CN105120469B - 基于压缩感知的质量可伸缩低信息密度数据收集方法 - Google Patents
基于压缩感知的质量可伸缩低信息密度数据收集方法 Download PDFInfo
- Publication number
- CN105120469B CN105120469B CN201510389687.7A CN201510389687A CN105120469B CN 105120469 B CN105120469 B CN 105120469B CN 201510389687 A CN201510389687 A CN 201510389687A CN 105120469 B CN105120469 B CN 105120469B
- Authority
- CN
- China
- Prior art keywords
- calculation matrix
- data
- real
- node
- communication bandwidth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/20—Manipulation of established connections
- H04W76/27—Transitions between radio resource control [RRC] states
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
针对分布式感知网络通信信道不稳定、网络信息密度低的特点,本发明利用感知数据时空相关性和压缩感知中测量矩阵的可扩展性最大限度优化数据收集质量,提出基于压缩感知的质量可伸缩低信息密度数据收集方法。首先基于信源的信息密度初设测量矩阵的维度,然后结合实时有效通信带宽调整测量矩阵的维度,实现数据收集质量可伸缩控制。本发明通过测量矩阵的扩缩,能够根据信源的信息密度和网络带宽状态动态调整数据收集质量,具有广泛的适应性。
Description
技术领域
本发明涉及基于压缩感知的质量可伸缩低信息密度数据收集方法,属于通信技术和数据收集领域。
背景技术
随着感知技术的不断发展,感知网络中的数据量正以几何级数高速增长,且持续增长的信息资源中蕴含了巨量的具有价值的信息,人们进入了“大数据”时代。然而,感知数据具有明显的低信息密度的特点——主要表现为数据总量大、有价值数据含量少。因此,个人和企业对数据分析等服务的渴求也日益强烈,如果没有有效的源头探测、数据收集方法,用户往往无法提取出真正有效的信息,无法实现低信息密度数据的有效利用。而传统的数据收集方法通常将大量传感器节点采集的所有数据经过簇头节点传输到基站进行处理,这样采集传输的数据信息密度极低,传输时大大占用了网络通信带宽,带来了不必要的能耗。
压缩感知(CompressedSensing, CS)的提出为分布式感知网络的数据收集开辟了新的思路。压缩感知是一种全新的突破了奈奎斯特采样定理的信号采样理论,也被称为压缩采样或稀疏采样。压缩感知理论可以分成三个过程:采样、测量和重构。采样过程:对稀疏数据进行采样;测量过程:对采样得到的数据进行压缩测量,得到测量值;重构过程:由测量值数据对原始数据进行还原。CS理论将传统对信号的采样转化成对信息的采样,降低了信号处理时间和计算成本,也降低了信号的采样频率,还减少了数据存储空间和传输代价。
一般对多媒体数据通信都要进行压缩处理以减少传输的数据量,但传统压缩算法因计算量太大不能直接用于分布式感知网络。如果想要从感知网络中采集少量感知数据并且希望从这些少量感知数据中解压出大量信息,就需要保证两点:第一,采集的少量感知数据包含源信号的全局信息;第二,存在某种算法能够从这些少量的感知数据中还原出原始全局信息。在实际应用中,人们希望尽量少采集数据,或者由于客观条件限制不得不采集不完整的数据。而压缩感知技术作为分布式感知网络数据收集的一个新选择,在传输少量感知数据时,能够同时确保稀疏数据较高的压缩比和较低的复杂度,有效实现从少量感知数据中恢复原始的大量数据。
而现有结合压缩感知的数据收集方案,主要是通过测量矩阵的设计、普通分簇、分布式时空相关性等方法来进行。测量矩阵的设计方法,即设计满足一定特性的矩阵,如设计适合在硬件资源有限的传感器节点中实现的循环稀疏伯努利观测矩阵,循环稀疏伯努利观测矩阵具有非零元素少、良好的伪随机性、硬件易于实现等优点,在满足数据重构误差的前提下,能够通过压缩观测获得更少的观测数据,从而达到减少传输能耗的目的。而普通分簇、分布式时空相关性等方法也仅仅是将压缩感知技术简单应用到数据收集中,尚没有结合网络带宽状态进行测量矩阵的扩维或降维从而实现动态调整数据收集质量的方法。
综上所述,对于如何结合CS测量矩阵和网络带宽状态从低信息密度数据中实现质量可伸缩低信息密度数据收集方法并达到动态调整数据收集质量的目的,目前尚没有科学的解决方案。
