CN111404758A - 一种快速的时变图信号分布式修复方法 - Google Patents

一种快速的时变图信号分布式修复方法 Download PDF

Info

Publication number
CN111404758A
CN111404758A CN202010230793.1A CN202010230793A CN111404758A CN 111404758 A CN111404758 A CN 111404758A CN 202010230793 A CN202010230793 A CN 202010230793A CN 111404758 A CN111404758 A CN 111404758A
Authority
CN
China
Prior art keywords
sensor
network
sensor node
iteration
repair
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.)
Granted
Application number
CN202010230793.1A
Other languages
English (en)
Other versions
CN111404758B (zh
Inventor
周芳
蒋俊正
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202010230793.1A priority Critical patent/CN111404758B/zh
Publication of CN111404758A publication Critical patent/CN111404758A/zh
Application granted granted Critical
Publication of CN111404758B publication Critical patent/CN111404758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • 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)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开一种快速的时变图信号分布式修复方法，通过将修复问题归结为一个无约束的优化问题，最小化数据保真度、空域非平滑惩罚项和时域非平滑惩罚项的加权和。在牛顿迭代法的基础上，将海森矩阵
Figure DDA0002429211560000011
用J代替。求解J时，采取“分解‑合并”思想。在保证修复性能的前提下，该方法具有快的收敛速度，同时被损坏的网络节点不具有计算能力。

