CN107070459B - 一种分布式过程监控信源低计算复杂度高可靠编解码方法 - Google Patents

一种分布式过程监控信源低计算复杂度高可靠编解码方法 Download PDF

Info

Publication number
CN107070459B
CN107070459B CN201710145401.XA CN201710145401A CN107070459B CN 107070459 B CN107070459 B CN 107070459B CN 201710145401 A CN201710145401 A CN 201710145401A CN 107070459 B CN107070459 B CN 107070459B
Authority
CN
China
Prior art keywords
side information
signal
observation
information
value
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.)
Active
Application number
CN201710145401.XA
Other languages
English (en)
Other versions
CN107070459A (zh
Inventor
华钢
刘海强
黄冬勃
徐永刚
尹洪胜
李璐
姜代红
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201710145401.XA priority Critical patent/CN107070459B/zh
Publication of CN107070459A publication Critical patent/CN107070459A/zh
Application granted granted Critical
Publication of CN107070459B publication Critical patent/CN107070459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H03ELECTRONIC CIRCUITRY
    • H03MCODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00Conversion 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
    • H03M7/30Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3059Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
    • H03M7/3062Compressive sampling or sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明公开了一种分布式过程监控信源低计算复杂度高可靠编解码方法,针对编码端使用随机观测矩阵计算复杂度高的问题,本发明在编码端使用稀疏二进制观测矩阵,将非相关线性测量中的乘法运算变为加法运算,降低了编码计算复杂度,减少了算法的能量消耗,非常适合传感器节点进行独立编码;针对解码端过度依赖一个边信息,解码可靠性低的问题,本发明提出基于多边信息的分布式解码恢复算法,主要解决方案为使用多个边信息,通过信号间差分的估计稀疏度和恢复残差两个指标对边信息按照优先级排序,使用最优边信息提高解码准确率,在最优边信息无法获得时使用次优边信息,以此类推,提高解码可靠性。

