CN109391931A - 应用于应急处置的高可靠性数据传输系统 - Google Patents

Abstract

本发明属于应急通信技术领域，具体涉及一种应用于应急处置的高可靠性数据传输系统。该系统包括：原始数据收集模块；含有异常值的压缩数据收集模块；含有异常值的压缩数据重构模块；与现有技术相比较，本发明具备如下有益效果：(1)能量消耗少：由于应急处置环境中的数据具有动态性，复杂性等特点，每次采样都需要同时采集个传感器的值。本发明提出的数据收集方法，每次只需要采集个数值，因此会减少网络中的数据传输量，减少网络中的能量消耗。(2)数据重构精度高：应急无线传输节点应用场景复杂，通常包含有不可预测的环境噪声。本发明采用一种应用于应急处置的高可靠性数据传输方法，使用压缩感知原理进行数据收集，能实现数据的精确重构。

Description

应用于应急处置的高可靠性数据传输系统

技术领域

本发明属于应急通信技术领域，具体涉及一种应用于应急处置的高可靠性数据传输系统。

背景技术

在社会生活各个领域，随时随地都有各种各样的突发事件发生。对于突发事件，相关部门要及时了解突发事件的情况，制定应急响应方案、进行有效处理，从而降低事故的发生率及生命财产损失。由于应急突发情况的变幻莫测，突发事件数据具有动态性、即时性和复杂性，要求对采集到的各种突发数据进行可靠地无线传输和采集，使其能够反映应急事件的真实情况，以便各个部门进行相应的处置。通常在应急监控区域大规模地部署高度集成的智能传感器组成无线数据传输节点，用于对应急环境目标的充分感知。但是当应急事件发生时，网络环境状况比较复杂，收集到的数据通常会包含大量的噪声信号，也就是数据异常值，这就需要在数据重构的过程中准确地剔除数据异常值。再者，普通的无线传输节点能量供应不足，需要尽量减少数据的传输量。为了满足这些需求，需要定制一种应用于应急处置的高可靠性数据传输方法，以便准确地重构原始数据，同时减少原始数据的传输量，降低能量消耗，实现应急处置突发事件的数据传输收集的高能效、高可靠性。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：针对应用于应急处置中，突发事件数据具有动态性、即时性和复杂性的特点，如何提出一种应用于应急处置的高可靠性数据传输系统，在较少的数据传输次数的情况下，实现真实原始数据的准确重构。

(二)技术方案

为解决上述技术问题，本发明提供一种应用于应急处置的高可靠性数据传输系统，该系统包括：原始数据收集模块、压缩数据收集模块、压缩数据重构模块；

所述原始数据收集模块用于：在正常状态下，应急处置环境中没有应急事件发生，环境中不含有噪声，采用数据采样与压缩同时进行的方式，整合采样环节和数据压缩环节，获取原始数据；

所述压缩数据收集模块用于：在实际应急处置环境中，无线数据传输节点收集的数据本身含有异常值，在压缩过程中也会引入异常值，大幅值的异常值对原始数据的重构精度的影响是不容忽视的，需要进行一定的处理后获得含有异常值的压缩数据；

所述压缩数据重构模块用于：经过原始数据收集模块及压缩数据收集模块的处理，得到了含有异常值的压缩数据，然后通过最小化参数来求解获得原始数据。

其中，该系统假设应急通信环境下，有N个无线传输节点，1个汇聚节点，数据采集节点通常采用电池供电，自己含有的能量极其有限，汇聚节点能量供应较为充足，负责接收N个无线传输节点发送的数据，该系统通过原始数据收集，含有异常值的压缩数据收集，重构含有异常值的压缩数据等工作环节来减少不必要的数据传输，能大大减少应急处置无线数据传输节点能量消耗，在提高原始数据的可靠性等方面具有显著的优势。

其中，所述原始数据收集模块中，令x∈R^N为N维原始数据，R^N表示N维实数向量，令y∈R^M表示测量值，R^M表示M维实数向量；

所述原始数据收集模块包括：

数据收集单元，该数据收集单元控制N个无线传输节点按照一定的时间间隔采集数据，则第k次采样的数据可以表示为x_k∈R^N；

信号的稀疏基矩阵确定单元，该信号的稀疏基矩阵确定单元假设采样数据x_k在某正交稀疏基D∈R^N×N下是稀疏的，则可表示为

x_k＝Dθ (1)

