本發(fā)明涉及信號(hào)處理領(lǐng)域，具體涉及一種分布式過程監(jiān)控信源低計(jì)算復(fù)雜度高可靠編解碼算法。

背景技術(shù)：

分布式信源從監(jiān)控需求上可以被分為分布式實(shí)時(shí)信源和分布式過程信源兩類。分布式實(shí)時(shí)監(jiān)控信源是指對(duì)信息實(shí)時(shí)性要求高的信源，例如瓦斯、風(fēng)速、負(fù)壓等，這類傳感器節(jié)點(diǎn)需要在短時(shí)間內(nèi)定時(shí)輸出一個(gè)采樣值并傳輸，要求做到實(shí)時(shí)編解碼。分布式過程監(jiān)控信源是指對(duì)信息實(shí)時(shí)性要求不高的信源，比如煤礦采空區(qū)溫度、槽波、微震等，這類傳感器節(jié)點(diǎn)不需要實(shí)時(shí)傳輸，可以多次采集后集中傳輸。本發(fā)明研究分布式過程監(jiān)控信源的編解碼算法，由于每個(gè)傳感器傳輸?shù)亩际且粋€(gè)時(shí)間序列，因此分布式過程監(jiān)控信源不僅具有信號(hào)間相關(guān)性還具有信號(hào)內(nèi)相關(guān)性。分布式壓縮感知是一種既能夠同時(shí)利用信號(hào)內(nèi)相關(guān)性又能利用信號(hào)間相關(guān)性的理論，所以特別適合這種一次通信過程中需要傳輸多個(gè)采樣序列值的場(chǎng)合。

文章《distributedcompressivesensing》中drorbaron等人提出了分布式壓縮感知理論，是一種結(jié)合了壓縮感知和分布式信源編碼優(yōu)點(diǎn)的理論，不僅能夠利用信號(hào)內(nèi)相關(guān)性還能利用信號(hào)間相關(guān)性。在由任意數(shù)量傳感器和一個(gè)中心節(jié)點(diǎn)組成的無線傳感器網(wǎng)絡(luò)中，每個(gè)傳感器與其它傳感器互不通信，獨(dú)立壓縮信號(hào)傳輸至中心節(jié)點(diǎn)，中心節(jié)點(diǎn)聯(lián)合恢復(fù)每個(gè)傳感器傳過來的信號(hào)。分布式壓縮感知自提出以來，受到了研究人員的大量關(guān)注，文章《distributedcompressivesensing》中drorbaron等人提出了三種聯(lián)合稀疏表示模型(jsm)。λ:＝{1,2,……,j}表示全體傳感器采集信號(hào)序號(hào)集合，jsm-1模型中，每一個(gè)信號(hào)由共同稀疏部分和獨(dú)立稀疏部分構(gòu)成。xj＝zc+zij,j∈λ，其中zc＝ψθc，zij＝ψθj，||θc||0＝kc，||θj||0＝kj，zc是信號(hào)的公共部分，在基ψ上稀疏度為kc，zij為每個(gè)信號(hào)的獨(dú)立部分，在基ψ上稀疏度為kj。以三個(gè)信號(hào)為例，信號(hào)表示如公式(1)所示，信號(hào)間關(guān)系維恩圖解如圖1所示，信號(hào)間相關(guān)性結(jié)構(gòu)如圖2所示。

jsm-2模型中，公共信息部分為0，每個(gè)信號(hào)的獨(dú)立信息部分可以稀疏表示并且有共同的稀疏支撐基，但是非零系數(shù)不同，如公式(2)所示。

xj＝ψθj,j∈{1,2,…,j}其中||θj||0＝k,j∈{1,2,…,j}(2)

在jsm-3模型中，公共信息部分在任何基下都不能稀疏表示，每個(gè)信號(hào)的獨(dú)立部分可以稀疏表示，如公式(3)所示，其中θc沒有非零值。

xj＝zc+zij,zc＝ψθc,zij＝ψθj,其中||θj||0＝kj,j∈{1,2,…,j}(3)

