CN116112383A - 一种物联网多通道联合压缩感知和传输方法 - Google Patents
一种物联网多通道联合压缩感知和传输方法 Download PDFInfo
- Publication number
- CN116112383A CN116112383A CN202211548727.4A CN202211548727A CN116112383A CN 116112383 A CN116112383 A CN 116112383A CN 202211548727 A CN202211548727 A CN 202211548727A CN 116112383 A CN116112383 A CN 116112383A
- Authority
- CN
- China
- Prior art keywords
- signal
- sampling
- channel
- preset
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000005540 biological transmission Effects 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 121
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000011084 recovery Methods 0.000 claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013139 quantization Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 10
- 230000008054 signal transmission Effects 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005562 fading Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
- H03M7/3062—Compressive sampling or sensing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/022—Capturing of monitoring data by sampling
- H04L43/024—Capturing of monitoring data by sampling by adaptive sampling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/14—Multichannel or multilink protocols
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种物联网多通道联合压缩感知和传输方法，涉及现代数字信号处理相关领域，所述方法包括：通过对待传输信号的场景源场景分析，确定预设稀疏基类型；确定预设通道数目和采样矩阵；基于所述采样矩阵对所述待传输信号进行采样，输出多通道采样信号；搭建信号重建模型；根据信号发送指令，将所述多通道采样信号发送至所述信号重建模型，基于所述信号重建模型，得到重建信号；将所述重建信号作为所述待传输信号的信号恢复结果输出。解决了稀疏基和采样矩阵选取困难，不能有效对抗传输过程中的噪声、影响恢复重建精度的问题，达到了利用多通道采集降低对稀疏基和采样矩阵的依赖，自适应调整采样规模，降低传输风险，提高信号恢复质量。
Description
技术领域
本发明涉及现代数字信号处理和压缩感知领域，尤其涉及一种物联网多通道联合压缩感知和传输方法。
背景技术
物联网系统包含海量的传感器，各类传感器不断采集和传输各种感知数据。传感器一般包括各类图像视频监控设备、温湿度传感器、速度传感器等。传感器一般存在有限的计算能力和有限的功耗限制，需要一种低成本的数据采集方式。另外海量传感器不断向服务器端传送数据，传输过程存在带宽的限制、需要发送端有效地压缩数据。即物联网面对超海量感知数据的采集和传输，需要采用先进的理论和技术来应对这一挑战，我们综合研究比较后在物联网感知层采用了压缩感知技术。
在物联网感知技术实现和使用过程中，发现现存的压缩感知技术采用单通道感知和传输，存在很多问题，一方面，由于信号的复杂性、很难先验确定信号本身或者在变换域的稀疏，且信号采样矩阵不容易设计，很难得到最优适用于信号特定稀疏基的采样矩阵。另一方面，当传输通道不确定、网络通道存在数据包的丢失和无线通信信道发生衰落时，非平稳环境下信号特性不断发生变化，单通道不能够有效应对时变非平稳环境。
现阶段采用的单通道采集，容易造成稀疏基和采样矩阵选取困难，不能有效对抗传输过程中的噪声、不能有效利用多基带来的恢复重建精度的技术问题。
发明内容