Description

一种分布式过程监控信源低计算复杂度高可靠编解码方法
技术领域
本发明涉及信号处理领域,具体涉及一种分布式过程监控信源低计算复杂度高可靠编解码方法
背景技术
分布式信源从监控需求上可以被分为分布式实时信源和分布式过程信源两类。分布式实时监控信源是指对信息实时性要求高的信源,例如瓦斯、风速、负压等,这类传感器节点需要在短时间内定时输出一个采样值并传输,要求做到实时编解码。分布式过程监控信源是指对信息实时性要求不高的信源,比如煤矿采空区温度、槽波、微震等,这类传感器节点不需要实时传输,可以多次采集后集中传输。本发明研究分布式过程监控信源的编解码算法,由于每个传感器传输的都是一个时间序列,因此分布式过程监控信源不仅具有信号间相关性还具有信号内相关性。分布式压缩感知是一种既能够同时利用信号内相关性又能利用信号间相关性的理论,所以特别适合这种一次通信过程中需要传输多个采样序列值的场合。
文章《Distributed Compressive Sensing》中Dror Baron等人提出了分布式压缩感知理论,是一种结合了压缩感知和分布式信源编码优点的理论,不仅能够利用信号内相关性还能利用信号间相关性。在由任意数量传感器和一个中心节点组成的无线传感器网络中,每个传感器与其它传感器互不通信,独立压缩信号传输至中心节点,中心节点联合恢复每个传感器传过来的信号。分布式压缩感知自提出以来,受到了研究人员的大量关注,文章《Distributed Compressive Sensing》中Dror Baron等人提出了三种联合稀疏表示模型(JSM)。Λ:={1,2,……,J}表示全体传感器采集信号序号集合,JSM-1模型中,每一个信号由共同稀疏部分和独立稀疏部分构成。xj=zc+zij,j∈Λ,其中zC=ψθC,zij=ψθj,||θc||0=Kc,||θj||0=Kj,zC是信号的公共部分,在基ψ上稀疏度为Kc,zij为每个信号的独立部分,在基ψ上稀疏度为Kj。以三个信号为例,信号表示如公式(1)所示,信号间关系维恩图解如图1所示,信号间相关性结构如图2所示。
Figure GDA0002937023730000011
JSM-2模型中,公共信息部分为0,每个信号的独立信息部分可以稀疏表示并且有共同的稀疏支撑基,但是非零系数不同,如公式(2)所示。
xj=ψθj,j∈{1,2,…,J}其中||θj||0=K,j∈{1,2,…,J} (2)
在JSM-3模型中,公共信息部分在任何基下都不能稀疏表示,每个信号的独立部分可以稀疏表示,如公式(3)所示,其中θC没有非零值。
xj=zC+zij,zC=ψθC,zij=ψθj,其中||θj||0=Kj,j∈{1,2,…,J} (3)
文章《Joint recovery algorithms using difference of innovations fordistributed compressed sensing》中Diego Valsesia等人提出了基于单边信息信号差分的分布式压缩感知算法,在编码端使用随机观测矩阵,随机观测矩阵是在文献《Compressedsensing》中提出的,已经被证明满足k阶RIP条件。但是随机观测矩阵只在统计意义下以很高概率满足RIP和弱相关性,不能保证每次随机观测的信号都能精确恢复原始信号。随机观测矩阵在应用时为乘法运算,计算复杂度高。稀疏二进制观测矩阵变乘法运算为加法运算,计算简单。本发明在编码端使用Weizhi Lu等人在文献《Sparse Binary Matrices of LDPCcodes for Compressed Sensing》中提出的基于渐进边增长构造算法(PEG)的稀疏二进制观测矩阵。
Weizhi Lu等人提出的基于PEG算法的确定性稀疏二进制观测矩阵构造流程如下:观测矩阵可以用tanner图表示,Tanner图是一种双向图,由变量节点、校验节点以及这两类节点之间相连的边组成,变量节点对应于校验矩阵的列,校验节点对应于校验矩阵的行,Tanner图中,与节点相连的边数目称为节点的度,它与校验矩阵的行重或列重一致。假设观测矩阵的变量节点数为n,校验节点数为m,且节点度分布已经给定,将某变量节点bj的度记为dbj,某校验节点的ci的度记为dci,与变量节点集合Vb相连的的边的集合为
Figure GDA0002937023730000021
与bj相连的第k条边记为
Figure GDA0002937023730000022
将该树图中包含的bj深度为l的所有校验节点的集合记为
Figure GDA0002937023730000023
表示,其补集记为
Figure GDA0002937023730000024
PEG算法流程如下:
For j=0 to n-1
For k=0 to dbj-1
If k=0
Figure GDA0002937023730000025
其中
Figure GDA0002937023730000026
是连接到变量节点bj的第一条边,ci是当前图集合
Figure GDA0002937023730000027
中具有最低度数的校验节点。
Else
在当前图集合的基础上,将变量节点bj展开成深度为l的树图,直到集合
Figure GDA0002937023730000028
的元素数目达到m,或
Figure GDA0002937023730000031
Figure GDA0002937023730000032
然后,
Figure GDA0002937023730000033