文章《jointrecoveryalgorithmsusingdifferenceofinnovationsfordistributedcompressedsensing》中diegovalsesia等人提出了基于單邊信息信號(hào)差分的分布式壓縮感知算法，在編碼端使用隨機(jī)觀測(cè)矩陣，隨機(jī)觀測(cè)矩陣是在文獻(xiàn)《compressedsensing》中提出的，已經(jīng)被證明滿足k階rip條件。但是隨機(jī)觀測(cè)矩陣只在統(tǒng)計(jì)意義下以很高概率滿足rip和弱相關(guān)性，不能保證每次隨機(jī)觀測(cè)的信號(hào)都能精確恢復(fù)原始信號(hào)。隨機(jī)觀測(cè)矩陣在應(yīng)用時(shí)為乘法運(yùn)算，計(jì)算復(fù)雜度高。稀疏二進(jìn)制觀測(cè)矩陣變乘法運(yùn)算為加法運(yùn)算，計(jì)算簡(jiǎn)單。本發(fā)明在編碼端使用weizhilu等人在文獻(xiàn)《sparsebinarymatricesofldpccodesforcompressedsensing》中提出的基于漸進(jìn)邊增長構(gòu)造算法(peg)的稀疏二進(jìn)制觀測(cè)矩陣。

weizhilu等人提出的基于peg算法的確定性稀疏二進(jìn)制觀測(cè)矩陣構(gòu)造流程如下：觀測(cè)矩陣可以用tanner圖表示，tanner圖是一種雙向圖，由變量節(jié)點(diǎn)、校驗(yàn)節(jié)點(diǎn)以及這兩類節(jié)點(diǎn)之間相連的邊組成，變量節(jié)點(diǎn)對(duì)應(yīng)于校驗(yàn)矩陣的列，校驗(yàn)節(jié)點(diǎn)對(duì)應(yīng)于校驗(yàn)矩陣的行，tanner圖中，與節(jié)點(diǎn)相連的邊數(shù)目稱為節(jié)點(diǎn)的度，它與校驗(yàn)矩陣的行重或列重一致。假設(shè)觀測(cè)矩陣的變量節(jié)點(diǎn)數(shù)為n，校驗(yàn)節(jié)點(diǎn)數(shù)為m，且節(jié)點(diǎn)度分布已經(jīng)給定，將某變量節(jié)點(diǎn)bj的度記為dbj，某校驗(yàn)節(jié)點(diǎn)的ci的度記為dci，與變量節(jié)點(diǎn)集合vb相連的的邊的集合為與bj相連的第k條邊記為將該樹圖中包含的bj深度為l的所有校驗(yàn)節(jié)點(diǎn)的集合記為表示，其補(bǔ)集記為

peg算法流程如下：

在解碼端，基于單邊信息信號(hào)差分的分布式壓縮感知算法中，邊信息采用壓縮感知方式采樣，通過信號(hào)觀測(cè)值與邊信息觀測(cè)值相減去除了信號(hào)與邊信息之間的公共部分，獲得對(duì)差分的觀測(cè)值，然后通過恢復(fù)算法恢復(fù)出差分，差分與邊信息相加得到待編碼信號(hào)。由于不需要估計(jì)公共信息部分，該算法不存在任何誤差。另外，邊信息采用全采樣的方式，信號(hào)就可以利用與邊信息之間的公共部分少采樣，相當(dāng)于把工作量轉(zhuǎn)移到了采集邊信息的傳感器，是一種不對(duì)稱的分布式壓縮感知算法。但是，該算法過度依賴一個(gè)邊信息會(huì)造成解碼可靠性和有效性低的問題，在該邊信息傳感器通信中斷時(shí)會(huì)無邊信息可用，在該邊信息與待恢復(fù)信號(hào)相關(guān)性很小時(shí)會(huì)造成解碼成功率很低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足提出了一種分布式過程監(jiān)控信源低計(jì)算復(fù)雜度高可靠編解碼算法。

本發(fā)明為實(shí)現(xiàn)以上目的，采用如下方案：

一種分布式過程監(jiān)控信源低計(jì)算復(fù)雜度高可靠編解碼算法，其中相關(guān)參數(shù)如下：邊信息集合為s＝{s1,s2,…sq,…sq},q＝1,2,……,q，其中sq∈rⁿ；待編碼信號(hào)集合為w＝{w1,w2,…wl,…wl},l＝1,2,……,l，其中wl∈rⁿ；信號(hào)wl的觀測(cè)矩陣用φl表示，φl是一個(gè)ml×n大小的矩陣，ml＜＜n，φl為稀疏二進(jìn)制觀測(cè)矩陣；yl為使用觀測(cè)矩陣對(duì)信號(hào)wl觀測(cè)值，yl＝φlwl；△ylq為信號(hào)觀測(cè)值與邊信息觀測(cè)值的差分值，△ylq＝y(tǒng)l-φlsq；為使用貪婪追蹤算法從△ylq恢復(fù)得到的信號(hào)間差分的估計(jì)值；為使用的邊信息sq得到的信號(hào)wl的估計(jì)值，rlq為恢復(fù)殘差，sc為經(jīng)過選擇后使用的邊信息，所述算法流程如下：

