CN106227705A - 一种数据收集的方法及装置 - Google Patents

一种数据收集的方法及装置 Download PDF

Info

Publication number
CN106227705A
CN106227705A CN201610835649.4A CN201610835649A CN106227705A CN 106227705 A CN106227705 A CN 106227705A CN 201610835649 A CN201610835649 A CN 201610835649A CN 106227705 A CN106227705 A CN 106227705A
Authority
CN
China
Prior art keywords
matrix
sparse
compressed
joint
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.)
Pending
Application number
CN201610835649.4A
Other languages
English (en)
Inventor
李扬清
尹长川
刘丹谱
余健
刘旸
张志龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201610835649.4A priority Critical patent/CN106227705A/zh
Publication of CN106227705A publication Critical patent/CN106227705A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明实施例公开了一种数据收集的方法及装置，应用于无线传感网络技术领域，所述方法包括：获取多个压缩后的收集数据，其中，所述多个压缩后的收集数据是由多个传感器节点分别使用不同的随机测量矩阵对采集的收集数据进行独立的线性压缩得到的；对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型；根据所述压缩感知重建模型，采用联合重建算法对所述多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。相比现有的数据收集方法，本发明在确保工程实现简单的同时，能有效地提升数据的压缩率和重建性能，减少网络能耗。

Description

一种数据收集的方法及装置
技术领域
本发明涉及无线传感网络技术领域，特别涉及一种数据收集的方法及装置。
背景技术
在WSN(wireless sensor network，无线传感网)中，由于SN(sensor node，传感器节点)在自身的电池容量、存储容量、运算和通信能力等硬件方面的局限性，降低SN端数据收集、压缩和传输能耗、延长节点生命周期是WSN研究的核心问题。压缩感知技术因其简单的线性压缩处理特性、优越的重建性能和易于进行分布式处理等优点，非常适合应用于WSN。
DCS(distributed compressed sensing，分布式压缩感知)理论的提出，实现了在WSN中，通过利用各传感器采集的数据中所存在的共有稀疏成分和独有稀疏成分，由多个SN独立采集的进行分布式压缩后的收集数据，仍能联合地进行高效地重建。参见图1，图1为现有技术中基于分布式压缩感知的无线传感网数据收集流程图。各传感器节点t∈{1,2,...,T}分别对采集的数据ft采用统一的测量矩阵M＜＜N进行独立的线性混合压缩，得到压缩后的收集数据yt，其中，ft＝[f1t,...,fNt]，yt＝[y1t,...,yMt]，yt＝Φft+wt，wt为传感器节点t的加性高斯白噪声。各SN分别独立将压缩后的收集数据yt无线传输至融合中心。融合中心采用基于分布式压缩感知的重建算法对采集的数据联合重建。
由以上过程可看出，基于DCS的数据收集方案的核心在于如何在融合中心对原始数据进行有效的联合重建。一般地，具有强相关性的空时相关数据都能够有效地采用联合稀疏模型进行近似，联合稀疏模型假定SN采集的数据{ft}在某稀疏域下(例如，小波域，离散余弦变换域)的稀疏表达xt＝Ψ-1ft,具有相同的稀疏支撑集，即{xt}的非零元素位置一致，其中Ψ为稀疏变换基矩阵。这样，利用基于联合稀疏的压缩感知重建算法，可高效地求解{xt}，进而获得原采集数据{ft}。
然而，现有的数据收集机制，虽然工程实现简单，但是还不能有效地提升数据的压缩率和重建性能，导致网络能耗多。
发明内容
本发明实施例的目的在于提供一种数据收集的方法及装置，在确保工程实现简单的同时，能有效地提升数据的压缩率和重建性能，减少网络能耗。
为达到上述目的，本发明实施例公开了一种数据收集的方法，包括：
获取多个压缩后的收集数据，其中，所述多个压缩后的收集数据是由多个传感器节点分别使用不同的随机测量矩阵对采集的收集数据进行独立的线性压缩得到的；
对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型；
根据所述压缩感知重建模型，采用联合重建算法对所述多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。
较佳的，所述获取多个压缩后的收集数据，包括：
根据传感器节点t，t∈{1,2,...,T}，得到多个压缩后的收集数据yt；
其中，yt＝Φtft+wt，Φt为传感器节点t的随机测量矩阵，Mt＜＜N，wt为传感器节点t的加性高斯白噪声，ft为传感器节点t采集的收集数据，ft＝[f1t,...,fNt]，
较佳的，在所述对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，之前，所述的数据收集的方法还包括：
转换所述多个压缩后的收集数据yt为：yt＝ΦtΨxt+wt，
其中，Ψ为稀疏变换基矩阵，xt为稀疏变换基矩阵Ψ下传感器节点t的稀疏信号向量，xt＝Ψ-1ft，
所述对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，包括：
将传感器节点t的稀疏信号向量xt＝Ψ-1ft组合构成稀疏信号矩阵X，其中，X＝[x1x2…xT]，X具有同时低秩和联合稀疏结构；
将所述稀疏信号矩阵X进行同时低秩和联合稀疏分解，得到X＝SHL＝GL，
其中，S、H、G和L分别为同时低秩和联合稀疏结构的S矩阵、H矩阵、G矩阵和L矩阵；
S＝diag(s1,...,sn)，diag(s1,...,sn)为以s1,...,sn为对角元素的对角矩阵；
