CN116450993B - 多测量向量卫星数据的处理方法、电子设备及存储介质 - Google Patents

多测量向量卫星数据的处理方法、电子设备及存储介质 Download PDF

Info

Publication number
CN116450993B
CN116450993B CN202310447205.3A CN202310447205A CN116450993B CN 116450993 B CN116450993 B CN 116450993B CN 202310447205 A CN202310447205 A CN 202310447205A CN 116450993 B CN116450993 B CN 116450993B
Authority
CN
China
Prior art keywords
norm
measurement vector
matrix
data
optimization 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.)
Active
Application number
CN202310447205.3A
Other languages
English (en)
Other versions
CN116450993A (zh
Inventor
于四伟
刘泽坤
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of 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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202310447205.3A priority Critical patent/CN116450993B/zh
Publication of CN116450993A publication Critical patent/CN116450993A/zh
Application granted granted Critical
Publication of CN116450993B publication Critical patent/CN116450993B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

多测量向量卫星数据的处理方法、电子设备及存储介质，属于卫星数据处理技术领域。为解决精确恢复原始卫星数据的问题。本发明传感器采集压缩后的卫星向量数据，构建多测量向量卫星数据矩阵，构建l2.0范数极小化的第一优化模型,然后将目标函数转化为不等式约束，得到l2.0范数不等式约束的第二优化模型；采用约束转移和变量松弛方法改进l2.0范数不等式约束的第二优化模型，得到双变量的l2.0范数的第三优化模型；对得到的双变量的l2.0范数的第三优化模型中的卫星压缩后的向量数据利用交替方向乘子法进行求解，得到多测量向量卫星数据。本发明能够更大程度的压缩数据，能够极大地减少信息传输能量损耗，或信息存储的代价。

Description

多测量向量卫星数据的处理方法、电子设备及存储介质
技术领域
本发明属于卫星数据处理技术领域，具体涉及多测量向量卫星数据的处理方法、电子设备及存储介质。
背景技术
压缩感知自提出以来被广泛应用于医学成像、遥感成像、地震勘探、通讯等各种领域，而其中多源压缩感知的多测量向量问题更是备受关注。以卫星在轨数据的故障诊断为例，由于卫星在轨时间长，多源数据类型多，在轨条件有限，不能实时处理；且天地传输带宽很窄，无法及时大量下传，因此数据必须进行在轨压缩采样，到地面后进行稀疏重构，借助重构的数据进行故障诊断。但是由于天地传输距离很大，带宽很窄，多源数据即使经过压缩采样，传输效率仍然不高，这极大地限制了对卫星的实时故障诊断工作。这种限制不仅存在于卫星在轨数据的压缩采样，而是普遍存在于压缩感知的各个应用领域。而造成以上局限性的原因在于，多源压缩感知的重构问题本质上是NP难的，现有的算法无法同时兼顾欠采样率和重构效率。即其它条件相同时，如果要求更高的欠采样率，重构原始信号的用时将极大增加，甚至无法实现重构；如果要求高效重构，那么欠采样率必须较小，这就导致数据压缩不充分，传输效率低。因此，提出一种在高欠采样率下仍能高效重构的求解多测量向量问题的算法尤为重要。
传统的求解多测量向量问题的算法如基于贪婪匹配的SOMP，此算法贪婪地选取信号残差与传感矩阵内积绝对值之和的最大值位置作为支撑集的索引，从而得到支撑集，进而重构原始信号。该类算法重构高效，但是在原始信号略微不够稀疏，或欠采样率略大的情形下重构表现较差。对多测量向量问题的研究目前大多都是基于l2,1范数表示信号的稀疏性结合最小二乘法、交替方向乘子法等方法进行信号重构，但由于l2,1范数是l2,0范数的凸松弛，在信号不够稀疏、传感器个数较少、欠采样率较大等情形下，基于l2,1范数的算法重构表现较差，不能充分减少数据传输过程中的能量损耗，或数据存储所需的空间，不能满足实际需求。