针对现有技术中的缺陷，本申请通过提供一种物联网多通道联合压缩感知和传输方法，解决了现阶段采用的单通道采集，容易造成稀疏基和采样矩阵选取困难，不能有效对抗传输过程中的噪声、不能有效利用多基带来的恢复重建精度的技术问题，达到了利用多通道采集有效保持压缩感知各种优点的同时，降低对稀疏基和采样矩阵的依赖，自适应调整采样规模，降低传输风险，提高信号恢复质量。
一方面，本申请提供一种物联网多通道联合压缩感知和传输方法，所述方法包括：获取进行信号传输的待传输信号；通过获取所述待传输信号的场景源，并对所述场景源进行场景分析，确定预设稀疏基类型；根据所述待传输信号，确定预设通道数目；根据所述预设稀疏类型和所述预设通道数目，确定采样矩阵；基于所述采样矩阵对所述待传输信号进行采样，输出多通道采样信号，其中，所述多通道采样信号的数目与所述预设通道数目对应；搭建信号重建模型，其中，所述信号重建模型用于接收各个通道输出的数据实现信号重建；根据信号发送指令，将所述多通道采样信号发送至所述信号重建模型，基于所述信号重建模型，得到重建信号；将所述重建信号作为所述待传输信号的信号恢复结果输出。
另一方面，本申请还提供了一种物联网多通道联合压缩感知和传输系统，所述系统包括：信号获取模块，所述信号获取模块用于获取进行信号传输的待传输信号；场景分析模块，所述场景分析模块用于通过获取所述待传输信号的场景源，并对所述场景源进行场景分析，确定预设稀疏基类型；通道预设模块，所述通道预设模块用于根据所述待传输信号，确定预设通道数目；采样矩阵生成模块，所述采样矩阵生成模块用于根据所述预设稀疏类型和所述预设通道数目，确定采样矩阵；采样输出模块，所述采样输出模块用于基于所述采样矩阵对所述待传输信号进行采样，输出多通道采样信号，其中，所述多通道采样信号的数目与所述预设通道数目对应；模型搭建模块，所述模型搭模块用于搭建信号重建模型，其中，所述信号重建模型用于接收各个通道输出的数据实现信号重建；信号重建模块，所述信号重建模块用于根据信号发送指令，将所述多通道采样信号发送至所述信号重建模型，基于所述信号重建模型，得到重建信号；恢复信号输出模块，所述恢复信号输出模块用于将所述重建信号作为所述待传输信号的信号恢复结果输出。
第三方面，一种电子设备，其中，包括处理器和存储器；
该存储器，用于存储；
该处理器，用于通过调用，执行上述第一方面中任一项所述的方法。
第四方面，一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。
拟通过本申请提出的一种物联网多通道联合压缩感知和传输方法，所产生的技术效果如下：
由于采用了获取待传输信号，并进一步分析待传输信号的场景源，分别确定预设稀疏基类型，和用于进行多通道传输的预设数目，进而以所述预设稀疏基类型和预设通道数据来确定采样矩阵，获取多通道分别进行采样获取的多通道采样信号，再结合信号重建算法搭建数学模型用于对所述多通道采样信号进行信号重建，输出最后恢复的信号，将重建信号作为所述待传输信号的信号恢复结果输出。解决了基于单通道传输的方式，难以满足信号重建的精确性，影响信号恢复的质量，通过采用多通道压缩感知和传输的方式，能够降低采样频率，进一步的，由于多通道采集同时使用多个稀疏基和采样矩阵，能够将信息分散到不同的通道，当接收端综合各通道信息后能够有效提高恢复质量，达到了在有效利用当前压缩感知优点，还能降低稀疏基矩阵和采样矩阵选取不当的风险、降低通信通道衰落和丢包风险、减少采样矩阵和稀疏基矩阵不匹配带来的误差，利用空间结构的多样性来确保信号的精确恢复重建，降低错误概率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读参照以下附图对非限制性实施例所做的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本申请实施例一种物联网多通道联合压缩感知和传输方法的流程示意图；
图2为本申请实施例一种物联网多通道联合压缩感知和传输方法的信号重建模型优化的流程示意图；
图3为本申请实施例一种物联网多通道联合压缩感知和传输方法的样本调整的流程示意图；
图4为本申请实施例一种物联网多通道联合压缩感知和传输系统的结构示意图；
图5为本发明示例性电子设备的结构示意图。
附图标记说明：信号获取模块11，场景分析模块12，通道预设模块13，采样矩阵生成模块14，采样输出模块15，模型搭建模块16，信号重建模块17，恢复信号输出模块18，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
后续将结合附图详细的描述本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
具体实施方式
实施例一
如图1所示，本申请实施例提供了一种物联网多通道联合压缩感知和传输方法，所述方法包括：
步骤S100：获取进行信号传输的待传输信号；
一般而言，单通道采集，缺点在于稀疏基和采样矩阵选取困难、不能有效对抗传输过程中的噪声、不能有效利用多基带来的恢复重建精度。多通道采集同时使用多个稀疏基和采样矩阵，能够将信息分散到不同的通道，当接收端综合各通道信息后能够有效提高恢复质量。这种方案能够在有效利用当前压缩感知优点，还能降低稀疏基矩阵和采样矩阵选取不当的风险、降低通信通道衰落和丢包风险、减少采样矩阵和稀疏基矩阵不匹配带来的误差，利用空间结构的多样性来确保信号的精确恢复重建，降低错误概率。拟提出一种物联网多通道联合压缩感知和传输方法，采取多通道联合的方式实现信号的传输。