R＜＜min(N,T)，R为所述稀疏信号矩阵X的秩。
较佳的，所述采用联合重建算法对所述多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据，包括：
根据近似消息传递算法得到联合重建算法，其中，所述联合重建算法包括广义近似消息传递算法和扩展双线性广义近似消息传递算法；
使用广义近似消息传递算法和扩展双线性广义近似消息传递算法对所述稀疏信号矩阵进行循环求解，确定所述稀疏信号矩阵；
根据所述稀疏信号矩阵及公式F＝[f1f2…fT]＝ΨX＝ΨGL，确定所述多个传感器节点采集的收集数据。
较佳的，在所述根据近似消息传递算法得到联合重建算法，之前，所述的数据收集的方法还包括：
转换所述多个压缩后的收集数据yt为：yt＝zt+wt；
其中，zt为传感器节点t的无噪声的压缩测量向量，zt＝ΦtΨxt，
所述根据近似消息传递算法得到联合重建算法，包括：
近似消息传递算法的目标为最大化联合后验分布，所述联合后验分布公式为：
p ( S , H , L | Y ) = p ( Y | S , H , L ) p ( S ) p ( H ) p ( L ) / p ( Y ) ∝ p ( Y | Z ) p ( S ) p ( H ) p ( L ) = Π t = 1 T Π m = 1 M t p ( y m t | Σ n = 1 N a m n s n Σ r = 1 R h n r l r t ) × Π n = 1 N p ( s n ) × Π n = 1 N Π r = 1 R p ( h n r ) × Π r = 1 R Π t = 1 T p ( l r t ) ,
其中，Z＝{z1,z2,…,zT}，Y＝{y1,y2,…,yT}，Z为无噪声的压缩测量矩阵，Y为有噪声的压缩测量矩阵；
根据S和H相互独立的先验分布p(sn)和p(hnr)，得到G的先验分布p(G)为伯努利-高斯分布：
其中， 为服从参数为λ的伯努利分布，为变量hnr服从均值为方差为的高斯分布，λ、和为先验分布中的参数，δ(gnr)为冲激函数；
获取L的先验分布p(L)，p(L)为标准正态分布：
获取似然分布p(Y|Z)，
其中，为传感器节点t的加性高斯白噪声wt的噪声方差；
根据G的先验分布p(G)、L的先验分布p(L)和似然分布p(Y|Z)，将最大化联合后验分布问题转化为多个广义近似消息传递子问题和、低秩和联合稀疏模式译码子问题，其中，所述多个广义近似消息传递子问题使用广义近似消息传递算法进行求解，所述低秩和联合稀疏模式译码子问题使用扩展双线性广义近似消息传递算法进行求解。
较佳的，在所述使用广义近似消息传递算法和扩展双线性广义近似消息传递算法对所述稀疏信号矩阵进行循环求解，确定所述稀疏信号矩阵，之前，所述的数据收集的方法还包括：
转换所述多个压缩后的收集数据yt为：yt＝Atxt+wt；
其中，At为传感器节点t的映射矩阵，At＝ΦtΨ，
所述使用广义近似消息传递算法和扩展双线性广义近似消息传递算法对所述稀疏信号矩阵进行循环求解，确定所述稀疏信号矩阵，包括：
根据所述有噪声的压缩测量矩阵和多个传感器节点的映射矩阵，将所述稀疏信号矩阵作为广义近似消息传递算法中的稀疏信号矩阵的先验分布；
步骤A，使用广义近似消息传递算法确定广义近似消息传递算法中的稀疏信号矩阵的后验估计结果；
步骤B，将所述广义近似消息传递算法中的稀疏信号矩阵的后验估计结果作为扩展双线性广义近似消息传递算法中的稀疏信号矩阵的先验分布，使用扩展双线性广义近似消息传递算法估计G矩阵和L矩阵，确定扩展双线性广义近似消息传递算法中的稀疏信号矩阵的后验估计结果；
步骤C，将所述扩展双线性广义近似消息传递算法中的后验估计结果作为广义近似消息传递算法中的稀疏信号矩阵的先验分布；
依次循环执行步骤A、步骤B和步骤C，直至广义近似消息传递算法中的稀疏信号矩阵的后验估计结果和扩展双线性广义近似消息传递算法中的稀疏信号矩阵的后验估计结果收敛于同一个值，并将所述同一个值作为所述稀疏信号矩阵的值。
较佳的，在所述步骤A之前，所述的数据收集的方法还包括：
对先验分布和似然分布中的参数λ、和所述稀疏信号矩阵X的秩R进行初始化；
分别在所述步骤A和所述步骤B之间、所述步骤B和所述步骤C之间，所述的数据收集的方法还包括：
采用期望最大估计策略对先验分布和似然分布中的参数λ、和进行自适应调整，并使用基于惩罚对数似然最大策略估计所述稀疏信号矩阵X的秩R。
本发明实施例还公开了一种数据收集的装置，包括：
压缩数据获取模块，用于获取多个压缩后的收集数据，其中，所述多个压缩后的收集数据是由多个传感器节点分别使用不同的随机测量矩阵对采集的收集数据进行独立的线性压缩得到的；
同时低秩和联合稀疏建模模块，用于对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型；
收集数据重建模块，用于根据所述压缩感知重建模型，采用联合重建算法对所述多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。
较佳的，所述压缩数据获取模块具体用于根据传感器节点t，t∈{1,2,...,T}，得到多个压缩后的收集数据yt；
其中，yt＝Φtft+wt，Φt为传感器节点t的随机测量矩阵，Mt＜＜N，wt为传感器节点t的加性高斯白噪声，ft为传感器节点t采集的收集数据，ft＝[f1t,...,fNt]，
较佳的，所述数据收集的装置还包括：
压缩数据转换模块，用于转换所述多个压缩后的收集数据yt为：yt＝ΦtΨxt+wt，
其中，Ψ为稀疏变换基矩阵，xt为稀疏变换基矩阵Ψ下传感器节点t的稀疏信号向量，xt＝Ψ-1ft，
所述同时低秩和联合稀疏建模模块，包括：
稀疏信号矩阵构成子模块，用于将传感器节点t的稀疏信号向量xt＝Ψ-1ft组合构成稀疏信号矩阵X，其中，X＝[x1x2…xT]，X具有同时低秩和联合稀疏结构；
分解子模块，用于将所述稀疏信号矩阵X进行同时低秩和联合稀疏分解，得到X＝SHL＝GL，
其中，S、H、G和L分别为同时低秩和联合稀疏结构的S矩阵、H矩阵、G矩阵和L矩阵；
S＝diag(s1,...,sn)，diag(s1,...,sn)为以s1,...,sn为对角元素的对角矩阵；
R＜＜min(N,T)，R为所述稀疏信号矩阵X的秩。