Description

一种快速的时变图信号分布式修复方法
技术邻域
本发明涉及时变图信号处理技术邻域，具体涉及一种快速的时变图信号分布式修复方法。
背景技术
在许多应用中，传感器网络在时间上连续不断地采集数据，该数据建模为时变图信号X＝{xt,t＝0,…,T-1}，其中T为时序数，xt为t时刻的图信号。由于传感器网络受环境扰动影响甚至失灵，导致采集的时变图信号不可避免地出现部分破坏甚至丢失，故时变图信号的修复具有十分重要的意义。
对时变图信号进行修复可以分为集中式修复和分布式修复两类。由于时变图信号的数据量十分庞大，因此集中式修复方法在求解时需要涉及高维矩阵求逆，从而使得算法变得复杂，计算量大，效率低。而目前出现的分布式修复采用梯度下降法求解，被损坏的网络节点也具有计算能力，存在收敛速度慢的问题。
发明内容
本发明针对现有时变图信号修复方法存在收敛速度慢的问题，提供一种快速的时变图信号分布式修复方法，其能够在保证修复性能的前提下提高算法收敛速度。
为解决上述问题，本发明是通过以下技术方案实现的：
一种快速的时变图信号分布式修复方法，包括步骤如下：
步骤1、采集传感器网络中所有传感器节点在第t时刻时变信号的观测向量b，并计算迭代残差向量
Figure BDA0002429211540000011
Figure BDA0002429211540000012
步骤2、计算传感器网络优化目标函数的海森矩阵DM：
Figure BDA0002429211540000013
步骤3、对于传感器网络中的每个未被破坏的传感器节点，从传感器网络中划分出该未被破坏的传感器节点所对应的传感器子网络，其中每个未被破坏的传感器节点所对应的传感器子网络包含该未被破坏的传感器节点及其2r阶邻域传感器节点，由此得到|M|个传感器子网络；
步骤4、针对每个传感器子网络，计算该传感器子网络对应目标函数的海森矩阵求逆的局部近似矩阵；其中第k个传感器子网络的局部近似矩阵Jk为：
Figure BDA0002429211540000014
步骤5、初始化：令初始的第k个传感器子网络的局部残差向量
Figure BDA0002429211540000021
令初始的第i个传感器节点的残差值
Figure BDA0002429211540000022
其中
Figure BDA0002429211540000023
为迭代残差向量
Figure BDA0002429211540000024
的第i个元素；令初始的第i个传感器节点的修复值
Figure BDA0002429211540000025
令初始的迭代次数m＝0；同时，给定迭代终止阈值e；
步骤6、针对每个传感器子网络，计算第m次迭代下该传感器子网络局部修复增量向量；其中第m次迭代下第k个传感器子网络的局部修复增量向量
Figure BDA0002429211540000026
为：
Figure BDA0002429211540000027
步骤7、对于传感器网络中的每个传感器节点，将第m次迭代下该传感器节点所在的传感器子网络的局部修复增量值进行合并，得到在第m次迭代下该传感器节点的修复增量值；其中第m次迭代下第i个传感器节点的修复增量值
Figure BDA0002429211540000028
Figure BDA0002429211540000029
步骤8、对传感器网络中的每个传感器节点的残差值和修复值进行更新；其中第i个传感器节点的修复值的更新公式为：
Figure BDA00024292115400000210
其中第i个传感器节点的残差值的更新公式为：
Figure BDA00024292115400000211
步骤9、判断
Figure BDA00024292115400000212
是否成立：
如果是，则结束迭代，则将第m+1次迭代下第i个传感器节点的修复值
Figure BDA00024292115400000213
形成第t时刻时变信号的修复向量
Figure BDA00024292115400000214
输出；
否则，令第m+1次迭代下第k个传感器子网络的局部残差向量
Figure BDA00024292115400000215
同时令迭代次数m加1后，返回到第6步继续迭代；
上述：i,j∈V，V为传感器网络中传感器节点集合；k∈M，M为传感器网络中未被破坏的传感器节点集合；t为当前时刻，t＝1,2,…T-1；r为给定的邻域半径；
Figure BDA00024292115400000216
I|M|为|M|×|M|维的单位矩阵，其元素值
