CN104184554A - 用于中继网络的欠采样量化转发方法 - Google Patents

Abstract

一种用于中继网络的欠采样量化转发方法，各传感节点分别对相同的稀疏信号以压缩感知方式采样、量化、编码和调制，随后经由各自直传链路和/或中继节点的转发链路发送给融合中心FC。每个中继节点协助各自传感节点向FC转发经过量化转发处理后的信息。FC接收到各传感节点和各中继节点的信号后，根据信源端压缩采样和信宿端信号重建策略，利用协作网络的信号固有稀疏特性和接收信号之间的相关性，执行判断、迭代译码和稀疏信号的恢复操作，实现低复杂度的稀疏信号还原，能够获得精确数据，满足用户需求。本发明大大降低网络传输的数据量，节省存储空间，且操作步骤简单易行，容易实现，适合用于实际通信系统中，具有很好的推广应用前景。

Description

用于中继网络的欠采样量化转发方法

技术领域

本发明涉及一种用于中继网络的欠采样量化转发方法，属于信号采样和中继转发的技术领域。 

背景技术

在协作通信网络中，每个用户不但发送自己的信息，而且协助转发其合作伙伴的信息，多个用户可以共享天线及其他网络资源，以虚拟天线阵列的形式来获得分集增益，能够用于蜂窝系统、无线Ad hoc网络和无线传感网络等多种环境。基于协作中继网络的信道模型，已提出多种典型的中继转发模式，包括有：放大转发、译码转发、编码协同和压缩转发等。 

采用压缩转发(Compress-and-Forward,CF)时，中继节点对接收信号进行量化或压缩，再通过中继-信宿链路发送。现有CF的实现可以分为两类：一是利用中继端接收信号与信宿端接收信号之间的相关性，采取Wyner-Ziv(WZ)编码来实现压缩；二是利用这种相关性，实现冗余差错保护，获取信号分集。WZ编码的复杂性使得CF实现难度很高，实际所采用的方案设计多属于第二类。其中，量化转发(Quantize-and-Forward,QF)则属于第二类，QF对中继的接收信号观测值(或者由观测值计算所得信号)进行离散化处理，也由此引入了一定的失真。在信宿端，根据中继转发信号和直传链路信号，进行信源端原始信号的恢复。 

目前的协作通信网络大都采用传统的信号获取和处理过程，主要包括采样、压缩、传输和解压缩四个部分，其中的采样过程必须遵循奈奎斯特采样定理，即系统的采样率必须大于信号最高频率的两倍。由于协作通信网络存在大量的节点交互过程，这一传统的信号处理方式将造成整个网络数据流量异常庞大，不仅抬高了实际硬件实现的成本，还增加了功耗。并且在信号压缩中，先对信号进行某种变换，如离散余弦变换或小波变换等，然后对少数幅度较大的系数 进行压缩编码，舍弃其他较小的系数；这种先采样后压缩的形式浪费了大量的处理资源。 

根据香农采样定理，当模拟限带信号的采样率不低于奈奎斯特采样率时，可以根据离散时间采样值恢复该模拟信号。然而，压缩感知理论指出，当模拟信号稀疏或者在某个基上稀疏时，通过采集少量的信号投影值就可以实现信号的准确或近似重构。压缩感知技术突破了传统数据信号处理模式，直接获取信号的压缩表示，从而略去了对大量无用信息的采样，即压缩感知能够将数据采集和数据压缩两步操作合二为一。该技术的本质为：如果信号x∈R^N是稀疏的(R代表实数域，R^N代表实N维向量空间)，即x能够表示为N个正交基的线性组合：其中，稀疏基为Ψ＝(ψ₁,…,ψ_N),系数向量为θ＝(θ₁,…,θ_N)^T，且||θ||₀≤K，K<<N，其中，向量θ的l_p范数运算代表l₀范数||θ||₀代表向量θ中非零元素的个数。所以，信号x可以仅用θ的K个非零系数来表征，即对该信号x以低于奈奎斯特速率的采样频率进行采样(称为欠采样/压缩采样)，采用测量矩阵Φ∈R^M×N获取压缩采样的测量值：y＝Φx＝ΦΨθ＝Ωθ，其中Ω＝ΦΨ为压缩采样结构的等效测量矩阵，y∈R^M，M<N，M代表y的维数，N代表x的维数。 