发明内容
本发明要解决的问题是为了精确恢复原始卫星数据，提出多测量向量卫星数据的处理方法、电子设备及存储介质。
为实现上述目的，本发明通过以下技术方案实现：
一种多测量向量卫星数据的处理方法，包括如下步骤，
S1、传感器采集压缩后的卫星向量数据，构建多测量向量卫星数据矩阵；
S2、基于步骤S1构建的多测量向量卫星数据矩阵，构建l2,0范数极小化的第一优化模型；
S3、将步骤S2构建的l2,0范数极小化的第一优化模型的目标函数转化为不等式约束，得到l2,0范数不等式约束的第二优化模型；
S4、采用约束转移和变量松弛方法改进步骤S3得到的l2,0范数不等式约束的第二优化模型，得到双变量的l2,0范数的第三优化模型；
S5、对步骤S4得到的双变量的l2,0范数的第三优化模型中的卫星压缩后的向量数据利用交替方向乘子法进行求解，得到多测量向量卫星数据。
进一步的，步骤S1的具体实现方法包括如下步骤：
S1.1、设置传感器的联合压缩过程中的传感矩阵为M为传感矩阵的行，N为传感矩阵的列，M<N，设置多测量向量卫星数据矩阵为S＝(s1,s2,…,sJ)，/> 其中J为传感器的个数，j为J中的任意一个，sj为第j个多测量向量卫星数据；
S1.2、设置采集的压缩后的卫星向量数据分别为y1,y2,…,yJ，其中
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、设置步骤S1构建的多测量向量卫星数据矩阵具有稀疏度不超过s的公共稀疏支撑集||S||2,0，表达式为：
||S||2,0≤s；
S2.2、利用多测量向量卫星数据矩阵的联合稀疏度等价于极小化||S||2,0，构建l2,0范数极小化的第一优化模型，表达式为：
s.t.Y＝ΦS
其中，Y为压缩后的卫星向量数据构成的观测矩阵，s.t.为约束条件。
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1、步骤S2构建的l2,0范数极小化的第一优化模型的目标函数转化为不等式约束，表达式为：
其中，spark(Φ)为Φ的列线性相关组的最小数目，rank(Y)为Y的秩；
S3.2、设置稀疏度s的表达式为：
其中，为向下取整运算符；
则得到构建的l2,0范数不等式约束的第二优化模型，表达式为：
其中，F为矩阵的Frobenius范数。
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、采用约束转移的方法改进步骤S3得到的l2,0范数不等式约束的第二优化模型，对集合M引入指示函数，表达式为：
其中，X为函数自变量，为函数自变量的指示函数；
S4.2、基于步骤S4.1将约束转移到目标函数后，引入S的松弛变量B做拆分，得到双变量的l2,0范数的第三优化模型，表达式为：
其中，为松弛变量B的指示函数。
进一步的，步骤S5的具体实现方法包括如下步骤：
S5.1、将压缩数据构成的观测矩阵传感器的联合压缩过程中的传感矩阵/> 作为输入数据,设置多测量向量卫星数据初始化矩阵/>为高斯随机矩阵，零矩阵/>
S5.2、判断是否有关于多测量向量卫星数据矩阵S的联合稀疏度为K的先验信息输入，判断为有则初始化s为K，判断为否则初始化初始化ρ>0,k＝0，其中，ρ为等式约束的罚因子，k为迭代次数；
S5.3、固定S更新步骤S4得到的双变量的l2,0范数的第三优化模型中的松弛变量，得到表达式为：
其中，为集合/>的投影算子；
然后进行判断，如果那么/>否则对/>做截断，仅保留行向量的l2范数最大的前s行；
S5.4、固定B更新多测量向量卫星数据矩阵S，得到表达式为：
其中，IN为N阶单位矩阵；
S5.5、更新拉格朗日乘子L，表达式为：
S5.6、更新k：k＝k+1；
S5.7、判断是否满足收敛准则：若||Bk-Sk||F<ε1,||Sk+1-Sk||F<ε2,||Lk||F<ε3均成立，其中，ε1,ε2,ε3为预先设定好的收敛准则精度，或迭代至最大次数k＝MaxIter，则得到多测量向量卫星原始数据否则返回步骤S5.3进行循环运算。
进一步的，步骤S5产生的迭代点列{(Bk,Sk,Lk)}全局收敛到最优最优解，当且仅当满足以下收敛准则：
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种多测量向量卫星数据的处理方法的步骤。
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种多测量向量卫星数据的处理方法。
本发明的有益效果：
本发明所述的一种多测量向量卫星数据的处理方法，首先将多测量向量问题转化成双变量的l2,0范数的优化问题，且交替方向乘子法对该优化问题的更新中采用的是硬阈值算子，而不是l2,1范数情形下的软阈值算子。而且l2,1范数是凸的，交替方向乘子法在凸问题上的收敛性是已知的，但是本发明的l2,0范数是非凸的，证明交替方向乘子法在提出的新优化模型上有全局收敛性。
