[发明专利]基于压缩感知的分布式无线传感器网络节点信号采样方法

说明书

技术领域

本发明涉及信号采样的应用领域，尤其涉及一种农业物联网中多个无线传感器网络对语音信号采样及传输的方法。 

背景技术

农业物联网技术作为现代农业最前沿的发展领域之一，是当今世界发展农业信息化，实现农业可持续发展的关键和核心技术。农业物联网信息技术主要包括农业信息感知、传输与信息应用三个层面。而传统农业信息获取面临几大技术瓶颈:一是传感器技术落后，二是传统农业信息监测只是单点、静态的定时测定，无法实现实时动态检测，难于实现无人值守的农业自动化作业要求。本发明主要是针对大型畜禽养殖基地普遍存在的传感器采集的数据未能及时正确的传输到管理平台，导致各个平台信息无法实时更新，极大地影响了企业的信息化管理水平。因此实时采集分布式传感器中的数据至关重要，开发农业物联网软硬件平台已经成为现代农业信息采集亟待解决的关键问题。 

在奈奎斯特（Nyquist）采样定律为基础的传统数字信号处理框架下，若要从采样得到的离散信号中无失真地恢复模拟信号，采样频率必须大于或者等于整个信号最高频率的两倍。随着当前的信息量日益增加，信号带宽越来越宽，在信息获取中对采样速率和处理速度提出越来越高的要求。压缩感知采用“边采样边压缩”技术，直接获取压缩后的信号，突破了Nyquist采样定理的限制。压缩感知理论（Compressed Sensing,简称CS理论）在信息论、医疗成像、光学、遥感成像、雷达信号传输、模式识别、生物传感、地质勘探、天文、集成电路分析、图像信号的采集和压缩等领域中中展开了广泛的研究和应用。如今CS理论自身也表现出强大的生命力，已发展了分布式CS理论，Bayesian CS理论，无限维CS理论，变形CS理论，边缘CS理论等。它们不仅为许多应用科学如统计学、信息论、编码理论、计算机科学等带来了新的启发，而且在许多工程领域如低成本数码相机和音频采集设备、节电型图像采集设备、分布式传感器网络、 超带宽信号处理等都具有重要的实践意义。尤其是在成像方面如地震勘探成像和核磁共振成像中，基于CS理论的信息传感器已经设计成功，将对昂贵的成像器件的设计产生重要的影响。 

压缩感知理论是当信号具有稀疏性或可压缩性时，可以用一个与变换基矩阵非相干的观测矩阵将变换系数线性投影为低维的观测向量，通过进一步求解稀疏最优化问题能够从低维观测向量高概率地重构原始高维信号。即通过采集少量的数据就可以精确或近似精确的重构原始信号。 

分布式压缩感知理论将压缩感知对独立信号的应用扩展到了对多个信号集合的联合处理。该理论能实现比独立压缩感知重构信号的压缩信源传输率更低和优越性的目的。 

发明内容

在农业物联网中，同时采集多个信号通过无线传感器网络进行，用传统的香农采样定理采集信号要求采样频率高于信号最大频率的2倍才能精确的重构信号。在基于无线传感器网络的语音信号监控系统中，由于多个传感器受电池能量的限制，在无线通信过程中通信性能有限，使得遵循香农采样定理的采样方法在语音信号监测系统中以较低的效率实现。 

为了克服用传统遵循香农采样定理的采样方法在采集数据过程中产生大量冗余数据造成存储空间浪费的不足，本发明提供一种基于压缩感知的分布式无线传感器网络节点信号采样方法，该方法用分布式压缩感知技术对多个语音信号建立基于JSM-1模型的联合稀疏模型，在编码端对感知数据进行压缩，在解码端利用DCS理论联合重构算法对信号进行精确恢复实现完整数据的采集过程。 

一种基于压缩感知的分布式无线传感器网络节点信号采样方法,该方法同时对多个语音信号进行采样、传输和重建，其特征在于，该方法包括如下步骤： 

步骤一：通过多个传感器同时采集信号，对采集到的多个信号建立JSM-1联合稀疏模型，以表示信号之间和信号本身的相关性，其中每个信号X_j都包含两部分，即所有信号都具有的共同稀疏部分Z_C和每个信号独自包含的特有稀疏部分Z_j，即： 

X_j=Z_C+Z_j,j∈{1,2…J}， 

并且信号的共同稀疏部分Z_C和特有稀疏部分Z_j都可以在某个稀疏基上进行稀疏表达，即： 

Z_C=Ψθ_C,||θ_c||₀=K_C

以及