基于壓縮感知技術(shù)的異構(gòu)型物聯(lián)網(wǎng)數(shù)據(jù)處理

引 言

隨著智慧城市的快速發(fā)展，物聯(lián)網(wǎng)設(shè)備和無線傳感器網(wǎng)絡(luò)的部署規(guī)模急劇擴大。在同一物理空間中，同時存在多種不同標(biāo)準(zhǔn)的互聯(lián)子網(wǎng)絡(luò)，構(gòu)成復(fù)雜的異構(gòu)型物聯(lián)網(wǎng) [1]。異構(gòu)型物聯(lián)網(wǎng)由于包含大量各異的終端設(shè)備，因而具有強大的綜合信息感知能力，但是豐富的感知信息同時也對傳感器網(wǎng)絡(luò)的數(shù)據(jù)獲取、存儲、傳輸和處理等方面提出了嚴(yán)峻挑戰(zhàn)，尤其是在感知節(jié)點資源非常受限的情況下。因此，探索新的信息感知和處理技術(shù)成為當(dāng)前的迫切需求，以簡化感知節(jié)點的硬件設(shè)計，最大限度地節(jié)省信息感知、處理和傳輸所需的功耗。

目前，已有的數(shù)據(jù)壓縮技術(shù)多屬于有損壓縮，利用信號本身的稀疏性（或在某一變換域稀疏）對信號進行奈奎斯特采樣離散后，將信號變換到某一稀疏域，只保留少數(shù)大的信號分量，舍棄其余較小的信號分量，實現(xiàn)數(shù)據(jù)壓縮 [2]。然而， 這種有損壓縮方法需要以不小于信號最高頻率 2倍的奈奎斯特頻率進行采樣，不僅采樣電路復(fù)雜，而且會產(chǎn)生大量的采樣數(shù)據(jù)，因而需要消耗大量的存儲空間和功耗對采樣數(shù)據(jù)進行存儲和處理。另外，數(shù)據(jù)的有損壓縮還會導(dǎo)致后期可利用信息的缺失?？梢?，傳統(tǒng)的數(shù)據(jù)壓縮技術(shù)無法滿足現(xiàn)有的大規(guī)模異構(gòu)型物聯(lián)網(wǎng)的數(shù)據(jù)感知和處理要求。

基于上述異構(gòu)型物聯(lián)網(wǎng)的需求和當(dāng)前數(shù)據(jù)壓縮技術(shù)存在的固有限制，本文提出一種基于壓縮感知技術(shù) [3-4] 的異構(gòu)型物聯(lián)網(wǎng)數(shù)據(jù)處理方法。利用信號本身具有的稀疏性、壓縮感知技術(shù)，通過線性壓縮變換，將高維的原始信號變換為低維信號進行存儲和傳輸，以遠低于奈奎斯特的采樣率同步實現(xiàn)信號的感知和壓縮，壓縮后的少量數(shù)據(jù)傳輸至信息處理中心后， 采用相應(yīng)的優(yōu)化算法，可以精確恢復(fù)出原始的高維信號 [5-6]。因此，相比于傳統(tǒng)的有損壓縮方法，基于壓縮感知技術(shù)的數(shù)據(jù)處理方法可實現(xiàn)數(shù)據(jù)的無損壓縮和恢復(fù)，不僅能有效節(jié)約感知節(jié)點的存儲空間和功耗，而且能提高整個異構(gòu)型無線傳感器網(wǎng)絡(luò)的能效比和魯棒性。

1 物聯(lián)網(wǎng)數(shù)據(jù)處理的壓縮感知模型

1.1 壓縮感知理論

對于一個 N 維信號 s∈RN，如果信號 s 中至多只有 K 個非零值（且 K ＜ N），則稱信號 s 為 K 稀疏信號。擴展到一般的 N 維信號 x∈RN，對信號 x 作如下變換 ：

x=Φs（1）

式中矩陣 Φ∈RN×N 為稀疏字典矩陣。信號 x 經(jīng)稀疏字典變換后得到至多只有 K 個非零值的稀疏信號 s∈RN（K ＜ N），因此稱信號 x 是 Φ 域的 K 稀疏信號。

壓縮感知技術(shù)利用信號的稀疏性，通過線性變換，將高維信號投影到低維信號空間，同時保留原信號中所包含的全部信息結(jié)構(gòu)，該過程可表示為如下形式 ：

y=Θx=ΘΦs=As（2）

 式中 ：Θ∈RM×N（M＜ N）為測量矩陣 ；y∈RM為原信號 x經(jīng)過壓縮測量后得到的測量值。

由于 M ＜ N，可知式（2）為一欠定的線性方程組，存在無數(shù)組可能的解，利用信號的稀疏先驗信息，所要的解是所有解中最稀疏的一組。因此，在已知測量值 y 和感知矩陣 A 時， 稀疏信號 s 可通過如下優(yōu)化過程求解 ：

然而， 數(shù)學(xué)研究表明， 式（3）所示的優(yōu)化問題為 NP- hard 問題，無法在多項式內(nèi)求解。因此，通常轉(zhuǎn)化為 l1 范數(shù)的優(yōu)化問題求解，即 ：

有多種算法可對式（4）的優(yōu)化問題進行求解，如凸優(yōu)化算法 [7]（基追蹤算法）和貪婪算法 [8-9]（匹配追蹤類算法）。

當(dāng)感知矩陣滿足 RIP 條件時，精確恢復(fù)稀疏信號所需的壓縮測量值個數(shù) M ≥ CKlog（N/K），其中 C 為一個較小的正常數(shù)。

1.2 物聯(lián)網(wǎng)數(shù)據(jù)處理的壓縮感知模型

假設(shè)一個無線傳感器網(wǎng)絡(luò)包含 P 個終端感知節(jié)點，且每個感知節(jié)點對信號的采集均相互獨立，在 t 時刻，某一感知節(jié)點的接收信號為x∈RN，其在某個變換域為K 稀疏信號，記為s，經(jīng)壓縮測量后，輸出的測量值為 ：

式中 ：Ai,-∈R1×N 為感知矩陣 A 的第 i 行 ；測量值 yi 為標(biāo)量。

當(dāng)終端感知節(jié)點的個數(shù) P 多于精確恢復(fù)稀疏信號所需的壓縮測量值個數(shù) M 時，只需隨機激活 M 個感知節(jié)點進行信號采集，其余節(jié)點保持休眠以節(jié)約能量。因此，在某一時刻 t，隨機激活 M 個感知節(jié)點的無線傳感器網(wǎng)絡(luò)經(jīng)壓縮感知技術(shù)進行信號感知和壓縮后，輸出的信號測量值為 ：

式中：y∈RM為測量值向量 ；s∈RN為原始的 K 稀疏信號。稀疏信號 s 成功恢復(fù)后，通過 x=Φs 即可得到原始信號 x。

2 壓縮感知異構(gòu)型物聯(lián)網(wǎng)數(shù)據(jù)處理架構(gòu)

基于上節(jié)所提出的物聯(lián)網(wǎng)數(shù)據(jù)壓縮感知模型，壓縮感知異構(gòu)型物聯(lián)網(wǎng)的數(shù)據(jù)處理架構(gòu)如圖1 所示。整個網(wǎng)絡(luò)包含三個功能部分 ：

(1) 終端感知節(jié)點 ：進行信號感知和壓縮測量。

(2) 匯聚節(jié)點 ：搜集整理其所屬終端感知節(jié)點的信號壓縮測量值，并將壓縮測量值及感知矩陣的構(gòu)造參數(shù)傳送至數(shù)據(jù)分析與處理中心。

(3) 數(shù)據(jù)分析與處理中心 ：對多個不同匯聚節(jié)點傳送過來的壓縮測量信號，按照感知矩陣構(gòu)造參數(shù)生成相應(yīng)的感知矩陣后，采用稀疏信號重構(gòu)算法恢復(fù)相應(yīng)的稀疏信號，然后通過 x=Φs得到原始信號 x，再對精確恢復(fù)的原始信號做進一步分析與處理。

由于信號的壓縮測量值個數(shù) M ＜ N，即測量值的維數(shù)遠小于原信號的維數(shù)，故壓縮感知技術(shù)的信號采樣率遠低于傳統(tǒng)的奈奎斯特信號采樣率。因此，基于壓縮感知技術(shù)的物聯(lián)網(wǎng)數(shù)據(jù)處理方法具有如下四方面的獨特優(yōu)勢 ：

（1）采樣率的降低可極大地降低整個感知節(jié)點的硬件復(fù)雜度 ；

（2）壓縮感知技術(shù)的壓縮采樣通過線性變換實現(xiàn)，對計算資源的要求較低，符合感知節(jié)點計算能力有限的特性 ；

（3）壓縮感知技術(shù)可實現(xiàn)信號的同步感知與壓縮，且可直接輸出信號的壓縮測量值，故只需少量的存儲空間 ；

（4）感知節(jié)點只需向數(shù)據(jù)處理中心發(fā)送少量的壓縮測量值和測量矩陣的構(gòu)造參數(shù)，因此可有效降低發(fā)射功耗，同時，少量的傳送數(shù)據(jù)還可提升整個傳感器網(wǎng)絡(luò)的魯棒性。

3 結(jié) 語

對于大規(guī)模異構(gòu)型物聯(lián)網(wǎng)的數(shù)據(jù)處理，本文提出了一種基于壓縮感知技術(shù)的異構(gòu)型物聯(lián)網(wǎng)數(shù)據(jù)處理方法。該方法利用信號本身具有的稀疏性，以遠低于奈奎斯特的采樣率同步實現(xiàn)信號的感知和壓縮，壓縮后的少量數(shù)據(jù)傳輸至信息處理中心后，采用相應(yīng)的優(yōu)化算法，可精確恢復(fù)出原始高維信號。相比于傳統(tǒng)的奈奎斯特采樣加有損壓縮的數(shù)據(jù)處理方法，基于壓縮感知技術(shù)的數(shù)據(jù)處理方法可實現(xiàn)數(shù)據(jù)的無損壓縮和恢復(fù)，能有效節(jié)約感知節(jié)點的存儲空間和功耗，提高整個異構(gòu)型無線傳感器網(wǎng)絡(luò)的能效比和魯棒性。