其中，稀疏系数向量θ∈R^N是d维稀疏的，即||θ||₀＝d,d＜＜N，其中||·||₀是向量的l₀范数，d是一个远小于N的正整数；

压缩采样单元，其对采样数据x_k经过测量矩阵Φ压缩采样后得到M(M＜＜N)个测量值，

y＝Φx_k (2)

其中，Φ∈R^M×N测量矩阵为随机贝努利矩阵，R^M×N表示M×N维矩阵，向量y∈R^M中含有采样数据x_k压缩后的有效信息，Φ中的元素分布独立服从贝努利分布，即

其中，Φ_i,j表示测量矩阵Φ的第i行、第j列的元素值，p表示生成元素的概率。结合式(1)和式(2)，可以得到下面的表达式

y＝ΦDθ＝γθ (4)

其中，γ＝ΦD∈R^M×N表示感知矩阵，求解以下最优化问题得到稀疏系数向量θ的值，

其中，||·||₁表示向量的l₁范数，||·||₂表示向量的欧几里得范数，σ为自定义的误差的上界；

判定单元，其用于在上述公式(5)中的最优化问题存在最优解时，则判定得出选取的正交稀疏基D是可行的，否则需要重复上述计算过程，直到最优化问题存在最优解。

其中，所述压缩数据收集模块包括：转化单元、收集单元、运算化简单元；

所述转化单元用于将测量矩阵转化为高斯随机矩阵；生成M×N维的高斯随机矩阵Φ∈R^M×N，M＜＜N，其中即为矩阵Φ各元素服从均值为0，方差为的分布规律；

收集单元，用于对含有异常值的压缩数据进行收集，由原始数据收集模块得到采样数据x_k在正交稀疏基D∈R^N×N下是稀疏的，则含有异常值的压缩数据收集过程可以表示为

y＝Φ(Dθ+o_s)+o_m， (6)

运算化简单元，其令则公式(6)可以表示为

其中，I_N∈R^N×N表示N×N维单位矩阵，I_M∈R^M×M表示M×M维单位矩阵。

其中，经过前述原始数据收集模块及压缩数据收集模块的处理，得到了含有异常值的压缩数据，然后所述压缩数据重构模块通过最小化参数和o_m来求解原始数据x，即为求解以下优化问题。：

其中，f>0是一个常数，可根据具体需要来调节和o_m的稀疏度，使用最优化算法求解问题(8)可以得到参数θ，则原始数据可以通过以下公式得到：

x＝Dθ (9)。

(三)有益效果

与现有技术相比较，本发明具备如下有益效果：

(1)能量消耗少：由于应急处置环境中的数据具有动态性，复杂性等特点，每次采样都需要同时采集N个传感器的值。本发明提出的数据收集模块，每次只需要采集M(M＜＜N)个数值，因此会减少网络中的数据传输量，减少网络中的能量消耗。

(2)数据重构精度高：应急无线传输节点应用场景复杂，通常包含有不可预测的环境噪声。本发明采用一种应用于应急处置的高可靠性数据传输系统，使用压缩感知原理进行数据收集，能实现数据的精确重构。

附图说明

图1为本发明的应急处置中的无线传输节点数据传输示意图。

图2为本发明的应用于应急处置的高可靠性数据传输方法流程图。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

为解决上述技术问题，本发明提供一种应用于应急处置的高可靠性数据传输系统，该系统包括：原始数据收集模块、压缩数据收集模块、压缩数据重构模块；

所述原始数据收集模块用于：在正常状态下，应急处置环境中没有应急事件发生，环境中不含有噪声，采用数据采样与压缩同时进行的方式，整合采样环节和数据压缩环节，获取原始数据；

所述压缩数据收集模块用于：在实际应急处置环境中，无线数据传输节点收集的数据本身含有异常值，在压缩过程中也会引入异常值，大幅值的异常值对原始数据的重构精度的影响是不容忽视的，需要进行一定的处理后获得含有异常值的压缩数据；

所述压缩数据重构模块用于：经过原始数据收集模块及压缩数据收集模块的处理，得到了含有异常值的压缩数据，然后通过最小化参数来求解获得原始数据。

其中，该系统假设应急通信环境下，有N个无线传输节点，1个汇聚节点，数据采集节点通常采用电池供电，自己含有的能量极其有限，汇聚节点能量供应较为充足，负责接收N个无线传输节点发送的数据，该系统通过原始数据收集，含有异常值的压缩数据收集，重构含有异常值的压缩数据等工作环节来减少不必要的数据传输，能大大减少应急处置无线数据传输节点能量消耗，在提高原始数据的可靠性等方面具有显著的优势。