本发明所述的一种多测量向量卫星数据的处理方法，引入本质的，非凸的l2,0范数描述多测量向量问题，基于l2,0范数构建多测量向量的优化模型，该模型更能反应信号的稀疏性。
本发明所述的一种多测量向量卫星数据的处理方法，基于l2,0范数利用交替方向乘子法求解多测量向量问题，因为l2,0范数的引入，能够保证重构时间与现有技术相近，甚至能快于现有技术的重构速度，且在信号不够稀疏，传感器个数较少时仍精确重构原始信号。最关键的是，相较于现有技术，本发明的欠采样率更大，这意味着相同条件下，本发明能够更大程度的压缩数据，能够极大地减少信息传输能量损耗，或信息存储的代价。
附图说明
图1为本发明所述的一种多测量向量卫星数据的处理方法的流程图；
图2为本发明所述的一种多测量向量卫星数据的处理方法的不同稀疏度下的重构成功率图；
图3为本发明所述的一种多测量向量卫星数据的处理方法的不同稀疏度下的用时对比图；
图4为本发明所述的一种多测量向量卫星数据的处理方法的不同欠采样率下的重构成功率对比图；
图5为本发明所述的一种多测量向量卫星数据的处理方法的不同欠采样率下的用时对比图；
图6为本发明所述的一种多测量向量卫星数据的处理方法的不同传感器个数下的重构成功率对比图；
图7为本发明所述的一种多测量向量卫星数据的处理方法的不同传感器个数下的用时对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1-附图7详细说明如下：
具体实施方式一：
一种多测量向量卫星数据的处理方法，包括如下步骤，
S1、传感器采集压缩后的卫星向量数据，构建多测量向量卫星数据矩阵；
进一步的，步骤S1的具体实现方法包括如下步骤：
S1.1、设置传感器的联合压缩过程中的传感矩阵为M为传感矩阵的行，N为传感矩阵的列，M<N，设置多测量向量卫星数据矩阵为S＝(s1,s2,…,sJ)，/> 其中J为传感器的个数，j为J中的任意一个，sj为第j个多测量向量卫星数据；
S1.2、设置采集的压缩后的卫星向量数据分别为y1,y2,…,yJ，其中
S2、基于步骤S1构建的多测量向量卫星数据矩阵，构建l2,0范数极小化的第一优化模型；
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、设置步骤S1构建的多测量向量卫星数据矩阵具有稀疏度不超过s的公共稀疏支撑集||S||2,0，表达式为：
||S||2,0≤s；
S2.2、利用多测量向量卫星数据矩阵的联合稀疏度等价于极小化||S||2,0，构建l2,0范数极小化的第一优化模型，表达式为：
s.t.Y＝ΦS
其中，Y为压缩后的卫星向量数据构成的观测矩阵，s.t.为约束条件；
S3、将步骤S2构建的l2,0范数极小化的第一优化模型的目标函数转化为不等式约束，得到l2,0范数不等式约束的第二优化模型；
进一步的，步骤S3的具体实现方法包括如下步骤：
S3.1、步骤S2构建的l2,0范数极小化的第一优化模型的目标函数转化为不等式约束，表达式为：
其中，spark(Φ)为Φ的列线性相关组的最小数目，rank(Y)为Y的秩；
S3.2、设置稀疏度s的表达式为：
其中，为向下取整运算符；
则得到构建的l2,0范数不等式约束的第二优化模型，表达式为：
s.t.||S||2,0≤s
其中，F为矩阵的Frobenius范数；
S4、采用约束转移和变量松弛方法改进步骤S3得到的l2,0范数不等式约束的第二优化模型，得到双变量的l2,0范数的第三优化模型；
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、采用约束转移的方法改进步骤S3得到的l2,0范数不等式约束的第二优化模型，对集合M引入指示函数，表达式为：
其中，X为函数自变量，为函数自变量的指示函数；
S4.2、基于步骤S4.1将约束转移到目标函数后，引入S的松弛变量B做拆分，得到双变量的l2,0范数的第三优化模型，表达式为：
s.t.B-S＝0
其中，为松弛变量B的指示函数；
S5、对步骤S4得到的双变量的l2,0范数的第三优化模型中的卫星压缩后的向量数据利用交替方向乘子法进行求解，得到多测量向量卫星数据；
进一步的，步骤S5的具体实现方法包括如下步骤：
S5.1、将压缩数据构成的观测矩阵传感器的联合压缩过程中的传感矩阵/> 作为输入数据,设置多测量向量卫星数据初始化矩阵/>为高斯随机矩阵，零矩阵/>
S5.2、判断是否有关于多测量向量卫星数据矩阵S的联合稀疏度为K的先验信息输入，判断为有则初始化s为K，判断为否则初始化初始化ρ>0,k＝0，其中，ρ为等式约束的罚因子，k为迭代次数；
S5.3、固定S更新步骤S4得到的双变量的l2,0范数的第三优化模型中的松弛变量，得到表达式为：