当测量矩阵Φ满足受限等距特性(Restricted Isometry Property，RIP)准则时，即对于任意具有严格K-稀疏的向量x，矩阵Φ都能保证如下不等式成立： 

$1-\mathrm{\&epsiv;}\&le;\frac{{\left|\right|\mathrm{\&Phi;x}\left|\right|}_2}{{\left|\right|x\left|\right|}_2}\&le;1+\mathrm{\&epsiv;}(0<\mathrm{\&epsiv;}<1)$

如果y的维数M满足M≥C·K·log(N/K)，C为常数，则测量值y^M可以以高概率完全表征信号x的所有信息(K<M<N)，即基于y^M能够以某种恢复算法准确地恢复稀疏信号。现有研究对多种矩阵进行了分析，发现随机矩阵、快速傅里叶变换(Fast Fourier Transform,FFT)矩阵、贝努利随机矩阵等都以高概率满足RIP准则。目前，相关文献已提出多种恢复算法，如l₁-范数优化和经验风险最小化方法等。压缩感知理论已经有了比较广泛的应用，例如在图像获取、传感网络、信道估计以及认知无线电等方面。 

一方面，对协作中继网络的已有研究大都集中在中继节点的转发方式、接 收端处对协作节点信息的处理方式、系统性能分析等方面，没有考虑信号的稀疏特性，使得各节点所操作的数据量过大；虽然协作中继系统的压缩转发模式也实现了在中继节点的信号压缩，但该机制是基于信号间的相关性来进行压缩，尚未完全开发信号特征。 

另一方面，现有压缩感知机制尚未充分利用协作网络中信号的特性。压缩感知在协作中继网络中的应用，目前主要集中在基于信道稀疏性的中继信道估计方面，而基于信号本身稀疏性的信号处理方案设计还非常欠缺，只有少数研究成果。例如，已有文献提出将压缩感知思想应用于协作中继网络以提高网络吞吐量；也有文献针对多跳认知无线网络，研究如何基于压缩感知理论并利用少量本地感知结果来建立谱图，以实现数据的可靠传输；还有文献将压缩感知作为联合信源信道码字，提出用于中继信道的多种译码转发策略。因此，基于压缩感知在信号处理方面的优势，为提高协作通信网络的信号传输效率，结合中继网络的压缩感知理论与设计成为一个研究方向。 

在实际系统中，为降低网络成本，大多数节点是低能量、不可靠的，多节点以及节点间协作机制是解决上述问题的重要手段，而节点协作必然意味着网络中存在着大量节点间互传。例如：在无线传感网络中，多个传感节点联合采集数据，并通过多跳无线链路来传递数据给融合中心，此时，多个节点转发源端信号给信宿，大量节点和节点间的交互造成无线网络的数据流量异常庞大，因此数据压缩势在必行。基于压缩感知设计适用于中继网络的欠采样方案，可有效改善这一问题。 

发明内容

压缩采样能够减少网络传输数据、节省存储空间并且降低信源端处理复杂度，有鉴于此，本发明的目的是提供一种结合压缩采样与量化转发的实际方案，以较低的复杂度，充分挖掘网络信号特征，提供网络源宿端信号传输的新思路。本发明具有很好的实用性和可操作性，在结合中继转发优势的同时，相较传统的网络传输方案，将具有更低的采样速率。 

为了达到上述发明目的，本发明提供了一种适用于中继网络的欠采样量化转发方法。所述方法的应用场景是：设有多个传感节点S_j、多个中继节点R_j和 一个信宿、即融合中心FC(Fusion Center)组成的集中式架构的无线传感网络WSN(Wireless Sensor Network)；其特征在于：因该多个传感节点S_j用于观测同一事件，采集的是携带有不同噪声的同一信号，且该采集信号是稀疏的；故该多个传感节点S_j分别对相同的稀疏信号x以压缩感知方式采样、量化、编码和调制，随后经由各自的直传链路和/或相应中继节点R_j的转发链路发送给FC，再由FC根据信源端的压缩采样和信宿端的信号重建策略，利用协作网络的信号固有稀疏特性，以及各接收信号之间的相关性，实现低复杂度的信号还原方法，从而获得精确的数据，满足用户需求；式中，自然数下标j是传感节点和中继节点的序号，其最大数都为J；所述方法包括下列操作步骤： 