s1、編碼端，采用稀疏二進(jìn)制觀測(cè)矩陣φl對(duì)信號(hào)進(jìn)行編碼得到y(tǒng)l＝φlwl，并將編碼后的結(jié)果傳輸至解碼端；

s2、在解碼端，計(jì)算yl與每個(gè)邊信息觀測(cè)后差值，得到觀測(cè)后差值△ylq＝y(tǒng)l-φlsq；

s3、用貪婪追蹤算法從△ylq恢復(fù)得到差值估計(jì)

s4、依據(jù)非零元素個(gè)數(shù)和恢復(fù)殘差rlq兩個(gè)指標(biāo)對(duì)邊信息按照優(yōu)先級(jí)排序，首先按照非零元素個(gè)數(shù)由小到大排序，對(duì)于非零元素個(gè)數(shù)相同的邊信息按照恢復(fù)殘差rlq由小到大排序；

s5、如果最優(yōu)邊信息通信中斷，使用次優(yōu)邊信息，以此類推，直至得到使用的邊信息sc；

s6、計(jì)算信號(hào)觀測(cè)值與邊信息sc觀測(cè)值的差分△ylc＝y(tǒng)l-φlsc；

s7、從信號(hào)觀測(cè)值差分△ylc恢復(fù)出信號(hào)間差分的估計(jì)

s8、計(jì)算信號(hào)估計(jì)值，

本發(fā)明和現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和有益效果：本發(fā)明提出了分布式過程監(jiān)控信源低計(jì)算復(fù)雜度高可靠編解碼算法，編碼端使用稀疏二進(jìn)制觀測(cè)矩陣，變乘法運(yùn)算為加法運(yùn)算，降低了計(jì)算復(fù)雜度；在解碼端，使用信號(hào)差分估計(jì)稀疏度和恢復(fù)殘差兩個(gè)指標(biāo)對(duì)邊信息進(jìn)行優(yōu)先級(jí)排序，使用最優(yōu)邊信息提高恢復(fù)成功率，在最優(yōu)邊信息通信中斷時(shí)，使用次優(yōu)邊信息，以此類推，保證使用的是能夠得到的與待恢復(fù)信號(hào)相關(guān)性最大的邊信息，從而提高解碼可靠性。

附圖說明

圖1為分布式信息源相關(guān)性關(guān)系圖一

圖2為分布式信息源相關(guān)性關(guān)系圖二；

圖3為本發(fā)明算法結(jié)構(gòu)圖；

圖4為本發(fā)明編解碼流程圖；

圖5為本發(fā)明算法與基于單邊信息信號(hào)差分分布式壓縮感知算法恢復(fù)誤差比較圖；

圖6為基于多邊信息的煤礦物聯(lián)網(wǎng)傳感節(jié)點(diǎn)部署示意圖。

具體實(shí)施方式

如圖3和圖4所示，一種分布式過程監(jiān)控信源低計(jì)算復(fù)雜度高可靠編解碼算法，其中相關(guān)參數(shù)如下：邊信息集合為s＝{s1,s2,…sq,…sq},q＝1,2,……,q，其中sq∈rⁿ；待編碼信號(hào)集合為w＝{w1,w2,…wl,…wl},l＝1,2,……,l，其中wl∈rⁿ；信號(hào)wl的觀測(cè)矩陣用φl表示，φl是一個(gè)ml×n大小的矩陣，ml＜＜n，φl為稀疏二進(jìn)制觀測(cè)矩陣；yl為使用觀測(cè)矩陣對(duì)信號(hào)wl觀測(cè)值，yl＝φlwl；△ylq為信號(hào)觀測(cè)值與邊信息觀測(cè)值的差分值，△ylq＝y(tǒng)l-φlsq；為使用貪婪追蹤算法從△ylq恢復(fù)得到的信號(hào)間差分的估計(jì)值；為使用的邊信息sq得到的信號(hào)wl的估計(jì)值，rlq為恢復(fù)殘差，sc為經(jīng)過選擇后使用的邊信息，所述算法流程如下：