发明内容
针对上述问题,提出了基于压缩感知的质量可伸缩低信息密度数据收集方法,具体步骤如下:
步骤一、基于信源的信息密度初设测量矩阵的维度:
1、在信源周围布置传感器及数据采集:
1)在一个或多个信源周围布置传感器个,构成分布式感知网络;
2)将距离每个信源位置最近的传感器节点确定为簇头并作为区域汇聚节点,以每个簇头为中心对所述分布式感知网络中的传感器节点进行分簇;
3)将同一簇内的传感器节点设置为时间同步,采集数据的周期为,在一个周期内,开始仅有个传感器节点工作,其余节点暂时休眠,每个周期节点向簇头节点发送采集的数据;
4)簇头节点接收的个信号用向量表示,然后对进行稀疏化:
,
其中为信号在稀疏基矩阵变换域的稀疏表示,
,
。
2、计算个节点的信息密度:
,
其中表示个节点在周期内采集的信息量:
,
表示个节点在周期内收集的第个数据出现的概率,,表示数据的类数;表示数据数量,即个节点在周期内采集的数据个数;,越小,表示信息密度越低。
3、根据信息密度初设的测量矩阵:
1)生成的随机高斯测量矩阵,
2)令,且满足(为常量,为测量矩阵中的非0个数),选取随机高斯测量矩阵中的行、列构造测量矩阵:
,
其中为测量矩阵中的值;
如果不满足,则以随机数填充增加测量矩阵的行数直至满足为止。
步骤二、结合实时有效通信带宽调整测量矩阵的维度,实现数据收集质量可伸缩控制;
1、对信号稀疏数据进行观测编码:
由测量公式可知:
,
,
其中。
2、根据初设的测量矩阵、基矩阵和观测向量,采用SP算法对信号进行重构,若残差小于阈值,则执行步骤3;否则,逐步增加测量矩阵的行数,再采用SP算法进行数据重构,直至重构残差小于阈值才停止扩维,更新为扩维增加行数后的测量矩阵。
3、基于实时有效通信带宽的优劣,对测量矩阵的维度进行扩维或者降维处理:
1)判断实时有效通信带宽的优劣:
当区域汇聚节点实时接收其他节点发送的数据时,计算相对接收速率:
,
其中表示传输数据的实时有效通信带宽,是较小的常数;
然后比较实时接收速率和相对接收速率的大小:若,表示实时有效通信带宽良好,否则表示实时有效通信带宽较差;
2)当实时有效通信带宽良好时,则以随机方式唤醒个暂时休眠的节点并进入工作状态,对随机测量矩阵填充随机数进行扩维,为扩充的维数,为扩充的行数,则为:
,
此时采样率需满足,同时,的取值需满足以下条件:
,
否则填充随机数到测量矩阵直至满足为止;
3)当实时有效通信带宽较差时,则以随机方式选择个工作状态的节点并进入休眠状态,但区域汇聚节点不休眠,对随机测量矩阵降维,保持中左上角的上行和前列,为降低的维数,为缩减的行数,则:
,
此时采样率需满足,同时,的取值需满足以下条件:
,
否则填充随机数到测量矩阵直至满足为止。
4、根据扩维或降维后测量矩阵得到的测量值,采用SP算法进行数据重构。
5、数据收集结束。
综上所述,本发明优点如下:
1)通过测量矩阵的扩维和降维,可实现高质量的数据收集;
2)结合低信息密度数据的传输和实时有效通信带宽状态调整测量矩阵的维度,实现低信息密度数据的收集;
3)通过测量矩阵的扩维和降维,能够根据信源的信息密度和网络带宽状态动态调整数据收集质量,具有广泛的适应性。
附图说明
图1是本发明的流程图;
图2是本发明实施例中以簇头为中心分簇的示意图;
图3是本发明实施例中一个数据采集周期开始时节点工作和暂时休眠的示意图;
图4是本发明实施例中扩维时以随机方式唤醒部分休眠节点进入工作状态的示意图;
图5是本发明实施例中降维时以随机方式选择部分工作节点进入休眠状态的示意图。
具体实施方式
本发明设计了基于压缩感知的质量可伸缩低信息密度数据收集方法,结合图1,数据收集的具体实施方法如下:
步骤一、基于信源的信息密度初设测量矩阵的维度:
1、在信源周围布置传感器及数据采集:
1)在一个或多个信源周围布置传感器个,构成分布式感知网络;
2)将距离每个信源位置最近的传感器节点确定为簇头并作为区域汇聚节点,以每个簇头为中心对分布式感知网络中的传感器节点进行分簇;
3)将同一簇内的传感器节点设置为时间同步,采集数据的周期为,在一个周期内,开始仅有个传感器节点工作,其余节点暂时休眠,每个周期节点向簇头节点发送采集的数据;
4)簇头节点接收的个信号用向量表示,然后对进行稀疏化表示:
(1)
其中为信号在稀疏基矩阵变换域的稀疏表示,,则:
(2)
2、计算个节点的信息密度:
(3)
其中表示个节点在周期内采集的信息量:
(4)
表示个节点在周期内收集的第个数据出现的概率,,表示数据的类数;表示数据数量,即个节点在周期内采集的数据个数;,越小,表示信息密度越低。
3、根据信息密度初设的测量矩阵:
1)生成的随机高斯测量矩阵,
2)令,且满足以下条件时:
(5)
其中为常量,为测量矩阵中的非0个数;
选取随机高斯测量矩阵中的行、列构造测量矩阵:
(6)
其中为测量矩阵中的值,
如果不满足,则以随机数填充测量矩阵的行数直至满足为止。
