基于压缩感知的无线传感器网络信号采集和稀疏表示研究

发布时间：2017-07-04 10:21

  本文关键词：基于压缩感知的无线传感器网络信号采集和稀疏表示研究

  更多相关文章： 无线传感器网络 压缩感知 稀疏表示 稀疏字典

【摘要】：随着无线传感器网络(WSNs)的规模逐渐扩大,能耗问题已成为亟待解决的关键问题之一。压缩感知(Compressed Sensing,CS)作为一种新型的采样理论,能利用较低采样率完成信号的精确重构,因此将其应用到无线传感器网络中能实现网络低能耗。压缩感知理论包括三个核心部分:信号稀疏表示、构建观测矩阵、重构原始信号。本文围绕无线传感器网络中基于压缩感知的信号采集和稀疏表示,设计了针对WSNs的信号采集方案,也就是观测矩阵的构建方法;研究和分析了不同稀疏表示方法在压缩感知框架中的应用,并针对传感器网络信号做出了相应改进。本文的具体贡献有如下两点:(1)常用的随机观测矩阵不依赖于信号本身,需要较大的存储空间进行预先存储,同时由于生成随机矩阵对于硬件要求较高,带来的硬件成本较大。本文针对WSNs的信号采集,通过对LEACH算法的深入学习,将CS理论与LEACH算法分簇思想相结合,制订了CS-LEACH信号采集方案。根据此方案构造基于分簇的具有分布式网络特性的观测矩阵。实验结果表明:本方案有效解决了随机矩阵预先存储占用内存的问题,并且有效地延长了WSNs的整体生命周期。(2)为了寻求更好的适用于WSNs信号的稀疏基,基于压缩感知理论框架,本文研究了三种稀疏表示的方法:离散余弦变换(DCT)、基于主成分分析法构造的稀疏变换矩阵(PCA变换)以及基于K-SVD方法构造稀疏表示字典。对于离散余弦变换,本文对原始信号值进行了排序,并分析了排序对该稀疏基的影响,实验结果表明:排序后的DCT基对数据的恢复精度明显优于未排序时;对于PCA变换,本文介绍了采用主成分分析方法对信号进行稀疏表示的方法,并通过实验分析了其在信号重构中的表现;对基于K-SVD方法构造的稀疏表示字典,本文对该方法中初始字典的选择做了改进,结合K-SVD和离散余弦变换矩阵,构造出一种适用于分布式WSNs信号稀疏表示的字典K-SVD-DCT。实验结果表明:K-SVD-DCT比用传统K-SVD方法构造的字典恢复精度更高且收敛的稳定性更好;同时,相比基于预先确定字典的稀疏表示算法DCT和PCA,K-SVD-DCT在恢复精度和恢复稳定性上具有优越性。
【关键词】：无线传感器网络 压缩感知 稀疏表示 稀疏字典
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP212.9;TN929.5
【目录】：