其中，所述原始数据收集模块中，令x∈R^N为N维原始数据，R^N表示N维实数向量，令y∈R^M表示测量值，R^M表示M维实数向量；

所述原始数据收集模块包括：

数据收集单元，该数据收集单元控制N个无线传输节点按照一定的时间间隔采集数据，则第k次采样的数据可以表示为x_k∈R^N；

信号的稀疏基矩阵确定单元，该信号的稀疏基矩阵确定单元假设采样数据x_k在某正交稀疏基D∈R^N×N下是稀疏的，则可表示为

x_k＝Dθ (1)

其中，稀疏系数向量θ∈R^N是d维稀疏的，即||θ||₀＝d,d＜＜N，其中||·||₀是向量的l₀范数，d是一个远小于N的正整数；

压缩采样单元，其对采样数据x_k经过测量矩阵Φ压缩采样后得到M(M＜＜N)个测量值，

y＝Φx_k (2)

其中，Φ∈R^M×N测量矩阵为随机贝努利矩阵，R^M×N表示M×N维矩阵，向量y∈R^M中含有采样数据x_k压缩后的有效信息，Φ中的元素分布独立服从贝努利分布，即

其中，Φ_i,j表示测量矩阵Φ的第i行、第j列的元素值，p表示生成元素的概率。结合式(1)和式(2)，可以得到下面的表达式

y＝ΦDθ＝Υθ (4)

其中，Υ＝ΦD∈R^M×N表示感知矩阵，求解以下最优化问题得到稀疏系数向量θ的值，

其中，||·||₁表示向量的l₁范数，||·||₂表示向量的欧几里得范数，σ为自定义的误差的上界；

判定单元，其用于在上述公式(5)中的最优化问题存在最优解时，则判定得出选取的正交稀疏基D是可行的，否则需要重复上述计算过程，直到最优化问题存在最优解。

其中，所述压缩数据收集模块包括：转化单元、收集单元、运算化简单元；

所述转化单元用于将测量矩阵转化为高斯随机矩阵；生成M×N维的高斯随机矩阵Φ∈R^M×N，M＜＜N，其中即为矩阵Φ各元素服从均值为0，方差为的分布规律；

收集单元，用于对含有异常值的压缩数据进行收集，由原始数据收集模块得到采样数据x_k在正交稀疏基D∈R^N×N下是稀疏的，则含有异常值的压缩数据收集过程可以表示为

y＝Φ(Dθ+o_s)+o_m， (6)

运算化简单元，其令则公式(6)可以表示为

其中，I_N∈R^N×N表示N×N维单位矩阵，I_M∈R^M×M表示M×M维单位矩阵。

其中，经过前述原始数据收集模块及压缩数据收集模块的处理，得到了含有异常值的压缩数据，然后所述压缩数据重构模块通过最小化参数和o_m来求解原始数据x，即为求解以下优化问题。：

其中，f>0是一个常数，可根据具体需要来调节和o_m的稀疏度，使用最优化算法求解问题(8)可以得到参数θ，则原始数据可以通过以下公式得到：

x＝Dθ (9)。

此外，本发明还提供一种应用于应急处置的高可靠性数据传输方法，采用压缩感知的数据收集方法，该方法非常适合通过无线链路进行数据传输的节点；如图1-图2所示，假设应急通信环境下，有N个无线传输节点，1个汇聚节点，数据采集节点通常采用电池供电，自己含有的能量极其有限，汇聚节点能量供应较为充足，负责接收N个无线传输节点发送的数据，具体的数据传输示意如图1所示。本发明方法通过原始数据收集，含有异常值的压缩数据收集，重构含有异常值的压缩数据等步骤来减少不必要的数据传输，能大大减少应急处置无线数据传输节点能量消耗，在提高原始数据的可靠性等方面具有显著的优势。包含以下步骤：