步骤1，第一个时隙，每个传感节点S_j广播其经过压缩采样和量化、编码、调制处理的信息，即向各自的中继节点R_j和/或融合中心FC发送欠采样信息

步骤2，第二个时隙，每个中继节点R_j协助各自的传感节点S_j向融合中心FC转发数据，即发送经过量化转发处理后的信息

步骤3，融合中心FC分别接收到来自各个传感节点S_j和各个中继节点R_j的信号和执行相应的判断、迭代译码和稀疏信号的恢复操作，重建稀疏信源信号x。 

与现有技术相比较，本发明方法的创新优点是：本发明在中继网络中引入压缩采样，取代传统的先采样后压缩形式，这将大大降低网络传输数据量，节约节点间传输成本。本发明结合压缩采样的特性，重新设计中继的量化转发方案，采用“部分舍弃”策略，该操作简单易行，能够在不牺牲系统整体性能的条件下，节省存储空间；本发明通过“部分舍弃”策略，并结合中继编码的凿孔，实现中继节点的码率调整，使得基于压缩感知的方案获得优化。再者，不同于点到点链路设计，本发明方法根据无线传感网络结构提出合理的传输模型，所提供的信宿端重建策略，对压缩采样在实际网络中的传输方案具有实际参考意义。因此，本发明适合于实际通信系统中的应用，具有很好的推广应用前景。 

附图说明

图1是本发明方法的应用场景：无线传感网络系统结构组成示意图。 

图2是本发明用于中继网络的欠采样量化转发方法操作步骤流程方框图。 

图3是本发明方法中，信源端(传感节点S_j)的操作流程示意图。 

图4是本发明方法中，中继节点R_j的操作流程示意图。 

图5是本发明方法中，信宿端(融合中心FC)的操作流程示意图。 

图6是本发明方法实施例中，系统方案的NMSE(Normalized Mean Square Error)性能曲线示意图。 

图7是本发明实施例采用不同测量值个数时的NMSE性能曲线示意图。 

图8是本发明实施例采用部分舍弃(PDD)时的NMSE性能曲线示意图。 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明作进一步的详细描述。 

参见图1，介绍本发明的应用场景：假设有2J个节点与信宿进行通信，信宿可以是无线传感网络(Wireless Sensor Network，WSN)中的融合中心(Fusion Center,FC)，将其中J个节点称为传感节点，其余J个节点称为中继节点。假设在多个传感节点S_j(j＝1,…,J)与融合中心之间的数据传输，将分别通过各自的直传链路、以及对应的中继节点R_j转发链路；其中J∈[2,+∞)是传感节点个数，S_j代表第j个传感节点，R_j代表第j个中继节点，考虑所有传感节点S_j用于观测同一事件，因此采集到的是同一信号的不同噪声版本，其中信号往往是稀疏的，该信号可以是环境信息数据、个人通信数据等等。WSN的这种集中式结构，可以通过结合来自不同传感节点的信息，获得更精确的数据以满足用户需求。 

根据上述应用场景，本发明提供：传感节点的压缩采样方法，中继节点的转发机制，融合中心的信号重建方式，以及网络的整体处理结构。下面给出此方案的具体实施步骤： 

步骤1，第一个时隙，每个传感节点S_j广播其经过压缩采样和量化、编码、调制处理的欠采样信息，即向各自的中继节点R_j和/或融合中心FC发送已调的欠采样信息

该步骤1引入了信号的压缩采样操作，包括下列操作内容(参见图3所示)： 

(11)因所有传感节点S_j用于观测同一事件，采集相同的稀疏信号x，以 获取同一信号的不同噪声版本测量值。故每个传感节点S_j采集的信源端稀疏信号x属于实数域R^N，R^N代表N维向量空间，假设信号x能够表示为N个正交基的线性组合，即：其中，θ＝(θ₁,…,θ_n,…,θ_N)^T是系数向量，稀疏基为Ψ＝(ψ₁,…,ψ_n,…,ψ_N)；自然数下标n是系数向量元素序号和稀疏基元素序号，其最大值为信号x的长度N；如果信号θ只有K个非零元素，且K□N，则信号x为K-稀疏信号，即信号x能够仅用θ的K个非零系数来表征之。这里，x和θ是同一个信号的等价表示，x是信号在时域的表示，θ是信号在Ψ域的表示。其中，向量θ有K个系数不为零，其它N-K个为零或非常小，就认为x在Ψ域是可压缩的、或者是K-稀疏的。 