Figure GDA0002937023730000034
是连接到变量节点bj的第k条边,ci是集合
Figure GDA0002937023730000035
中具有最低度数的校验节点。
End
End
End
在解码端,基于单边信息信号差分的分布式压缩感知算法中,边信息采用压缩感知方式采样,通过信号观测值与边信息观测值相减去除了信号与边信息之间的公共部分,获得对差分的观测值,然后通过恢复算法恢复出差分,差分与边信息相加得到待编码信号。由于不需要估计公共信息部分,该算法不存在任何误差。另外,边信息采用全采样的方式,信号就可以利用与边信息之间的公共部分少采样,相当于把工作量转移到了采集边信息的传感器,是一种不对称的分布式压缩感知算法。但是,该算法过度依赖一个边信息会造成解码可靠性和有效性低的问题,在该边信息传感器通信中断时会无边信息可用,在该边信息与待恢复信号相关性很小时会造成解码成功率很低。
发明内容
本发明针对现有技术的不足提出了一种分布式过程监控信源低计算复杂度高可靠编解码方法。
本发明为实现以上目的,采用如下方案:
一种分布式过程监控信源低计算复杂度高可靠编解码方法,其中相关参数如下:边信息集合为S={s1,s2,…sq,…sQ},q=1,2,……,Q,其中sq∈RN,Q为大于或等于1的实数,N为大于或等于1的实数,RN表示维度为N的向量;待编码信号集合为W={w1,w2,…wl,…wL},l=1,2,……,L,其中wl∈RN,L为大于1的实数;信号wl的观测矩阵用Φl表示,Φl是一个Ml×N大小的矩阵,M1<<N,Φl为稀疏二进制观测矩阵;yl为观测矩阵Φl对信号wl的观测值,yl=Φlwl;Δylq为信号观测值与边信息观测值的差分值,Δylq=yllsq
Figure GDA0002937023730000036
为使用贪婪追踪算法从Δylq恢复得到的信号间差分的估计值;
Figure GDA0002937023730000037
为使用的边信息sq得到的信号wl的估计值,
Figure GDA0002937023730000038
rlq为恢复残差,
Figure GDA0002937023730000039
sc为经过选择后使用的边信息,其算法流程如下:
S1、编码端,采用观测矩阵Φl对信号wl进行观测得到观测值yl=Φlwl,并将编码后的结果传输至解码端;
S2、在解码端,计算yl与每个边信息观测后差值,得到观测后差值Δylq=yllsq
S3、用贪婪追踪算法从Δylq恢复得到差值估计
Figure GDA0002937023730000041
S4、依据
Figure GDA0002937023730000042
非零元素个数和恢复残差rlq两个指标对边信息按照优先级排序,首先按照
Figure GDA0002937023730000043
非零元素个数由小到大排序,对于非零元素个数相同的边信息按照恢复残差rlq由小到大排序;
S5、如果最优边信息通信中断,使用次优边信息,以此类推,直至得到使用的边信息sc
S6、计算信号观测值与边信息sc观测值的差分Δylc=yllsc
S7、从信号观测值差分Δylc恢复出信号间差分的估计
Figure GDA0002937023730000044
S8、计算信号估计值,
Figure GDA0002937023730000045
本发明和现有技术相比,具有如下优点和有益效果:本发明提出了分布式过程监控信源低计算复杂度高可靠编解码方法,编码端使用稀疏二进制观测矩阵,变乘法运算为加法运算,降低了计算复杂度;在解码端,使用信号差分估计稀疏度和恢复残差两个指标对边信息进行优先级排序,使用最优边信息提高恢复成功率,在最优边信息通信中断时,使用次优边信息,以此类推,保证使用的是能够得到的与待恢复信号相关性最大的边信息,从而提高解码可靠性。
附图说明
图1为分布式信息源相关性关系图一;
图2为分布式信息源相关性关系图二;
图3为本发明算法结构图;
图4为本发明编解码流程图;
图5为本发明算法与基于单边信息信号差分分布式压缩感知算法恢复误差比较图;
图6为基于多边信息的煤矿物联网传感节点部署示意图。
具体实施方式
如图3和图4所示,一种分布式过程监控信源低计算复杂度高可靠编解码方法,其中相关参数如下:边信息集合为S={s1,s2,…sq,…sQ},q=1,2,……,Q,其中sq∈RN,Q为大于或等于1的实数,N为大于或等于1的实数,RN表示维度为N的向量;待编码信号集合为W={w1,w2,…wl,…wL},l=1,2,……,L,其中wl∈RN,L为大于1的实数;信号wl的观测矩阵用Φl表示,Φl是一个Ml×N大小的矩阵,M1<<N,Φl为稀疏二进制观测矩阵;yl为观测矩阵Φl对信号wl的观测值,yl=Φlwl;Δylq为信号观测值与边信息观测值的差分值,Δylq=yllsq
Figure GDA0002937023730000046
为使用贪婪追踪算法从Δylq恢复得到的信号间差分的估计值;
Figure GDA0002937023730000051
为使用的边信息sq得到的信号wl的估计值,
Figure GDA0002937023730000052
rlq为恢复残差,
Figure GDA0002937023730000053
sc为经过选择后使用的边信息,其算法流程如下:
S1、编码端,采用观测矩阵Φl对信号wl进行观测得到观测值yl=Φlwl,并将编码后的结果传输至解码端;
S2、在解码端,计算yl与每个边信息观测后差值,得到观测后差值Δylq=yllsq
