[发明专利]面向感知大数据重建的加速分布式优化算法

说明书

本发明公开了一种面向感知大数据重建的加速分布式优化算法，首先构建感知大数据的重构误差最小化模型；基于拉格朗日乘子构造原始优化问题和相应的对偶问题；利用双重分解法将原始优化问题进行分解；采用加速次梯度方法解决对偶问题，构建加速优化算法进行求解；实现压缩数据的重构误差最小化以及求解唯一最优值的收敛速度提高，解决现有技术无法同时满足高精度数据质量和低时延要求的技术问题；证明了所提出的加速分布式优化算法的可收敛性，并且该算法有着对网络规模的免疫性。

技术领域

本发明属于无线通信网络技术领域，具体涉及一种面向感知大数据重建的加速分布式优化算法。

背景技术

在感知大数据时代，感知数据的数量通过无处不在的无线传感设备高速生长，并且超出了传统无线传感器网络的处理和管理能力。因此，我们称现在的传感器网络为无线感知大数据网络，它能有效地组织和管理感知大数据。

处理大量感知数据的主要挑战之一是数据量越来越大，导致存储设备无法跟上感知数据生产速度的增长。

目前，解决数据规模与存储容量之间增长速率不匹配问题有两种方法，这两种方法的共同目标是减少数据传输和存储容量。

一种方法是关键数据点检索方法，另一种是纯数据压缩方法；虽然前一种方法可以显著减少感知大数据的传输量，但恢复精度不如第二种方法；第二种方法的典型代表是基于压缩感知(Compressed Sensing,CS)的压缩方法，CS将计算负担转移到汇聚节点，并且可以有效地探索时空数据的相关性，在感知大数据网络中得以成功应用。

总体来说，解决数据规模和存储容量之间增长速率不匹配问题存在两个挑战，一个是无法达到高精度的数据质量标准；另一个是不能满足低延迟的要求。

面对上述两个挑战，即现有技术在提高恢复性能方面的问题以及在解决优化问题时无法满足低时延的问题，现有技术主要解决以上单一挑战。

根据具有不同数据恢复精度的压缩方案，现有技术可以分为以下三类：

第一类调查数据压缩方法以减轻存储负担，该方案通过设计不同的数据压缩方案，有效减少传输和接收数量，通过压缩数据来缓解增加感知大数据的增长的存储压力，但是恢复精度仍有待提高；

第二类是通过优化CS理论的内部参数来研究数据恢复精度的提高方法，该方案通过考虑测量矩阵和稀疏字典之间的相关性，提出优化测量矩阵，可以提高原始数据的重建质量；

第三类是通过引入网络资源优化来实现数据恢复精度的提高，目前，对于从网络资源角度提高恢复性能的研究还很少，虽然一些技术提出了网络效用最大化问题来提高压缩数控流的恢复性能，但它是解决无线干扰问题的有线网络场景；现有技术消除了上述的无线干扰问题，并从网络资源分配的角度构造重构误差优化模型，可以最大限度地减少原始数据的恢复错误；一般来说，某些特定的业务需要实时处理能力，如自然灾害检测、军事防御、火灾探测、交通监控等，然而，迭代确定最优解的收敛速度难以满足采用传统次梯度算法的实时或近实时的要求。

发明内容

本发明的目的在于提高感知大数据的重建精度，提出一种面向感知大数据重建的加速分布式优化算法，实现压缩数据的重构误差最小化以及求解唯一最优值的收敛速度提高，解决现有技术无法同时满足高精度数据质量和低时延要求的技术问题。

本发明采用如下技术方案，一种面向感知大数据重建的加速分布式优化算法，具体步骤如下：

1)构建感知大数据的重构误差R(x^l)最小化模型；

2)基于拉格朗日乘子构造原始优化问题和相应的对偶问题；

3)利用双重分解法将原始优化问题进行分解；

4)采用加速次梯度方法解决对偶问题，构建加速优化算法进行求解。