(12)各个传感节点S_j采用测量矩阵Φ_j对采集的稀疏信号x执行欠采样、即进行压缩采样，得到测量值y_j＝Φ_jx＝Φ_jΨθ＝Ω_jθ，式中，Ω_j＝Φ_jΨ为压缩采样结构的等效测量矩阵，其中的测量矩阵Φ_j属于实数域R^M×N，测量值y_j属于实数域R^M，M是测量值y_j的维数，N是信号x的长度。 

该步骤(12)中，各个传感节点S_j对稀疏信源信号x执行欠采样、即压缩采样的机理是：基于相同的测量矩阵Φ，或者是分别基于各自不同的测量矩阵Φ₁、Φ₂、…、Φ_j、…Φ_J。这时选择的测量矩阵Φ或Φ_j包括：随机矩阵、快速傅里叶变换FFT(Fast Fourier Transform)矩阵或贝努利随机矩阵等，只要该矩阵能够以高概率满足受限等距特性RIP(Restricted Isometry Property)即可。 

(13)各个传感节点S_j对欠采样的测量值y_j＝Φ_jx执行量化、信道编码C_s和调制处理的传统数字传输操作后，得到欠采样信息

(14)各个传感节点S_j将该欠采样信息分别广播至各自的中继节点R_j和融合中心。 

步骤2，第二个时隙，每个中继节点R_j协助各自的传感节点S_j向融合中心FC转发数据，即发送经过量化转发处理后的信息

该步骤包括下列操作内容(参见图4所示)： 

(21)每个中继节点R_j接收到的信号中，是其相应的传感节点S_j的发送信号，是该中继节点R_j接收端的加性高斯白噪声； 

为降低中继节点R_j的转发数据量，中继节点R_j对其接收信号先执行部 分舍弃PDP(Partially Discarding Procedure)的选择操作，该舍弃操作的机理是随机选择部分测量值进行发送，而丢弃其他的测量值，该操作可行性的原理在于压缩感知的每个测量值承载的稀疏信号信息相同。 

(22)每个中继节点R_j对接收信号执行信源编码、交织π和信道编码的后续处理后，得到转发信息其中，信源编码操作包括：标量量化SQ(Scalar Quantizer)和外编码C_o；信道编码操作包括：内编码C_i和凿孔。外编码C_o由分组码构成，内编码C_i由递归系统卷积码RSC(Recursive Systematic Convolutional Code)构成。 

(23)各个中继节点R_j将其处理后的转发信息发送至融合中心FC。 

步骤3，融合中心FC分别接收到来自各个传感节点S_j和各个中继节点R_j的信号和执行相应的判断、迭代译码和稀疏信号的恢复操作，重建稀疏信源信号x。 

参见图5，介绍该步骤3的操作内容：FC首先判断测量矩阵Φ，并根据两种不同的判断结果，分别执行两种不同的操作内容。 

如果FC对测量矩阵Φ进行判断后，发现各个传感节点S_j发送的测量值y_j是基于相同的测量矩阵Φ，即y_j＝y＝Φx时，则执行下述操作内容： 

(31A)FC分别接收到来自传感节点的发送信号和来自中继节点的转发信号式中，和分别是传感-信宿链路与中继-信宿链路的加性高斯白噪声；根据这两种接收信号与之间的相关性，执行迭代计算对数似然比LLRs(Log-Likelihood Ratios)运算后，得到LLRs信息： 与这样通过执行J项迭代计算操作，获取来自全部传感节点S_j发送信号和中继节点R_j转发信号的对数似然比LLRs：

因为来自中继节点和传感节点的消息具有相关性，本发明采用的迭代译码，充分利用对数似然比LLRs软信息的交互，能够实现低误码率的传输效果。 

(32B)执行联合译码处理：先采用直接相加的方法合并步骤(31A)得到的2J项LLRs信息，随后，再执行与传感节点在步骤(13)中信道编码C_s相对应的译码处理。 

需要说明的是：上述步骤(31A)中的LLRs软信息的迭代计算和步骤(32B) 中的LLRs软信息的合并处理都是实现低误码率的迭代译码操作。该迭代译码的具体方法参见刊于IEEE Communications的2010年文献《Compress-and-Forward Relaying Based on Symbol-Wise Joint Source-Channel Coding》。 

(33C)FC执行反量化操作，得到重建的压缩感知测量值后，采用正交匹配追踪OMP(Orthogonal Matching Pursuit)压缩感知恢复算法，恢复稀疏信号x；式中，下标I表示Φ_j相同的情形。 