• 摘要4-5
• Abstract5-8
• 专用术语注释表8-9
• 第一章 绪论9-14
• 1.1 研究背景及意义9-10
• 1.2 国内外研究现状10-12
• 1.3 论文的主要内容12-13
• 1.4 论文的结构安排13-14
• 第二章 压缩感知的理论模型及其应用14-25
• 2.1 压缩感知理论基本概念14-16
• 2.2 原始信号的稀疏表示16-17
• 2.3 观测矩阵17-19
• 2.3.1 观测矩阵选取17-18
• 2.3.2 常用观测矩阵18-19
• 2.4 信号重构算法19-22
• 2.4.1 l_1模最小化方法20-21
• 2.4.2 基于l_0范数最小化的贪婪算法21-22
• 2.5 压缩感知理论在WSNs中的应用22-24
• 2.6 本章小结24-25
• 第三章 基于分簇的信号压缩采集方案25-35
• 3.1 LEACH分簇算法25-27
• 3.2 基于CS-LEACH分簇的观测矩阵27-31
• 3.3 矩阵的相干性分析31-32
• 3.4 实验仿真与分析32-34
• 3.4.1 观测矩阵选取对WSNs生命周期的影响32-33
• 3.4.2 观测数量对恢复效果的影响33-34
• 3.5 本章小结34-35
• 第四章 基于压缩感知的信号稀疏表示方法研究35-53
• 4.1 基于预先确定字典的稀疏表示算法35-41
• 4.1.1 离散余弦变换（DCT）36-39
• 4.1.2 基于主成分分析（PCA）39-41
• 4.2 基于K-SVD算法训练构建的稀疏字典41-46
• 4.2.1 基于过完备字典的稀疏表示理论42
• 4.2.2 经典K-SVD算法的基本原理42-44
• 4.2.3 用改进的K-SVD算法构建稀疏表示字典44-46
• 4.3 实验仿真与分析46-52
• 4.3.1 实验数据集46-47
• 4.3.2 基于预先确定字典的恢复47-49
• 4.3.3 基于K-SVD算法构建稀疏表示字典的恢复49-51
• 4.3.4 两类字典的对比分析51-52
• 4.4 本章小结52-53
• 第五章 总结与展望53-55
• 5.1 总结53
• 5.2 展望53-55
• 参考文献55-58
• 附录1 攻读硕士学位期间撰写的论文58-59
• 附录2 攻读硕士学位期间申请的专利59-60
• 附录3 攻读硕士学位期间参加的科研项目60-61
• 致谢61

【相似文献】

中国期刊全文数据库 前10条

1 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

2 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

3 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

4 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

5 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

6 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

7 耿耀君;张军英;袁细国;;一种基于稀疏表示系数的特征相关性测度[J];模式识别与人工智能;2013年01期

8 张疆勤;廖海斌;李原;;基于因子分析与稀疏表示的多姿态人脸识别[J];计算机工程与应用;2013年05期

9 李正周;王会改;刘梅;丁浩;金钢;;基于形态成分稀疏表示的红外小弱目标检测[J];弹箭与制导学报;2013年04期

10 胡正平;赵淑欢;李静;;基于块稀疏递推残差分析的稀疏表示遮挡鲁棒识别算法研究[J];模式识别与人工智能;2014年01期

中国重要会议论文全文数据库 前3条

1 何爱香;刘玉春;魏广芬;;基于稀疏表示的煤矸界面识别研究[A];虚拟运营与云计算——第十八届全国青年通信学术年会论文集（上册）[C];2013年

2 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

3 葛凤翔;任岁玲;郭鑫;郭良浩;孙波;;微弱信号处理及其研究进展[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

中国博士学位论文全文数据库 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 王亚宁;基于信号稀疏表示的电机故障诊断研究[D];河北工业大学;2014年

3 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

4 黄国华;蛋白质翻译后修饰位点与药物适应症预测方法研究[D];上海大学;2015年

5 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

6 王文卿;基于融合框架与稀疏表示的遥感影像锐化[D];西安电子科技大学;2015年

7 解虎;高维小样本阵列自适应信号处理方法研究[D];西安电子科技大学;2015年

8 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

9 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

10 孙乐;空谱联合先验的高光谱图像解混与分类方法[D];南京理工大学;2014年

中国硕士学位论文全文数据库 前10条

1 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

2 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

3 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

4 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

5 贺妍斐;基于稀疏表示与自适应倒易晶胞的遥感图像复原方法研究[D];南京信息工程大学;2015年

6 杨烁;电能质量扰动信号的稀疏表示/压缩采样研究[D];西南交通大学;2015年

7 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

8 梁晓捷;基于网络摄像头与稀疏表示分类法的实时人脸识别系统应用研究[D];五邑大学;2015年

9 张宏乐;语音信号稀疏表示方法研究[D];太原理工大学;2016年

10 郭欣;基于K-SVD稀疏表示的语音增强算法研究[D];太原理工大学;2016年

，

本文编号：517415