步骤一：收集原始数据；

正常状态下，应急处置环境中没有应急事件发生，环境中不含有噪声，采用数据采样与压缩同时进行的方式，整合采样环节和数据压缩环节，获取原始数据；

其中，所述步骤一中，令x∈R^N为N维原始数据，R^N表示N维实数向量，令y∈R^M表示测量值，R^M表示M维实数向量；

该步骤一包括：

步骤1.1：数据收集，N个无线传输节点按照一定的时间间隔采集数据，则第k次采样的数据可以表示为x_k∈R^N；

步骤1.2：确定信号的稀疏基矩阵，假设采样数据x_k在某正交稀疏基D∈R^N×N下是稀疏的，则可表示为

x_k＝Dθ (1)

其中，稀疏系数向量θ∈R^N是d维稀疏的，即||θ||₀＝d,d＜＜N，其中||·||₀是向量的l₀范数，d是一个远小于N的正整数；

步骤1.3：采样数据x_k经过测量矩阵Φ压缩采样后得到M(M＜＜N)个测量值，

y＝Φx_k (2)

其中，Φ∈R^M×N测量矩阵为随机贝努利矩阵，R^M×N表示M×N维矩阵，向量y∈R^M中含有采样数据x_k压缩后的有效信息，Φ中的元素分布独立服从贝努利分布，即

其中，Φ_i,j表示测量矩阵Φ的第i行、第j列的元素值，p表示生成元素的概率。结合式(1)和式(2)，可以得到下面的表达式

y＝ΦDθ＝Υθ (4)

其中，Υ＝ΦD∈R^M×N表示感知矩阵，求解以下最优化问题得到稀疏系数向量θ的值，

其中，||·||₁表示向量的l₁范数，||·||₂表示向量的欧几里得范数，σ为自定义的误差的上界；

步骤1.4：若上述步骤1.3中的最优化问题存在最优解，则可得出选取的正交稀疏基D是可行的，否则需要重复上述步骤，直到步骤1.3中的最优化问题存在最优解；

步骤二，收集含有异常值的压缩数据：

在实际应急处置环境中，无线数据传输节点收集的数据本身含有异常值o_s∈R^N，在压缩过程中也会引入异常值o_m∈R^M，大幅值的异常值对原始数据的重构精度的影响是不容忽视的，需要进行一定的处理后获得含有异常值的压缩数据；

其中，所述步骤二包括：

步骤2.1：将测量矩阵转化为高斯随机矩阵；生成M×N维的高斯随机矩阵Φ∈R^M×N，M＜＜N，其中即为矩阵Φ各元素服从均值为0，方差为的分布规律；

步骤2.2：含有异常值的压缩数据收集，由步骤一得到采样数据x_k在正交稀疏基D∈R^N×N下是稀疏的，则含有异常值的压缩数据收集过程可以表示为

y＝Φ(Dθ+o_s)+o_m， (6)

步骤2.3：令则公式(6)可以表示为

其中，I_N∈R^N×N表示N×N维单位矩阵，I_M∈R^M×M表示M×M维单位矩阵。

步骤三，重构含有异常值的压缩数据：

经过前述步骤一及步骤二，得到了含有异常值的压缩数据，然后通过最小化参数和o_m来求解原始数据x，即为求解以下优化问题。：

其中，f>0是一个常数，可根据具体需要来调节和o_m的稀疏度，使用最优化算法求解问题(8)可以得到参数θ，则原始数据可以通过以下公式得到：

x＝Dθ (9)。

其中，经过前述步骤一及步骤二，得到了含有异常值的压缩数据，然后所述步骤三通过最小化参数和o_m来求解原始数据x，即为求解以下优化问题。：

其中，f>0是一个常数，可根据具体需要来调节和o_m的稀疏度，使用最优化算法求解问题(8)可以得到参数θ，则原始数据可以通过以下公式得到：

x＝Dθ (9)。

通过以上步骤，本发明所提供的应用于应急处置的高可靠性数据传输方法，能在含有异常值的压缩数据中，准确地重构原始数据，减少无线数据传输节点中的能量消耗，提高应急处置传输数据的可靠性。

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形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种应用于应急处置的高可靠性数据传输系统，其特征在于，该系统包括：原始数据收集模块、压缩数据收集模块、压缩数据重构模块；

所述原始数据收集模块用于：在正常状态下，应急处置环境中没有应急事件发生，环境中不含有噪声，采用数据采样与压缩同时进行的方式，整合采样环节和数据压缩环节，获取原始数据；