s1、編碼端，采用稀疏二進(jìn)制觀測(cè)矩陣φl對(duì)信號(hào)進(jìn)行編碼得到y(tǒng)l＝φlwl，并將編碼后的結(jié)果傳輸至解碼端；

s2、在解碼端，計(jì)算yl與每個(gè)邊信息觀測(cè)后差值，得到觀測(cè)后差值△ylq＝y(tǒng)l-φlsq；

s3、用貪婪追蹤算法從△ylq恢復(fù)得到差值估計(jì)

s4、依據(jù)非零元素個(gè)數(shù)和恢復(fù)殘差rlq兩個(gè)指標(biāo)對(duì)邊信息按照優(yōu)先級(jí)排序，首先按照非零元素個(gè)數(shù)由小到大排序，對(duì)于非零元素個(gè)數(shù)相同的邊信息按照恢復(fù)殘差rlq由小到大排序；

s5、如果最優(yōu)邊信息通信中斷，使用次優(yōu)邊信息，以此類推，直至得到使用的邊信息sc；

s6、計(jì)算信號(hào)觀測(cè)值與邊信息sc觀測(cè)值的差分△ylc＝y(tǒng)l-φlsc；

s7、從信號(hào)觀測(cè)值差分△ylc恢復(fù)出信號(hào)間差分的估計(jì)

s8、計(jì)算信號(hào)估計(jì)值，

本發(fā)明使用多個(gè)邊信息，通過信號(hào)間差分估計(jì)稀疏度和恢復(fù)殘差兩個(gè)指標(biāo)對(duì)邊信息按照優(yōu)先級(jí)排序，使用最優(yōu)邊信息提高解碼準(zhǔn)確率，在最優(yōu)邊信息無法獲得時(shí)使用次優(yōu)邊信息。估計(jì)稀疏度和恢復(fù)殘差兩個(gè)指標(biāo)是通過貪婪追蹤算法得到的，本發(fā)明使用的是基于殘差收斂的正交匹配追蹤算法，流程如下：

輸入：觀測(cè)矩陣φl、觀測(cè)后差值△ylq、迭代終止條件ε

輸出：信號(hào)間差分的估計(jì)恢復(fù)殘差rlq

以下流程中t表示迭代次數(shù)，表示空集，λt表示t次迭代的索引(列序號(hào)集合)，λt表示第t次找到索引(列序號(hào))，aj表示矩陣φl的第j列，at表示按照索引λt選出的矩陣φl的列集合。

(1)初始化：r0＝△ylq，t＝1；

(2)找到索引λt，使得：

(3)令λt＝λt-1∪λt，at＝at-1∪aλ；

(4)求差分信號(hào)估計(jì)

(5)更新殘差：rlq＝△ylq-at(at^tat)^-1at^t△ylq；

(6)令t＝t+1，如果rlq<e,返回差值信號(hào)估計(jì)和恢復(fù)殘差rlq；否則，進(jìn)入第二步。

本發(fā)明建立與方法研究思路是，為了解決基于單邊信息信號(hào)差分分布式壓縮感知算法編碼計(jì)算復(fù)雜度高和解碼可靠性低的問題，本發(fā)明提出了基于稀疏二進(jìn)制觀測(cè)矩陣和多邊信息的信號(hào)差分分布式壓縮感知算法。傳統(tǒng)基于差分分布式壓縮感知算法編碼端使用隨機(jī)觀測(cè)矩陣，隨機(jī)觀測(cè)矩陣是稠密觀測(cè)矩陣，編碼運(yùn)算時(shí)為乘法運(yùn)算，計(jì)算復(fù)雜度高，這對(duì)計(jì)算能力弱的編碼端傳感器造成了很大的負(fù)擔(dān)。本發(fā)明的解決方案為使用weizhilu等人提出的基于peg算法的稀疏二進(jìn)制稀疏觀測(cè)矩陣，將非相關(guān)線性測(cè)量中的乘法運(yùn)算變?yōu)榧臃ㄟ\(yùn)算，降低了編碼復(fù)雜度。

基于單邊信息信號(hào)差分的分布式壓縮感知算法解碼時(shí)過度依賴一個(gè)邊信息，在該邊信息傳感器通信中斷時(shí)會(huì)無邊信息可用，在該邊信息與信號(hào)相關(guān)性很小時(shí)會(huì)解碼成功率很低，本發(fā)明使用多個(gè)邊信息，使用信號(hào)差分估計(jì)稀疏度和差分恢復(fù)殘差兩個(gè)指標(biāo)對(duì)邊信息進(jìn)行優(yōu)先級(jí)排序，使用最優(yōu)邊信息提高恢復(fù)成功率，在最優(yōu)邊信息通信中斷時(shí)，使用次優(yōu)邊信息，以此類推，保證使用的是能夠得到的與待恢復(fù)信號(hào)相關(guān)性最大的邊信息，從而提高解碼可靠性。

本發(fā)明算法適用于部分傳感器有線供電的傳感網(wǎng)絡(luò)，有線供電的傳感器不受能量限制，能夠采用全采樣的編碼方法，提供更多的信息作為邊信息，在有多個(gè)傳感器采集的信息都可以作為邊信息時(shí)，本發(fā)明算法能夠?qū)呅畔?yōu)先級(jí)排序，始終利用最優(yōu)邊信息，從而提高解碼可靠性。以煤礦監(jiān)控傳感網(wǎng)絡(luò)為例，如圖6所示，匯聚節(jié)點(diǎn)和有線傳感器都是有線供電的，均可以采用全采樣的編碼方式作為邊信息，是一種典型的存在多個(gè)邊信息的分布式壓縮感知算法應(yīng)用場(chǎng)景，此時(shí)需要對(duì)邊信息進(jìn)行優(yōu)先級(jí)排序，解碼時(shí)利用與待恢復(fù)信號(hào)相關(guān)性最大的邊信息，在最優(yōu)邊信息通信中斷時(shí)使用次優(yōu)邊信息解碼，以此類推，提高解碼可靠性。

本節(jié)通過仿真驗(yàn)證本發(fā)明算法對(duì)邊信息優(yōu)先級(jí)排序和解碼算法的有效性。以三個(gè)信號(hào)為例，x1和x2作為邊信息，x3作為待編碼信號(hào)。每個(gè)信號(hào)采用標(biāo)準(zhǔn)高斯分布，支撐集隨機(jī)選擇，信號(hào)長度n＝100，測(cè)量矩陣采用基于peg算法的稀疏二進(jìn)制觀測(cè)矩陣，默認(rèn)在無噪聲條件下進(jìn)行仿真，信號(hào)稀疏度kc、kc{1，2}、kc{2,3}、kc{1,3}、ki1、ki2、ki3隨機(jī)整數(shù)且和為n/2。觀測(cè)值m從10變化至80，重復(fù)試驗(yàn)500次，每次信號(hào)和觀測(cè)矩陣隨機(jī)產(chǎn)生，對(duì)邊信息x1、x2進(jìn)行優(yōu)先級(jí)排序，比較使用本發(fā)明算法和基于單邊信息分布式壓縮感知算法的恢復(fù)誤差實(shí)驗(yàn)效果如圖5所示。由圖5可以看到，m<30基于多邊信息分布式壓縮感知恢復(fù)算法與使用基于單邊信息分布式壓縮感知算法差別不大，這主要是由于觀測(cè)率低造成信號(hào)與邊信息差分恢復(fù)誤差大導(dǎo)致邊信息優(yōu)先級(jí)排序不準(zhǔn)確，隨著觀測(cè)率的增加，40≤m≤80使用基于多邊信息分布式壓縮感知算法明顯優(yōu)于使用單邊信息分布式壓縮感知算法，并且隨著觀測(cè)率增加，這種優(yōu)勢(shì)越來越明顯，m>70時(shí)使用基于多邊信息分布式壓縮感知算法誤差趨近于0，使用基于單邊信息分布式壓縮感知算法要到m>78左右之后誤差才趨近于零，說明使用本發(fā)明能夠選擇到與信號(hào)相關(guān)性最大的邊信息，信號(hào)恢復(fù)誤差小于基于單邊信息信號(hào)差分分布式壓縮感知算法。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變型，這些改進(jìn)和變型也應(yīng)視為本發(fā)明的保護(hù)范圍。