[发明专利]一种多源信号协同压缩感知数据恢复方法

说明书

本发明公开了一种多源信号协同压缩感知数据恢复方法，包括如下步骤：步骤1：无线传感器网络中的汇聚节点获取每个传感器节点的历史数据，并利用历史数据以及第一优化方程计算出稀疏结构信息矩阵；步骤2：汇聚节点接收每个传感器节点传输的待处理的压缩感知测量结果矩阵；步骤3：汇聚节点利用步骤1计算出的稀疏结构信息矩阵对每个传感器节点的待处理的压缩感知测量结果矩阵进行数据恢复操作得到恢复数据；恢复数据是每个传感器节点的当前待传输数据在压缩感知测量后对应的恢复结果。本发明通过历史数据的压缩感知测量结果矩阵训练出稀疏结构信息矩阵，且训练过程考虑了压缩感知测量过程的信息丢失，进而提高了后续数据恢复的精度。

技术领域

本发明属于无线传感器网络领域，具体涉及一种多源信号协同压缩感知数据恢复方法。

背景技术

无线传感器网络等应用场合，节点通常采用电池供电，能量供给有限，而信号通常采用无线传输，传输开销较大，因此节能降耗是无线传感器网络的重要研究内容。数据压缩技术是减少数据传输开销的最重要的技术之一。压缩感知是一种新型的压缩技术，它将实现信号的采集和压缩融为一体，突破了传统奈奎斯特理论的限制，可以大幅度减少采样和计算开销。

传感器网络等应用场景，通常存在多个节点。地理位置接近的多个节点的采集的数据之间存在一定的相关特征。理论上，通过挖掘时空关联信息，可以提高压缩感知的恢复效果。分布式压缩感知技术和克罗内克压缩感知技术是两种处理多源稀疏信号和可压缩信号的代表性的框架。

分布式压缩感知技术通过挖掘多源信号集中存在的信号间相关性和信号内相关性，实现高效的分布式编码。该理论引入了信号集的联合稀疏性这一概念，研究了用于联合稀疏信号表达的模型，并提出联合信号恢复的方案。克罗内克压缩感知技术通过引入张量积，为多源信号压缩感知应用场景提供了一种生成联合稀疏结构信息矩阵和联合测量矩阵的工具。实验结果表明，该技术在3D超光谱影像和视频序列等应用场景中取得了较好的效果。研究人员基于WSN应用场景对两种方案进行了实验性质的比较研究。结果表明，两者都可以有效利用节点数据之间的时空相关性提升压缩感知恢复精度，其中分布式压缩感知技术效果相对更好。

Dict-DCS将稀疏字典学习技术引入到分布式压缩感知技术中。该方案主要包括字典学习和压缩感知恢复两个过程。该方案的字典学习过程直接基于原始数据进行。压缩感知数据收集过程中，SINK节点最终得到的是压缩感知测量结果。但是压缩感知的维度压缩过程本身会导致部分信息的丢失，若直接使用从原始数据中训练得到的字典，由于在训练过程中没有考虑到压缩感知测量过程的信息丢失，因而会降低最终的压缩感知恢复效果。然而，因为测量矩阵是一个欠定矩阵，对应一个欠定方程组，因而很难通过直接思路求解出唯一的稀疏表达基。因此，直接从压缩感知历史测量结果中训练出稀疏表达基，并不可行。因此，现有的数据恢复方法的精度有待进一步提高。

发明内容

本发明的目的是设计一种多源信号协同压缩感知数据恢复方法，来充分挖掘历史数据中的信息，利用历史数据的压缩感知测量结果训练出稀疏结构信息矩阵，再利用训练出的稀疏结构信息矩阵来进行后续压缩感知数据恢复，其得到稀疏结构信息矩阵的训练过程考虑了压缩感知测量过程的信息丢失，进而提高了后续数据恢复的精度。

本发明提供的一种多源信号协同压缩感知数据恢复方法，包括如下步骤：

步骤1：无线传感器网络中的汇聚节点获取每个传感器节点的历史数据，并利用所述历史数据以及第一优化方程计算出用于恢复压缩感知数据的稀疏结构信息矩阵；

所述第一优化方程如下所示：

Y＝ΦX