所述压缩数据收集模块用于：在实际应急处置环境中，无线数据传输节点收集的数据本身含有异常值，在压缩过程中也会引入异常值，大幅值的异常值对原始数据的重构精度的影响是不容忽视的，需要进行一定的处理后获得含有异常值的压缩数据；

所述压缩数据重构模块用于：经过原始数据收集模块及压缩数据收集模块的处理，得到了含有异常值的压缩数据，然后通过最小化参数来求解获得原始数据。

2.如权利要求1所述的应用于应急处置的高可靠性数据传输系统，其特征在于，该系统假设应急通信环境下，有N个无线传输节点，1个汇聚节点，数据采集节点通常采用电池供电，自己含有的能量极其有限，汇聚节点能量供应较为充足，负责接收N个无线传输节点发送的数据，该系统通过原始数据收集，含有异常值的压缩数据收集，重构含有异常值的压缩数据等工作环节来减少不必要的数据传输，能大大减少应急处置无线数据传输节点能量消耗，在提高原始数据的可靠性等方面具有显著的优势。

3.如权利要求1所述的应用于应急处置的高可靠性数据传输该系统，其特征在于，所述原始数据收集模块中，令x∈R^N为N维原始数据，R^N表示N维实数向量，令y∈R^M表示测量值，R^M表示M维实数向量；

所述原始数据收集模块包括：

数据收集单元，该数据收集单元控制N个无线传输节点按照一定的时间间隔采集数据，则第k次采样的数据可以表示为x_k∈R^N；

信号的稀疏基矩阵确定单元，该信号的稀疏基矩阵确定单元假设采样数据x_k在某正交稀疏基D∈R^N×N下是稀疏的，则可表示为

x_k＝Dθ (1)

其中，稀疏系数向量θ∈R^N是d维稀疏的，即||θ||₀＝d,d＜＜N，其中||·||₀是向量的l₀范数，d是一个远小于N的正整数；

压缩采样单元，其对采样数据x_k经过测量矩阵Φ压缩采样后得到M(M＜＜N)个测量值，

y＝Φx_k (2)

其中，Φ∈R^M×N测量矩阵为随机贝努利矩阵，R^M×N表示M×N维矩阵，向量y∈R^M中含有采样数据x_k压缩后的有效信息，Φ中的元素分布独立服从贝努利分布，即

其中，Φ_i,j表示测量矩阵Φ的第i行、第j列的元素值，p表示生成元素的概率。结合式(1)和式(2)，可以得到下面的表达式

y＝ΦDθ＝Υθ (4)

其中，Υ＝ΦD∈R^M×N表示感知矩阵，求解以下最优化问题得到稀疏系数向量θ的值，

其中，||·||₁表示向量的l₁范数，||·||₂表示向量的欧几里得范数，σ为自定义的误差的上界；

判定单元，其用于在上述公式(5)中的最优化问题存在最优解时，则判定得出选取的正交稀疏基D是可行的，否则需要重复上述计算过程，直到最优化问题存在最优解。

4.如权利要求3所述的应用于应急处置的高可靠性数据传输系统，其特征在于，所述压缩数据收集模块包括：转化单元、收集单元、运算化简单元；

所述转化单元用于将测量矩阵转化为高斯随机矩阵；生成M×N维的高斯随机矩阵Φ∈R^M×N，M＜＜N，其中即为矩阵Φ各元素服从均值为0，方差为的分布规律；

收集单元，用于对含有异常值的压缩数据进行收集，由原始数据收集模块得到采样数据x_k在正交稀疏基D∈R^N×N下是稀疏的，则含有异常值的压缩数据收集过程可以表示为

y＝Φ(Dθ+o_s)+o_m， (6)

运算化简单元，其令则公式(6)可以表示为

其中，I_N∈R^N×N表示N×N维单位矩阵，I_M∈R^M×M表示M×M维单位矩阵。

5.如权利要求4所述的应用于应急处置的高可靠性数据传输系统，其特征在于，经过前述原始数据收集模块及压缩数据收集模块的处理，得到了含有异常值的压缩数据，然后所述压缩数据重构模块通过最小化参数和o_m来求解原始数据x，即为求解以下优化问题。：

其中，f>0是一个常数，可根据具体需要来调节和o_m的稀疏度，使用最优化算法求解问题(8)可以得到参数θ，则原始数据可以通过以下公式得到：

x＝Dθ (9)。