本文關(guān)鍵詞：基于壓縮感知的無線傳感器網(wǎng)絡(luò)信號采集和稀疏表示研究

  更多相關(guān)文章： 無線傳感器網(wǎng)絡(luò) 壓縮感知 稀疏表示 稀疏字典

【摘要】：隨著無線傳感器網(wǎng)絡(luò)(WSNs)的規(guī)模逐漸擴大,能耗問題已成為亟待解決的關(guān)鍵問題之一。壓縮感知(Compressed Sensing,CS)作為一種新型的采樣理論,能利用較低采樣率完成信號的精確重構(gòu),因此將其應(yīng)用到無線傳感器網(wǎng)絡(luò)中能實現(xiàn)網(wǎng)絡(luò)低能耗。壓縮感知理論包括三個核心部分:信號稀疏表示、構(gòu)建觀測矩陣、重構(gòu)原始信號。本文圍繞無線傳感器網(wǎng)絡(luò)中基于壓縮感知的信號采集和稀疏表示,設(shè)計了針對WSNs的信號采集方案,也就是觀測矩陣的構(gòu)建方法;研究和分析了不同稀疏表示方法在壓縮感知框架中的應(yīng)用,并針對傳感器網(wǎng)絡(luò)信號做出了相應(yīng)改進。本文的具體貢獻有如下兩點:(1)常用的隨機觀測矩陣不依賴于信號本身,需要較大的存儲空間進行預(yù)先存儲,同時由于生成隨機矩陣對于硬件要求較高,帶來的硬件成本較大。本文針對WSNs的信號采集,通過對LEACH算法的深入學習,將CS理論與LEACH算法分簇思想相結(jié)合,制訂了CS-LEACH信號采集方案。根據(jù)此方案構(gòu)造基于分簇的具有分布式網(wǎng)絡(luò)特性的觀測矩陣。實驗結(jié)果表明:本方案有效解決了隨機矩陣預(yù)先存儲占用內(nèi)存的問題,并且有效地延長了WSNs的整體生命周期。(2)為了尋求更好的適用于WSNs信號的稀疏基,基于壓縮感知理論框架,本文研究了三種稀疏表示的方法:離散余弦變換(DCT)、基于主成分分析法構(gòu)造的稀疏變換矩陣(PCA變換)以及基于K-SVD方法構(gòu)造稀疏表示字典。對于離散余弦變換,本文對原始信號值進行了排序,并分析了排序?qū)υ撓∈杌挠绊?實驗結(jié)果表明:排序后的DCT基對數(shù)據(jù)的恢復(fù)精度明顯優(yōu)于未排序時;對于PCA變換,本文介紹了采用主成分分析方法對信號進行稀疏表示的方法,并通過實驗分析了其在信號重構(gòu)中的表現(xiàn);對基于K-SVD方法構(gòu)造的稀疏表示字典,本文對該方法中初始字典的選擇做了改進,結(jié)合K-SVD和離散余弦變換矩陣,構(gòu)造出一種適用于分布式WSNs信號稀疏表示的字典K-SVD-DCT。實驗結(jié)果表明:K-SVD-DCT比用傳統(tǒng)K-SVD方法構(gòu)造的字典恢復(fù)精度更高且收斂的穩(wěn)定性更好;同時,相比基于預(yù)先確定字典的稀疏表示算法DCT和PCA,K-SVD-DCT在恢復(fù)精度和恢復(fù)穩(wěn)定性上具有優(yōu)越性。
【關(guān)鍵詞】：無線傳感器網(wǎng)絡(luò) 壓縮感知 稀疏表示 稀疏字典
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP212.9;TN929.5
【目錄】：

