[发明专利]一种基于L_p动态范数的压缩感知数据收集方法

说明书

技术领域

本发明涉及在信号稀疏度未知的情况下，提出一种基于动态范数的压缩感知数据收集方法，属于通信技术和数据收集领域。

背景技术

无线传感器网络是一种全新的信息获取平台，其目的是协作地感知、采集和处理网络覆盖区域中感知对象的信息，并发送给观察者，已被广泛用于军事领域、环境监测、医疗护理等相关领域。传统的数据收集方法是将传感器节点采集的所有数据经过簇头节点传输到基站进行处理。然而，在传感器网络的数据采集过程中，通常是多个传感器节点对同一事件进行感知压缩，其中携带了大量的冗余数据，传输时大大占用了网络通信带宽，带来了不必要的能耗。

压缩感知(CompressedSensing, CS)的提出为无线传感器网络数据收集开辟了新的思路,它突破了传统奈奎斯特采样定理的限制，提供了一种利用较少的采样信息准确重构出原始信号的方法。该理论利用信号的可压缩性，通过低维空间、低分辨率、欠奈奎斯特采样数据的非相关观测来实现高维信号的感知。压缩感知理论可以分成三个过程：采样、测量和重构。采样过程：对稀疏数据进行采样；测量过程：对采样得到的数据进行压缩测量，得到观测向量；重构过程：由观测向量数据对原始数据进行还原。压缩感知理论消除了现实信号处理与传统的采样理论之间的矛盾，在信号处理领域有着广泛的应用前景。

为了方便说明，下面先定义与压缩感知理论相关的两个重要概念：

稀疏度：如果信号可以在另一个数域上只用个向量来线性表示（远小于信号的长度），那么这个信号的稀疏度就是。

测量数：根据压缩感知理论，当信号具有稀疏性质时，可以只通过信号的 个线性测量来高精度恢复信号（远小于信号的长度），这里就称为测量数。

反观之前的这些工作，主要存在如下两个方面的问题：第一，现有的研究建立在数据的稀疏度已知的条件下，而在实际情况下这一点往往是不切实际的；第二，在数据的稀疏度处于未知的情况，现有的重构方法效果不太理想：测量数过高会造成通信成本的浪费，而测量数过少又无法精确地恢复数据。

综上所述，对于如何结合压缩感知理论实现高质量的数据收集，并且通过测量矩阵动态优化来降低数据的收集量，成为了亟需解决的关键技术难题之一。

发明内容

针对现有技术中的缺陷，本发明是在信号稀疏度未知的情况下，提出一种基于动态范数的压缩感知数据收集方法，包括以下步骤 ：

步骤一、在多个信源周围布置无线传感器节点，将距离每个信源位置最近的传感器节点确定为簇头，以各个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

步骤二、生成高斯随机矩阵，采集每个簇中的数据，确定需要的测量数；

步骤三、网络中的每个传感器节点发送自身数据的加权到簇头节点，簇头节点根据得到的数据特征采用基于范数的重构算法进行信号的重构，依残差检测出数据的稀疏度；

步骤四、依重构误差，动态更新值，继续重构信号，直至达到精度要求。

综上所述，与现有方法相比，本发明优势在于：

1）通过设计的动态调节，可实现高质量的数据收集；

2）能够根据信源的信息密度和网络带宽状态动态调整数据收集质量，具有广泛的适应性。

附图说明

图1是本发明的流程图。

具体实施方式

本发明提出了一种在信号稀疏度未知的情况下基于动态范数的压缩感知数据收集方法，结合图1，数据收集的具体实施方法如下：

步骤一、在20个信源周围布置300个无线传感器节点，将距离每个信源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

步骤二、生成高斯随机矩阵，采集每个簇中的数据，确定需要的测量数；

步骤三、初始化，集合为空集，对于输入的原始信号，令初始稀疏度，高斯随机矩阵为 ；

步骤四、初始化利用()范数计算：

；（1）

步骤五、设置循环变量；

步骤六、对，计算：

（2）

（3）

这里是一个对角元素为的对角矩阵，即：

（4）

得到；

步骤七、计算，即计算，其中表示测量矩阵的列向量,其中：

（5）

选取中从大到小的个元素，将该值对应其中的列序号构成集合，令；

步骤八、计算误差，其中：

（6）

并且更新稀疏度值，令；