其中，为集合/>的投影算子；
然后进行判断，如果那么/>否则对/>做截断，仅保留行向量的l2范数最大的前s行；
S5.4、固定B更新多测量向量卫星数据矩阵S，得到表达式为：
其中，IN为N阶单位矩阵；
S5.5、更新拉格朗日乘子L，表达式为：
S5.6、更新k：k＝k+1；
S5.7、判断是否满足收敛准则：若||Bk-Sk||F<ε1,||Sk+1-Sk||F<ε2,||Lk||F<ε3均成立，其中，ε1,ε2,ε3为预先设定好的收敛准则精度，或迭代至最大次数k＝MaxIter，则得到多测量向量卫星原始数据否则返回步骤S5.3进行循环运算；
进一步的，步骤S5产生的迭代点列{(Bk,Sk,Lk)}全局收敛到最优最优解，当且仅当满足以下收敛准则：
本实施方式所述的一种多测量向量卫星数据的处理方法，使用维度N＝500，测量数M＝150，联合稀疏度K＝50，传感器个数J＝10的标准正态分布随机生成的数据测试本发明方法重构的有效性及高效性。其中重构精度用均方根误差衡量，重构效率用运行时间衡量。如表1所示，在10次独立随机实验中，本实施方式方法的重构精度均极高，且重构用时极短，重构表现优异。
表1随机实验的重构精度及重构时间
本实施方式所述的一种多测量向量卫星数据的处理方法，使用维度N＝500，测量数M＝150，传感器个数J＝10，联合稀疏度K以25的步长从25增大到150的标准正态分布随机生成的数据测试本实施方式方法重构表现与稀疏度的关系。其中RMSE<10-5时认为本次重构是成功的。如图2和图3所示，在每组参数组合的100次独立随机实验中，相较于其它5个算法，本实施方式方法在信号不够稀疏时仍能全部成功重构原始信号，且重构用时短，重构表现更优异。
本实施方式所述的一种多测量向量卫星数据的处理方法，使用维度N＝500，联合稀疏度K＝50，传感器个数J＝10，欠采样率以1.6的步长从1.6增大到8的标准正态分布随机生成的数据测试本发明方法重构表现与欠采样率的关系。如图4和图5所示，在每组参数组合的100次独立随机实验中，相较于基于贪婪正交匹配追踪的SOMP算法、基于l2,1范数的MFOCUSS算法、MMV-SPG算法、基于迭代硬阈值算子的SNIHT算法、以及基于l2,1范数的交替方向乘子MMV-ADMM-l2,1算法，本发明方法在欠采样率较大时仍能全部成功重构原始信号，且重构用时短，重构表现更优异。
本实施方式所述的一种多测量向量卫星数据的处理方法，使用维度N＝500，测量数M＝150，联合稀疏度K＝50，传感器个数J从1开始每步乘2增大到32的标准正态分布随机生成的数据测试本发明方法重构表现与传感器个数的关系。如图6和图7所示，在每组参数组合的100次独立随机实验中，相较于其它5个算法，本发明方法在传感器个数较少时仍能全部成功重构原始信号，且重构用时短，重构表现更优异。
具体实施方式二：
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种多测量向量卫星数据的处理方法的步骤。
本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种多测量向量卫星数据的处理方法的步骤。
所称处理器可以是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三：
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种多测量向量卫星数据的处理方法。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种多测量向量卫星数据的处理方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，术语“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。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (4)

1.一种多测量向量卫星数据的处理方法，其特征在于，包括如下步骤，
S1、传感器采集压缩后的卫星向量数据，构建多测量向量卫星数据矩阵；
步骤S1的具体实现方法包括如下步骤：
S1.1、设置传感器的联合压缩过程中的传感矩阵为M为传感矩阵的行，N为传感矩阵的列，M<N，设置多测量向量卫星数据矩阵为S＝(s1,s2,…,sJ)，/>其中J为传感器的个数，j为J中的任意一个，sj为第j个多测量向量卫星数据；
S1.2、设置采集的压缩后的卫星向量数据分别为y1,y2,…,yJ，其中
S2、基于步骤S1构建的多测量向量卫星数据矩阵，构建l2,0范数极小化的第一优化模型；
步骤S2的具体实现方法包括如下步骤：
S2.1、设置步骤S1构建的多测量向量卫星数据矩阵具有稀疏度不超过s的公共稀疏支撑集||S||2,0，表达式为：
||S||2,0≤s；
