关键词： 无线传感器网络   压缩感知   感知矩阵   分布式压缩感知  

摘要： 无线传感器网络(Wireless Sensor Networks,WSN)源于对外界信息的需求,得益于嵌入式技术的发展。由于WSN中节点的电源一般不可更换,所以能耗成为制约WSN网络寿命的关键因素,同时也是WSN中一项重要的研究内容。而压缩感知(Compressed Sensing,CS)技术是有效解决上述问题的方法之一。CS是在2004年由陶哲轩等人提出的一种新的信号采样理论,与传统奈奎斯特采样定律相比,CS最大不同之处在于采样速率取决于信号本身的结构而不是信号的带宽,所以CS可以在低于传统的奈奎斯特采样速率的条件下,有效恢复采样信号。并且近年来,将CS应用于WSN已成为一大热点。CS通过线性运算大大减少发送信息的量,以此降低节点在发送和接受信息时所消耗的能耗,从而达到节能的效果。但是,运用CS只是节能的手段,并不是最终目的,获取监测区域的信息才是关键。所以如果将CS运用到WSN中,所面临的核心问题是:一是如何将发送信息尽可能的压缩,以减少节点发送与接收信息时所消耗的能量;二是如何将压缩之后的信息最大限度的恢复,以获取外界信息。针对上述问题,本文主要研究了感知矩阵的设计以及分布式压缩感知的改进。在设计感知矩阵方面的主要工作为:利用球形几何的相关特性设计感知矩阵,并证明该种矩阵满足限制等距特性(Restricted Isometry Property,RIP)。在改进分布式压缩感知主要工作为:一是将权重的方法运用到分布式压缩感知中获取多个信号的共同部分;二是提出了一种有损编码的方法用于缩短信号共同部分的长度;三是改进了分布式压缩感知的公式。仿真实验表明上述两种方法,不仅可以减少采样信号的数量,而且可以有效减少原始信号与恢复信号的差值。

关键词： 电能质量扰动   压缩感知   重构算法   小波去噪   数据压缩  

摘要： 电能质量监测系统面临着庞大的监测数据的考验,这些监测数据占据大量的存储空间,对远程数据传输提出了更高的要求。为了减少数据占用的存储空间,降低数据远程传输的时间,本文深入研究了压缩感知理论,并在此基础上,提出一种基于压缩感知理论的数据压缩方法,将其应用到电能质量数据压缩中,取得了较好的压缩效果。论文详细分析了国内外数据压缩方法,并对压缩感知理论进行了深入研究,包括信号的稀疏表示,测量矩阵与感知矩阵的确定,压缩感知重构算法;压缩感知重构采用正交匹配追踪方法,为了寻找最优的稀疏度,本文提出了一种稀疏度自适应的正交匹配追踪算法,本算法能够自动寻找最优稀疏度,最大限度的提高重构质量,同时也兼顾了重构时间。提出了基于压缩感知理论的电能质量数据压缩方法。采用傅里叶变换基作为稀疏基,高斯随机矩阵作为测量矩阵,正交匹配追踪算法作为重构算法,来实现压缩感知理论对于电能质量扰动信号的数据压缩。该方法压缩与采样同时进行,避免了采样资源浪费,且在不满足奈奎斯特采样率的情况下,也能很好的重构信号。将小波与压缩感知理论相结合,给出基于小波去噪的压缩感知数据压缩方法。在有噪声的情况下,对信号进行压缩之前,采用小波去噪预处理,然后在用压缩感知进行数据压缩。仿真结果表明,基于小波去噪的压缩感知数据压缩方法,提高了压缩率,增加了信号重构的信噪比和能量恢复系数,降低了均方误差百分值,重构效果更好。