Figure BDA00024292115400000217
|M|传感器网络中未被破坏的传感器节点的数量；b为第t时刻时变信号的观测向量；
Figure BDA00024292115400000218
为第t-l时刻时变信号的修复向量；Ct-l为第t-l时刻时变信号的权系数向量；β为第二加权因子；H1为高通滤波器向量；I为|V|×|V|维的单位矩阵；|V|为传感器网络中传感器节点的数量；α为第一加权因子；
Figure BDA00024292115400000219
为|V|×|V|维的对角矩阵，其元素值
Figure BDA00024292115400000220
B(k,r)为未被破坏的传感器节点k及其r阶邻域节点的集合；
Figure BDA00024292115400000221
为第m次迭代下第k个传感器子网络的局部残差向量；B(i,r)为传感器节点i及其r阶邻域节点的集合；
Figure BDA00024292115400000222
为第m次迭代下第k个传感器子网络的局部修复增量向量
Figure BDA0002429211540000031
的第i个元素；
Figure BDA0002429211540000032
为第m次迭代下第i个传感器节点的修复值；
Figure BDA0002429211540000033
为第m+1次迭代下第i个传感器节点的修复值；
Figure BDA0002429211540000034
为第m次迭代下第i个传感器节点的残差值；
Figure BDA0002429211540000035
为第m+1次迭代下第i个传感器节点的残差值；DM(i,j)为海森矩阵DM的第i行第j列的元素；
Figure BDA0002429211540000036
为m次迭代下第j个传感器节点的修复增量值；B(i,2r)为传感器节点i及其2r阶邻域节点的集合。
上述方案中，给定的邻域半径r需要保证传感器网络中的任何一个传感器节点至少归属于2个传感器子网络中。
与现有技术相比，本发明将修复问题归结为一个无约束的优化问题，最小化数据保真度、空域非平滑惩罚项和时域非平滑惩罚项的加权和。在牛顿迭代法的基础上，将海森矩阵
Figure BDA0002429211540000037
用J代替。求解J时，采取“分解-合并”思想。在保证修复性能的前提下，该方法具有快的收敛速度，同时被损坏的网络节点不具有计算能力。
附图说明
图1是海平面温度图信号。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明进一步详细说明。
设传感器网络的图模型为G＝{V,E}。其中V＝{1,2,…,N}为顶点集，每个顶点对应一个传感器节点；E为边集，每条边代表两个传感器节点之间的连接关系。上述传感器网络中所有传感器节点所采集到的时变图信号为X＝{xt,t＝0,…,T-1}，其中T为时序数，xt为t时刻的图信号。按时序依次对传感器网络的时变图信号进行修复，即先修复初始时刻的时变图信号x0，再修复第一时刻的时变图信号x1，依次进行下去，最后第T-1时变图信号修复xT-1。下面以修复当前时刻的时变图信号x＝[x(1),x(2),…,x(N)]T为例进行说明：
将传感器网络的所有N个传感器节点分成两类：一类是未被破坏的传感器节点，用集合M表示；一类是被破坏的传感器节点，用集合μ表示。传感器网络中所有节点的观测值b由式(1)表示：
Figure BDA0002429211540000038
式中，bM为未被破坏的传感器节点采集到的观测信号，bμ为被破坏的传感器节点采集到的观测信号。x为当前时刻所有传感器节点对应的实际时变图信号(即最终需要修复的时变图信号)，ε为加性噪声。xM为未被破坏的传感器节点对应的实际时变图信号，εM为未被破坏的传感器节点采集图信号时引入的噪声。xμ为被破坏的传感器节点对应的实际时变图信号，εμ为被破坏的传感器节点采集图信号时引入的噪声。
通过最小化数据保真度、空域非平滑惩罚项和时域非平滑惩罚项的加权和，将时变图信号的修复问题归结为一个无约束的优化问题：
Figure BDA0002429211540000041
式中，α,β为加权因子，
Figure BDA0002429211540000042
H1为高通滤波器，
Figure BDA0002429211540000043
为基于修复后的历史数据对当前时刻的预测值，Ct-l为权系数。
