基于压缩感知的质量可伸缩低信息密度数据收集方法
【技术领域】
[0001] 本发明涉及基于压缩感知的质量可伸缩低信息密度数据收集方法，属于通信技术 和数据收集领域。
【背景技术】
[0002] 随着感知技术的不断发展，感知网络中的数据量正以几何级数高速增长，且持续 增长的信息资源中蕴含了巨量的具有价值的信息，人们进入了"大数据"时代。然而，感知数 据具有明显的低信息密度的特点一一主要表现为数据总量大、有价值数据含量少。因此，个 人和企业对数据分析等服务的渴求也日益强烈，如果没有有效的源头探测、数据收集方法， 用户往往无法提取出真正有效的信息，无法实现低信息密度数据的有效利用。而传统的数 据收集方法通常将大量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，这 样采集传输的数据信息密度极低，传输时大大占用了网络通信带宽，带来了不必要的能耗。
[0003] 压缩感知的提出为分布式感知网络的数据收集开辟了 新的思路。压缩感知是一种全新的突破了奈奎斯特采样定理的信号采样理论，也被称为压 缩采样或稀疏采样。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，得到测量值；重构过程：由 测量值数据对原始数据进行还原。C没!论将传统对信号的采样转化成对信息的采样，降低 了信号处理时间和计算成本，也降低了信号的采样频率，还减少了数据存储空间和传输代 价。
[0004] 一般对多媒体数据通信都要进行压缩处理以减少传输的数据量，但传统压缩算法 因计算量太大不能直接用于分布式感知网络。如果想要从感知网络中采集少量感知数据并 且希望从这些少量感知数据中解压出大量信息，就需要保证两点：第一，采集的少量感知数 据包含源信号的全局信息；第二，存在某种算法能够从这些少量的感知数据中还原出原始 全局信息。在实际应用中，人们希望尽量少采集数据，或者由于客观条件限制不得不采集不 完整的数据。而压缩感知技术作为分布式感知网络数据收集的一个新选择，在传输少量感 知数据时，能够同时确保稀疏数据较高的压缩比和较低的复杂度，有效实现从少量感知数 据中恢复原始的大量数据。
[0005] 而现有结合压缩感知的数据收集方案，主要是通过测量矩阵的设计、普通分簇、分 布式时空相关性等方法来进行。测量矩阵的设计方法，即设计满足一定特性的矩阵，如设 计适合在硬件资源有限的传感器节点中实现的循环稀疏伯努利观测矩阵，循环稀疏伯努利 观测矩阵具有非零元素少、良好的伪随机性、硬件易于实现等优点，在满足数据重构误差的 前提下，能够通过压缩观测获得更少的观测数据，从而达到减少传输能耗的目的。而普通分 簇、分布式时空相关性等方法也仅仅是将压缩感知技术简单应用到数据收集中，尚没有结 合网络带宽状态进行测量矩阵的扩维或降维从而实现动态调整数据收集质量的方法。
[0006] 综上所述，对于如何结合测量矩阵和网络带宽状态从低信息密度数据中实现 质量可伸缩低信息密度数据收集方法并达到动态调整数据收集质量的目的，目前尚没有科 学的解决方案。
【发明内容】
[0007] 针对上述问题，提出了基于压缩感知的质量可伸缩低信息密度数据收集方法，具 体步骤如下： 步骤一、基于信源的信息密度初设测量矩阵的维度： 1、在信源周围布置传感器及数据采集： 1) 在一个或多个信源周围布置传感器Ir个，构成分布式感知网络； 2) 将距离每个信源位置最近的传感器节点确定为簇头并作为区域汇聚节点，以每个簇 头为中心对所述分布式感知网络中的传感器节点进行分簇； 3) 将同一簇内的传感器节点设置为时间同步，采集数据的周期为Γ，在一个周期内， 开始仅有K ：v)个传感器节点工作，其余节点暂时休眠，每个周期节点向簇头节点 发送采集的数据； 4) 簇头节点接收的_个信号用向量:?表示，然后对X进行稀疏化：
其中寒:为信号:::复在稀疏基矩阵讓::变换域的稀疏表示，
[0008] 2、计算纖个节点的信息密度户：
其中:f表示尤个节点在周期)r内采集的信息量：
:?表示_个节点在周期y内收集的第:1个数据出现的概率，麗篇表 示数据的类数;::i表示数据数量，即:?:个节点在周期内采集的数据个数；os $ s 1， ρ越小，表示信息密度越低。
[0009] 3、根据信息密度^初设Λ/<冗）的测量矩阵: 1)生成透的随机高斯测量矩阵__， 2)令Λ/二μΚ，且满足i
为常量，:为测量矩阵中的非ο 个数)，选取随机高斯测量矩阵中的Λ/Uf <分）彳了、厂:只）列构造测量矩阵)?!? :
其中::_::|_袋1_;::、亡:?:?-%?,为测量矩阵:義_中的值； 如果不满足，则以随机数填充增加测量矩阵的行数直至满足 为止。
[0010] 步骤二、结合实时有效通信带宽调整测量矩阵的维度，实现数据收集质量可伸缩 控制； 1、对信号稀疏数据进行观测编码： 由测量公式y = 可知：
[0011] 2、根据初设的测量矩阵、基矩阵:養和观测向量_，采用57算法对信号进行 重构，若残差小于阈值泛，则执行步骤3 ;否则，逐步增加测量矩阵的行数，再采用57算法 进行数据重构，直至重构残差小于阈值_才停止扩维?更新为扩维增加行数后的测量 矩阵。
[0012] 3、基于实时有效通信带宽的优劣，对测量矩阵#:2的维度进行扩维或者降维处 理： 1)判断实时有效通信带宽的优劣： 当区域汇聚节点实时接收其他节点发送的数据时，计算相对接收速率 .W .
