关键词： 压缩感知   无线传感器网络   分布式压缩感知   随机投影   分布式数据压缩  

摘要： 无线传感器网络(Wireless Sensor Networks,WSN)负责感知、采集、处理和监控环境数据,但是容易受限于资源。压缩感知(Compressed Sensing,CS)理论表明,利用最优化理论,稀疏信号可以从少量的非自适应线性投影中高概率精确恢复。根据CS理论设计WSN的数据压缩方法只依赖于信号内在的结构和内容,而不是信号的带宽,弥补了WSN的不足;提出了基于稀疏随机投影的编码方法;仿真结果表明系统在满足误差要求条件下构造的数据包减少至结点数目的30%,提高了WSN通信效率,降低了系统能耗。

关键词： 压缩感知   统计分析   提升小波变换   发动机   数据处理  

摘要： 提出了基于统计分析的时域信号稀疏化算法,对发动机的转速等在时域内表现出一定聚集性的信号进行稀疏化处理;利用提升小波变换对油温、水温等在时域内表现出趋势性的信号进行稀疏化处理,并对小波系数进行阈值量化,得到了发动机状态数据的稀疏表示。采用工程上更易实现的广义循环测量矩阵对稀疏信号进行采样观测。对5种实测信号的压缩重构效果表明,重构误差在0.02以内,信号的压缩比均在0.3以内,有良好的压缩效果。

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,以往都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大幅度的增加,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,形成了一种在有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,在保证一定误差的同时还减少了成本,提高了算法的效率。

关键词： 心音信号   压缩感知   OMP   稀疏信号  

摘要： 心音信号是一种重要的生理信号,为了进一步降低心音信号无线采集过程中的数据传输量,以缓解通信压力、降低通信能耗,基于压缩感知数据处理新理论,针对心音信号提出并设计了一种新的采集和处理方法,同时利用Matlab软件对该方法的有效性、优良性进行了仿真验证。

关键词： 信息采样   压缩感知   测量矩阵   稀疏表示  

摘要： 在水声信号处理中,数据量大造成的数据处理压力不容忽视。为了有效地提取水声数据中的有用信息,同时缓解数据量大带给水声数据传输的压力,研究压缩感知(Compressed Sensing,CS)的基本原理及其关键技术,综述了CS理论框架并着重介绍了稀疏变换、观测矩阵设计和重构算法三个方面。通过仿真实验表明了压缩感知技术能够有效地用于模拟数据的压缩与重构。重点对水声舰船噪声信号进行了基于CS的压缩与重构仿真实验,验证了压缩感知技术运用于水声数据处理的有效性,从而达到提高水声数据传输速率的目的。

关键词： 无线传感器网络   压缩感知   OMP   贝叶斯模型   信号重构  

摘要： 随着通信技术的发展，无线传感网络（WSN）的研究愈来愈受到关注。WSN的传感器节点一般采用微型电池供电，节点数据采用多跳的方式进行传输，从而造成了WSN的能量受限及负载不平衡。WSN节点存在大量的感知数据，这些数据的传输、处理和存储需要消耗较大量的能量。因此，节省能耗的一种有效途径就是采用压缩感知进行数据压缩。为了平衡负载、降低能耗达到延长网络使用寿命的目的，本文采用压缩感知方法对WSN数据的检测、压缩和重建进行了研究。为了平衡负载，本文设计了一种新的观测矩阵更好地平衡节点负载；对信号稀疏变换采用改进主成分分析，压缩处理的数据，保证重构精度；采用改进后带有反馈的贝叶斯模型的算法，改进重建信号的精度。本文的主要工作如下： 首先，针对无线传感网络中使用高斯随机矩阵不能很好平衡负载的问题，本文结合路由选择设计了一种新的观测矩阵，即以小组方式平分WSN节点，在不影响重构精度的情况下，轮流向汇聚节点传输数据，并结合反馈系数做稍微的调整，达到利用压缩感知的方法平衡负载，并对此进行了仿真实验验证。 其次，对WSN数据的压缩，采用改进的主成分分析方法(PCA)。由于离散余弦变换和小波变换分别只适合平滑的信号和带有尖峰、断点的信号，而无线传感网络中采集的信号既可能是平滑的也能是带有尖峰的，并且具有较强的统计相关特性，所以本文采用了改进主成分分析方法。针对WSN数据，采用逐层融合的传输方式，对每层都进行独立的主成分分析来压缩数据，以达到减少传输的数据、节省能量的目的。在此基础上，本文还对多重主成分分析与单重主成分分析在数据压缩以及能量消耗方面进行了对比实验，结果表明多重主成分分析可以提高数据压缩率以及降低能量消耗。 最后，采用改进后带有反馈的贝叶斯模型进行WSN信号重建。相比基追踪（BP）、正交匹配(OMP)以及已有的基于贝叶斯模型算法，改进算法在重构精度方面有了明显的提升，通过仿真实验加以验证。此外，加入反馈的贝叶斯模型方法能实现系统的自适应，使系统能够在无人监控的情况下，运行更加持久稳定。