关键词： 压缩感知   曲波变换   凸集投影理论   阈值模型  

摘要： 在对石油和天然气资源开采之前,施工人员首先需要正确探明其在地下的分布位置,即需要进行油气勘探。而地震勘探作为油气勘探的重要手段之一,在油气勘探中发挥着巨大的作用。但是随着油气勘探范围的不断扩大,勘探工作区地上以及地下的环境越来越复杂,再加上人为等其它因素的影响,使得地震勘探不能采集到完整的地震数据,这严重影响了地震数据的精确成像,从而给地震勘探正确探明油气资源的分布位置带来了困难。因此,针对上述问题,设想可以用人工方法对不完整的地震数据进行重建,使其恢复出完整的地震数据。本文就是从这一问题出发,将信号处理领域新发展的压缩感知理论应用到地震勘探中,对采集到的地震波场数据进行稀疏表示,选取合适的测量矩阵及重构算法对缺失的地震数据进行重建,并且最终获得了理想的处理效果。压缩感知理论克服了传统奈奎斯特采样定理的不足之处,它在对信号压缩的过程中也融入了采样的过程,即压缩和采样同时进行,且只需较低的采样率对信号进行采样,就能够重构出满足一定精度的原始信号。根据压缩感知的基本流程,本文的研究重点是地震波场数据的稀疏变换以及稀疏优化重构算法。在稀疏变换方面,鉴于Curvelet变换局部性、多尺度性和多方向性的特点在处理非稳态地震波场数据具有较大的优势,因此选取Curvelet变换对地震波场数据进行稀疏变换,并通过实验说明曲波变换不仅能够对地震波场数据进行较好的稀疏表示,而且还能够达到对地震数据去噪以及去除同相轴干扰的作用。在稀疏优化重构算法方面,稀疏优化是通过求解一个0l范数优化问题来得到对原始信号的精确重构,0l范数优化为一个欠定问题,不容易求解,通常情况下以1l范数逼近0l范数作为一个可解的凸优化问题,研究采用凸集投影理论(POCS)解决1l范数优化问题,对缺失地震波场数据进行重建。研究中设计了一套基于压缩感知的地震波场数据重建方法,并通过实验加以验证其实用性。研究发现,迭代次数和阈值模型是影响重建效果的两大因素,因此,着重讨论了它们对重建效果的影响。在阈值模型方面,设计了线性阈值模型以及指数阈值模型的数学表达式,并对指数阈值模型进行改进,提出了一种新的指数衰减型阈值模型,且利用该阈值模型进行迭代提升了运算速度,也达到了较好的重建效果。

关键词： 压缩感知   图像压缩   重构算法   稀疏性  

摘要： 压缩感知作为一种全新的信号采样理论，一经提出便引起广泛关注。本文拟在前人研究的基础上，通过理论研究及仿真实验对常见重构算法进行评价为后续理论研究及应用提供科学依据。首先对压缩感知的理论基础和主要构成进行阐述，以贪婪算法中的OMP算法分别对一维信号及不同类型的二维图像进行仿真实验，实验结果表明压缩感知算法可以在较低采样率下实现对一维或二维信号的高效重构，在采样率在0．5的情况下，其数据的压缩率达53％～60％。在系统总结几种常见重构算法特点的基础上，以标准测试影像为对象构建仿真实验，分别从重构算法的运算效率和重构质量两个方面对实验结果进行评价，结果显示IRLS算法重构精度较高，而GPSR算法的运算耗时较短。

关键词： 压缩感知   低功耗   加速度数据   体域网   远程医疗  

摘要： 为有效降低体域网加速度数据远程获取系统功耗,提出一种用于低功耗的体域网加速度数据压缩感知处理框架。首先基于优化的稀疏二进制测量矩阵,线性投影压缩体域网传感节点的加速度数据,降低相应节点压缩算法的复杂性和数据传输量;在此基础上,基于块稀疏贝叶斯学习模型,构建非稀疏加速度数据压缩感知重构算法,实现低功耗远程获取加速度数据。实验采用USC-HAD数据库的加速度数据,评估所提方法的有效性。结果表明,当优化稀疏二进制测量矩阵中每列非零元素个数为6、压缩率为50%时,能够获得与传统优化高斯随机矩阵、伯努利随机矩阵相同的压缩重构误差(约0.004 5);与一些传统的压缩感知重构算法相比,所提出的重构算法提高信噪比约17 d B,显著改善重构性能,可有效实现低功耗远程获取加速度数据。该方法有助于传感节点硬件简化设计,改善加速度数据重构性能,为构建低功耗体域网人体活动远程监测系统提供新的思路和方法。

关键词： 曲波变换   压缩感知   地震数据重构   稀疏表示   自适应收缩阈值迭代  

摘要： 为提高地震数据压缩感知重构的信噪比和保真度,提出一种基于曲波变换的地震数据压缩感知重构算法。建立了地震数据压缩感知重构模型,分析了基于曲波变换稀疏表示的地震数据各尺度之间能量与熵的分布特性,结合分块压缩感知技术降低随机观测的计算复杂度,利用曲波变换稀疏表示高频区域各尺度之间的相关性,设计了随信息熵变化的自适应双变量收缩阈值迭代重构的方法。实验结果表明,在相同的采样率下,该算法重构的地震数据峰值信噪比提高了1.5 d B以上,并且具有良好的细节信息保持能力。