由上述的技术方案可见，本发明实施例提供的数据收集的方法及装置，通过使用不同的随机测量矩阵对多个传感器节点采集的收集数据进行独立的线性压缩，对多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，并采用联合重建算法对多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。这样，应用本发明实施例的数据收集的方法及装置在确保工程实现简单的同时，能有效地提升数据的压缩率和重建性能，减少网络能耗。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术中基于分布式压缩感知的无线传感网数据收集流程图；
图2为本发明实施例的数据收集的方法的流程图；
图3为本发明实施例的同时低秩和联合稀疏结构的稀疏信号矩阵的分解表达示意图；
图4为本发明实施例的同时低秩和联合稀疏结构的压缩感知问题因子图；
图5为本发明实施例的多个广义近似消息传递子问题因子图；
图6为本发明实施例的低秩和联合稀疏模式译码子问题因子图；
图7为本发明实施例的多个广义近似消息传递子问题和、低秩和联合稀疏模式译码子问题算法整体流程图；
图8为本发明实施例的数据收集的装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种数据收集的方法及装置，在确保工程实现简单的同时，能有效地提升数据的压缩率和重建性能，减少网络能耗。
下面首先对本发明实施例的数据收集的方法进行详细说明。
其中，本实施例所提供的数据收集的方法应用于无线传感网领域，针对稀疏信号或可压缩信号，在获取信号的同时，就对数据进行适当的压缩，这样，可以减少采样数据，节省存储空间，但包含有足够的信息量。需要时，可采用适当的重建算法从压缩感知得到的数据中恢复出足够多的数据点。压缩感知的核心是利用特定矩阵把一个稀疏或可压缩的高维信号投影到一个低维的空间上，然后利用信号的稀疏先验条件，通过一定的线性或非线性的重建模型重建出原始信号。
参见图2，图2为本发明实施例的数据收集的方法的流程图，包括如下步骤：
步骤201，获取多个压缩后的收集数据，其中，多个压缩后的收集数据是由多个传感器节点分别使用不同的随机测量矩阵对采集的收集数据进行独立的线性压缩得到的。
在WSN中包含多个SN，每个SN进行数据采集得到多个收集数据，为了方便数据的传输，需要将收集数据进行压缩。每个SN分别使用不同的随机测量矩阵对采集的收集数据进行独立的线性压缩，并将压缩后的收集数据yt无线传输至融合中心。
假设传感器节点t采集的收集数据ft为N维，压缩后的收集数据yt为M维，测量矩阵是把N维收集数据ft转化为M维压缩后的收集数据yt的过程，其中，M＜＜N。一般的，对于不同的SN，根据各个SN剩余能量情况、对数据重建精度的不同需求等，M的数值不同，也就是不同的SN的测量矩阵是不同的，对于相同的N，M的数值越小，说明收集数据的压缩率越高。例如，SN的剩余能量越小，对数据传输的能力越小，M值就越小。与现有技术中统一的测量矩阵相比，本发明更灵活，更能体现SN的不同特性。
步骤202，对多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型。
具体的，首先，对多个压缩后的收集数据yt进行转换，得到多个压缩后的收集数据yt与稀疏变换基矩阵Ψ下的多个稀疏信号向量xt的关系式，其中，多个稀疏信号向量xt组合构成稀疏信号矩阵X。其次，利用稀疏信号矩阵X具有同时低秩和联合稀疏结构的特性，对稀疏信号矩阵X进行同时低秩和联合稀疏建模，将复杂矩阵进行拆分得到多个简单矩阵，可简化运算过程。将稀疏信号矩阵X进行同时低秩和联合稀疏分解，得到X＝SHL＝GL。其中，S、H、G和L分别为同时低秩和联合稀疏结构的S矩阵、H矩阵、G矩阵和L矩阵。
步骤203，根据压缩感知重建模型，采用联合重建算法对多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。
根据以上压缩感知重建模型，针对同时低秩和联合稀疏结构的问题，基于AMP(Approximate message passing，近似消息传递)算法，AMP算法的目标为最大化联合后验分布。在实际应用中，最大化联合后验分布无法直接对多个压缩后的收集数据进行重建，也就是无法直接得到多个传感器节点采集的收集数据。需要将最大化联合后验分布问题划分为M-GAMP(multiple generalized AMP，多个广义近似消息传递)子问题和L&SPD(low-rankand joint-sparse pattern decoding，低秩和联合稀疏模式译码)子问题，通过M-GAMP子问题和L&SPD子问题之间的循环迭代得到多个传感器节点采集的收集数据。其中，M-GAMP子问题和L&SPD子问题的具体划分过程在本发明中后面的实施例中将进行详细描述，这里不再赘述。
可见，本发明实施例的数据收集的方法，通过使用不同的随机测量矩阵对多个传感器节点采集的收集数据进行独立的线性压缩，对多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，并采用联合重建算法对多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。在确保实现过程灵活和简单的同时，大大提升了收集数据的压缩率和重建性能，从而减少网络能耗。
优选地，本发明实施例的数据收集的方法中，获取多个压缩后的收集数据，包括：
根据传感器节点t，t∈{1,2,...,T}，得到多个压缩后的收集数据yt，
其中，yt＝Φtft+wt，Φt为传感器节点t的随机测量矩阵，Mt＜＜N，wt为传感器节点t的加性高斯白噪声，ft为传感器节点t采集的收集数据，ft＝[f1t,...,fNt]，
本发明实施例中，SN对采集的收集数据进行压缩的过程中，还存在加性高斯白噪声，该加性高斯白噪声是未知的，并且不同SN的加性高斯白噪声是不同的，各个SN将得到的多个压缩后的收集数据yt无线传输至融合中心。
优选地，本发明实施例的数据收集的方法中，在对多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，之前，数据收集的方法还包括：
转换多个压缩后的收集数据yt为：yt＝ΦtΨxt+wt，
其中，Ψ为稀疏变换基矩阵，xt为稀疏变换基矩阵Ψ下传感器节点t的稀疏信号向量，xt＝Ψ-1ft，
对多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，包括：
第一步，将传感器节点t的稀疏信号向量xt＝Ψ-1ft组合构成稀疏信号矩阵X。
其中，X＝[x1x2…xT]，X具有同时低秩和联合稀疏结构。
第二步，将稀疏信号矩阵X进行同时低秩和联合稀疏分解，得到X＝SHL＝GL。