S3、用贪婪追踪算法从Δylq恢复得到差值估计
Figure GDA0002937023730000054
S4、依据
Figure GDA0002937023730000055
非零元素个数和恢复残差rlq两个指标对边信息按照优先级排序,首先按照
Figure GDA0002937023730000056
非零元素个数由小到大排序,对于非零元素个数相同的边信息按照恢复残差rlq由小到大排序;
S5、如果最优边信息通信中断,使用次优边信息,以此类推,直至得到使用的边信息sc
S6、计算信号观测值与边信息sc观测值的差分Δylc=yllsc
S7、从信号观测值差分Δylc恢复出信号间差分的估计
Figure GDA0002937023730000057
S8、计算信号估计值,
Figure GDA0002937023730000058
本发明使用多个边信息,通过信号间差分估计稀疏度和恢复残差两个指标对边信息按照优先级排序,使用最优边信息提高解码准确率,在最优边信息无法获得时使用次优边信息。估计稀疏度和恢复残差两个指标是通过贪婪追踪算法得到的,本发明使用的是基于残差收敛的正交匹配追踪算法,流程如下:
输入:观测矩阵Φl、观测后差值Δylq、迭代终止条件E
输出:信号间差分的估计
Figure GDA0002937023730000059
恢复残差rlq
以下流程中t表示迭代次数,
Figure GDA00029370237300000510
表示空集,Λt表示t次迭代的索引(列序号集合),λt表示第t次找到索引(列序号),aj表示矩阵Φl的第j列,At表示按照索引Λt选出的矩阵Φl的列集合。
(1)初始化:r0=Δylq
Figure GDA00029370237300000511
t=1;
(2)找到索引λt,使得:
Figure GDA00029370237300000512
(3)令Λt=Λt-1∪λt,At=At-1∪aλ
(4)求差分信号估计
Figure GDA00029370237300000513
(5)更新残差:rlq=Δylq-At(At TAt)-1At TΔylq
(6)令t=t+1,如果rlq<E,返回差值信号估计
Figure GDA0002937023730000061
和恢复残差rlq;否则,进入第二步。
本发明建立与方法研究思路是,为了解决基于单边信息信号差分分布式压缩感知算法编码计算复杂度高和解码可靠性低的问题,本发明提出了基于稀疏二进制观测矩阵和多边信息的信号差分分布式压缩感知算法。传统基于差分分布式压缩感知算法编码端使用随机观测矩阵,随机观测矩阵是稠密观测矩阵,编码运算时为乘法运算,计算复杂度高,这对计算能力弱的编码端传感器造成了很大的负担。本发明的解决方案为使用Weizhi Lu等人提出的基于PEG算法的稀疏二进制稀疏观测矩阵,将非相关线性测量中的乘法运算变为加法运算,降低了编码复杂度。
基于单边信息信号差分的分布式压缩感知算法解码时过度依赖一个边信息,在该边信息传感器通信中断时会无边信息可用,在该边信息与信号相关性很小时会解码成功率很低,本发明使用多个边信息,使用信号差分估计稀疏度和差分恢复残差两个指标对边信息进行优先级排序,使用最优边信息提高恢复成功率,在最优边信息通信中断时,使用次优边信息,以此类推,保证使用的是能够得到的与待恢复信号相关性最大的边信息,从而提高解码可靠性。
本发明算法适用于部分传感器有线供电的传感网络,有线供电的传感器不受能量限制,能够采用全采样的编码方法,提供更多的信息作为边信息,在有多个传感器采集的信息都可以作为边信息时,本发明算法能够对边信息优先级排序,始终利用最优边信息,从而提高解码可靠性。以煤矿监控传感网络为例,如图5所示,汇聚节点和有线传感器都是有线供电的,均可以采用全采样的编码方式作为边信息,是一种典型的存在多个边信息的分布式压缩感知算法应用场景,此时需要对边信息进行优先级排序,解码时利用与待恢复信号相关性最大的边信息,在最优边信息通信中断时使用次优边信息解码,以此类推,提高解码可靠性。
本节通过仿真验证本发明算法对边信息优先级排序和解码算法的有效性。以三个信号为例,x1和x2作为边信息,x3作为待编码信号。每个信号采用标准高斯分布,支撑集随机选择,信号长度N=100,测量矩阵采用基于PEG算法的稀疏二进制观测矩阵,默认在无噪声条件下进行仿真,信号稀疏度kc、kc{1,2}、kc{2,3}、kc{1,3}、ki1、ki2、ki3随机整数且和为N/2。观测值M从10变化至80,重复试验500次,每次信号和观测矩阵随机产生,对边信息x1、x2进行优先级排序,比较使用本发明算法和基于单边信息分布式压缩感知算法的恢复误差
Figure GDA0002937023730000062
实验效果如图5所示。由图5可以看到,M<30基于多边信息分布式压缩感知恢复算法与使用基于单边信息分布式压缩感知算法差别不大,这主要是由于观测率低造成信号与边信息差分恢复误差大导致边信息优先级排序不准确,随着观测率的增加,40≤M≤80使用基于多边信息分布式压缩感知算法明显优于使用单边信息分布式压缩感知算法,并且随着观测率增加,这种优势越来越明显,M>70时使用基于多边信息分布式压缩感知算法误差趋近于0,使用基于单边信息分布式压缩感知算法要到M>78左右之后误差才趋近于零,说明使用本发明能够选择到与信号相关性最大的边信息,信号恢复误差小于基于单边信息信号差分分布式压缩感知算法。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。