该步骤(33C)中，OMP恢复算法的具体方法参见刊于IEEE 2007年的期刊文献《Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit》。 

步骤3中，如果FC对测量矩阵Φ进行判断后，若发现各个传感节点S_j发送的测量值y_j是基于不同的测量矩阵Φ_j，即y_j＝Φ_jx时，则执行下述操作内容： 

(31a)FC分别接收到来自传感节点的发送信号和来自中继节点的转发信号式中，和分别是传感-信宿链路与中继-信宿链路的加性高斯白噪声；直至获取全部传感节点S_j的发送信号和中继节点R_j的转发信号的对数似然比LLRs：

(32b)执行联合译码：因每个投影矩阵Φ_j各不相同，先针对每个相应的传感-中继节点对S_j与R_j，分别采用两者相加方法，对步骤(31a)得到的每对接收信号与执行迭代计算得到的LLRs：与分别执行合并操作。 

然后，完成与与与共J项合并操作后，再分别执行与传感节点在步骤(13)中信道编码C_s相对应的共J项译码处理； 

(33c)FC执行J项反量化操作，分别获取各个传感节点重建的压缩感知测量值后，通过级联得到重建测量值以及级联的测量矩阵据此采用OMP压缩感知恢复算法进行稀疏信号的重建，恢复稀疏信号x；式中，下标II表示Φ_j为不同的情形。 

申请人已经针对本发明方法进行了多次仿真测试试验，下面简要说明仿真测试试验的情况： 

试验系统中的标量量化SQ都是基于Lloyd算法，采用二进制映射，传感节点处的测量矩阵Φ∈R^M×N中的元素是独立同分布的，采用符合(0,1)高斯正态分布的随机矩阵，每次实验随机生成的信源x的信号长度N＝100、稀疏度K＝5， 因此，K□N，所有的仿真结果是对10⁴次独立仿真实验进行平均计算得到的数值。测量值y_j各元素的标量量化SQ采用5-比特量化，得到图3中所示的信号。信道编码C_s采用RSC(1 7/5)₈，得到图3中所示信号。中继节点处执行的是1-比特标量量化，外编码C_o采用奇偶校验码，交织器π以伪随机方式进行交织，内编码C_i采用RSC(3/7)₈，得到图4中所示信号。 

各个信道传输采用加性白高斯噪声AWGN(Additive White Gaussian Noise)信道建模，并假设不同信道传输之间无互相干扰，即信道间呈正交状态，采用二进制移相键控BPSK(Binary Phase Shift Keying)调制方式。设置各个链路的信噪比SNR(Signal to Noise Ratio)为：传感节点S_j到中继节点R_j的链路信噪比中继节点R_j到融合中心FC的信噪比其中，下标S、R和D分别代表传感节点、中继节点和融合中心FC，是传感节点S_j到融合中心FC的链路信噪比。 

假设传感节点的数量J＝2，仿真场景如下： 

场景1： ${\mathrm{SNR}}_{S_{2}D}={\mathrm{SNR}}_{S_{1}D};$

场景2： ${\mathrm{SNR}}_{S_{2}D}={\mathrm{SNR}}_{S_{1}D}+3\mathrm{dB}.$

参见图6，介绍中继节点不执行部分舍弃操作(PDP)时的情况： 

场景1和2对应的仿真结果，在低信噪比区域中，Φ相同优于Φ不同。而在高信噪比区域中的情形，则正好相反。这是由于在低信噪比时，会存在较多的恶化测量值，使得Φ不同的性能比Φ相同时更差。与此同时， 的测量值个数是的两倍，随着信噪比的增大，Φ不同的NMSE性能要与Φ相同时的情况相比较，将收敛于一个更小的值。 

参见图7，介绍采用不同测量值个数时，即M的数值大小变化时，本发明方法的NMSE性能。更多的测量值意味着性能更好，在低信噪比情况 M∈[15,30]时，Φ相同总是更好；而在高信噪比情况 时的情况，则恰恰相反。当时，Φ不同时，在小的M数值处(约M∈[15,22])性能更优，M取其它数值时，Φ相同时的性能更优。综上可知，能够根据SNR和M取值来进行信源端测量矩阵Φ的选择。 