关键词： 海面场景目标   SAR数据   压缩感知   平滑L0算法   频率变标算法  

摘要： 针对海面场景目标SAR的海量数据压缩与重构问题,提出利用一种新的数据压缩与重构理论——压缩感知理论来完成。首先构造随机高斯噪声观测矩阵对原始回波数据进行降维处理以达到大幅压缩的目的,然后利用平滑L0算法重构原始回波信号,在此基础上,利用传统的频率变标SAR成像算法进行成像。仿真结果证明了该方法的有效性。

关键词： 压缩感知   无线传感器网络   测量矩阵   模型化还原算法   分布式压缩感知  

摘要： 无线传感器网络由大量具有计算和通信能力的传感器节点组成，能够自主实现数据的采集和传输，已被较多地应用于监测领域。压缩感知理论突破传统信号处理中奈奎斯特采样定理的限制，在采样的同时进行压缩，减少冗余，有效解决无线传感器网络资源受限下的信息获取与传输瓶颈问题。其采用稀疏表示对传感信号的重要信息进行提取，利用测量矩阵对稀疏信号进行降维，在计算能力较强的终端对信号进行还原，可以显著提高无线传感器网络的性能，延长网络寿命。 研究将压缩感知理论应用到环境恶劣的火山监测网中，依靠部署在火山周围的大量无线传感器对其采集的数据进行监测和管理。由于无线传感器节点能量有限、计算能力弱以及监测系统对于整体算法严格的要求，数据采集处理过程中出现的传感器存储溢出和计算耗时过长等问题亟待解决。针对随机高斯矩阵的存贮空间大的缺点，研究了适用于资源受限的随机矩阵构造方法，提出了稀疏二维矩阵和稀疏随机矩阵的改进方法，构造过程更简便速度更快，将压缩感知的大量的矩阵乘法运算转化为加法运算，显著地降低了系统的时间和空间复杂度，在矩阵的生成速度和所需存储量方面都优于其它测量矩阵，并对其限制等距特性进行验证。仿真以及实际测试结果表明改进的测量矩阵可以满足一般无线传感器节点较小的内存。同时，对压缩感知的还原算法进行改进，提出了一种基于小波树模型的还原算法与硬阈迭代融合，从理论上证明了算法的收敛性。仿真表明：与多种现今流行的重构算法进行比较，改进的算法解决了后端还原处理误差较大的问题，拥有更好的鲁棒性。 将上述理论应用于分布式无线传感器网络中，利用无线传感器网络邻近传感器节点的相关性，提出一种基于改进的测量矩阵和还原算法的联合稀疏模型。通过仿真实验验证其可行性，并进行联合重构与单独重构的对比以及多种算法在联合稀疏模型中的应用比较，结果表明：与单个节点进行压缩感知相比，基于分布式压缩感知的联合稀疏模型有着更小的重建误差，并能在测量值很少时实现高精度的信号重构。

关键词： 压缩感知   无线传感器网络   分布式压缩感知   稀疏随机投影   分布式数据压缩  

摘要： 无线传感器网络负责感知、采集、处理和监控环境数据，但是容易受限于资源。压缩感知理论表明，通过求解最优化问题，稀疏信号可以从少量的非自适应线性投影中得到高概率的精确恢复。根据压缩感知理论设计无线传感器网络的数据压缩方法只依赖于信号内在的结构和内容，而不是信号的带宽，弥补了无线传感器网络的不足。 本文详细阐述了压缩感知理论，研究了传统的无线传感器网络数据压缩和网络编码方法。提出了结合压缩感知理论的稀疏随机投影的线性网络编码方案。该方案针对线性网络编码吞吐量大、编码简单的特点，在压缩感知理论框架下选择伯努利/拉德马赫随机矩阵作为测量矩阵，该矩阵具有渐近正态分布特性,满足受限等距性条件，解决了线性网络编码中可能出现的地址头拥塞问题。修正了数据包格式以满足压缩感知精确重构的要求，当接收端收集到一定数目的数据包时，利用凸优化算法进行信号重构，有效解决了线性网络编码的“全解或无解”问题。 仿真实验结果表明本系统在满足误差要求的条件下重构所需的数据包个数减少至总节点数目的30%，提高了无线传感器网络数据通信效率，降低了系统能耗。同其他无线传感器网络数据压缩算法相比，提出的算法具有实现简单、压缩效果好的优点，特别适用于资源有限、对精度要求不是特别严格的无线传感器网络。

关键词： 合成孔径雷达数据   压缩感知   Linde-Buzo-Gray算法   频率变标算法   压缩倍数  

摘要： 针对如何大幅压缩SAR海量数据并获得有效的重构结果以完成SAR场景目标的高分辨成像问题,本文提出利用压缩感知(Compressed Sensing,CS)和Linde-Buzo-Gray(LBG)算法共同完成。对于SAR基带回波信号,首先依据CS理论构造随机高斯噪声观测矩阵进行降维处理,然后,利用LBG算法对CS压缩后的数据再进行压缩编码以达到进一步大幅压缩的目的。对于数据重构问题,同样分为两步:一是利用LBG算法编码的逆过程进行解码恢复,二是依据CS理论利用平滑L0(smooth L0,SL0)算法重构原始基带信号。在此基础上,再利用传统频率变标(Frequency Scaling,FS)SAR成像算法进行高分辨成像。仿真结果证明了本文方法的有效性。