获取所述待传输信号，其中，所述待传输信号包括但不限于通信雷达信号、生物医疗信号、地震信号、图像视频信号、语音信号、车联网信号等，具体根据信号源自身来确定对应的信号。
步骤S200：通过获取所述待传输信号的场景源，并对所述场景源进行场景分析，确定预设稀疏基类型；
进一步的，本申请实施例步骤S200还包括：
步骤S210：根据所述预设稀疏基类型进行量化分析，获取量化指数；
步骤S220：根据所述预设稀疏基类型进行差异度分析，获取差异指数；
步骤S230：以所述量化指数和所述差异指数作为基础数据进行适应度函数分析，获取函数响应结果，其中，所述函数响应结果为稀疏基选取适应度；
步骤S240：根据所述函数响应结果，确定所述预设稀疏基类型。
具体来说，当获取所述待传输信号之后，我们需要根据具体场景做分析，获取场景下可能的稀疏基，由于不同场景源获取的信号是不同的，其对应选择的稀疏基也有所区别，例如若所述待传输信号经场景分析后是采集图像，则可能的正交基为傅里叶变换基、余弦变换基或者小波变换基等，从而保证了稀疏表示矩阵获取的有效性。
应理解，稀疏基的选取较为困难，当稀疏基选取不当时，会直接导致信号恢复的效果，因此，为了保证稀疏基选取的有效性，通过对可选的稀疏基类型进行量化，从而获取量化指数，用于标识其可选的种类多少，并进一步的，对所述预设系数基类型进行各个类型之间的差异度分析，获取差异指数，当差异指数越大表示目前差异性较强，在选取的过程中出现选取不当的风险较高，因此，以所述量化指数和所述差异指数作为基础数据进行适应度函数分析，获取函数响应结果，即稀疏选取适应度的结果，以选取一组包含多个可能的稀疏基，多基可以有效降低稀疏基选取不当的风险，同时多基存在互补增强效应，能够增强信号恢复的效果。
步骤S300：根据所述待传输信号，确定预设通道数目；
步骤S400：根据所述预设稀疏类型和所述预设通道数目，确定采样矩阵；
联合多通道感知需要建立多通道，因此，基于所述待传输信号的信号量或者信号样本的舒朗，对应确定其所需的通道数目，将所述预设通道数目以T来标识，从而使用多通道恢复重建，即，以所述预设通道数目作为所述待传输信号进行传输的联合通道，经由所述预设通道数目输出对应的通道的结果，从而保证通道多样性和稀疏基的多样性，进而确定其采样矩阵，其中，所述采样矩阵主要用于对所述待传输信号中的信号进行各个通道数目的分配，其利用多个采样矩阵进行稀疏采样，进而以所述预设通道数目实现恢复重建，其中，多个通道上的稀疏基和采样矩阵都不一样，采样矩阵可以是确定性的选取，也可事先随机性的生成，选择的采样矩阵与稀疏矩阵尽量满足单通道稀疏恢复的条件从而当确定好采样矩阵之后，实现进一步的信号输出。
步骤S500：基于所述采样矩阵对所述待传输信号进行采样，输出多通道采样信号，其中，所述多通道采样信号的数目与所述预设通道数目对应；
步骤S600：搭建信号重建模型，其中，所述信号重建模型用于接收各个通道输出的数据实现信号重建；
具体而言，基于所述采样矩阵对所述待传输信号进行采样，输出多通道采样信号，其中，所述多通道采样信号与所述预设通道数目对应，比如，设信号为x∈RN，即是长度为N的信号，稀疏基用每个通道采用不同的采样矩阵。选择合适的采样矩阵Φi和合适的稀疏基表示矩阵Ψi，采样传输原始信号后，根据得到的采样数据,构建重构算法，从而达到精确或者近似恢复出原始信号x的目的。
第i个通道的稀疏正交表示基Φi，则信号x在第i个通道上可以表示为
x＝Φiθi,i＝1,2,…,T
其中坐标θi∈RN为信号在第i个通道上的稀疏系数。所有通道上的稀疏表示矩阵可以形成一个集合Φ1,Φ2,…,ΦT；
进一步的，设第i个通道的采样矩阵为Ψi，所有的采样矩阵形成的集合为Ψ1,Ψ2,…,ΨT，第i个通道可以获取到采样数据
di＝Ψix
这里每个信道采用独立同分布加性高斯噪声模型，设每个通道的噪声为ni,则接收端接收到的数据为
yi＝di+ni,yi∈RMi
综合来说，由于选择合适的采样矩阵Ψ1,Ψ2,…,ΨT和合适的稀疏基表示矩阵Φ1,Φ2,…,ΦT，采样传输原始信号后，根据得到的多通道采样信号y1,y2,…,yT构建重构算法，从而达到精确或者近似恢复出原始信号x的目的。
进一步的，如图2所示，本申请实施例步骤S600还包括：
步骤S610：获取用于进行模型测试的样本数据集；
步骤S620：将所述样本数据集输入所述信号重建模型中，获取模型测试结果；
步骤S630：根据所述模型输出结果对所述信号重建模型进行性能评分，当性能评分结果不处于预设评分阈值中，获取反馈优化指令；
步骤S640：根据所述反馈优化指令对所述多通道采样模型进行反馈优化。
进一步的，如图3所示，本申请实施例步骤S640还包括：
步骤S641：根据所述预设通道数目，建立样本通道集；
步骤S642：将所述样本数据集输入所述信号重建模型中，根据所述信号重建模型，输出所述样本数据集分别在所述样本通道集中各个样本通道的测试恢复信号；
步骤S643：以所述测试恢复信号，获取在所述样本通道集中各个样本通道的训练误差；
步骤S644：基于所述训练误差，获取样本调整数据；