参见图8，场景1考虑PDP的情况下的NMSE性能。此处设置部分舍弃PDP的比率与凿孔的比率，使得中继节点的压缩率保持一致，例如10％和20％ 的PDP(即0.9和0.8的舍弃率)，对应的凿孔率分别为1-r和r>0，低的舍弃率则意味着高的凿孔率，能够提供更多的差错保护比特。 

在低信噪比区域，20％PDP、10％PDP、无PDP的NMSE性能是逐渐变差的，然而，随着信噪比的增大，这三种情形的NMSE性能收敛于一个相似的数值。说明：在采用20％PDP时，仍然能够提供关于稀疏信号x的充足信息，采取PDP来换取更多的差错保护比特的方法，在低信噪比时，将更具有优势。再者，仿真表明在大约40％PDP时，即舍弃率为0.6，表示丢弃40％(未显示于仿真图中)，NMSE性能会变差，这是因为舍弃率太低，而不能够提供关于稀疏信号x的充足信息。 

以上所述仅为本发明的仿真测试实例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。 

Claims (9)

1.一种用于中继网络的欠采样量化转发方法，所述方法的应用场景是：设有多个传感节点S_j、多个中继节点R_j和一个信宿、即融合中心FC(Fusion Center)组成的集中式架构的无线传感网络WSN(Wireless Sensor Network)；其特征在于：因该多个传感节点S_j用于观测同一事件，采集的是携带有不同噪声的同一信号，且该采集信号是稀疏的；故该多个传感节点S_j分别对相同的稀疏信号x以压缩感知方式采样、量化、编码和调制，随后经由各自的直传链路和/或相应中继节点R_j的转发链路发送给FC，再由FC根据信源端的压缩采样和信宿端的信号重建策略，利用协作网络的信号固有稀疏特性，以及各接收信号之间的相关性，实现低复杂度的信号还原方法，从而获得精确的数据，满足用户需求；式中，自然数下标j是传感节点和中继节点的序号，其最大数都为J；所述方法包括下列操作步骤：

步骤1，第一个时隙，每个传感节点S_j广播其经过压缩采样和量化、编码、调制处理的信息，即向各自的中继节点R_j和/或融合中心FC发送欠采样信息

步骤2，第二个时隙，每个中继节点R_j协助各自的传感节点S_j向融合中心FC转发数据，即发送经过量化转发处理后的信息

步骤3，融合中心FC分别接收到来自各个传感节点S_j和各个中继节点R_j的信号和执行相应的判断、迭代译码和稀疏信号的恢复操作，重建稀疏信源信号x。

2.根据权利要求1所述的方法，其特征在于：所述传感器采集的信号是环境信息和个人通信数据。

3.根据权利要求1所述的方法，其特征在于：所述步骤1包括下列操作内容：

(11)每个传感节点S_j采集的信源端稀疏信号为x，该稀疏信号是属于实数域R^N的信号，假设信号x能够表示为N个正交基的线性组合，即：其中，θ＝(θ₁,…,θ_n,…,θ_N)^T是系数向量，稀疏基为Ψ＝(ψ₁,…,ψ_n,…,ψ_N)；自然数下标n分别是系数向量元素序号和稀疏基元素序号，其最大值为信号x的长度N；如果θ只有K个非零元素，且K□N，则信号x为K-稀疏信号，即信号x能够仅用θ的K个非零系数来表征之；

(12)传感节点S_j采用测量矩阵Φ_j对采集的稀疏信号x执行欠采样、即进行压缩采样，得到测量值y_j＝Φ_jx＝Φ_jΨθ＝Ω_jθ，式中，Ω_j＝Φ_jΨ为压缩采样结构的等效测量矩阵，其中的测量矩阵Φ_j属于实数域R^M×N，测量值y_j属于实数域R^M，M是测量值y_j的维数，N是信号x的长度；

(13)传感节点S_j对欠采样的测量值y_j＝Φ_jx执行量化、信道编码C_s和调制处理操作后，得到欠采样信息

(14)各个传感节点S_j分别将该欠采样信息广播至各自的中继节点R_j和/或融合中心FC。

4.根据权利要求3所述的方法，其特征在于：所述步骤(12)中，传感节点S_j对稀疏信源信号x执行欠采样、即压缩采样的机理是：基于相同的测量矩阵Φ，或者是分别基于各自不同的测量矩阵Φ₁、Φ₂、…、Φ_j、…Φ_J；所述测量矩阵Φ或Φ_j的选择包括随机矩阵、快速傅里叶变换FFT(Fast Fourier Transform)矩阵或贝努利随机矩阵，只要能够以高概率满足所述受限等距特性RIP(RestrictedIsometry Property)即可。