• 摘要4-5
• Abstract5-8
• 專用術(shù)語注釋表8-9
• 第一章 緒論9-14
• 1.1 研究背景及意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-12
• 1.3 論文的主要內(nèi)容12-13
• 1.4 論文的結(jié)構(gòu)安排13-14
• 第二章 壓縮感知的理論模型及其應(yīng)用14-25
• 2.1 壓縮感知理論基本概念14-16
• 2.2 原始信號的稀疏表示16-17
• 2.3 觀測矩陣17-19
• 2.3.1 觀測矩陣選取17-18
• 2.3.2 常用觀測矩陣18-19
• 2.4 信號重構(gòu)算法19-22
• 2.4.1 l_1模最小化方法20-21
• 2.4.2 基于l_0范數(shù)最小化的貪婪算法21-22
• 2.5 壓縮感知理論在WSNs中的應(yīng)用22-24
• 2.6 本章小結(jié)24-25
• 第三章 基于分簇的信號壓縮采集方案25-35
• 3.1 LEACH分簇算法25-27
• 3.2 基于CS-LEACH分簇的觀測矩陣27-31
• 3.3 矩陣的相干性分析31-32
• 3.4 實驗仿真與分析32-34
• 3.4.1 觀測矩陣選取對WSNs生命周期的影響32-33
• 3.4.2 觀測數(shù)量對恢復(fù)效果的影響33-34
• 3.5 本章小結(jié)34-35
• 第四章 基于壓縮感知的信號稀疏表示方法研究35-53
• 4.1 基于預(yù)先確定字典的稀疏表示算法35-41
• 4.1.1 離散余弦變換（DCT）36-39
• 4.1.2 基于主成分分析（PCA）39-41
• 4.2 基于K-SVD算法訓練構(gòu)建的稀疏字典41-46
• 4.2.1 基于過完備字典的稀疏表示理論42
• 4.2.2 經(jīng)典K-SVD算法的基本原理42-44
• 4.2.3 用改進的K-SVD算法構(gòu)建稀疏表示字典44-46
• 4.3 實驗仿真與分析46-52
• 4.3.1 實驗數(shù)據(jù)集46-47
• 4.3.2 基于預(yù)先確定字典的恢復(fù)47-49
• 4.3.3 基于K-SVD算法構(gòu)建稀疏表示字典的恢復(fù)49-51
• 4.3.4 兩類字典的對比分析51-52
• 4.4 本章小結(jié)52-53
• 第五章 總結(jié)與展望53-55
• 5.1 總結(jié)53
• 5.2 展望53-55
• 參考文獻55-58
• 附錄1 攻讀碩士學位期間撰寫的論文58-59
• 附錄2 攻讀碩士學位期間申請的專利59-60
• 附錄3 攻讀碩士學位期間參加的科研項目60-61
• 致謝61

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學報;2009年01期

2 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動提取方法[J];光譜學與光譜分析;2009年07期

3 楊蜀秦;寧紀鋒;何東健;;基于稀疏表示的大米品種識別[J];農(nóng)業(yè)工程學報;2011年03期

4 史加榮;楊威;魏宗田;;基于非負稀疏表示的人臉識別[J];計算機工程與設(shè)計;2012年05期

5 高志榮;熊承義;笪邦友;;改進的基于殘差加權(quán)的稀疏表示人臉識別[J];中南民族大學學報(自然科學版);2012年03期

6 朱杰;楊萬扣;唐振民;;基于字典學習的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

7 耿耀君;張軍英;袁細國;;一種基于稀疏表示系數(shù)的特征相關(guān)性測度[J];模式識別與人工智能;2013年01期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識別[J];計算機工程與應(yīng)用;2013年05期

9 李正周;王會改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標檢測[J];彈箭與制導(dǎo)學報;2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識別算法研究[J];模式識別與人工智能;2014年01期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學術(shù)年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學術(shù)會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進展[A];中國聲學學會水聲學分會2013年全國水聲學學術(shù)會議論文集[C];2013年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學;2015年

2 王亞寧;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學;2014年

3 姚明海;視頻異常事件檢測與認證方法研究[D];東北師范大學;2015年

4 黃國華;蛋白質(zhì)翻譯后修飾位點與藥物適應(yīng)癥預(yù)測方法研究[D];上海大學;2015年

5 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學;2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學;2015年

7 解虎;高維小樣本陣列自適應(yīng)信號處理方法研究[D];西安電子科技大學;2015年

8 秦振濤;基于稀疏表示及字典學習遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學;2015年

9 薛明;基于稀疏表示的在線目標跟蹤研究[D];上海交通大學;2014年

10 孫樂;空譜聯(lián)合先驗的高光譜圖像解混與分類方法[D];南京理工大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學;2015年

2 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學;2015年

3 黃志明;基于辨別式稀疏字典學習的視覺追蹤算法研究[D];華南理工大學;2015年

4 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學;2015年

5 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學;2015年

6 楊爍;電能質(zhì)量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學;2015年

7 應(yīng)艷麗;基于低秩稀疏表示的目標跟蹤算法研究[D];西南交通大學;2015年

8 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實時人臉識別系統(tǒng)應(yīng)用研究[D];五邑大學;2015年

9 張宏樂;語音信號稀疏表示方法研究[D];太原理工大學;2016年

10 郭欣;基于K-SVD稀疏表示的語音增強算法研究[D];太原理工大學;2016年

，

本文編號：517415