算法完成缺失数据的重构。通过振动数据库数据和实测航空发动机振动数据实验表明,所提算法优于传统基于离散余弦变换和离散傅里叶变换的数据修复算法,同时具有一定的鲁棒性。

关键词： WSN   网络传输   相关性分组   压缩感知   参考节点  

摘要： 无线传感器网络(Wireless Sensor Network,WSN)在农业中使用可以有效减少人工工作时间,提高农业管理效率水平,然而WSN的网络传输非常耗能,容易导致节点过早消亡。本文主要目的就是减小无线传感器传输数据的数据量来降低节点能耗,提出了一种相关性分组算法与压缩感知相结合的方法。在农田里,部署很多传感器节点在里面采集环境参数,由于传感器节点上能量有限,数据的无线传输量过多,以及传统的无线通信采样传输,产生大量的信息冗余信息会缩短传感器节点的使用寿命,所以减少数据传输采样量是减少整个网络的能耗、延长网络使用寿命的最佳方法。同时,压缩感知(Compression Sensing,CS)算法是近几年来兴起的一个数据压缩算法,由于它是一个压缩简单,重构复杂的算法,这为减少WSN的无线传输带来了新的突破口。从目前来看,将压缩感知运用到WSN上是在起步阶段,但随着压缩感知的深入研究,它的实用性越来越有价值。本文对基于CS的农业WSN数据压缩处理方法进行了深入研究,主要内容如下:1、获取传感器节点的参数数据,对数据进行相关性分析,而数据的分类有两种:一是对单数据进行分析,另一种则是多参数数据进行相关性分析。然后将相关性强的节点分在同个组中,分组结束后,选择平均相关度最大的作为参考节点,同时计算出参考节点与非参考节点间的线性回归计算;2、介绍压缩感知的重构算法。重构算法有OMP、ROMP,重点介绍这两种算法,并且进行实验来做对比。3、对相关性分组算法和压缩感知进行实验仿真。首先是对节点数据进行分簇,针对两种情况讨论:单参数进行分析、多参数进行分析。然后选取每个组中的参考节点进行压缩传输。并且讨论了不同稀疏率,稀疏基和观测矩阵的情况下,重构的恢复率如何,这样在WSN中使用压缩感知中,可以选取合适的稀疏率,稀疏基和观测矩阵。

关键词： 压缩感知   小波变换   稀疏基   正交匹配追踪算法  

摘要： 电能质量数据采集具有采样频率高,监测时间长的特点。有效的对电能质量数据进行压缩是非常有必要的。现有的数据采样压缩方法,是基于奈奎斯特采样定理,具有采集数据量大,压缩效果差的缺点。文中引用新的压缩方法-压缩感知理论,突破传统的采用定理的限制,将采样和压缩结合在一起,大幅降低了数据采样量。该方法针对电能质量数据特点,采用傅里叶稀疏基和OMP重构算法进行数据压缩重构。通过与小波变换技术进行仿真对比显示,其不仅能有效对数据进行压缩,并且数据压缩的性能指标有了很大的提高,为电力系统数据压缩提供了新的分析处理方法。

关键词： 正交频分复用信号   压缩感知   稀疏度   损伤率   误比特率  

摘要： 在BBU-RRU(基带单元和射频单元)之间的下行链路中,噪声对信号的影响比较小,且信号存储需要大量的空间,同时OFDM(正交频分复用)信号频域的稀疏特性满足压缩感知理论的要求。基于上述问题,利用压缩感知理论实现了不同信噪比下OFDM信号的恢复,并对其进行了性能分析。仿真结果表明,该方法能节省将近5倍的信号存储所需空间。通过分析不同信噪比下恢复信号的损伤率和误比特率的特征可知,其满足通信系统正常工作的需求。

关键词： 无线传感器网络   压缩感知   遗传算法   压缩比   生命周期  

摘要： 考虑到无线传感器网络WSNs能量、通信带宽、计算能力及成本有限,不适合大规模数据传输,同时存在数据冗余,需要进行数据压缩处理,提出一种新的基于遗传算法的压缩感知CS(Compressive Sensing)重构方法,应用于无线传感器网络数据压缩中。详细阐述分布式WSNs数据压缩特点,压缩感知基本理论,基于遗传算法的CS重构新方法以及在WSNs数据压缩中的应用。通过实验仿真证明,从压缩比、节点平均能耗、网络生存时间和网络时延四个方面,与DCCM算法及CCS算法的WSNs数据压缩算法进行比较,提出的算法具有较高的压缩比,提高了采集数据的重构精度,降低了数据冗余度和网络通信量,提高了网络效率。

关键词： WSN   compressive sensing   reconstruction   dynamic data  

摘要： Aiming at the problem of unsolved data spatio-temporal correlation emerged during the high-speed movement of nodes in WSN network, a compressive sensing reconstruction algorithm of dynamic node data is proposed in this paper First, estimate the sparseness of network data sparse coefficient vectors through fragmental increasing supporting set, and then the optimal supporting set element is selected in each section by supporting set backtracking optimization method. Simulation results show that this algorithm can reconstruct WSN sensor network data in the condition that sparseness of sparse coefficient vector is uncertain with the complexity of reconstruction error and measuring operation needed in reconstruction obviously lower than traditional algorithms.