参见图3，图3为本发明实施例的同时低秩和联合稀疏结构的稀疏信号矩阵的分解表达示意图。
其中，S、H、G和L分别为同时低秩和联合稀疏结构的S矩阵、H矩阵、G矩阵和L矩阵；
S＝diag(s1,...,sn)，diag(s1,...,sn)为以s1,...,sn为对角元素的对角矩阵；
R＜＜min(N,T)，R为稀疏信号矩阵X的秩。
可以理解的是，融合中心得到的数据是多个压缩后的收集数据yt，需要对多个压缩后的收集数据yt进行重建，也就是，本实施例的目标是得到多个传感器节点采集的收集数据ft，而稀疏变换基矩阵Ψ是已知的，得到稀疏信号向量xt可以方便的求解多个传感器节点采集的收集数据ft。进而，本实施例的目标转化为求解由稀疏信号向量xt构成的稀疏信号矩阵X。将稀疏信号矩阵X进行同时低秩和联合稀疏分解，得到X＝SHL＝GL。因此，本实施例的目标解为S矩阵、H矩阵和L矩阵，也就是G矩阵和L矩阵。
优选地，本发明实施例的数据收集的方法中，采用联合重建算法对多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据，包括：
第一步，根据AMP算法得到联合重建算法，其中，联合重建算法包括GAMP(generalized AMP，广义近似消息传递)算法和扩展BiG-AMP(bilinear GAMP，扩展双线性广义近似消息传递)算法。
第二步，使用GAMP算法和扩展BiG-AMP算法对稀疏信号矩阵进行循环求解，确定稀疏信号矩阵。
第三步，根据稀疏信号矩阵及公式F＝[f1f2…fT]＝ΨX＝ΨGL，确定多个传感器节点采集的收集数据。
具体的，使用AMP算法得到的联合重建算法，不能得到本实施例的目标解S矩阵、H矩阵和L矩阵，也就是G矩阵和L矩阵。因此，需要对联合重建问题进行分解，对分解后的问题进行求解，得到本实施例的目标解G矩阵和L矩阵，进一步得到多个传感器节点采集的收集数据。具体分解过程在本发明的下一个实施例中进行详细描述，这里不再赘述。
优选地，本发明实施例的数据收集的方法中，在根据近似消息传递算法得到联合重建算法，之前，数据收集的方法还包括：
转换多个压缩后的收集数据yt为：yt＝zt+wt；
其中，zt为传感器节点t的无噪声的压缩测量向量，zt＝ΦtΨxt，
根据近似消息传递算法得到联合重建算法，包括：
AMP算法的目标为最大化联合后验分布，联合后验分布公式为：
p ( S , H , L | Y ) = p ( Y | S , H , L ) p ( S ) p ( H ) p ( L ) / p ( Y ) ∝ p ( Y | Z ) p ( S ) p ( H ) p ( L ) = Π t = 1 T Π m = 1 M t p ( y m t | Σ n = 1 N a m n s n Σ r = 1 R h n r l r t ) × Π n = 1 N p ( s n ) × Π n = 1 N Π r = 1 R p ( h n r ) × Π r = 1 R Π t = 1 T p ( l r t ) ,
其中，Z＝{z1,z2,…,zT}，Y＝{y1,y2,…,yT}，Z为无噪声的压缩测量矩阵，Y为有噪声的压缩测量矩阵；
根据S和H相互独立的先验分布p(sn)和p(hnr)，得到G的先验分布p(G)为伯努利-高斯分布：
其中， 为服从参数为λ的伯努利分布，为变量hnr服从均值为方差为的高斯分布，λ、和为先验分布中的参数，δ(gnr)为冲激函数。
获取L的先验分布p(L)，p(L)为标准正态分布：
获取似然分布p(Y|Z)，
其中，为传感器节点t的加性高斯白噪声wt的噪声方差。
根据最大化联合后验分布公式，参见图4，图4为本发明实施例的同时低秩和联合稀疏结构的压缩感知问题因子图。根据G的先验分布p(G)、L的先验分布p(L)和似然分布p(Y|Z)，将最大化联合后验分布问题划分为M-GAMP子问题和L&SPD子问题，参见图5和图6，图5为本发明实施例的多个广义近似消息传递子问题因子图，图6为本发明实施例的低秩和联合稀疏模式译码子问题因子图。其中，M-GAMP子问题使用GAMP算法进行求解，L&SPD子问题使用扩展BiG-AMP算法进行求解。
优选地，本发明实施例的数据收集的方法中，在使用GAMP算法和扩展BiG-AMP算法对稀疏信号矩阵进行循环求解，确定稀疏信号矩阵，之前，数据收集的方法还包括：
转换多个压缩后的收集数据yt为：yt＝Atxt+wt；
其中，At为传感器节点t的映射矩阵，At＝ΦtΨ，
使用GAMP算法和扩展BiG-AMP算法对稀疏信号矩阵进行循环求解，确定稀疏信号矩阵，包括：
首先，根据有噪声的压缩测量矩阵和多个传感器节点的映射矩阵，将稀疏信号矩阵作为GAMP算法中的稀疏信号矩阵的先验分布；
然后，执行以下步骤：
步骤A，使用GAMP算法确定GAMP算法中的稀疏信号矩阵的后验估计结果。
步骤B，将GAMP算法中的稀疏信号矩阵的后验估计结果作为扩展BiG-AMP算法中的稀疏信号矩阵的先验分布，使用扩展BiG-AMP算法估计G矩阵和L矩阵，确定扩展BiG-AMP算法中的稀疏信号矩阵的后验估计结果。
步骤C，将扩展BiG-AMP算法中的后验估计结果作为GAMP算法中的稀疏信号矩阵的先验分布。
最后，依次循环执行步骤A、步骤B和步骤C，直至GAMP算法中的稀疏信号矩阵的后验估计结果和扩展BiG-AMP算法中的稀疏信号矩阵的后验估计结果收敛于同一个值，并将同一个值作为稀疏信号矩阵的值。当然，这里的同一值，并不是数值完全相同的值，可以是比较接近的值，具体接近标准这里不做限定。
具体流程图可参见图7，图7为本发明实施例的多个广义近似消息传递子问题和、低秩和联合稀疏模式译码子问题算法整体流程图。需要说明的是，在每次求解的过程中，GAMP算法的先验分布和后验估计结果是不同的，扩展BiG-AMP算法的先验分布和后验估计结果也是不同的。因此，依次执行循环过程中，GAMP算法中的稀疏信号矩阵和扩展BiG-AMP算法中的稀疏信号矩阵都是不断变化的。
优选地，本发明实施例的数据收集的方法中，在步骤A之前，数据收集的方法还包括：
对先验分布和似然分布中的参数λ、和稀疏信号矩阵X的秩R进行初始化。
分别在步骤A和步骤B之间、步骤B和步骤C之间，数据收集的方法还包括：
采用期望最大估计策略对先验分布和似然分布中的参数λ、和进行自适应调整，并使用基于惩罚对数似然最大策略估计稀疏信号矩阵X的秩R。