其中―表示传输数据的实时有效通信带宽，_|_沙11是较小的常数； 然后比较实时接收速率丨和相对接收速率#的大小：若，表示实时有效通信 带宽良好，否则表示实时有效通信带宽较差； 2) 当实时有效通信带宽良好时，则以随机方式唤醒/(/+/f ?/)个暂时休眠的节 点并进入工作状态，对随机测量矩阵填充随机数进行扩维，f为扩充的维数，I为扩 充的彳T数，则:f I::为：
此时采样率需满足
，同时，CA/+的取值需满足以下条件：
否则填充随机数到测量矩阵直至满足为止； 3) 当实时有效通信带宽较差时，则以随机方式选择/个工作状态的节点并进入休 眠状态，但区域汇聚节点不休眠，对随机测量矩阵丨?!^降维，保持中左上角的上 行和前1?列，为降低的维数，I为缩减的行数，则: υ?Ν 丄 丄乙 λ ^ d/丄'j
此时采样率需满足
，同时，CA/ -O的取值需满足以下条件：
， 否则填充随机数到测量矩阵直至满足为止。
[0013] 4、根据扩维或降维后测量矩阵得到的测量值，采用57算法进行数据重构。
[0014] 5、数据收集结束。
[0015] 综上所述，本发明优点如下： 1) 通过测量矩阵的扩维和降维，可实现高质量的数据收集； 2) 结合低信息密度数据的传输和实时有效通信带宽状态调整测量矩阵的维度，实现低 信息密度数据的收集； 3) 通过测量矩阵的扩维和降维，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】
[0016] 图1是本发明的流程图； 图2是本发明实施例中以簇头为中心分簇的示意图； 图3是本发明实施例中一个数据采集周期开始时节点工作和暂时休眠的示意图； 图4是本发明实施例中扩维时以随机方式唤醒部分休眠节点进入工作状态的示意图； 图5是本发明实施例中降维时以随机方式选择部分工作节点进入休眠状态的示意图。
【具体实施方式】
[0017] 本发明设计了基于压缩感知的质量可伸缩低信息密度数据收集方法，结合图1，数 据收集的具体实施方法如下： 步骤一、基于信源的信息密度初设测量矩阵的维度： 1、在信源周围布置传感器及数据采集： 1) 在一个或多个信源周围布置传感器丨震个，构成分布式感知网络； 2) 将距离每个信源位置最近的传感器节点确定为簇头并作为区域汇聚节点，以每个簇 头为中心对分布式感知网络中的传感器节点进行分簇； 3) 将同一簇内的传感器节点设置为时间同步，采集数据的周期为Γ，在一个周期内， 开始仅有/:i ? Λ?个传感器节点工作，其余节点暂时休眠，每个周期节点向簇头节点 发送采集的数据； 4)簇头节点接收的_个信号用向量_表示，然后对:_进行稀疏化表示：
(1)
(2) 其中为信号胃在稀疏基矩阵变换域的稀疏表示， ，则 I''* :: 2、计算?个节点的信息密度::讀:：
(3) 其中? :表示鐵个节点在周期?'内采集的信息量：
(4) _表示_个节点在周期::f内收集的第个数据出现的概率， 示数据的类数；賢表示数据数量，即:?个节点在周期:f内采集的数据个数;， 夕越小，表示信息密度越低。
[0018] 3、根据信息密度/7初设的测量矩阵: 1) 生成的随机高斯测量矩阵 2) 令糊，且满足以下条件时：
(5) 其中g为常量，//为测量矩阵中的非〇个数； 选取随机高斯测量矩阵中的:鬚||緩竊.厚I行、欠(i： < i