[发明专利]一种基于降噪自编码器的高维受损数据无线传输方法

说明书

本发明公开了一种基于降噪自编码器的高维受损数据无线传输方法。本发明方法包括模型训练和端到端传输。模型训练首先对历史感知数据集进行数据预处理，基于K‑折交叉验证方法对其进行划分；然后构建降噪自编码器模型，并基于提出的新型分批引入随机高斯噪声的加噪方式训练降噪自编码器模型。端到端传输首先将训练得到的降噪自编码器拆分两部分部署于发送端和接收端，然后在发送端对未知类型噪声干扰的感知数据进行预处理和降维操作，将降维后的数据传输至接收端，最后在接收端执行重构操作，获得未受损感知数据的重构数据。本发明方法能有效进行高维受损感知数据的降维传输及降噪处理和重构，在恶劣环境下进行数据收集时滤除噪声干扰和降维传输。

技术领域

本发明涉及信号处理领域，具体涉及一种无线传感器网络中基于降噪自编码器的高维受损数据降维及降噪一体化可靠传输方法。

背景技术

随着通信及信息技术的高速发展，信息需求和待处理数据量也随之增加，如何高效地处理大量网络数据并最大限度地降低传输、存储、计算开销就成为了我们亟待解决的一大问题。无线传感器网络已广泛应用于多个领域，诸如环境监测、军事侦察、精准农业等。但由于传感器的体积决定了它们的计算、存储、通信资源都十分有限，无法负荷巨量数据的计算和传输。此外，传感器易受恶劣环境的影响，在感知数据过程中存在噪声与干扰，致使干净数据的获取难度急剧增加。

目前，常用的无线传感器网络高维数据可靠数据传输方法主要由数据采集、数据处理和数据重构三部分组成。为避免“维数灾难”问题，目前常用的数据传输方法主要基于压缩感知理论，旨在通过对待传输数据执行降维操作，以降低实际传输量。压缩感知包括字典、观测矩阵和重构算法三个方面。压缩感知主要通过字典和重构算法的设计实现降噪，通过观测矩阵的设计实现降维，并且其应用的前提条件是信号可压缩，主要用于解决线性问题，因此对于愈加复杂的通信环境和现实待解决问题的适应性较低。

申请号201910604340.8的中国发明专利申请公开了时序贝叶斯压缩采样及信号解压缩重构方法及数据丢失恢复方法，其局限性在于所述方法涉及测量矩阵、基向量矩阵的设计，以及稀疏性建模、贝叶斯概率求解、超参数的快速优化估计等，设计成本、时间成本及计算成本较高，不适用于资源受限的设备。申请号202010259663.0和202010910559.3的中国发明专利分别申请公开了一种面向压缩感知的稀疏多带信号盲重构方法和一种基于字典双学习的压缩感知信号重构方法及系统，其局限性在于预设了待处理信号是可压缩的，且将信号重构问题转化为线性规划问题，降噪功能只面向特定类型的噪声干扰，不适用于复杂噪声干扰下的非线性数据的降维及降噪重构。申请号202011254453.9的中国发明专利申请公开了一种基于随机解调结构的心电信号压缩采样装置及方法，其局限性在于将心电信号线性映射到低维空间，可能损失关键特征，且没有考虑信号存在噪声干扰的问题。

随着机器学习的蓬勃发展，为复杂环境下无线传感器网络实现数据降维和降噪一体化传输提供了新可能。自编码器最初应用于计算机视觉、图像处理及语音处理领域，它能够从受损图像中学习到更为鲁棒的特征，从而重构原始图像，也能够部署于无线传感器网络，减少待传输数据量，进而降低通信、计算和存储成本，并且自编码器的非线性也决定了它能够解决更为复杂的非线性问题。因此，自编码器在网络信号处理方法具备更大的优势，为无线传感器网络中高维受损数据传输实现降维和降噪一体化提供了新思路。

发明内容

本发明的目的是针对无线传感器网络部署环境恶劣、干起节点资源有限、待传输数据量大且受损的情况下，目前网络信号处理方法计算和设计成本较高、受场景限制、精度及压缩率较低的问题，提出一种基于降噪自编码器的高维受损数据无线传输方法。

本发明方法包括模型训练和端到端传输。

所述的模型训练用于训练降噪自编码器，获得性能良好的传输架构；具体方法是：

步骤(1)对历史感知数据集进行数据预处理，具体如下：