为了实现对式(2)的优化问题的简化，对于每个未被破坏的传感器节点k，k∈M，从传感器网络的图模型G＝{V,E}中划分得到一个传感器子网络的图模型Gk,2r＝{B(k,2r),E(k,2r)}，由此得到|M|个传感器子网络的图模型。
B(k,2r)为子图Gk,2r的顶点集，B(k,2r)中包含顶点k的所有2r阶邻域，即B(k,2r)＝{j∈V:ρ(k,j)≤2r}，ρ(k,j)为顶点(k,j)之间的距离。E(k,2r)为子图Gk,2r的边集；选择半径r时，应足够大，以保证感器网络的图模型中任何一个顶点至少归属于两个子图中。
针对每个子图Gk,2r，计算
Figure BDA0002429211540000044
其中
Figure BDA0002429211540000045
Figure BDA0002429211540000046
为N×N的对角矩阵，其元素值
Figure BDA0002429211540000047
Figure BDA0002429211540000048
表示伪逆运算。
初始化：
Figure BDA0002429211540000049
迭代次数m＝0。
局部修复：将优化问题(2)分解成|M|个优化子问题，每个优化子问题对应于一个子图Gk,2r
Figure BDA00024292115400000410
基于优化子问题(3)，求解出局部修复值
Figure BDA00024292115400000411
合并处理：由于每个顶点至少归属于两个子图，为了减少边界效应，将第五步中基于该顶点所属的所有子图得到的局部修复值vk，r(i)进行合并，即计算
Figure BDA00024292115400000412
更新修复值：
Figure BDA00024292115400000413
给定e，判断|vr(i)|≤e是否成立。如果是，则结束迭代，得到修复值为x(m+1)(i)。否则，令矢量
Figure BDA00024292115400000414
m＝m+1，继续迭代。
基于上述分析，本发明所设计的一种快速的时变图信号分布式修复方法，其具体包括步骤如下：
步骤1、采集传感器网络中所有传感器节点在第t时刻时变信号的观测向量b，并计算迭代残差向量
Figure BDA0002429211540000051
Figure BDA0002429211540000052
式中，
Figure BDA0002429211540000053
I|M|为|M|×|M|维的单位矩阵，其元素值
Figure BDA0002429211540000054
M为传感器网络中未被破坏的传感器节点集合，|M|传感器网络中未被破坏的传感器节点的数量，b为第t时刻时变信号的观测向量，
Figure BDA0002429211540000055
为第t-l时刻时变信号的修复向量，Ct-l为第t-l时刻时变信号的权系数向量，β为第二加权因子；
步骤2、计算传感器网络优化目标函数的海森矩阵DM：
Figure BDA0002429211540000056
式中，H1为高通滤波器向量，I为|V|×|V|维的单位矩阵，|V|为传感器网络中传感器节点的数量，α为第一加权因子；
步骤3、对于传感器网络中的每个未被破坏的传感器节点，从传感器网络中划分出该未被破坏的传感器节点所对应的传感器子网络，其中每个未被破坏的传感器节点所对应的传感器子网络包含该未被破坏的传感器节点及其2r阶邻域传感器节点，由此得到|M|个传感器子网络；
步骤4、针对每个传感器子网络，计算该传感器子网络对应目标函数的海森矩阵求逆的局部近似矩阵；其中第k个传感器子网络的局部近似矩阵Jk为：
Figure BDA0002429211540000057
式中，
Figure BDA0002429211540000058
为|V|×|V|维的对角矩阵，其元素值
Figure BDA0002429211540000059
B(k,r)为未被破坏的传感器节点k及其r阶邻域节点的集合；
步骤5、初始化：
令初始的第k个传感器子网络的局部残差向量
Figure BDA00024292115400000510
令初始的第i个传感器节点的残差值
Figure BDA00024292115400000511
其中
Figure BDA00024292115400000512
为迭代残差向量
Figure BDA00024292115400000513
的第i个元素；
令初始的第i个传感器节点的修复值
Figure BDA00024292115400000514
令初始的迭代次数m＝0；同时，给定迭代终止阈值e；