需要强调的是，本发明实施例中，先验分布中的参数λ、和是未知的，需要在算法中进行估计。在对稀疏信号矩阵进行求解之前，需要对先验分布和似然分布中的参数λ、和稀疏信号矩阵X的秩R进行初始化，例如，λ＝0.5,和R＝1。而在每轮子问题之间迭代完成后，采用期望最大估计策略对先验分布和似然分布中的参数λ、和进行自适应调整，以达到求解最优的稀疏信号矩阵的目的。
可见，本发明实施例的数据收集的方法，通过使用不同的随机测量矩阵对多个传感器节点采集的收集数据进行独立的线性压缩，对多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，并采用联合重建算法对多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。在确保实现过程灵活和简单的同时，大大提升了收集数据的压缩率和重建性能，从而减少网络能耗。
参见图8，图8为本发明实施例的数据收集的装置的结构图，包括：
压缩数据获取模块801，用于获取多个压缩后的收集数据，其中，多个压缩后的收集数据是由多个传感器节点分别使用不同的随机测量矩阵对采集的收集数据进行独立的线性压缩得到的。
同时低秩和联合稀疏建模模块802，用于对多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型。
收集数据重建模块803，用于根据压缩感知重建模型，采用联合重建算法对多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。
可见，本发明实施例的数据收集的装置，通过使用不同的随机测量矩阵对多个传感器节点采集的收集数据进行独立的线性压缩，对多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，并采用联合重建算法对多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。在确保实现过程灵活和简单的同时，大大提升了收集数据的压缩率和重建性能，从而减少网络能耗。
需要说明的是，本发明实施例的装置是应用上述数据收集的方法的装置，则上述数据收集的方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
优选地，本发明实施例的数据收集的装置中，压缩数据获取模块具体用于根据传感器节点t，t∈{1,2,...,T}，得到多个压缩后的收集数据yt；其中，yt＝Φtft+wt，Φt为传感器节点t的随机测量矩阵，Mt＜＜N，wt为传感器节点t的加性高斯白噪声，ft为传感器节点t采集的收集数据，ft＝[f1t,...,fNt]，
优选地，本发明实施例的数据收集的装置中，数据收集的装置还包括：
压缩数据转换模块，用于转换多个压缩后的收集数据yt为：yt＝ΦtΨxt+wt，
其中，Ψ为稀疏变换基矩阵，xt为稀疏变换基矩阵Ψ下传感器节点t的稀疏信号向量，xt＝Ψ-1ft，
同时低秩和联合稀疏建模模块，包括：
稀疏信号矩阵构成子模块，用于将传感器节点t的稀疏信号向量xt＝Ψ-1ft组合构成稀疏信号矩阵X，其中，X＝[x1x2…xT]，X具有同时低秩和联合稀疏结构。
分解子模块，用于将稀疏信号矩阵X进行同时低秩和联合稀疏分解，得到X＝SHL＝GL，
其中，S、H、G和L分别为同时低秩和联合稀疏结构的S矩阵、H矩阵、G矩阵和L矩阵；
S＝diag(s1,...,sn)，diag(s1,...,sn)为以s1,...,sn为对角元素的对角矩阵；
R＜＜min(N,T)，R为稀疏信号矩阵X的秩。
优选地，本发明实施例的数据收集的装置中，收集数据重建模块包括：
联合重建算法获取子模块，用于根据AMP算法得到联合重建算法，其中，联合重建算法包括GAMP算法和扩展BiG-AMP算法。
循环迭代子模块，用于使用GAMP算法和扩展BiG-AMP算法对稀疏信号矩阵进行循环求解，确定稀疏信号矩阵。
收集数据确定子模块，用于根据稀疏信号矩阵及公式F＝[f1f2…fT]＝ΨX＝ΨGL，确定多个传感器节点采集的收集数据。
优选地，本发明实施例的数据收集的装置中，数据收集的装置还包括：
第一转换模块，用于转换多个压缩后的收集数据yt为：yt＝zt+wt；
其中，zt为传感器节点t的无噪声的压缩测量向量，zt＝ΦtΨxt，
优选地，本发明实施例的数据收集的装置中，联合重建算法获取子模块，包括：
联合后验分布单元，AMP算法的目标为最大化联合后验分布，联合后验分布的公式为：
p ( S , H , L | Y ) = p ( Y | S , H , L ) p ( S ) p ( H ) p ( L ) / p ( Y ) ∝ p ( Y | Z ) p ( S ) p ( H ) p ( L ) = Π t = 1 T Π m = 1 M t p ( y m t | Σ n = 1 N a m n s n Σ r = 1 R h n r l r t ) × Π n = 1 N p ( s n ) × Π n = 1 N Π r = 1 R p ( h n r ) × Π r = 1 R Π t = 1 T p ( l r t ) ,
其中，Z＝{z1,z2,…,zT}，Y＝{y1,y2,…,yT}，Z为无噪声的压缩测量矩阵，Y为有噪声的压缩测量矩阵。
G矩阵先验分布确定单元，用于根据S和H相互独立的先验分布p(sn)和p(hnr)，得到G的先验分布p(G)为伯努利-高斯分布：
其中， 为服从参数为λ的伯努利分布，为变量hnr服从均值为方差为的高斯分布，λ、和为先验分布中的参数，δ(gnr)为冲激函数。
L矩阵先验分布获取单元，用于获取L的先验分布p(L)，
p(L)为标准正态分布：
似然分布获取单元，用于获取似然分布p(Y|Z)，
其中，为传感器节点t的加性高斯白噪声wt的噪声方差。
根据G的先验分布p(G)、L的先验分布p(L)和似然分布p(Y|Z)，将最大化联合后验分布问题转化为M-GAMP子问题和L&SPD子问题，其中，M-GAMP子问题使用GAMP算法进行求解，L&SPD子问题使用扩展BiG-AMP算法进行求解。
优选地，本发明实施例的数据收集的装置中，数据收集的装置还包括：
第二转换模块，用于转换多个压缩后的收集数据yt为：yt＝Atxt+wt；
其中，At为传感器节点t的映射矩阵，At＝ΦtΨ，
优选地，本发明实施例的数据收集的装置中，循环迭代子模块包括：
参数传递单元，用于根据有噪声的压缩测量矩阵和多个传感器节点的映射矩阵，将稀疏信号矩阵作为广义近似消息传递算法中的稀疏信号矩阵的先验分布。
循环迭代单元，用于执行以下步骤：
步骤A，使用GAMP算法确定GAMP算法中的稀疏信号矩阵的后验估计结果；
