天堂国产午夜亚洲专区-少妇人妻综合久久蜜臀-国产成人户外露出视频在线-国产91传媒一区二区三区

高維信號(hào)及網(wǎng)絡(luò)信息感知中的稀疏恢復(fù)問(wèn)題研究

發(fā)布時(shí)間:2018-02-14 08:29

  本文關(guān)鍵詞: 稀疏恢復(fù) 壓縮感知 低秩矩陣填補(bǔ) 網(wǎng)絡(luò)狀態(tài)向量簇感知 光層壓縮編碼 動(dòng)態(tài)網(wǎng)絡(luò)符號(hào)推測(cè) 出處:《北京郵電大學(xué)》2014年博士論文 論文類型:學(xué)位論文


【摘要】:隨著系統(tǒng)獲取數(shù)據(jù)的能力不斷增強(qiáng)以及數(shù)據(jù)業(yè)務(wù)的快速增長(zhǎng),待處理信息的爆炸式產(chǎn)生將給數(shù)據(jù)的存儲(chǔ)、處理和傳輸提出了更高的要求,也給硬件設(shè)備及信息處理軟件帶來(lái)了極大的挑戰(zhàn)。同時(shí),在大數(shù)據(jù)背景下,網(wǎng)絡(luò)技術(shù)的發(fā)展由最初的以單純數(shù)據(jù)傳輸為特征逐漸向以數(shù)據(jù)信息內(nèi)在特質(zhì)為驅(qū)動(dòng)演變。而新興的稀疏恢復(fù)理論及相關(guān)技術(shù)顯示了其對(duì)于大規(guī)模高維數(shù)據(jù)具有更為靈活高效的感知能力。因此,如何更好的認(rèn)知稀疏恢復(fù)內(nèi)涵,并將其合理高效地運(yùn)用在網(wǎng)絡(luò)中從而改善網(wǎng)絡(luò)性能,已成為近年來(lái)網(wǎng)絡(luò)信息和數(shù)據(jù)處理技術(shù)領(lǐng)域研究的熱點(diǎn)課題。 本文從稀疏恢復(fù)基本理論以及信息處理在網(wǎng)絡(luò)環(huán)境下的應(yīng)用出發(fā),分別對(duì)稀疏恢復(fù)理論及其網(wǎng)絡(luò)信息感知機(jī)制與關(guān)鍵技術(shù)進(jìn)行了研究。文章以理論研究為先導(dǎo),研究和總結(jié)了稀疏恢復(fù)理論成果,并以此為基礎(chǔ)分別研究了從實(shí)際中抽象出來(lái)的網(wǎng)絡(luò)和虛擬網(wǎng)絡(luò)中大規(guī)模信息感知問(wèn)題。具體創(chuàng)新點(diǎn)包括以下內(nèi)容: (1)推廣和改進(jìn)了高維稀疏信號(hào)和低秩矩陣在無(wú)噪情形下精確重構(gòu)的條件。對(duì)于給定的感知矩陣Φ∈RM×N和感知算子M:Rm×n→RK,文章提出了核空間的S最大殘肢向量和廣義r最大殘肢向量的概念,并且給出了兩者在lp空間(0p≤1)中集中度的定義和重要性質(zhì)。基于這些性質(zhì),證明了對(duì)于每一給定的感知矩陣(感知算子),總存在這樣的正整數(shù)S0(r0)使得對(duì)于滿足SS0(秩rr0)的一切正整數(shù)S(r),該感知矩陣(感知算子)核空間中的S最大殘肢向量(廣義r最大殘肢向量)在lp偽范數(shù)下的S集中度小于1/2,且任意的S(S0)稀疏信號(hào)和秩r(r0)的低秩矩陣在無(wú)噪情形下總能通過(guò)(lp)極小化精確重構(gòu)。這是Donoho一個(gè)已有結(jié)論的推廣和發(fā)展;诖,文章導(dǎo)出了(l1)范數(shù)極小化精確恢復(fù)s稀疏信號(hào)其感知矩陣限制等距常數(shù)δs(Φ)的一個(gè)上界,這是T. Cai等已有結(jié)果一個(gè)改進(jìn)。進(jìn)一步,本文還利用矩陣奇異值分解、矩陣向量化、矩陣核范數(shù)和廣義r最大殘肢向量集中度相結(jié)合的思想和方法,將上述相關(guān)結(jié)論推廣到低秩矩陣可經(jīng)由核范數(shù)極小化精確恢復(fù)的情形。 (2)建立了網(wǎng)絡(luò)所產(chǎn)生的高維狀態(tài)信號(hào)簇的測(cè)量模型,提出該信號(hào)簇的恢復(fù)方法,并證明了保證信號(hào)簇恢復(fù)性能的充分條件,從而把單一稀疏信號(hào)線性測(cè)量和恢復(fù)的理論、方法應(yīng)用并推廣到了網(wǎng)絡(luò)高維狀態(tài)信號(hào)簇。文章通過(guò)對(duì)網(wǎng)絡(luò)狀態(tài)監(jiān)控所產(chǎn)生的高維數(shù)據(jù)簇的特征分析,結(jié)合網(wǎng)絡(luò)層析方法(Network tomography)的基本思想,建立基于路由拓?fù)浜徒稻S操作的網(wǎng)絡(luò)異常狀態(tài)信號(hào)簇測(cè)量模型,從而實(shí)現(xiàn)大規(guī)模高維數(shù)據(jù)簇的降維高效測(cè)量、傳輸。進(jìn)一步,將異常狀態(tài)信號(hào)簇的感知恢復(fù)問(wèn)題歸結(jié)為基于融合框架測(cè)量的信號(hào)簇稀疏恢復(fù)優(yōu)化問(wèn)題。而后根據(jù)具體的路由矩陣和降維算子,分別針對(duì)無(wú)噪和帶噪兩種情況,利用塊稀疏向量簇意義上的線性測(cè)量算子核空間S最大殘肢向量集中度條件,給出了在所提出的感知方法下保證高維信號(hào)簇恢復(fù)性能的充分條件,以及與之相對(duì)應(yīng)的路由矩陣和降維算子的限制特征。 (3)提出了光網(wǎng)絡(luò)中依時(shí)序測(cè)量的高維關(guān)聯(lián)向量簇感知方法,設(shè)計(jì)了相應(yīng)的全光測(cè)量結(jié)構(gòu)。文章分析了數(shù)據(jù)簇的高關(guān)聯(lián)性和時(shí)序傳輸特點(diǎn),建立了光網(wǎng)絡(luò)高維關(guān)聯(lián)向量簇的低秩矩陣表達(dá)模型和依時(shí)序測(cè)量的感知方法,該測(cè)量方法與傳統(tǒng)的基于全局感知的低秩矩陣測(cè)量方法是不同的。進(jìn)一步,針對(duì)光網(wǎng)絡(luò)中數(shù)據(jù)的存在形式(Galois域),給出了符合該存在形式的數(shù)據(jù)簇基于時(shí)序測(cè)量的壓縮編碼方法并證明了該方法的可行性保證。