步骤S645：根据所述样本调整数据对所述样本数据集的样本数进行调整。
具体而言，为了保证搭建出的信号重建模型保持较好的使用性能，获取用于进行模型测试的样本数据集，并将样本数据集输入所述信号重建模型中进行样本测试，即通过比对初始信号和经过模型重构后的信号之间的重构差异性进行性能评分，当性能评分结果不处于预设评分阈值中，获取反馈优化指令，对所述信号重建模型进行反馈优化，进一步的，对所述信号重建模型进行反馈优化的过程如下：
根据所述预设通道数目T，建立样本通道集，即单独将上述的样本数据集(样本信号)完整输入信号重建模型中，根据所述信号重建模型输出对应的恢复信号，并对恢复信号进行计算，确定其训练误差，以获取样本调整数据作为反馈优化的数据进行调整，从而保证模型性能维持较高水平，提高多通道联合传输的质量。
进一步的，基于所述训练误差，获取样本调整数据的计算公式如下：
其中，Mt为第t个通道上的采样调整结果；et为第t个通道的训练误差；T为采样通道总数量，M为采样样本数。
具体而言，第i个通道的采样矩阵为Ψi∈RMi×N，即采样样本为Mi，则所有T个通道的采样样本总数为M＝M1+M2+…+MT。根据压缩采样理论，在采样矩阵满足一定的限制不一致条件下，采样样本数的阶次近似为OKlogN，其中K为信号稀疏程度，同时N为信号长度。一个需要解决的问题就是在确定总体样本数M后如何分配在每个通道上的样本数Mi，过程有：
设定有信号训练数据{x1,x2,…,xP}，仅使用第t个通道的数据运行前述算法恢复出发送数据,
则在第t个通道上训练误差可以表示为
从此式可以看到，误差越大则很有可能此通道上的不能很好恢复信号，应该减少该通道上采样样本数。可以按照误差的确定分配在第t个通道的样本比例为
则第t个通道上的采样样本数为Mft整数部分，即
Mt＝Mft
而且每个通道上的样本数可以隔一段时间使用新的训练数据进行动态调整。
步骤S700：根据信号发送指令，将所述多通道采样信号发送至所述信号重建模型，基于所述信号重建模型，得到重建信号；
步骤S800：将所述重建信号作为所述待传输信号的信号恢复结果输出。
进一步的，本申请实施例步骤S700还包括：
步骤S710：通过对所述待传输信号进行噪声影响分析，判断是否存在加性噪声影响，获取判断结果；
步骤S720：将所述判断结果作为约束条件，输入所述信号重建模型中；
步骤S730：根据所述信号重建模型嵌有的算法判定单元，输出算法模型链接指令，其中，所述算法判定单元包括含噪恢复算法模型和无噪恢复算法模型；
步骤S740：根据所述算法模型链接指令，输出所述重建信号。
具体而言，模型参数选定后，就可以试运行，利用采样矩阵采样后获取的多数多通道采样信号作为发送数据，当接收端接收到信号后，根据所述信号重建模型，得到发送端的原始信号(待传输信号)。上述过程需在投入生产环境前反复迭代更新，使系统性能整体处于最佳状态，与场景能够最佳匹配。实际生产环境运行一段时间后，可能需要进一步调整上述参数，以保障模型的使用性。
进一步的，这里给出重建算法对于所述待传输信号进行噪声影响分析，判断是否存在加性噪声影响，获取判断结果，将所述判断结果作为约束条件，输入所述信号重建模型中，若所述判断结果为存在加性噪声影响，链接所述含噪恢复算法模型进行信号恢复；若所述判断结果为不存在加性噪声影响，链接所述无噪恢复算法模型进行信号恢复。
根据上述过程，第i个通道得到的数据为
yi＝ΨiΦiθi+ni
考虑到信号在每个通道上的表达θi是稀疏的，则所有θi形成的大维向量
也是稀疏的，则可以利用下面优化问题求解原始信号。
其中∈i为容差系数。当容差系数为零时，即没有噪声影响时可以求解下面的问题
考虑到0范数不是真正的范数，本文采用1范数替换0范数进行求解，可以得到最终的求解模型：
和无噪声情况下的模型
上述两个1范数优化问题都是凸性的，能够采用标准算法进行求解。求解完成后，我们可以恢复出原始信号为
从而达到了通过对信号进行具体分析，其重建算法包括但不限于本重构算法，还可以根据信号的具体特征链接对应的高效重建算法，实现了重建质量和信号传输质量。
结合上述实施例，本发明具有如下的有益效果：
由于采用了获取待传输信号，并进一步分析待传输信号的场景源，分别确定预设稀疏基类型，和用于进行多通道传输的预设数目，进而以所述预设稀疏基类型和预设通道数据来确定采样矩阵，获取多通道分别进行采样获取的多通道采样信号，再结合信号重建算法搭建数学模型用于对所述多通道采样信号进行信号重建，输出最后恢复的信号，将重建信号作为所述待传输信号的信号恢复结果输出。解决了基于单通道传输的方式，难以满足信号重建的精确性，影响信号恢复的质量，通过采用多通道压缩感知和传输的方式，能够降低采样频率。
由于多通道采集同时使用多个稀疏基和采样矩阵，能够将信息分散到不同的通道，当接收端综合各通道信息后能够有效提高恢复质量，达到了在有效利用当前压缩感知优点，还能降低稀疏基矩阵和采样矩阵选取不当的风险、降低通信通道衰落和丢包风险、减少采样矩阵和稀疏基矩阵不匹配带来的误差，利用空间结构的多样性来确保信号的精确恢复重建，降低错误概率。
由于采用了根据所述信号重建模型输出对应的恢复信号，并对恢复信号进行计算，确定其训练误差，以获取样本调整数据作为反馈优化的数据进行调整，从而保证模型性能维持较高水平，提高多通道联合传输的质量。