步骤二、结合实时有效通信带宽调整测量矩阵的维度,实现数据收集质量可伸缩控制;
1、对信号进行观测编码,由测量公式可知:
(7)
即:
(8)
其中。
2、根据初设的测量矩阵、基矩阵和观测向量,采用SP算法对信号进行重构,若残差小于阈值,则执行步骤3;否则,逐步增加测量矩阵的行数,再采用SP算法进行数据重构,直至重构残差小于阈值才停止扩维,更新为扩维增加行数后的测量矩阵;
表1表示在本发明中使用的SP算法伪代码。
表1 SP算法伪代码
3、基于实时有效通信带宽的优劣,对测量矩阵的维度进行扩维或者降维处理:
1)判断实时有效通信带宽的优劣:
当区域汇聚节点实时接收其他节点发送的数据时,计算相对接收速率:
(9)
其中表示传输数据的实时有效通信带宽,是较小的常数,
然后比较实时接收速率和相对接收速率的大小:若,表示实时有效通信带宽良好,否则表示实时有效通信带宽较差;
2)当实时有效通信带宽良好时,则以随机方式唤醒个暂时休眠的节点并进入工作状态,对随机测量矩阵填充随机数进行扩维,为扩充的维数,为扩充的行数,则为:
(10)
此时采样率需满足,同时,的取值需满足公式(5)的条件,此时公式(5)中的被取代,被取代;否则填充随机数到测量矩阵直至满足为止;
3)当实时有效通信带宽较差,则以随机方式选择个工作状态的节点并进入休眠状态,但区域汇聚节点不休眠,对随机测量矩阵降维,保持中左上角的上行和前列,为降低的维数,为缩减的行数,则:
(11)
此时采样率需满足,同时,的取值需满足公式(5)的条件,此时公式(5)中的被取代,被取代;否则填充随机数到测量矩阵直至满足为止。
5、对扩维或降维后测量矩阵得到的测量值,采用SP算法进行数据重构。
6、数据收集结束。
本发明的一个实施例如下:
如图2所示:分别在3个信源(“云状图形”表示)周围布置传感器(“圆圈”表示),并将距离每个信源位置最近的传感器节点确定为簇头并作为区域汇聚节点,分别标记为1、2、3,以每个簇头为中心对所述分布式感知网络中的传感器节点进行分簇(方形区域)。
如图3所示:以第二个信源(包含标号的簇头2)为例说明,在一个周期内,开始时工作的传感器节点为浅色节点,其余休眠的节点为深色节点。
如图4所示:以第二个信源(包含标号的簇头2)为例说明,新增的浅色节点表示为扩维时部分休眠的节点以随机方式被唤醒开始工作。
如图5所示:以第二个信源(包含标号的簇头2)为例说明,新增的深色节点表示为降维时已工作的节点以随机方式进入休眠状态停止工作。
上述对实施例的描述是为了便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般技术原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (3)
1.基于压缩感知的质量可伸缩低信息密度数据收集方法,其特征在于首先基于信源的信息密度初设测量矩阵的维度,然后结合实时有效通信带宽调整测量矩阵的维度,实现数据收集质量可伸缩控制,至少还包括以下步骤,
步骤一、基于信源的信息密度初设测量矩阵的维度:
1)在信源周围布置传感器,
2)节点数据采集,
3)计算信息密度,
4)初设测量矩阵;
步骤二、结合实时有效通信带宽调整测量矩阵的维度,实现数据收集质量可伸缩控制:
1)进行观测编码,
2)采用压缩感知子空间追踪(SubspacePursuit, SP)算法进行重构,若残差小于阈值,其中大于零,则转3);否则,逐步增加测量矩阵的行数,直至重构残差小于阈值才停止扩维,
3)判断实时有效通信带宽的优劣:若实时有效通信带宽较好,唤醒部分节点,测量矩阵扩维;否则,部分节点休眠,测量矩阵降维,
4)根据扩维或降维后测量矩阵得到的测量值,采用SP算法重构数据。
2.根据权利要求1所述的基于压缩感知的质量可伸缩低信息密度数据收集方法,其特征在于基于信源的信息密度初设测量矩阵的维度,至少还包括以下步骤,
步骤一、在信源周围布置传感器及数据采集:
1)在一个或多个信源周围布置个传感器,构成分布式感知网络,
2)将距离每个信源位置最近的传感器节点确定为簇头并作为区域汇聚节点,以每个簇头为中心对所述分布式感知网络中的传感器节点进行分簇,
3)将同一簇内的传感器节点设置为时间同步,采集数据的周期为,在一个周期内,开始仅有个传感器节点工作,其中小于,其余节点暂时休眠,每个周期节点向簇头节点发送采集的数据,
4)簇头节点接收的个信号用向量表示,然后对进行稀疏表示:
,
其中为信号在稀疏基矩阵变换域的稀疏表示,
,
;
步骤二、计算个节点的信息密度:
,
其中表示个节点在周期内采集的信息量:
,
表示个节点在周期内收集的第个数据出现的概率,,表示数据的类数;表示数据数量,即个节点在周期内采集的数据个数;,越小,表示信息密度越低;
步骤三、根据信息密度初设的测量矩阵,其中小于:
1)生成的随机高斯测量矩阵,其中小于,
2)令,且满足,其中为常量,为测量矩阵中的非0个数,选取随机高斯测量矩阵中的行、列构造测量矩阵,其中小于, 小于:
则,
其中为测量矩阵中的值,
如果不满足,则以随机数填充增加测量矩阵的行数直至满足为止。
3.根据权利要求1所述的基于压缩感知的质量可伸缩低信息密度数据收集方法,其特征在于结合实时有效通信带宽调整测量矩阵的维度,实现数据收集质量可伸缩控制,至少还包括,
步骤一、对信号进行观测编码,由测量公式可知:
,
其中;
步骤二、根据初设的测量矩阵、基矩阵和观测向量,采用SP算法对信号进行重构,若残差小于阈值,则执行步骤三;否则,逐步增加测量矩阵的行数,再采用SP算法进行数据重构,直至重构残差小于阈值才停止扩维,更新为扩维增加行数后的测量矩阵;
步骤三、基于实时有效通信带宽的优劣,对测量矩阵的维度进行扩维或者降维处理:
1)判断实时有效通信带宽的优劣:
当区域汇聚节点实时接收其他节点发送的数据时,计算相对接收速率:
,
其中表示传输数据的实时有效通信带宽,是较小的常数,大于零;
然后比较实时接收速率和相对接收速率的大小:若,表示实时有效通信带宽良好,否则表示实时有效通信带宽较差;
2)当实时有效通信带宽良好时,则以随机方式唤醒个暂时休眠的节点进入工作状态,其中,对随机测量矩阵填充随机数进行扩维,为扩充的维数,为扩充的行数,则为:
,
此时采样率需满足,同时,的取值需满足下面的条件:
,
否则填充随机数到测量矩阵直至满足为止;
3)当实时有效通信带宽较差时,则以随机方式选择个工作状态的节点并进入休眠状态,但区域汇聚节点不休眠,对随机测量矩阵降维,保持中左上角的上行和前列,为降低的维数,为缩减的行数,则:
,
此时采样率需满足,同时,的取值需满足下面的条件:
,
否则填充随机数到测量矩阵直至满足为止;
步骤四、对扩维或降维后测量矩阵得到的测量值,采用SP算法进行数据重构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510389687.7A CN105120469B (zh) | 2015-07-06 | 2015-07-06 | 基于压缩感知的质量可伸缩低信息密度数据收集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510389687.7A CN105120469B (zh) | 2015-07-06 | 2015-07-06 | 基于压缩感知的质量可伸缩低信息密度数据收集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105120469A CN105120469A (zh) | 2015-12-02 |
CN105120469B true CN105120469B (zh) | 2016-09-07 |
Family
ID=54668302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510389687.7A Expired - Fee Related CN105120469B (zh) | 2015-07-06 | 2015-07-06 | 基于压缩感知的质量可伸缩低信息密度数据收集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105120469B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105682171B (zh) * | 2016-03-09 | 2017-03-22 | 北京航空航天大学 | 基于时空相关性分簇的无线传感器网络压缩数据收集方法 |
CN110717949A (zh) * | 2018-07-11 | 2020-01-21 | 天津工业大学 | 基于tromp的干涉高光谱图像稀疏重建 |
WO2020030488A1 (en) * | 2018-08-07 | 2020-02-13 | Signify Holding B.V. | Compressive sensing systems and methods using edge nodes of distributed computing networks |
CN109243558A (zh) * | 2018-08-28 | 2019-01-18 | 重庆汇邡机械制造有限公司 | 进行大数据收集后的数据提取优化方法 |
CN109104427B (zh) * | 2018-08-28 | 2019-12-03 | 重庆医事通科技发展有限公司 | 不稳定网络情况下大数据离线健康档案数据系统 |
CN109743708B (zh) * | 2018-11-07 | 2022-03-18 | 湘潭大学 | 一种基于车流密度的车联网数据采集方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8861588B2 (en) * | 2011-04-04 | 2014-10-14 | The United States Of America As Represented By The Secretary Of The Army | Apparatus and method for sampling and reconstruction of wide bandwidth signals below Nyquist rate |
GB2516865A (en) * | 2013-08-02 | 2015-02-11 | Nokia Corp | Method, apparatus and computer program product for activity recognition |
CN104618947B (zh) * | 2015-02-03 | 2018-07-03 | 中国人民解放军信息工程大学 | 基于压缩感知的动态分簇无线传感网数据收集方法及装置 |
CN104703262B (zh) * | 2015-03-20 | 2016-10-26 | 湘潭大学 | 基于压缩感知的分簇式数据收集方法 |
-
2015
- 2015-07-06 CN CN201510389687.7A patent/CN105120469B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN105120469A (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105120469B (zh) | 基于压缩感知的质量可伸缩低信息密度数据收集方法 | |
CN103595414B (zh) | 一种稀疏采样与信号压缩感知重构方法 | |
CN104424235B (zh) | 实现用户信息聚类的方法和装置 | |
CN106792435B (zh) | 一种无线传感器网络中基于压缩感知的数据聚合方法 | |
CN103431855B (zh) | 起搏心电信号的非平衡深度压缩方法 | |
CN101848529B (zh) | 一种无线传感器网络的多重主成分分析数据压缩方法 | |
CN102638889A (zh) | 基于贝叶斯压缩感知的室内无线终端定位方法 | |
CN104703262B (zh) | 基于压缩感知的分簇式数据收集方法 | |
CN106375940B (zh) | 农业感知数据稀疏向量采集与空间耦合方法 | |
CN108924148A (zh) | 一种多源信号协同压缩感知数据恢复方法 | |
CN102915562A (zh) | 基于压缩感知多视角目标跟踪和3d目标重建系统及方法 | |
CN103903261A (zh) | 一种基于分块压缩感知的光谱图像处理方法 | |
CN109275138B (zh) | 一种信号压缩采集和数据加密的方法 | |
CN106131154A (zh) | 移动无线传感器网络中基于核函数的压缩数据收集方法 | |
CN108289285A (zh) | 一种海洋无线传感器网络丢失数据恢复与重构方法 | |
CN103684634B (zh) | 异构无线传感网中基于定位信息的压缩频谱感知方法 | |
Lin et al. | Algebraic reconstruction algorithm of vapor tomography | |
CN102164395A (zh) | 基于压缩感知的无线传感器网络全局信息本地获取方法 | |
CN109347662A (zh) | 面向大规模网络流量的分布式社会网络结构快速挖掘系统 | |
Wang et al. | Energy-efficient medium access approach for wireless body area network based on body posture | |
CN103138859A (zh) | 基于回溯和集中式协作认知无线电宽带频谱压缩感知方法 | |
CN110288025A (zh) | 基于信息几何与谱聚类的频谱感知方法、装置及设备 | |
CN105138997A (zh) | 一种无线体域网中基于压缩分类的动作识别方法 | |
Zhai et al. | Data reconstructing algorithm in unreliable links based on matrix completion for heterogeneous wireless sensor networks | |
CN105160664B (zh) | 基于低秩模型的压缩感知视频重构方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160907 Termination date: 20200706 |