关键词： 无线传感网络   压缩感知   贝叶斯模型   信号重构  

摘要： 在无线传感器网络(WSN)中,传统的处理方式是采用奈奎斯特技术对信号进行采样并重构,而随着信号频率的增加,应用奈奎斯特技术会使成本急剧增加,这是人们所不乐见的。针对这一问题,近年来出现一种新的技术即压缩感知技术,它能利用更少的数据和合适的重构方法得到更精确的原始信号。将稀疏贝叶斯学习(SBL)和压缩感知联合起来,形成了一种在噪声的情况下更好重建可压缩信号的方法,并进一步将这种方法应用在WSN中,可以在误差允许的范围内有效控制测量数据的维数,所以在保证了一定的误差的同时还减少了成本,提高了算法的效率。

关键词： 认知雷达   步进频   贝叶斯重构算法   压缩感知   因子分析模型  

摘要： 认知雷达发射高距离分辨率步进频信号通常需要较长的观测时间。为了节省时间资源,该文提出一种贝叶斯重构算法,用较少的步进频信号脉冲得到的频点缺失频域数据,重构出相应的全带宽频域数据。首先利用复数贝塔过程因子分析(Complex Beta Process Factor Analysis,CBPFA)模型对一组全带宽频域数据进行统计建模,求解得到其概率密度函数;然后在目标被跟踪且姿态变化不大的情况下,只发射步进频信号的部分脉冲,根据先前CBPFA模型得到的概率密度函数,对频点缺失的频域数据利用压缩感知理论和贝叶斯准则解析地重构出相应的全带宽频域数据。基于实测1维高分辨距离(High Range Resolution,HRR)数据的重构实验,证明了该文提出方法的性能。

关键词： 无线传感器网络   压缩感知   LEACH路由算法   SAMP   差值稀疏模型  

摘要： 近几年,无线传感器网络技术成为国内外学者的研究热点,但是,大规模无线传感器网络存在大量技术缺陷,例如网络能量消耗以及采集数据通常具有很强的时空冗余性。传统网内数据压缩技术一方面缺少明确的压缩方法,另一方面需要大量的计算或通信资源,但是无线传感器网络资源有限。然而,近几年提出的压缩感知理论,不仅具有良好的数据压缩性能,同时使编码变得十分简单,正好符合无线传感器网络的特点,有助于提高无线传感器网络的生命周期,降低网络能耗。本文针对基于压缩感知的大规模无线传感器网络数据压缩进行了深入研究,利用联合稀疏模型的分布式压缩感知框架,针对路由算法和压缩感知的重构算法进行研究,其主要研究内容如下:首先,在深入研究LEACH路由算法基础上,针对LEACH路由算法存在选择簇头随机性以及簇分布不均匀等缺点,本文基于LEACH路由算法,提出一种基于节点剩余能量和稀疏度选择簇头的改进多跳路由算法,算法思想是先成簇再选簇头,首先根据簇头占有率确定簇头数目,根据簇头数目对无线传感器网络监测进行区域均匀划分,然后在规定区域内通过残余能量和节点的稀疏度进行簇头选择,最后设计多跳路由进行数据传输。与LEACH路由算法相比,本文算法有利于均衡无线传感器网络能量以及延长网络生命周期。其次,针对压缩感知的重构算法的重构精度与时间复杂度,有些算法必须事先已知信号稀疏度,从而确定重构算法的迭代次数。经过研究发现,大部分算法首先要已知信号稀疏度才能重构信号,那么要得到较好的重构效果,如果对稀疏值估计不准确就会降低重构精度,当估计值较大时极大浪费了运算资源。本文提出了基于能量阈值正则化的稀疏度自适应步长匹配追踪算法,SAMP算法优点是在不需要知道信号稀疏度情况下,进行信号重构,但运行时间较长,并结合ROMP算法优点,引入正则化思想,并对正则化的能量划分设置了阈值。与对比算法相比,本文算法可以提高重构精度并降低时间复杂度。

关键词： 点云   压缩感知   坐标压缩   统计滤波  

摘要： 在研究FARO激光扫描点云数据特点的基础上,将压缩感知理论和算法应用于3D点云数据的压缩.通过对点云数据降维处理,直接对坐标数据进行采样压缩,应用正交匹配追踪算法进行恢复,并对恢复数据采用统计滤波的方法滤除边缘噪点.仿真结果表明:该方法能有效地实现点云数据的压缩,且有较好的鲁棒性.