步骤B，将GAMP算法中的稀疏信号矩阵的后验估计结果作为扩展BiG-AMP算法中的稀疏信号矩阵的先验分布，使用扩展BiG-AMP算法估计G和L，确定扩展BiG-AMP算法中的稀疏信号矩阵的后验估计结果；
步骤C，将扩展BiG-AMP算法中的后验估计结果作为GAMP算法中的稀疏信号矩阵的先验分布。
迭代终止单元，用于依次循环执行步骤A、步骤B和步骤C，直至GAMP算法中的稀疏信号矩阵的后验估计结果和扩展BiG-AMP算法中的稀疏信号矩阵的后验估计结果收敛于同一个值，并将同一个值作为稀疏信号矩阵的值。
优选地，本发明实施例的数据收集的装置中，数据收集的装置还包括：
参数初始化模块，用于对先验分布和似然分布中的参数λ、 和稀疏信号矩阵X的秩R进行初始化。
参数自适应调整模块，用于采用期望最大估计策略对先验分布和似然分布中的参数λ、和进行自适应调整，并使用基于惩罚对数似然最大策略估计稀疏信号矩阵X的秩R。
可见，本发明实施例的数据收集的装置，通过使用不同的随机测量矩阵对多个传感器节点采集的收集数据进行独立的线性压缩，对多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，并采用联合重建算法对多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。在确保实现过程灵活和简单的同时，大大提升了收集数据的压缩率和重建性能，从而减少网络能耗。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种数据收集的方法，其特征在于，包括：
获取多个压缩后的收集数据，其中，所述多个压缩后的收集数据是由多个传感器节点分别使用不同的随机测量矩阵对采集的收集数据进行独立的线性压缩得到的；
对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型；
根据所述压缩感知重建模型，采用联合重建算法对所述多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。
2.根据权利要求1所述的数据收集的方法，其特征在于，所述获取多个压缩后的收集数据，包括：
根据传感器节点t，t∈{1,2,...,T}，得到多个压缩后的收集数据yt；
其中，yt＝Φtft+wt，Φt为传感器节点t的随机测量矩阵，Mt＜＜N，wt为传感器节点t的加性高斯白噪声，ft为传感器节点t采集的收集数据，ft＝[f1t,...,fNt]，
3.根据权利要求2所述的数据收集的方法，其特征在于，在所述对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，之前，所述的数据收集的方法还包括：
转换所述多个压缩后的收集数据yt为：yt＝ΦtΨxt+wt，
其中，Ψ为稀疏变换基矩阵，xt为稀疏变换基矩阵Ψ下传感器节点t的稀疏信号向量，xt＝Ψ-1ft，
所述对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，包括：
将传感器节点t的稀疏信号向量xt＝Ψ-1ft组合构成稀疏信号矩阵X，其中，X＝[x1 x2… xT]，X具有同时低秩和联合稀疏结构；
将所述稀疏信号矩阵X进行同时低秩和联合稀疏分解，得到X＝SHL＝GL，
其中，S、H、G和L分别为同时低秩和联合稀疏结构的S矩阵、H矩阵、G矩阵和L矩阵；
S＝diag(s1,...,sn)，diag(s1,...,sn)为以s1,...,sn为对角元素的对角矩阵；
R＜＜min(N,T)，R为所述稀疏信号矩阵X的秩。
4.根据权利要求3所述的数据收集的方法，其特征在于，所述采用联合重建算法对所述多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据，包括：
根据近似消息传递算法得到联合重建算法，其中，所述联合重建算法包括广义近似消息传递算法和扩展双线性广义近似消息传递算法；
使用广义近似消息传递算法和扩展双线性广义近似消息传递算法对所述稀疏信号矩阵进行循环求解，确定所述稀疏信号矩阵；
根据所述稀疏信号矩阵及公式F＝[f1 f2 … fT]＝ΨX＝ΨGL，确定所述多个传感器节点采集的收集数据。
5.根据权利要求4所述的数据收集的方法，其特征在于，在所述根据近似消息传递算法得到联合重建算法，之前，所述的数据收集的方法还包括：
转换所述多个压缩后的收集数据yt为：yt＝zt+wt；
其中，zt为传感器节点t的无噪声的压缩测量向量，zt＝ΦtΨxt，
所述根据近似消息传递算法得到联合重建算法，包括：
近似消息传递算法的目标为最大化联合后验分布，所述联合后验分布公式为：
p ( S , H , L | Y ) = p ( Y | S , H , L ) p ( S ) p ( H ) p ( L ) / p ( Y ) ∝ p ( Y | Z ) p ( S ) p ( H ) p ( L ) = Π t = 1 T Π m = 1 M t p ( y m t | Σ n = 1 N a m n s n Σ r = 1 R h n r l r t ) ( Π n = 1 N p ( s n ) × Π n = 1 N Π r = 1 R p ( h n r ) × Π r = 1 R Π t = 1 T p ( l r t ) ,
其中，Z＝{z1,z2,…,zT}，Y＝{y1,y2,…,yT}，Z为无噪声的压缩测量矩阵，Y为有噪声的压缩测量矩阵；
根据S和H相互独立的先验分布p(sn)和p(hnr)，得到G的先验分布p(G)为伯努利-高斯分布：
其中， 为服从参数为λ的伯努利分布，为变量hnr服从均值为方差为的高斯分布，λ、和为先验分布中的参数，δ(gnr)为冲激函数；
获取L的先验分布p(L)，p(L)为标准正态分布：
获取似然分布p(Y|Z)，
其中，为传感器节点t的加性高斯白噪声wt的噪声方差；
根据G的先验分布p(G)、L的先验分布p(L)和似然分布p(Y|Z)，将最大化联合后验分布问题转化为多个广义近似消息传递子问题和、低秩和联合稀疏模式译码子问题，其中，所述多个广义近似消息传递子问题使用广义近似消息传递算法进行求解，所述低秩和联合稀疏模式译码子问题使用扩展双线性广义近似消息传递算法进行求解。
6.根据权利要求5所述的数据收集的方法，其特征在于，在所述使用广义近似消息传递算法和扩展双线性广义近似消息传递算法对所述稀疏信号矩阵进行循环求解，确定所述稀疏信号矩阵，之前，所述的数据收集的方法还包括：
转换所述多个压缩后的收集数据yt为：yt＝Atxt+wt；
其中，At为传感器节点t的映射矩阵，At＝ΦtΨ，
