基于压缩感知的数据压缩与检测_VIP免费

基金项目：国家自然科学基金资助项目（60972041,60972045）作者简介：李燕（1989—），女，硕士研究生，南京邮电大学通信工程学院信号与信息处理专业，研究方向：在无线传感网络中压缩感知的应用。王博：（1987-）男，硕士研究生，南京邮电大学理学院应用数学专业，研究方向:：信息处理理论与应用。基于压缩感知的数据压缩与检测李燕，王博（南京邮电大学通信与信息工程学院，江苏南京210003）摘要：在无线传感器网络（WSN）中，以往都是采用奈奎斯特技术对信号进行采样并重构，而随着信号频率的增加，应用奈奎斯特技术会使成本大幅度的增加，这是人们所不乐见的。针对这一问题，近年来出现一种新的技术即压缩感知技术，它能利用更少的数据和合适的重构方法得到更精确的原始信号。将稀疏贝叶斯学习（SBL）和压缩感知联合起来，形成了一种在噪声的情况下更好重建可压缩信号的方法，并进一步将这种方法应用在WSN中，可以在误差允许的范围内有效控制测量数据的维数，所以可以在保证了一定的误差的同时还减少了成本，提高了算法的效率。关键字：无线传感网络；压缩感知；贝叶斯模型；信号重构中图分类号：TN91文献标识码：ADatacompressionanddetectionbasedoncompressivesensingLIYan，WangBo（CollegeofCommunicationandInformationEngineering，NanjingUniversityofPostsandTelecommunications.NanJing210003，China）Abstract：Inwirelesssensornetworks，signalissampledandreconstructionusingthetechnologyofNyquistinthe,past.Butitrequiresasubstantialincreaseinthecostwiththegrowthofthesignalfrequency,whichisthatpeopledonotliketosee,Recentlytheemergenceofanewtechnology,whichiscalledcompressivesensingtechnology,isagoodwaytosolvethisproblem.Compressivesensingcanuselessdataandappropriatereconstructionmethodtogetamoreaccurateoriginalsignal.wecanputSparseBayesianlearning(SBL)andcompressivesensingtogethertoformabetterreconstructioncompressiblesignalunderthenoise,ThismethodcaneffectivelycontrolthedimensionofmeasurementdatawithintherangeofallowederrorinWSN,soyoucanensureacertaindegreeoferrorwhilereducingthecostandimprovetheefficiencyofthealgorithm.Keywords:wirelesssensornetworks;compressivesensing;Bayesianmodel;signalreconstruction0.引言无线传感网络是在某个特定区域内大量独立分布的传感器节点组成的。主要是由传感器节点感知数据，然后所感知的数据即监测数据经由其他传感器逐跳的进行传输最终到达汇聚节点，汇聚节点把接收到的数据借助互联网传输到管理节点,用户可以通过管理器节点对传感器网络进行人工实时监控和管理。但是传感器节点一般是采用微型电池供电并且不可以频繁地进行更换，所以能量是有限的。尽可能减少能量的消耗，即降低功耗是无线感知网络研究的首要问题。应用近年来形成的压缩感知技术就是一种有效途径，压缩感知技术[1]在国内外许多领域都得到了广泛的应用并取得了很显著的效果。在信号的重构方面，相对于常用的贪婪追踪重构算法实现点的估计，本文借助贝叶斯模型得到整体数据后验概率的分布。在有噪声条件下，BP和OMP【2】等方法都不能很好的重构原来信号，但贝叶斯模型[3]就可以。并且通过大量实验表明选择合适的反馈系数控制采集数据的维数可以在保证允许误差的前提下尽量减少测量次数降低成本提网络出版时间：2014-01-0808:16网络出版地址：http://www.cnki.net/kcms/detail/61.1450.TP.20140108.0816.017.html高算法效率。1.压缩感知的总述。压缩感知理论采用非自适应线性投影保持信号的原始结构，以亚奈奎斯特频率对信号进行采样，通过解数值最优化问题准确重构出原始信号。压缩感知的一个基本观点就是：当信号在某一组已知基是稀疏的我们可以很大的减少需要储存数据的测量。所以感知信号必须可以用稀疏性或可压缩性形式表示。具体表述为：假设信号x在基上是稀疏的，即（1）其中：()kNxR作为在离散的时间k=1,2,3...K。N维向量()kNsR是()kx稀疏表示.在WSN中，观测数据可以表示为：（...