5.根据权利要求1所述的方法，其特征在于：所述步骤2包括下列操作内容：

(21)每个中继节点R_j接收到的信号中，是其相应的传感节点S_j的发送信号，是该中继节点R_j接收端的加性高斯白噪声；

为降低中继节点R_j的转发数据量，中继节点R_j先对其接收信号执行部分舍弃PDP(Partially Discarding Procedure)的选择操作，该舍弃操作的机理是随机选择部分测量值进行发送，而丢弃其他的测量值，该操作可行性的原理在于压缩感知的每个测量值承载的稀疏信号信息相同；

(22)中继节点R_j对接收信号执行信源编码、交织π和信道编码的处理后，得到转发信息其中，信源编码操作包括：标量量化SQ(Scalar Quantizer)和外编码C_o；信道编码操作包括：内编码C_i和凿孔；所述外编码C_o由分组码构成，内编码C_i由递归系统卷积码RSC(Recursive Systematic Convolutional Code)构成；

(23)中继节点R_j将其处理后的转发信息发送至融合中心FC。

6.根据权利要求1所述的方法，其特征在于：所述步骤3中，FC首先判断测量矩阵Φ，并根据两种不同的判断结果，分别执行两种不同的操作内容。

7.根据权利要求6所述的方法，其特征在于：所述步骤3中，FC对测量矩阵Φ进行判断后，若各个传感节点S_j发送的测量值y_j是基于相同的测量矩阵Φ，即y_j＝y＝Φx时，则执行下述操作内容：

(31A)FC分别接收到来自传感节点的发送信号和来自中继节点的转发信号式中，和分别是传感-信宿链路与中继-信宿链路的加性高斯白噪声；根据这两种接收信号与之间的相关性，执行迭代计算对数似然比LLRs(Log-Likelihood Ratios)运算后，得到LLRs信息：与这样通过J项迭代计算操作，获取来自全部传感节点S_j发送信号和中继节点R_j转发信号的对数似然比LLRs：

(32B)执行联合译码处理：先采用直接相加的方法合并步骤(31A)得到的2J项LLRs信息，再执行与传感节点在步骤(13)中信道编码C_s相对应的译码处理；

(33C)FC执行反量化操作，得到重建的压缩感知测量值后，再采用正交匹配追踪OMP(Orthogonal Matching Pursuit)压缩感知恢复算法，恢复稀疏信号x；式中，下标I表示Φ_j相同的情形。

8.根据权利要求7所述的方法，其特征在于：所述步骤(31A)中的LLRs软信息的迭代计算和步骤(32B)中的LLRs软信息的合并处理都是用于实现低误码率的迭代译码操作；该迭代译码的具体方法参见刊于IEEE Communications的2010年文献《Compress-and-Forward Relaying Based on Symbol-Wise JointSource-Channel Coding》；

所述步骤(33C)中，OMP恢复算法的具体方法参见刊于IEEE 2007年的期刊文献《Signal Recovery From Random Measurements Via Orthogonal MatchingPursuit》。

9.根据权利要求6所述的方法，其特征在于：所述步骤3中，FC对测量矩阵Φ进行判断后，若各个传感节点S_j发送的测量值y_j是基于不同的测量矩阵Φ_j，即y_j＝Φ_jx时，则执行下述操作内容：

(31a)FC分别接收到来自传感节点的发送信号和来自中继节点的转发信号式中，和分别是传感-信宿链路与中继-信宿链路的加性高斯白噪声；直至获取全部传感节点S_j的发送信号和中继节点R_j的转发信号的对数似然比LLRs：

(32b)执行联合译码：因每个投影矩阵Φ_j各不相同，先针对每个相应的传感-中继节点对S_j与R_j，分别采用两者相加方法，对步骤(31a)得到的每对接收信号与执行迭代计算得到的LLRs：与分别执行合并操作；

然后，完成与与与共J项合并操作后，再分别执行与传感节点在步骤(13)中信道编码C_s相对应的共J项译码处理；

(33c)FC执行J项反量化操作，分别获取各个传感节点重建的压缩感知测量值后，通过级联得到重建测量值以及级联的测量矩阵据此采用OMP压缩感知恢复算法进行稀疏信号的重建，恢复稀疏信号x；式中，下标II表示Φ_j为不同的情形。