步骤6、针对每个传感器子网络，计算第m次迭代下该传感器子网络局部修复增量向量；其中第m次迭代下第k个传感器子网络的局部修复增量向量
Figure BDA00024292115400000515
为：
Figure BDA00024292115400000516
式中，
Figure BDA0002429211540000061
为第m次迭代下第k个传感器子网络的局部残差向量；
步骤7、对于传感器网络中的每个传感器节点，将第m次迭代下该传感器节点所在的传感器子网络的局部修复增量值进行合并，得到在第m次迭代下该传感器节点的修复增量值；其中第m次迭代下第i个传感器节点的修复增量值
Figure BDA0002429211540000062
Figure BDA0002429211540000063
式中，B(i,r)为传感器节点i及其r阶邻域节点的集合，
Figure BDA0002429211540000064
为第m次迭代下第k个传感器子网络的局部修复增量向量
Figure BDA0002429211540000065
的第i个元素；
步骤8、对传感器网络中的每个传感器节点的残差值和修复值进行更新；
其中第i个传感器节点的修复值的更新公式为：
Figure BDA0002429211540000066
式中，
Figure BDA0002429211540000067
为第m次迭代下第i个传感器节点的修复值；
Figure BDA0002429211540000068
为第m+1次迭代下第i个传感器节点的修复值；
其中第i个传感器节点的残差值的更新公式为：
Figure BDA0002429211540000069
其中，
Figure BDA00024292115400000610
为第m次迭代下第i个传感器节点的残差值，
Figure BDA00024292115400000611
为第m+1次迭代下第i个传感器节点的残差值，DM(i,j)为海森矩阵DM的第i行第j列的元素，
Figure BDA00024292115400000612
为m次迭代下第j个传感器节点的修复增量值，B(i,2r)为传感器节点i及其2r阶邻域节点的集合；
步骤9、判断
Figure BDA00024292115400000613
是否成立：
如果是，则结束迭代，则将第m+1次迭代下第i个传感器节点的修复值
Figure BDA00024292115400000614
形成第t时刻时变信号的修复向量
Figure BDA00024292115400000615
输出；
否则，令第m+1次迭代下第k个传感器子网络的局部残差向量
Figure BDA00024292115400000616
同时令当前迭代次数m加1后，返回到第6步继续迭代；
上述i,j∈V，V为传感器网络中传感器节点集合；k∈M，M为传感器网络中未被破坏的传感器节点集合；t为当前时刻，t＝1,2,…T-1；r为给定的邻域半径，给定的邻域半径r需要保证传感器网络G中的任何一个传感器节点至少归属于2个传感器子网络中。
为了验证本发明的有效性，进行了仿真实验并于现有方法进行比较。时变图信号为海平面温度数据，该数据从位于太平洋以西170°到90°、以南60°到以北10°的100个站点获得，温度数值从-1.32℃到30.72℃。每月记录一次，每个站点记录从1870年1月到2014年5月共1733个温度数据。利用5-邻域算法构造图模型，顶点数为100。仿真中，将损坏的那部分信号值置为0，均匀分布噪声区间为[-0.01,0.01]。信号被损坏的比例分别取80％、50％和20％，对应的子图半径分别为r＝7,4,2。优化问题中权值α＝0.005,β＝0.001。评价修复算法的两个指标为：(1)
Figure BDA0002429211540000071
和(2)平均迭代次数，其中，N为图的顶点数，x0和
Figure BDA0002429211540000072
分别为图信号的真实值和修复值。图1是2014年5月的海平面温度图信号。表1给出了两种方法的性能对比，表中取1733个RMSE的平均值。
表1海平面温度数据的修复性能
Figure BDA0002429211540000073
从仿真结果可以看出，本发明方法与现有方法具有相同的修复性能。但是，本发明方法收敛速度更快。
需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本邻域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (2)

1.一种快速的时变图信号分布式修复方法，其特征是，包括步骤如下：
步骤1、采集传感器网络中所有传感器节点在第t时刻时变信号的观测向量b，并计算迭代残差向量
Figure FDA0002429211530000011
Figure FDA0002429211530000012
步骤2、计算传感器网络优化目标函数的海森矩阵DM：
Figure FDA0002429211530000013
步骤3、对于传感器网络中的每个未被破坏的传感器节点，从传感器网络中划分出该未被破坏的传感器节点所对应的传感器子网络，其中每个未被破坏的传感器节点所对应的传感器子网络包含该未被破坏的传感器节点及其2r阶邻域传感器节点，由此得到|M|个传感器子网络；
步骤4、针对每个传感器子网络，计算该传感器子网络对应目标函数的海森矩阵求逆的局部近似矩阵；其中第k个传感器子网络的局部近似矩阵Jk为：
Figure FDA0002429211530000014
步骤5、初始化：令初始的第k个传感器子网络的局部残差向量
Figure FDA0002429211530000015
令初始的第i个传感器节点的残差值
Figure FDA0002429211530000016
其中
Figure FDA0002429211530000017
为迭代残差向量
Figure FDA0002429211530000018
的第i个元素；令初始的第i个传感器节点的修复值
Figure FDA0002429211530000019
令初始的迭代次数m＝0；同时，给定迭代终止阈值e；
步骤6、针对每个传感器子网络，计算第m次迭代下该传感器子网络局部修复增量向量；其中第m次迭代下第k个传感器子网络的局部修复增量向量
Figure FDA00024292115300000110
为：
Figure FDA00024292115300000111
步骤7、对于传感器网络中的每个传感器节点，将第m次迭代下该传感器节点所在的传感器子网络的局部修复增量值进行合并，得到在第m次迭代下该传感器节点的修复增量值；其中第m次迭代下第i个传感器节点的修复增量值
Figure FDA00024292115300000112
Figure FDA00024292115300000113
步骤8、对传感器网络中的每个传感器节点的残差值和修复值进行更新；其中第i个传感器节点的修复值的更新公式为：
Figure FDA00024292115300000114
其中第i个传感器节点的残差值的更新公式为：
Figure FDA00024292115300000115
步骤9、判断
Figure FDA00024292115300000116
是否成立：
如果是，则结束迭代，则将第m+1次迭代下第i个传感器节点的修复值
Figure FDA0002429211530000021
形成第t时刻时变信号的修复向量
Figure FDA0002429211530000022
输出；
否则，令第m+1次迭代下第k个传感器子网络的局部残差向量
Figure FDA0002429211530000023
同时令迭代次数m加1后，返回到第6步继续迭代；
上述：i,j∈V，V为传感器网络中传感器节点集合；k∈M，M为传感器网络中未被破坏的传感器节点集合；t为当前时刻，t＝1,2,…T-1；r为给定的邻域半径；
Figure FDA0002429211530000024
I|M|为|M|×|M|维的单位矩阵，其元素值
Figure FDA0002429211530000025
|M|传感器网络中未被破坏的传感器节点的数量；b为第t时刻时变信号的观测向量；
Figure FDA0002429211530000026
为第t-l时刻时变信号的修复向量；Ct-l为第t-l时刻时变信号的权系数向量；β为第二加权因子；H1为高通滤波器向量；I为|V|×|V|维的单位矩阵；|V|为传感器网络中传感器节点的数量；a为第一加权因子；
Figure FDA0002429211530000027
为|V|×|V|维的对角矩阵，其元素值
Figure FDA0002429211530000028
B(k,r)为未被破坏的传感器节点k及其r阶邻域节点的集合；
Figure FDA0002429211530000029
为第m次迭代下第k个传感器子网络的局部残差向量；B(i,r)为传感器节点i及其r阶邻域节点的集合；
Figure FDA00024292115300000210
为第m次迭代下第k个传感器子网络的局部修复增量向量
Figure FDA00024292115300000211
的第i个元素；
Figure FDA00024292115300000212
为第m次迭代下第i个传感器节点的修复值；
Figure FDA00024292115300000213
为第m+1次迭代下第i个传感器节点的修复值；
Figure FDA00024292115300000214
为第m次迭代下第i个传感器节点的残差值；
Figure FDA00024292115300000215
为第m+1次迭代下第i个传感器节点的残差值；DM(i,j)为海森矩阵DM的第i行第j列的元素；
Figure FDA00024292115300000216
为m次迭代下第j个传感器节点的修复增量值；B(i,2r)为传感器节点i及其2r阶邻域节点的集合。
2.根据权利要求1所述的一种快速的时变图信号分布式修复方法，其特征是，给定的邻域半径r需要保证传感器网络G中的任何一个传感器节点至少归属于2个传感器子网络中。
CN202010230793.1A 2020-03-27 2020-03-27 一种快速的时变图信号分布式修复方法 Active CN111404758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010230793.1A CN111404758B (zh) 2020-03-27 2020-03-27 一种快速的时变图信号分布式修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010230793.1A CN111404758B (zh) 2020-03-27 2020-03-27 一种快速的时变图信号分布式修复方法