S2.2、利用多测量向量卫星数据矩阵的联合稀疏度等价于极小化||S||2,0，构建l2,0范数极小化的第一优化模型，表达式为：
s.t.Y＝ΦS
其中，Y为压缩后的卫星向量数据构成的观测矩阵，s.t.为约束条件；
S3、将步骤S2构建的l2,0范数极小化的第一优化模型的目标函数转化为不等式约束，得到l2,0范数不等式约束的第二优化模型；
步骤S3的具体实现方法包括如下步骤：
S3.1、步骤S2构建的l2,0范数极小化的第一优化模型的目标函数转化为不等式约束，表达式为：
其中，spark(Φ)为Φ的列线性相关组的最小数目，rank(Y)为Y的秩；
S3.2、设置稀疏度s的表达式为：
其中，为向下取整运算符；
则得到构建的l2,0范数不等式约束的第二优化模型，表达式为：
s.t.||S||2,0≤s
其中，F为矩阵的Frobenius范数；
S4、采用约束转移和变量松弛方法改进步骤S3得到的l2,0范数不等式约束的第二优化模型，得到双变量的l2,0范数的第三优化模型；
步骤S4的具体实现方法包括如下步骤：
S4.1、采用约束转移的方法改进步骤S3得到的l2,0范数不等式约束的第二优化模型，对集合M引入指示函数，表达式为：
其中，X为函数自变量，为函数自变量的指示函数；
S4.2、基于步骤S4.1将约束转移到目标函数后，引入S的松弛变量B做拆分，得到双变量的l2,0范数的第三优化模型，表达式为：
s.t.B-S＝0
其中，为松弛变量B的指示函数；
S5、对步骤S4得到的双变量的l2,0范数的第三优化模型中的卫星压缩后的向量数据利用交替方向乘子法进行求解，得到多测量向量卫星数据；
步骤S5的具体实现方法包括如下步骤：
S5.1、将压缩数据构成的观测矩阵传感器的联合压缩过程中的传感矩阵/> 作为输入数据,设置多测量向量卫星数据初始化矩阵/>为高斯随机矩阵，零矩阵/>
S5.2、判断是否有关于多测量向量卫星数据矩阵S的联合稀疏度为K的先验信息输入，判断为有则初始化s为K，判断为否则初始化初始化ρ>0,k＝0，其中，ρ为等式约束的罚因子，k为迭代次数；
S5.3、固定S更新步骤S4得到的双变量的l2,0范数的第三优化模型中的松弛变量，得到表达式为：
其中，为集合/>的投影算子；
然后进行判断，如果那么/>否则对/>做截断，仅保留行向量的l2范数最大的前s行；
S5.4、固定B更新多测量向量卫星数据矩阵S，得到表达式为：
Sk+1＝(2ΦTΦ+ρIN)-1(2ΦTY+ρBk+1+Lk)
其中，IN为N阶单位矩阵；
S5.5、更新拉格朗日乘子L，表达式为：
Lk+1＝Lk+ρ(Bk+1-Sk+1)；
S5.6、更新k：k＝k+1；
S5.7、判断是否满足收敛准则：若||Bk-Sk||F<ε1,||Sk+1-Sk||F<ε2,||Lk||F<ε3均成立，其中，ε1,ε2,ε3为预先设定好的收敛准则精度，或迭代至最大次数k＝MaxIter，则得到多测量向量卫星原始数据否则返回步骤S5.3进行循环运算。
2.根据权利要求1所述的一种多测量向量卫星数据的处理方法，其特征在于，步骤S5产生的迭代点列{(Bk,Sk,Lk)}全局收敛到最优最优解，当且仅当满足以下收敛准则：
3.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-2任一项所述的一种多测量向量卫星数据的处理方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-2任一项所述的一种多测量向量卫星数据的处理方法。
CN202310447205.3A 2023-04-24 2023-04-24 多测量向量卫星数据的处理方法、电子设备及存储介质 Active CN116450993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310447205.3A CN116450993B (zh) 2023-04-24 2023-04-24 多测量向量卫星数据的处理方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310447205.3A CN116450993B (zh) 2023-04-24 2023-04-24 多测量向量卫星数据的处理方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116450993A CN116450993A (zh) 2023-07-18
CN116450993B true CN116450993B (zh) 2023-12-12

Family