由此,設(shè)計(jì)了與測(cè)量方法相對(duì)應(yīng)的高維關(guān)聯(lián)向量簇(低秩矩陣)可能的全光測(cè)量結(jié)構(gòu)。這是一項(xiàng)將低秩矩陣填補(bǔ)理論應(yīng)用在光網(wǎng)絡(luò)上實(shí)現(xiàn)其中高維向量簇高效傳輸?shù)难芯?具有一定先導(dǎo)性。 (4)通過(guò)對(duì)移動(dòng)在線社交網(wǎng)絡(luò)(mobile Online Social Network, mOSN)的潛在網(wǎng)絡(luò)關(guān)系數(shù)據(jù)特點(diǎn)的分析,建立了基于弱結(jié)構(gòu)平衡(Structural balance)和張量表示的動(dòng)態(tài)符號(hào)網(wǎng)絡(luò)關(guān)系數(shù)據(jù)模型,該模型與現(xiàn)有靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)模型是不同的。提出了基于字典學(xué)習(xí)的方法用于解決該模型下的符號(hào)推測(cè)問(wèn)題。文章利用社交網(wǎng)絡(luò)弱結(jié)構(gòu)平衡理論將動(dòng)態(tài)符號(hào)推斷問(wèn)題歸結(jié)為張量恢復(fù)問(wèn)題,進(jìn)而將其轉(zhuǎn)化為低秩矩陣簇的估計(jì)問(wèn)題。由此,提出運(yùn)用網(wǎng)絡(luò)關(guān)系觀測(cè)張量中生成的精煉字典完成該低秩矩陣簇估計(jì)。同時(shí),字典優(yōu)化算法以及自我更新機(jī)制也在文中提出,用以提高動(dòng)態(tài)符號(hào)網(wǎng)絡(luò)的關(guān)系估計(jì)的準(zhǔn)確度。數(shù)值實(shí)驗(yàn)結(jié)果表明,所提出動(dòng)態(tài)符號(hào)網(wǎng)絡(luò)關(guān)系狀態(tài)的模型和推測(cè)方法是可行有效的。
[Abstract]:With the system of data acquisition and the ability to continue to enhance the rapid growth of data services, the explosive information processing to produce data, put forward higher requirements for processing and transmission, but also to the hardware equipment and information processing software has brought great challenges. At the same time, under the background of big data, the development of network technology from the initial simple data transmission characteristics gradually to the inherent characteristics of data driven evolution. A new sparse recovery theory and related technology shows its more flexible and efficient sensing ability for large scale and high dimension data. Therefore, how to better recovery of sparse cognitive connotation, and the rational and efficient use of in the network to improve network performance, has become in recent years, network information and data processing technology research hot topic.
This paper from the basic theory of sparse recovery and information processing applications in the network environment based respectively on the sparse recovery theory and its network information perception mechanism and key technologies are studied. Based on the theoretical research for the pilot studies and summarizes the theory of sparse recovery results, and as a large-scale information based perception problems were studied from practice abstract the network and virtual network. The main innovations include the following contents:
(1)鎺ㄥ箍鍜屾敼榪涗簡(jiǎn)楂樼淮紼,

本文編號(hào):1510282

資料下載
論文發(fā)表

本文鏈接:http://sikaile.net/kejilunwen/wltx/1510282.html


Copyright(c)文論論文網(wǎng)All Rights Reserved | 網(wǎng)站地圖 |

版權(quán)申明:資料由用戶41c14***提供,本站僅收錄摘要或目錄,作者需要?jiǎng)h除請(qǐng)E-mail郵箱bigeng88@qq.com