Claims (1)

1.一种分布式过程监控信源低计算复杂度高可靠编解码方法,其中相关参数如下:边信息集合为S={s1,s2,…sq,…sQ},q=1,2,……,Q,其中sq∈RN,Q为大于或等于1的实数,N为大于或等于1的实数,RN表示维度为N的向量;待编码信号集合为W={w1,w2,…wl,…wL},l=1,2,……,L,其中wl∈RN,L为大于1的实数;信号wl的观测矩阵用Φl表示,Φl是一个Ml×N大小的矩阵,Ml<<N,Φl为稀疏二进制观测矩阵;yl为观测矩阵Φl对信号wl的观测值,yl=Φlwl;Δylq为信号观测值与边信息观测值的差分值,Δylq=yllsq
Figure FDA0002937023720000019
为使用贪婪追踪算法从Δylq恢复得到的信号间差分的估计值;
Figure FDA0002937023720000011
为使用的边信息sq得到的信号wl的估计值,
Figure FDA0002937023720000012
rlq为恢复残差,
Figure FDA0002937023720000013
sc为经过选择后使用的边信息,其特征在于,其算法流程如下:
S1、编码端,采用观测矩阵Φl对信号wl进行观测得到观测值yl=Φlwl,并将编码后的结果传输至解码端;
S2、在解码端,计算yl与每个边信息观测后差值,得到观测后差值Δylq=yllsq
S3、用贪婪追踪算法从Δylq恢复得到差值估计
Figure FDA0002937023720000014
S4、依据
Figure FDA0002937023720000015
非零元素个数和恢复残差rlq两个指标对边信息按照优先级排序,首先按照
Figure FDA0002937023720000016
非零元素个数由小到大排序,对于非零元素个数相同的边信息按照恢复残差rlq由小到大排序;
S5、如果最优边信息通信中断,使用次优边信息,以此类推,直至得到使用的边信息sc
S6、计算信号观测值与边信息sc观测值的差分Δylc=yllsc
S7、从信号观测值差分Δylc恢复出信号间差分的估计
Figure FDA0002937023720000017
S8、计算信号估计值,
Figure FDA0002937023720000018
CN201710145401.XA 2017-03-13 2017-03-13 一种分布式过程监控信源低计算复杂度高可靠编解码方法 Active CN107070459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710145401.XA CN107070459B (zh) 2017-03-13 2017-03-13 一种分布式过程监控信源低计算复杂度高可靠编解码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710145401.XA CN107070459B (zh) 2017-03-13 2017-03-13 一种分布式过程监控信源低计算复杂度高可靠编解码方法