ID=87133560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310447205.3A Active CN116450993B (zh) 2023-04-24 2023-04-24 多测量向量卫星数据的处理方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116450993B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117271099B (zh) * 2023-11-21 2024-01-26 山东师范大学 一种基于规则库的空间数据分析自动调度系统及方法
CN118132955A (zh) * 2024-03-19 2024-06-04 哈尔滨工业大学 一种基于扩散模型的卫星在轨部件数据压缩重构方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104937856A (zh) * 2013-12-26 2015-09-23 华为技术有限公司 一种估计到达角的方法、装置及电子设备
CN106600594A (zh) * 2016-12-19 2017-04-26 天津工业大学 基于分裂Bregman的干涉高光谱图像快速分解算法
CN109039341A (zh) * 2018-07-26 2018-12-18 深圳大学 多量测压缩感知的感知矩阵构建方法、系统及存储介质
CN109061675A (zh) * 2018-07-24 2018-12-21 西安空间无线电技术研究所 一种基于卫星通信信号的导航方法
CN110412499A (zh) * 2019-07-16 2019-11-05 北京工业大学 基于压缩感知理论下的rss算法的宽带doa估计算法
CN112162280A (zh) * 2020-08-25 2021-01-01 中国人民解放军空军预警学院雷达士官学校 基于原子范数最小化的sf isar一维高分辨距离成像方法
CN114996653A (zh) * 2022-06-29 2022-09-02 东南大学 一种基于原子范数最小化的二维鲁棒自适应波束形成方法
CN115563444A (zh) * 2022-12-06 2023-01-03 苏州浪潮智能科技有限公司 一种信号重构方法、装置、计算机设备及存储介质
CN115792981A (zh) * 2023-02-06 2023-03-14 深圳大学 一种基于阵列天线的可见卫星探测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104937856A (zh) * 2013-12-26 2015-09-23 华为技术有限公司 一种估计到达角的方法、装置及电子设备
CN106600594A (zh) * 2016-12-19 2017-04-26 天津工业大学 基于分裂Bregman的干涉高光谱图像快速分解算法
CN109061675A (zh) * 2018-07-24 2018-12-21 西安空间无线电技术研究所 一种基于卫星通信信号的导航方法
CN109039341A (zh) * 2018-07-26 2018-12-18 深圳大学 多量测压缩感知的感知矩阵构建方法、系统及存储介质
CN110412499A (zh) * 2019-07-16 2019-11-05 北京工业大学 基于压缩感知理论下的rss算法的宽带doa估计算法
CN112162280A (zh) * 2020-08-25 2021-01-01 中国人民解放军空军预警学院雷达士官学校 基于原子范数最小化的sf isar一维高分辨距离成像方法
CN114996653A (zh) * 2022-06-29 2022-09-02 东南大学 一种基于原子范数最小化的二维鲁棒自适应波束形成方法
CN115563444A (zh) * 2022-12-06 2023-01-03 苏州浪潮智能科技有限公司 一种信号重构方法、装置、计算机设备及存储介质
CN115792981A (zh) * 2023-02-06 2023-03-14 深圳大学 一种基于阵列天线的可见卫星探测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Image Compressed Sensing Recovery based on Multi-scale Group Sparse Representation;Tianyu Geng 等;《IWSSIP2018》;1-5 *
Reconstruction and transmission of astronomical image based on compressed sensing;Xiaoping Shi;Jie Zhang;;Journal of Systems Engineering and Electronics(第03期);184-194 *