所述使用广义近似消息传递算法和扩展双线性广义近似消息传递算法对所述稀疏信号矩阵进行循环求解，确定所述稀疏信号矩阵，包括：
根据所述有噪声的压缩测量矩阵和多个传感器节点的映射矩阵，将所述稀疏信号矩阵作为广义近似消息传递算法中的稀疏信号矩阵的先验分布；
步骤A，使用广义近似消息传递算法确定广义近似消息传递算法中的稀疏信号矩阵的后验估计结果；
步骤B，将所述广义近似消息传递算法中的稀疏信号矩阵的后验估计结果作为扩展双线性广义近似消息传递算法中的稀疏信号矩阵的先验分布，使用扩展双线性广义近似消息传递算法估计G矩阵和L矩阵，确定扩展双线性广义近似消息传递算法中的稀疏信号矩阵的后验估计结果；
步骤C，将所述扩展双线性广义近似消息传递算法中的后验估计结果作为广义近似消息传递算法中的稀疏信号矩阵的先验分布；
依次循环执行步骤A、步骤B和步骤C，直至广义近似消息传递算法中的稀疏信号矩阵的后验估计结果和扩展双线性广义近似消息传递算法中的稀疏信号矩阵的后验估计结果收敛于同一个值，并将所述同一个值作为所述稀疏信号矩阵的值。
7.根据权利要求6所述的数据收集的方法，其特征在于，在所述步骤A之前，所述的数据收集的方法还包括：
对先验分布和似然分布中的参数λ、和所述稀疏信号矩阵X的秩R进行初始化；
分别在所述步骤A和所述步骤B之间、所述步骤B和所述步骤C之间，所述的数据收集的方法还包括：
采用期望最大估计策略对先验分布和似然分布中的参数λ、和进行自适应调整，并使用基于惩罚对数似然最大策略估计所述稀疏信号矩阵X的秩R。
8.一种数据收集的装置，其特征在于，包括：
压缩数据获取模块，用于获取多个压缩后的收集数据，其中，所述多个压缩后的收集数据是由多个传感器节点分别使用不同的随机测量矩阵对采集的收集数据进行独立的线性压缩得到的；
同时低秩和联合稀疏建模模块，用于对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型；
收集数据重建模块，用于根据所述压缩感知重建模型，采用联合重建算法对所述多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。
9.根据权利要求8所述的数据收集的装置，其特征在于，所述压缩数据获取模块具体用于根据传感器节点t，t∈{1,2,...,T}，得到多个压缩后的收集数据yt；
其中，yt＝Φtft+wt，Φt为传感器节点t的随机测量矩阵，Mt＜＜N，wt为传感器节点t的加性高斯白噪声，ft为传感器节点t采集的收集数据，ft＝[f1t,...,fNt]，
10.根据权利要求9所述的数据收集的装置，其特征在于，所述数据收集的装置还包括：
压缩数据转换模块，用于转换所述多个压缩后的收集数据yt为：yt＝ΦtΨxt+wt，
其中，Ψ为稀疏变换基矩阵，xt为稀疏变换基矩阵Ψ下传感器节点t的稀疏信号向量，xt＝Ψ-1ft，
所述同时低秩和联合稀疏建模模块，包括：
稀疏信号矩阵构成子模块，用于将传感器节点t的稀疏信号向量xt＝Ψ-1ft组合构成稀疏信号矩阵X，其中，X＝[x1 x2 … xT]，X具有同时低秩和联合稀疏结构；
分解子模块，用于将所述稀疏信号矩阵X进行同时低秩和联合稀疏分解，得到X＝SHL＝GL，
其中，S、H、G和L分别为同时低秩和联合稀疏结构的S矩阵、H矩阵、G矩阵和L矩阵；
S＝diag(s1,...,sn)，diag(s1,...,sn)为以s1,...,sn为对角元素的对角矩阵；
R＜＜min(N,T)，R为所述稀疏信号矩阵X的秩。
CN201610835649.4A 2016-09-20 2016-09-20 一种数据收集的方法及装置 Pending CN106227705A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610835649.4A CN106227705A (zh) 2016-09-20 2016-09-20 一种数据收集的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610835649.4A CN106227705A (zh) 2016-09-20 2016-09-20 一种数据收集的方法及装置

Publications (1)

Publication Number Publication Date
CN106227705A true CN106227705A (zh) 2016-12-14

Family

ID=58077311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610835649.4A Pending CN106227705A (zh) 2016-09-20 2016-09-20 一种数据收集的方法及装置

Country Status (1)

Country Link
CN (1) CN106227705A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743056A (zh) * 2017-10-25 2018-02-27 电子科技大学 一种基于压缩感知辅助的scma多用户检测方法
CN108875928A (zh) * 2017-05-15 2018-11-23 广东石油化工学院 多输出回归网络及学习方法
CN111010191A (zh) * 2019-12-12 2020-04-14 国家电网有限公司大数据中心 数据采集方法、系统、设备及存储介质
CN111954241A (zh) * 2020-07-13 2020-11-17 北京邮电大学 Wban网络传输的信号数据恢复方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103505207A (zh) * 2012-06-18 2014-01-15 山东大学威海分校 一种基于压缩感知技术的快速有效的动态磁共振成像方法
CN103745487A (zh) * 2013-12-20 2014-04-23 西北工业大学 基于结构化稀疏先验的贝叶斯高光谱解混压缩感知方法
CN104767535A (zh) * 2015-03-31 2015-07-08 电子科技大学 一种低复杂度块状稀疏信号重构方法
CN105526953A (zh) * 2015-12-03 2016-04-27 厦门大学 一种用于航空结构健康监测的压缩感知系统及该感知系统的工作方法