实施例二
基于与前述实施例中一种物联网多通道联合压缩感知和传输方法同样发明构思，本发明还提供了一种物联网多通道联合压缩感知和传输系统，如图4所示，所述系统包括：
信号获取模块11，所述信号获取模块11用于获取进行信号传输的待传输信号；
场景分析模块12，所述场景分析模块12用于通过获取所述待传输信号的场景源，并对所述场景源进行场景分析，确定预设稀疏基类型；
通道预设模块13，所述通道预设模块13用于根据所述待传输信号，确定预设通道数目；
采样矩阵生成模块14，所述采样矩阵生成模块14用于根据所述预设稀疏类型和所述预设通道数目，确定采样矩阵；
采样输出模块15，所述采样输出模块15用于基于所述采样矩阵对所述待传输信号进行采样，输出多通道采样信号，其中，所述多通道采样信号的数目与所述预设通道数目对应；
模型搭建模块16，所述模型搭模块16用于搭建信号重建模型，其中，所述信号重建模型用于接收各个通道输出的数据实现信号重建；
信号重建模块17，所述信号重建模块17用于根据信号发送指令，将所述多通道采样信号发送至所述信号重建模型，基于所述信号重建模型，得到重建信号；
恢复信号输出模块18，所述恢复信号输出模块18用于将所述重建信号作为所述待传输信号的信号恢复结果输出。
进一步的，所述模型搭建模块16还包括：
测试样本获取单元，所述测试样本获取单元用于获取进行模型测试的样本数据集；
模型测试单元，所述模型测试单元用于将所述样本数据集输入所述信号重建模型中，获取模型测试结果；
模型性能评分单元，所述模型性能评分单元用于根据所述模型测试结果对所述信号重建模型进行性能评分，当性能评分结果不处于预设评分阈值中，获取反馈优化指令；
反馈优化单元，所述反馈优化单元用于根据所述反馈优化指令对所述多通道采样模型进行反馈优化。
进一步的，所述反馈优化单元还包括：
建立样本通道单元，所述建立样本通道单元用于根据所述预设通道数目，建立样本通道集；
信号测试输出单元，所述信号测试输出用于将所述样本数据集输入所述信号重建模型中，根据所述信号重建模型，输出所述样本数据集分别在所述样本通道集中各个样本通道的测试恢复信号；
训练误差计算单元，所述训练误差计算单元用于以所述测试恢复信号，获取在所述样本通道集中各个样本通道的训练误差；
误差调整单元，所述误差调整单元用于基于所述训练误差，获取样本调整数据；
样本数调整单元，所述样本数调整单元用于根据所述样本调整数据对所述样本数据集的样本数进行调整。
进一步的，所述服务模块嵌入单元还包括：
量化分析单元，所述量化分析单元用于根据所述预设稀疏基类型进行量化分析，获取量化指数；
差异度分析单元，所述量化分析单元用于根据所述预设稀疏基类型进行差异度分析，获取差异指数；
函数分析单元，所述函数分析单元用于以所述量化指数和所述差异指数作为基础数据进行适应度函数分析，获取函数响应结果，其中，所述函数响应结果为稀疏基选取适应度；
差异度分析单元，所述量化分析单元用于根据所述函数响应结果，确定所述预设稀疏基类型。
进一步的，所述信号重建模块17还包括：
噪声影响分析单元，所述噪声影响分析单元用于通过对所述待传输信号进行噪声影响分析，判断是否存在加性噪声影响，获取判断结果；
信号重建单元，所述信号重建单元用于将所述判断结果作为约束条件，输入所述信号重建模型中；
模型链接单元，所述模型链接单元用于根据所述信号重建模型嵌有的算法判定单元，输出算法模型链接指令，其中，所述算法判定单元包括含噪恢复算法模型和无噪恢复算法模型；
信号重建单元，所述信号重建单元用于根据所述算法模型链接指令，输出所述重建信号。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的装置及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。以上实施例所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
示例性电子设备
下面参考图5来描述本发明的电子设备。
图5图示了根据本发明的电子设备的结构示意图。
基于与前述实施例中一种物联网多通道联合压缩感知和传输方法的发明构思，本发明还提供一种物联网多通道联合压缩感知和传输系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种大文件批处理和监控的方法的任一方法的步骤。
其中，在图5中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明提供了一种物联网多通道联合压缩感知和传输方法，所述方法包括：获取进行信号传输的待传输信号；通过获取所述待传输信号的场景源，并对所述场景源进行场景分析，确定预设稀疏基类型；根据所述待传输信号，确定预设通道数目；根据所述预设稀疏类型和所述预设通道数目，确定采样矩阵；基于所述采样矩阵对所述待传输信号进行采样，输出多通道采样信号，其中，所述多通道采样信号的数目与所述预设通道数目对应；搭建信号重建模型，其中，所述信号重建模型用于接收各个通道输出的数据实现信号重建；根据信号发送指令，将所述多通道采样信号发送至所述信号重建模型，基于所述信号重建模型，得到重建信号；将所述重建信号作为所述待传输信号的信号恢复结果输出。解决了基于单通道传输的方式，难以满足信号重建的精确性，影响信号恢复的质量，通过采用多通道压缩感知和传输的方式，能够降低采样频率。由于多通道采集同时使用多个稀疏基和采样矩阵，能够将信息分散到不同的通道，当接收端综合各通道信息后能够有效提高恢复质量，达到了在有效利用当前压缩感知优点，还能降低稀疏基矩阵和采样矩阵选取不当的风险、降低通信通道衰落和丢包风险、减少采样矩阵和稀疏基矩阵不匹配带来的误差，利用空间结构的多样性来确保信号的精确恢复重建，降低错误概率。