Zelun Liu 等.Alternating Direction Method of Multipliers Based on l2,0-norm for Multiple Measurement Vector Problem.《arxiv》.2023,1-24. *
一种基于压缩感知的卫星图像观测矩阵优化;张择书;郭永飞;;长春理工大学学报(自然科学版)(第04期);95-98 *
压缩感知技术在地震数据重建中的应用;孔丽云;于四伟;程琳;杨慧珠;;地震学报(第05期);81-88+149 *
基于l_0范数近似最小化的稀疏信号重构方法;李颖;王泽;王军华;苗刚;郑耿乐;;计算机工程与应用(第10期);204-208+245 *
基于压缩感知理论的图像优化技术;王钢;周若飞;邹昳琨;;电子与信息学报(第01期);200-204 *
基于压缩感知的信源个数与信号参数估计算法;秦国领;李小燕;赵建宏;庞岳峰;刘田间;;飞行器测控学报(第06期);4-11 *

Also Published As

Publication number Publication date
CN116450993A (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN116450993B (zh) 多测量向量卫星数据的处理方法、电子设备及存储介质
Sun et al. Compressive sensing of piezoelectric sensor response signal for phased array structural health monitoring
EP2511680A2 (en) Optimized orthonormal system and method for reducing dimensionality of hyperspectral Images
JP2018139151A (ja) マシーンビジョン３ｄラインスキャンイメージ取得及び処理
Starck et al. Astronomical data analysis and sparsity: From wavelets to compressed sensing
Mahalanobis et al. Object specific image reconstruction using a compressive sensing architecture for application in surveillance systems
CN103136732B (zh) 一种基于矩阵填充的图像去噪方法
CN107966210B (zh) 基于高光谱图像的热红外融合重构方法
CN114022364B (zh) 基于光谱库优化学习的多光谱图像光谱超分方法和系统
Schmidt et al. The constrained earth mover distance model, with applications to compressive sensing
CN113688172B (zh) 滑坡易发性评估模型训练方法、评估方法、装置及介质
CN108038149A (zh) 一种温度场数据重构方法
CN112200845A (zh) 一种图像配准方法和装置
CN116776651A (zh) 地表蒸散发测算方法、装置、电子设备及存储介质
Shih et al. Forecasting of Global Ionosphere Maps With Multi‐Day Lead Time Using Transformer‐Based Neural Networks
Guan et al. Advances in theory of compressive sensing and applications in communication
CN106911893B (zh) 一种单像素计算成像方法
Kasem et al. DRCS-SR: Deep robust compressed sensing for single image super-resolution
CN115994235B (zh) 色谱分析方法库构建方法、装置、设备和计算机介质
CN107147396B (zh) 信号采样方法、信号采样系统和信号采样装置
CN113361819B (zh) 一种线性预测方法及装置
Yin et al. Block-sparse compressed sensing: non-convex model and iterative re-weighted algorithm
CN108599773A (zh) 一种基于确定性测量矩阵的振动信号数据压缩采集方法
CN103106643A (zh) 一种低采样率下四元数域彩色图像恢复的方法
CN116739924B (zh) 基于等效偏移角稀疏测量的序贯观测图像几何校正方法

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