Publications (2)

Publication Number Publication Date
CN111404758A true CN111404758A (zh) 2020-07-10
CN111404758B CN111404758B (zh) 2022-04-19

Family

ID=71414176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010230793.1A Active CN111404758B (zh) 2020-03-27 2020-03-27 一种快速的时变图信号分布式修复方法

Country Status (1)

Country Link
CN (1) CN111404758B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113218433A (zh) * 2021-03-31 2021-08-06 桂林电子科技大学 基于时变图信号处理的传感器故障检测及数据修复方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101476879A (zh) * 2009-01-23 2009-07-08 南京航空航天大学 一种光纤分布式传感器网络自修复系统及自修复方法
CN103347279A (zh) * 2013-07-11 2013-10-09 清华大学 基于风险评估的传输方法及系统
US20160134588A1 (en) * 2014-11-07 2016-05-12 Area 1 Security, Inc. Remediating computer security threats using distributed sensor computers
US9490034B1 (en) * 2015-08-18 2016-11-08 Oracle International Corporation Centralized memory repair block

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101476879A (zh) * 2009-01-23 2009-07-08 南京航空航天大学 一种光纤分布式传感器网络自修复系统及自修复方法
CN103347279A (zh) * 2013-07-11 2013-10-09 清华大学 基于风险评估的传输方法及系统
US20160134588A1 (en) * 2014-11-07 2016-05-12 Area 1 Security, Inc. Remediating computer security threats using distributed sensor computers
US9490034B1 (en) * 2015-08-18 2016-11-08 Oracle International Corporation Centralized memory repair block

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
J.CARLOS PALENCIA,MICHAEL GONZALEZ HARBOUR: "Response-Time Analusis in Hierarchically-Scheduled Time-partitioned Distributed Systems", 《IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS》 *
JUNZHENG JIANG，CHENG CHENG,QIYU SUN: "Nonsubsampled Graph Filter Banks:Theory and distributed Algorithms", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 *
杨杰，蒋俊正: "利用联合图模型的传感器网络数据修复方法", 《西安电子科技大学学报》 *
赵焕焕: "信息网络体系复杂性建模与优化技术", 《中国优秀硕士学位论文数据库》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113218433A (zh) * 2021-03-31 2021-08-06 桂林电子科技大学 基于时变图信号处理的传感器故障检测及数据修复方法

Also Published As

Publication number Publication date
CN111404758B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
Yang et al. Fault diagnosis for energy internet using correlation processing-based convolutional neural networks
US5627760A (en) Method and apparatus for real time recursive parameter energy management system
CN110706213B (zh) 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法
CN110889111A (zh) 一种基于深度置信网络的电网虚拟数据注入攻击的检测方法
CN110175541B (zh) 一种海平面变化非线性趋势提取的方法
CN110996343A (zh) 基于深度卷积神经网络的干扰识别模型及智能识别算法
CN112364291A (zh) 一种前置滤波极值点优化集合经验模态分解方法及装置
CN111242867B (zh) 基于截断泰勒级数近似的图信号分布式在线重构方法
CN115019510A (zh) 一种基于动态自适应生成对抗网络的交通数据修复方法
CN116226619B (zh) 一种基于ingo优化hkelm的齿轮箱故障诊断方法
CN112184547B (zh) 红外图像的超分辨率方法及计算机可读存储介质
CN111404758B (zh) 一种快速的时变图信号分布式修复方法
CN108665420A (zh) 基于变分贝叶斯模型的红外弱小目标图像背景抑制方法
CN115859116A (zh) 一种基于径向基函数回归插值法的海洋环境场重建方法
CN113689383B (zh) 一种图像处理方法、装置、设备及存储介质
CN114119690A (zh) 一种基于神经网络重建高斯混合模型的点云配准方法
Bueno-Barrachina et al. Inception 1D-convolutional neural network for accurate prediction of electrical insulator leakage current from environmental data during its normal operation using long-term recording
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN113868313B (zh) 基于双向图卷积循环神经网络的不完整时空数据预测方法
CN110780604B (zh) 一种基于空时平滑性和时间相关性的空时信号恢复方法
JP6950647B2 (ja) データ判定装置、方法、及びプログラム
Wei et al. An Integrated Transfer Learning Method for Power Generation Prediction of Run-Off Small Hydropower in Data-Scarce Areas
Chen et al. Analog Circuit Fault Diagnosis Based on DE OS-ELM
Song et al. A fast method for probabilistic reliability assessment of bulk power system using FSOM neural network as system states filters
CN113190790B (zh) 一种基于多移位算子的时变图信号重构方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200710

Assignee: Guangxi Liuzhou Dino Xincheng Technology Co.,Ltd.

Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY

Contract record no.: X2023980045651

Denomination of invention: A Fast Distributed Restoration Method for Time-Varying Graph Signals

Granted publication date: 20220419

License type: Common License

Record date: 20231105

EE01 Entry into force of recordation of patent licensing contract