本发明还提供一种电子设备，其中，包括处理器和存储器；
该存储器，用于存储；
该处理器，用于通过调用，执行上述实施例一中任一项所述的方法。
本发明还提供一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述实施例一中任一项所述方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本发明为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory，简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种物联网多通道联合压缩感知和传输方法，其特征在于，所述方法包括：
获取进行信号传输的待传输信号；
通过获取所述待传输信号的场景源，并对所述场景源进行场景分析，确定预设稀疏基类型；
根据所述待传输信号，确定预设通道数目；
根据所述预设稀疏类型和所述预设通道数目，确定采样矩阵；
基于所述采样矩阵对所述待传输信号进行采样，输出多通道采样信号，其中，所述多通道采样信号的数目与所述预设通道数目对应；
搭建信号重建模型，其中，所述信号重建模型用于接收各个通道输出的数据实现信号重建；
根据信号发送指令，将所述多通道采样信号发送至所述信号重建模型，基于所述信号重建模型，得到重建信号；
将所述重建信号作为所述待传输信号的信号恢复结果输出。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取用于进行模型测试的样本数据集；
将所述样本数据集输入所述信号重建模型中，获取模型测试结果；
根据所述模型测试结果对所述信号重建模型进行性能评分，当性能评分结果不处于预设评分阈值中，获取反馈优化指令；
根据所述反馈优化指令对所述多通道采样模型进行反馈优化。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述预设通道数目，建立样本通道集；
将所述样本数据集输入所述信号重建模型中，根据所述信号重建模型，输出所述样本数据集分别在所述样本通道集中各个样本通道的测试恢复信号；
以所述测试恢复信号，获取在所述样本通道集中各个样本通道的训练误差；
基于所述训练误差，获取样本调整数据；
根据所述样本调整数据对所述样本数据集的样本数进行调整。
4.如权利要求3所述的方法，其特征在于，基于所述训练误差，获取样本调整数据的计算公式如下：
其中，Mt为第t个通道上的采样调整结果；et为第t个通道的训练误差；T为采样通道总数量，M为采样样本数。
5.如权利要求1所述的方法，其特征在于，所述确定预设稀疏基类型，所述方法还包括：
根据所述预设稀疏基类型进行量化分析，获取量化指数；
根据所述预设稀疏基类型进行差异度分析，获取差异指数；
以所述量化指数和所述差异指数作为基础数据进行适应度函数分析，获取函数响应结果，其中，所述函数响应结果为稀疏基选取适应度；
根据所述函数响应结果，确定所述预设稀疏基类型。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过对所述待传输信号进行噪声影响分析，判断是否存在加性噪声影响，获取判断结果；
将所述判断结果作为约束条件，输入所述信号重建模型中；
根据所述信号重建模型嵌有的算法判定单元，输出算法模型链接指令，其中，所述算法判定单元包括含噪恢复算法模型和无噪恢复算法模型；
根据所述算法模型链接指令，输出所述重建信号。
7.一种物联网多通道联合压缩感知和传输系统，其特征在于，所述系统包括：
信号获取模块，所述信号获取模块用于获取进行信号传输的待传输信号；
场景分析模块，所述场景分析模块用于通过获取所述待传输信号的场景源，并对所述场景源进行场景分析，确定预设稀疏基类型；
通道预设模块，所述通道预设模块用于根据所述待传输信号，确定预设通道数目；
采样矩阵生成模块，所述采样矩阵生成模块用于根据所述预设稀疏类型和所述预设通道数目，确定采样矩阵；
采样输出模块，所述采样输出模块用于基于所述采样矩阵对所述待传输信号进行采样，输出多通道采样信号，其中，所述多通道采样信号的数目与所述预设通道数目对应；
模型搭建模块，所述模型搭模块用于搭建信号重建模型，其中，所述信号重建模型用于接收各个通道输出的数据实现信号重建；
信号重建模块，所述信号重建模块用于根据信号发送指令，将所述多通道采样信号发送至所述信号重建模型，基于所述信号重建模型，得到重建信号；
恢复信号输出模块，所述恢复信号输出模块用于将所述重建信号作为所述待传输信号的信号恢复结果输出。
8.一种电子设备，其特征在于，包括处理器和存储器；
所述存储器，用于存储；
所述处理器，用于通过调用，执行权利要求1～6中任一项所述的方法。
9.一种计算机程序产品，包括计算机程序和/或指令，其特征在于，该计算机程序和/或指令被处理器执行时实现权利要求1～6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211548727.4A CN116112383A (zh) | 2022-12-05 | 2022-12-05 | 一种物联网多通道联合压缩感知和传输方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211548727.4A CN116112383A (zh) | 2022-12-05 | 2022-12-05 | 一种物联网多通道联合压缩感知和传输方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116112383A true CN116112383A (zh) | 2023-05-12 |
Family
ID=86256991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211548727.4A Pending CN116112383A (zh) | 2022-12-05 | 2022-12-05 | 一种物联网多通道联合压缩感知和传输方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116112383A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102221696A (zh) * | 2010-04-14 | 2011-10-19 | 中国科学院电子学研究所 | 稀疏微波成像方法 |
| US8489403B1 (en) * | 2010-08-25 | 2013-07-16 | Foundation For Research and Technology—Institute of Computer Science ‘FORTH-ICS’ | Apparatuses, methods and systems for sparse sinusoidal audio processing and transmission |
| 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 |
| WO2017183448A1 (ja) * | 2016-04-19 | 2017-10-26 | ソニー株式会社 | データ処理装置、データ処理方法、プログラム |
| CN107680036A (zh) * | 2017-08-15 | 2018-02-09 | 湖北工业大学 | 基于卷积深度堆叠网络的联合稀疏向量并行重建方法 |
| CN112130150A (zh) * | 2020-09-24 | 2020-12-25 | 电子科技大学 | 一种基于压缩感知的可变脉冲重复间隔sar成像方法 |
| CN115102983A (zh) * | 2022-06-13 | 2022-09-23 | 国网河南省电力公司信息通信公司 | 基于压缩感知的电力物联网多源异构数据信号处理方法 |
-
2022
- 2022-12-05 CN CN202211548727.4A patent/CN116112383A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102221696A (zh) * | 2010-04-14 | 2011-10-19 | 中国科学院电子学研究所 | 稀疏微波成像方法 |
| US8489403B1 (en) * | 2010-08-25 | 2013-07-16 | Foundation For Research and Technology—Institute of Computer Science ‘FORTH-ICS’ | Apparatuses, methods and systems for sparse sinusoidal audio processing and transmission |
| 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 |
| WO2017183448A1 (ja) * | 2016-04-19 | 2017-10-26 | ソニー株式会社 | データ処理装置、データ処理方法、プログラム |
| CN107680036A (zh) * | 2017-08-15 | 2018-02-09 | 湖北工业大学 | 基于卷积深度堆叠网络的联合稀疏向量并行重建方法 |
| CN112130150A (zh) * | 2020-09-24 | 2020-12-25 | 电子科技大学 | 一种基于压缩感知的可变脉冲重复间隔sar成像方法 |