Publications (2)

Publication Number Publication Date
CN107070459A CN107070459A (zh) 2017-08-18
CN107070459B true CN107070459B (zh) 2021-06-18

Family

ID=59621592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710145401.XA Active CN107070459B (zh) 2017-03-13 2017-03-13 一种分布式过程监控信源低计算复杂度高可靠编解码方法

Country Status (1)

Country Link
CN (1) CN107070459B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111858721B (zh) * 2020-08-03 2023-07-21 南京大学 一种基于优先级编码的分布式计算方法
CN115379021A (zh) * 2022-07-08 2022-11-22 金陵科技学院 基于椭圆曲线伪随机序列的煤矿微震数据压缩采集方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103368578A (zh) * 2013-07-01 2013-10-23 中国农业大学 基于压缩感知的分布式无线传感器网络节点信号采样方法
US8832534B1 (en) * 2010-01-04 2014-09-09 Viasat, Inc. LDPC decoder architecture
CN104778671A (zh) * 2015-04-21 2015-07-15 重庆大学 一种基于sae和稀疏表示的图像超分辨率方法
CN104935349A (zh) * 2015-06-04 2015-09-23 西南交通大学 一种振动信号压缩采样方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8832534B1 (en) * 2010-01-04 2014-09-09 Viasat, Inc. LDPC decoder architecture
CN103368578A (zh) * 2013-07-01 2013-10-23 中国农业大学 基于压缩感知的分布式无线传感器网络节点信号采样方法
CN104778671A (zh) * 2015-04-21 2015-07-15 重庆大学 一种基于sae和稀疏表示的图像超分辨率方法
CN104935349A (zh) * 2015-06-04 2015-09-23 西南交通大学 一种振动信号压缩采样方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
测控信源压缩方法研究;华钢等;《中国重要会议论文全文数据库》;20041231;95-98 *

Also Published As

Publication number Publication date
CN107070459A (zh) 2017-08-18

Similar Documents

Publication Publication Date Title
Schniter Turbo reconstruction of structured sparse signals
CN103941220B (zh) 一种基于稀疏重构的网格外目标波达方向估计方法
Forero et al. Sparsity-exploiting robust multidimensional scaling
CN107832837A (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
Chou et al. Efficient computation of robust average of compressive sensing data in wireless sensor networks in the presence of sensor faults
CN107070459B (zh) 一种分布式过程监控信源低计算复杂度高可靠编解码方法
CN109783799B (zh) 一种基于语义依存图的关系提取方法
Cai et al. Universal entropy estimation via block sorting
CN104320144B (zh) 稀疏度自适应信号重构方法
Neyshabur et al. Sparse matrix factorization
Gishkori et al. Compressed sensing for block-sparse smooth signals
McMorris et al. The center function on trees
CN111045861B (zh) 一种基于深度神经网络的传感器数据恢复方法
CN104867166A (zh) 一种基于稀疏字典学习的油井示功图压缩存储方法
CN114896101A (zh) 存在数据错误和缺失的无线传感器网络收集数据重建方法
Kortas et al. Routing aware space-time compressive sensing for wireless sensor networks
CN107612555A (zh) 一种基于二分法的改进稀疏度自适应匹配追踪算法
Mazumdar et al. Sparse recovery properties of statistical RIP matrices
Truong On linear model with markov signal priors
Godfrey et al. Fast computation of permutation equivariant layers with the partition algebra
Gleichman et al. Multichannel blind compressed sensing
Goyal et al. Sparse signal recovery through regularized orthogonal matching pursuit for WSNs applications
Hachicha Support projection of state and a quantum Lévy–Austin–Ornstein theorem
Li et al. A group matching pursuit for image reconstruction
Jacquet et al. Noisy constrained capacity for BSC channels

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant