CN105472657B - 基于低秩张量的一种无线传感器网络中数据重构方法 - Google Patents
基于低秩张量的一种无线传感器网络中数据重构方法 Download PDFInfo
- Publication number
- CN105472657B CN105472657B CN201510938104.1A CN201510938104A CN105472657B CN 105472657 B CN105472657 B CN 105472657B CN 201510938104 A CN201510938104 A CN 201510938104A CN 105472657 B CN105472657 B CN 105472657B
- Authority
- CN
- China
- Prior art keywords
- data
- tensor
- wireless sensor
- sensor network
- rank
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
Abstract
一种基于低秩张量的无线传感器网络中数据重构方法,属于无线传感器网络数据重构领域。本发明基于低秩张量理论,通过利用无线传感器网络中不同类型数据之间的时空相关性,在低采样率情况下提高了数据重构精度;将无线传感器网络中数据根据位置,时间,类型分布在一个三阶张量中,通过约束“张量核范数”由部分采样数据重构出全部数据。本发明与现有对无线传感器网络中数据重构方法相比,具有可充分利用数据之间相关性,提高重构精度的特点。
Description
【技术领域】
本发明涉及一种基于低秩张量的无线传感器网络中数据重构的新方法,属于无线传感器网络数据重构领域。
【背景技术】
无线传感器网络因其强大的数据获取和处理能力被广泛应用到军事监视、环境监控、医疗监测等。因应用场所等因素,无线传感器网络常受到能量的限制,如何有效降低功耗成为研究热点。近来,稀疏采样的方法受到广泛关注与研究,该方法通过直接减少网络中数据测量值来有效减少数据的采样及传输数量,从而降低功耗。同时,稀疏采样方法也引发了对无线传感器网络中数据重构问题的研究。
由部分采样数据重构出无线传感器网络中全部数据的研究主要分为两类,第一类是利用数据稀疏性进行重构,无线传感器网络数据在某些特定的变换域下具有稀疏性,对此加以约束来进行重构;另一类是利用矩阵低秩性,将无线传感器网络中各节点在各时间点采集的数据分布在一个矩阵中,因无线传感器网络中数据具有时空相关性,故矩阵应为低秩矩阵,对此加以约束来进行重构。此两类方法均将无线传感器网络中数据按照向量或矩阵的形式进行分析重构,并逐个重构各类型信号,如温度,湿度,光照,压力等。而忽略了各类型数据之间也具有相关性,如温度与光照在自然环境下往往具有较高相关性。针对该问题,本发明提出了一种基于低秩张量的无线传感器网络中数据重构的新方法。
本发明将无线传感器网络中数据根据位置,时间,类型分布在一个三阶张量中,将所有数据作为一个整体进行重构,从而能够充分利用不同类型数据之间的时空相关性,具体通过约束“张量核范数”来由部分采样数据重构出全部数据,从而实现了在低采样率下获得较高的重构质量。
【发明内容】
本发明的目的提高了无线传感器网络中数据在低采样率下的重构精度,提出了一种基于低秩张量的无线传感器网络中数据重构的新方法。
本发明的目的是通过下述技术方案实现的:
(1)一个由n个节点组成的无线传感器网络,各节点监测m种类型数据,监测频率为1/τ,τ为监测时间间隔,经过t=p×τ时间,p为采集次数,应有n×m×p个数据被监测并传送至基站,β为监测数据且 为实数域;现采用稀疏采样,经过t时间基站接收到部分采样数据D为采样数据量,d为经采样算子作用在β上得到的:d=Ω(β);
(2)约束要重构张量的“张量核范数”(tensor-nuclear-norm,TNN),即求解如下方程minimize||χ||TNN,subject to d=Ω(χ),此处张量χ的“张量核范数”定义为:即为每个前切面的奇异值之和,这里为沿着张量χ管纤维方向做傅里叶变换,表示对管纤维方向运算的傅里叶算子;
(3)故求解方程转换为求解如下约束方程进而转换为求解无约束方程重构信号其中λ为正则化参数,表示对管纤维方向运算的傅里叶逆算子;
(4)采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解方程并得到
(5)将实际采用数据d根据索引位置替换中相应数据,最终得到整体重构数据。
本发明在对无线传感器网络中数据进行重构时,将各节点各时间点采样的各类型数据按照三阶张量的方式进行排放,使得数据之间的时空相关性能够在张量结构中被充分利用,进而提高无线传感器网络中数据重构精度。
本发明根据无线传感器网络中数据特点,把数据分布在三阶张量中时,将时间量分布在管纤维方向,以方便更加有效的对“张量核范数”进行约束。
【本发明的优点和积极效果】
与现有技术相比,本发明具有如下优点和积极效果:
第一,通过将无线传感器网络中数据分布在一个三阶张量中,充分利用了各类型数据之间的时空相关性,实现了无线传感器网络中低采样率下仍能获得较高的重构质量。
第二,将时间量分布在管纤维方向,并采用约束“张量核范数”的方式对张量进行数据重构,更加适应无线传感器网络中数据的特征。
【附图说明】
图1是本发明提出的基于低秩张量的无线传感器网络中数据重构方法流程图;
图2a为本发明与约束稀疏性、矩阵低秩性的算法对无线传感器网络温度信号重构的比较图;图2b为本发明与约束稀疏性、矩阵低秩性的算法对无线传感器网络电压信号重构的比较图。
【具体实施方式】
为使本发明的实施方案与意义优势表述得更为清楚,下面结合附图及重构效果比较图,对本发明进行更为详细的说明。
图1是本发明提出的基于低秩张量的无线传感器网络中数据重构方法流程图,算法具体流程如下:
(1)一个由n个节点组成的无线传感器网络,各节点监测m种类型数据,监测频率为1/τ,τ为监测时间间隔,经过t=p×τ时间,p为采集次数,应有n×m×p个数据被监测并传送至基站,β为监测数据且 为实数域;现采用稀疏采样,经过t时间基站接收到部分采样数据D为采样数据量,d为经采样算子作用在β上得到的:d=Ω(β);
(2)约束要重构张量的“张量核范数”(tensor-nuclear-norm,TNN),即求解如下方程minimize||χ||TNN,subject to d=Ω(χ),此处张量χ的“张量核范数”定义为:即为每个前切面的奇异值之和,这里为沿着张量χ管纤维方向做傅里叶变换,表示对管纤维方向运算的傅里叶算子;
(3)故求解方程转换为求解如下约束方程进而转换为求解无约束方程重构信号其中λ为正则化参数,表示对管纤维方向运算的傅里叶逆算子;
(4)采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解方程并得到
(5)将实际采用数据d根据索引位置替换中相应数据,最终得到整体重构数据。
图2a为本发明与约束稀疏性、矩阵低秩性的算法对无线传感器网络温度信号重构的比较图,图2b为本发明与约束稀疏性、矩阵低秩性的算法对无线传感器网络电压信号重构的比较图。信号来自分布在英特尔伯克利实验室的无线传感器网络数据。该网络由54个节点及一个基站构成,节点每隔31秒采集环境信号,包括温度、湿度、光照与电压信息,这里我们选取节点数n=54,数据类型m=4,时间点数p=120作为测试数据。我们用待重构数据的错误率:来表示重构误差,其中表示计算错误率时只计算未采样部分的。各算法均重复了30次并计算出平均错误率。图2a为温度信号重构比较图,图2b为电压信号重构比较图。由图中可以看出,本发明对无线传感器网络中各信号的重构错误度在各采样率下均明显低于稀疏约束、矩阵低秩约束算法。通过数值仿真实验证明本发明对无线传感器网络信号的重构更具有优势。
Claims (3)
1.一种基于低秩张量的无线传感器网络中数据重构方法,包括以下步骤:
(1)一个由n个节点组成的无线传感器网络,各节点监测m种类型数据,监测频率为1/τ,τ为监测时间间隔,经过t=p×τ时间,应有n×m×p个数据被监测并传送至基站,为监测数据且现采用稀疏采样,经过t时间基站接收到部分采样数据d为经采样算子Ω:作用在上得到的:
(2)约束要重构张量的“张量核范数”(tensor-nuclear-norm,TNN),即求解如下方程此处张量的“张量核范数”定义为:即为每个前切面的奇异值之和,这里为沿着张量管纤维方向做傅里叶变换,表示对管纤维方向运算的傅里叶算子;
(3)故求解方程转换为求解如下约束方程进而转换为求解无约束方程重构信号其中λ为正则化参数,表示对管纤维方向运算的傅里叶逆算子;
(4)采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解方程并得到
(5)将实际采用数据d根据索引位置替换中相应数据,最终得到整体重构数据。
2.根据权利要求1所述的一种基于低秩张量的无线传感器网络中数据重构方法,其特征在于将各节点各时间点采样的各类型数据按照三阶张量的方式进行排放,使得数据之间的时空相关性能够在张量结构中被充分利用,进而提高无线传感器网络中数据重构精度。
3.根据权利要求1或2所述的一种基于低秩张量的无线传感器网络中数据重构方法,其特征在于把数据分布在三阶张量中时,将时间量分布在管纤维方向,以方便更加有效的对“张量核范数”进行约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938104.1A CN105472657B (zh) | 2015-12-14 | 2015-12-14 | 基于低秩张量的一种无线传感器网络中数据重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510938104.1A CN105472657B (zh) | 2015-12-14 | 2015-12-14 | 基于低秩张量的一种无线传感器网络中数据重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105472657A CN105472657A (zh) | 2016-04-06 |
CN105472657B true CN105472657B (zh) | 2019-03-15 |
Family
ID=55609827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510938104.1A Expired - Fee Related CN105472657B (zh) | 2015-12-14 | 2015-12-14 | 基于低秩张量的一种无线传感器网络中数据重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105472657B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830930B (zh) * | 2018-06-21 | 2021-08-31 | 福州大学 | 一种基于张量填充的自适应群智感知系统数据收集方法 |
CN109902259B (zh) * | 2019-02-25 | 2019-10-18 | 中国科学院地理科学与资源研究所 | 一种轻量级的缺失时空数据的重构方法 |
CN110780604B (zh) * | 2019-09-30 | 2021-01-19 | 西安交通大学 | 一种基于空时平滑性和时间相关性的空时信号恢复方法 |
CN110798663B (zh) * | 2019-11-13 | 2021-08-31 | 河北工业大学 | 基于稀疏感知的无线多媒体传感器网络图像获取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036576A (zh) * | 2012-12-20 | 2013-04-10 | 南开大学 | 基于压缩传感理论的一种二值稀疏信号重构算法 |
CN103237204A (zh) * | 2013-03-21 | 2013-08-07 | 上海交通大学 | 基于高维压缩感知的视频信号采集与重构系统 |
CN104243986A (zh) * | 2014-09-15 | 2014-12-24 | 上海交通大学 | 基于数据驱动张量子空间的压缩视频采集与重构系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8458109B2 (en) * | 2009-05-27 | 2013-06-04 | Yin Zhang | Method and apparatus for spatio-temporal compressive sensing |
-
2015
- 2015-12-14 CN CN201510938104.1A patent/CN105472657B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036576A (zh) * | 2012-12-20 | 2013-04-10 | 南开大学 | 基于压缩传感理论的一种二值稀疏信号重构算法 |
CN103237204A (zh) * | 2013-03-21 | 2013-08-07 | 上海交通大学 | 基于高维压缩感知的视频信号采集与重构系统 |
CN104243986A (zh) * | 2014-09-15 | 2014-12-24 | 上海交通大学 | 基于数据驱动张量子空间的压缩视频采集与重构系统 |
Non-Patent Citations (1)
Title |
---|
一种优化恢复压缩传感矩阵的模糊自适应方法;宋晓宁 等;《南京理工大学学报》;20130831;第37卷(第4期);第479-485页 |
Also Published As
Publication number | Publication date |
---|---|
CN105472657A (zh) | 2016-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Power quality disturbance classification based on compressed sensing and deep convolution neural networks | |
CN105472657B (zh) | 基于低秩张量的一种无线传感器网络中数据重构方法 | |
CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
CN105699804B (zh) | 一种配电网大数据故障检测与定位方法 | |
CN102938649A (zh) | 基于压缩感知理论的电能质量数据自适应重构解压缩方法 | |
Zheng-You et al. | Wavelet entropy measure definition and its application for transmission line fault detection and identification;(Part I: Definition and Methodology) | |
CN103871058B (zh) | 基于压缩采样矩阵分解的红外小目标检测方法 | |
CN105827250A (zh) | 一种基于自适应字典学习的电能质量数据压缩重构方法 | |
CN102984711A (zh) | 基于单比特压缩感知技术的多用户协作频谱感知方法 | |
CN112435142B (zh) | 一种用电负荷识别方法及其负荷用电设施知识库构建方法 | |
CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
CN109884419A (zh) | 一种智慧电网电能质量在线故障诊断方法 | |
CN105300844A (zh) | 一种硅橡胶绝缘子憎水性等级判定方法 | |
CN111915007A (zh) | 一种基于神经网络的磁共振谱降噪方法 | |
CN105572501A (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
CN110119493A (zh) | 一种基于压缩pmu数据和局部离群因子的电力系统事件感知方法 | |
Yao et al. | Enhanced supervised descent learning technique for electromagnetic inverse scattering problems by the deep convolutional neural networks | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN110311685B (zh) | 时序贝叶斯压缩采样及信号解压缩重构方法及数据丢失恢复方法 | |
Wu et al. | A holistic approach to reconstruct data in ocean sensor network using compression sensing | |
Tang et al. | Fault diagnosis of hydraulic generator bearing by VMD-based feature extraction and classification | |
Jin et al. | Fault diagnosis of bearing based on refined piecewise composite multivariate multiscale fuzzy entropy | |
Guan et al. | Medical image fusion algorithm based on multi-resolution analysis coupling approximate spare representation | |
CN107356431B (zh) | 基于admm与稀疏组合学习的滚动轴承性能退化评估方法 | |
CN103036576A (zh) | 基于压缩传感理论的一种二值稀疏信号重构算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190315 Termination date: 20211214 |
|
CF01 | Termination of patent right due to non-payment of annual fee |