| CN115102983A (zh) * | 2022-06-13 | 2022-09-23 | 国网河南省电力公司信息通信公司 | 基于压缩感知的电力物联网多源异构数据信号处理方法 |
Non-Patent Citations (3)
| Title |
|---|
| IRENA OROVIC, SRDJAN STANKOVIĆ, MARKO BEKO: "Multi-base compressive sensing procedure with application to ECG signal reconstruction", EURASIP JOURNAL ON ADVANCES IN SIGNAL PROCESSING, 4 May 2021 (2021-05-04) * |
| 朱莹;张弓;张劲东;: "基于DCS的统计MIMO雷达信号模型及参数估计", 雷达学报, no. 02, 15 June 2012 (2012-06-15) * |
| 魏子然: "基于压缩感知的信号重建技术及其成像系统的研究", 中国优秀博士学位论文全文数据库信息科技辑, 15 March 2022 (2022-03-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107968689B (zh) | 基于无线通信信号的感知识别方法及装置 | |
| CN103347268B (zh) | 认知传感器网络中基于能量有效性观测的自适应压缩重构方法 | |
| US8396310B1 (en) | Basis learning for sparse image representation and classification and low data rate compression | |
| Li et al. | Metaheuristic FIR filter with game theory based compression technique-A reliable medical image compression technique for online applications | |
| US8681902B2 (en) | Method and apparatus for low complexity robust reconstruction of noisy signals | |
| US9042560B2 (en) | Sparse audio | |
| CN111127435A (zh) | 基于双流卷积神经网络的无参考图像质量评估方法 | |
| CN112115830B (zh) | 一种基于比特域特征提取的目标分布式融合识别方法 | |
| CN114861790B (zh) | 联邦学习压缩通信的优化方法、系统及装置 | |
| Lee et al. | Visually weighted compressive sensing: Measurement and reconstruction | |
| CN111010191A (zh) | 数据采集方法、系统、设备及存储介质 | |
| CN116112383A (zh) | 一种物联网多通道联合压缩感知和传输方法 | |
| US20120215788A1 (en) | Data Processing | |
| CN104270210A (zh) | 基于压缩非重构的软判决频谱感知方法 | |
| CN115424079B (zh) | 基于联邦边缘学习的图像分类方法以及相关设备 | |
| Lin et al. | Perceptual image quality assessment: recent progress and trends | |
| CN114501329A (zh) | 一种基于1d-cnn的室内定位模型的环境自适应训练方法及装置 | |
| CN114362851A (zh) | 一种基于机器学习的无线信道数据去噪方法 | |
| Wang et al. | A perceptual image quality assessment metric using singular value decomposition | |
| CN110113053A (zh) | 一种分布式压缩感知稀疏信号重建方法 | |
| CN116633402B (zh) | 一种基于vae的信道信息反馈重构方法及系统 | |
| NZ564357A (en) | Matrix compression arrangements | |
| CN114786008A (zh) | 帧内预测模式的选择方法、装置、存储介质及电子设备 | |
| Tang et al. | Maximum a posteriori decoding for KMV-cast pseudo-analog video transmission | |
| US11551061B2 (en) | System for generating synthetic digital data of multiple sources |
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 |