CN105551000A (zh) * 2015-12-11 2016-05-04 中国科学院遥感与数字地球研究所 基于参考影像结构约束和非凸低秩约束的遥感图像重建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103505207A (zh) * 2012-06-18 2014-01-15 山东大学威海分校 一种基于压缩感知技术的快速有效的动态磁共振成像方法
CN103745487A (zh) * 2013-12-20 2014-04-23 西北工业大学 基于结构化稀疏先验的贝叶斯高光谱解混压缩感知方法
CN104767535A (zh) * 2015-03-31 2015-07-08 电子科技大学 一种低复杂度块状稀疏信号重构方法
CN105526953A (zh) * 2015-12-03 2016-04-27 厦门大学 一种用于航空结构健康监测的压缩感知系统及该感知系统的工作方法
CN105551000A (zh) * 2015-12-11 2016-05-04 中国科学院遥感与数字地球研究所 基于参考影像结构约束和非凸低秩约束的遥感图像重建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANGQING LI 等: "Approximate Message Passing for Sparse Recovering of Spatially and Temporally Correlated Data", 《IEEE/CIC ICCC 2015 SYMPOSIUM ON WIRELESS COMMUNICATIONS SYSTEMS》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875928A (zh) * 2017-05-15 2018-11-23 广东石油化工学院 多输出回归网络及学习方法
CN108875928B (zh) * 2017-05-15 2021-02-26 广东石油化工学院 多输出回归网络及学习方法
CN107743056A (zh) * 2017-10-25 2018-02-27 电子科技大学 一种基于压缩感知辅助的scma多用户检测方法
CN111010191A (zh) * 2019-12-12 2020-04-14 国家电网有限公司大数据中心 数据采集方法、系统、设备及存储介质
CN111010191B (zh) * 2019-12-12 2023-11-07 国家电网有限公司大数据中心 数据采集方法、系统、设备及存储介质
CN111954241A (zh) * 2020-07-13 2020-11-17 北京邮电大学 Wban网络传输的信号数据恢复方法和装置
CN111954241B (zh) * 2020-07-13 2022-06-17 北京邮电大学 Wban网络传输的信号数据恢复方法和装置

Similar Documents

Publication Publication Date Title
CN111464220B (zh) 一种基于深度学习的信道状态信息重建方法
CN107832837B (zh) 一种基于压缩感知原理的卷积神经网络压缩方法及解压缩方法
CN108847876B (zh) 一种大规模mimo时变信道状态信息压缩反馈及重建方法
CN106227705A (zh) 一种数据收集的方法及装置
CN107689795B (zh) 一种基于实时压缩感知的多地区电力控制方法
Ravelomanantsoa et al. Compressed sensing: A simple deterministic measurement matrix and a fast recovery algorithm
CN102833020B (zh) 认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法
CN104767535B (zh) 一种低复杂度块状稀疏信号重构方法
CN110084862B (zh) 基于多尺度小波变换与深度学习的图像压缩感知算法
CN103559696B (zh) 一种基于压缩感知的图像融合方法
CN103944579A (zh) 一种压缩感知重构的编码解码系统
CN104301728A (zh) 基于结构化稀疏字典学习的压缩视频采集与重构系统
CN105721869A (zh) 基于结构化稀疏的压缩张量采集与重构系统
CN103247028A (zh) 一种多假设预测的分块压缩感知图像处理方法
Nagahara et al. Compressive sampling for remote control systems
CN103237204A (zh) 基于高维压缩感知的视频信号采集与重构系统
CN111954305B (zh) 一种基于矩阵补全的无线传感器节点任务时隙调度方法
Sekine et al. LACSLE: lightweight and adaptive compressed sensing based on deep learning for edge devices
Leinonen et al. Compressed acquisition and progressive reconstruction of multi-dimensional correlated data in wireless sensor networks
CN106301384A (zh) 一种基于分块压缩感知的信号重构方法
CN104243986A (zh) 基于数据驱动张量子空间的压缩视频采集与重构系统
CN102594515A (zh) 传感器网络节点数据发送方法及装置、重构方法及装置
Esmaeili et al. Iterative null-space projection method with adaptive thresholding in sparse signal recovery and matrix completion
Kafle et al. Noisy one-bit compressed sensing with side-information
CN112004238A (zh) 一种基于nmf和2-svd-qr的无线传感器网络优化方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20161214

RJ01 Rejection of invention patent application after publication