关键词:
图信号处理
信号恢复
期望最大化
功率估计
最大似然
低比特量化
摘要:
图信号处理(Graph Signal Processing,GSP)为驻留在不规则和复杂结构上的数据提供了新的算法和处理模式,将这些数据和它们之间的复杂交互建模为图,信号则被定义在图的节点或边上。它结合了信号处理和图论的概念,可以用于分析各种类型的数据,如社交网络、传感器网络、生物网络等。尤其对于大规模无线传感器网络(Wireless Sensor Networks,WSNs),由于通信带宽或环境因素的限制,人们往往无法得到无线传感器网络中每一个节点的观测数据。而图信号处理能够对那些无法提供观测数据的节点所对应的网络环境信号或噪声功率进行估计和重构。然而大多数图信号重构算法是利用高分辨率模数转换器(Analog-to-Digital Converter,ADC)进行的,使用高分辨率ADCs通常昂贵耗电,且需要较高的存储和传输要求。因此,如何在图信号恢复过程中考虑到信息的传输处理和存储的低成本要求,成为了一项重要的工作。
本文将传感器网络信号建模为图信号,图信号相对于图拓扑来说呈现出平滑特性,即邻近节点之间的信号变化微乎其微,以此为基础,采用低比特量化技术和图信号处理方法,在保持可接受性能的前提下降低了算法的复杂度。本文的主要工作总结如下:
1)针对WSNs观测数据缺失的问题,提出了基于部分信号采样的图信号恢复算法,该信号估计问题可以被表述为一个正则化优化问题,利用Tikhonov正则化的最大似然优化方法和图信号的空间关系,可以从采样数据中重构与未采样节点相关的未知数据。
2)针对如何减少数据的存储需求和耗能问题,在基于部分信号采样的图信号恢复算法的基础上,研究了如何利用低分辨率低比特量化观测数据以实现图信号恢复,采用期望最大化的迭代思想,有效地实现了图信号的恢复与重构。仿真结果表明,所提出的算法在3-4bit的量化数据下有较好的有效性,与未量化数据下的恢复算法相比,能耗和实现成本更低。最后,还使用美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)提供的海平面温度数据验证了该算法的缺失数据重构性能,进一步证明了算法的效能。
3)由于Tikhonov正则化梯度下降方式下降速度较慢,具有不稳定性。所以针对此问题进一步提出了下降速度更快且更具稳定性的基于低比特原始对偶混合梯度算法(Low Bit PrimalDual Hybrid Gradient,LBit-PDHG)。研究了在无线传感器网络中,如何利用网络部分节点的低分辨率低比特量化观测数据,对网络所有节点信号的功率进行估计。假设节点所对应的信号功率在网络上也是平滑的,该功率估计算法中的正则化优化问题涉及非负对数似然与全变分之和的最小化。仿真结果表明,当将每个观测数据的量化位数提高至2或3位时,该算法有较好的有效性。而且与其他几种已知的估计方案相比,下降速度和稳定性更优。