[发明专利]一种分布式过程监控信源低计算复杂度高可靠编解码方法

说明书

本发明公开了一种分布式过程监控信源低计算复杂度高可靠编解码方法，针对编码端使用随机观测矩阵计算复杂度高的问题，本发明在编码端使用稀疏二进制观测矩阵，将非相关线性测量中的乘法运算变为加法运算，降低了编码计算复杂度，减少了算法的能量消耗，非常适合传感器节点进行独立编码；针对解码端过度依赖一个边信息，解码可靠性低的问题，本发明提出基于多边信息的分布式解码恢复算法，主要解决方案为使用多个边信息，通过信号间差分的估计稀疏度和恢复残差两个指标对边信息按照优先级排序，使用最优边信息提高解码准确率，在最优边信息无法获得时使用次优边信息，以此类推，提高解码可靠性。

技术领域

本发明涉及信号处理领域，具体涉及一种分布式过程监控信源低计算复杂度高可靠编解码方法

背景技术

分布式信源从监控需求上可以被分为分布式实时信源和分布式过程信源两类。分布式实时监控信源是指对信息实时性要求高的信源，例如瓦斯、风速、负压等，这类传感器节点需要在短时间内定时输出一个采样值并传输，要求做到实时编解码。分布式过程监控信源是指对信息实时性要求不高的信源，比如煤矿采空区温度、槽波、微震等，这类传感器节点不需要实时传输，可以多次采集后集中传输。本发明研究分布式过程监控信源的编解码算法，由于每个传感器传输的都是一个时间序列，因此分布式过程监控信源不仅具有信号间相关性还具有信号内相关性。分布式压缩感知是一种既能够同时利用信号内相关性又能利用信号间相关性的理论，所以特别适合这种一次通信过程中需要传输多个采样序列值的场合。

文章《Distributed Compressive Sensing》中Dror Baron等人提出了分布式压缩感知理论，是一种结合了压缩感知和分布式信源编码优点的理论，不仅能够利用信号内相关性还能利用信号间相关性。在由任意数量传感器和一个中心节点组成的无线传感器网络中，每个传感器与其它传感器互不通信，独立压缩信号传输至中心节点，中心节点联合恢复每个传感器传过来的信号。分布式压缩感知自提出以来，受到了研究人员的大量关注，文章《Distributed Compressive Sensing》中Dror Baron等人提出了三种联合稀疏表示模型(JSM)。Λ：＝{1，2，……，J}表示全体传感器采集信号序号集合，JSM-1模型中，每一个信号由共同稀疏部分和独立稀疏部分构成。x_j＝z_c+z_ij，j∈Λ，其中z_C＝ψθ_C，z_ij＝ψθ_j，||θ_c||₀＝K_c，||θ_j||₀＝K_j，z_C是信号的公共部分，在基ψ上稀疏度为K_c，z_ij为每个信号的独立部分，在基ψ上稀疏度为K_j。以三个信号为例，信号表示如公式(1)所示，信号间关系维恩图解如图1所示，信号间相关性结构如图2所示。

JSM-2模型中，公共信息部分为0，每个信号的独立信息部分可以稀疏表示并且有共同的稀疏支撑基，但是非零系数不同，如公式(2)所示。

x_j＝ψθ_j，j∈{1，2，…，J}其中||θ_j||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，每个信号的独立部分可以稀疏表示，如公式(3)所示，其中θ_C没有非零值。

x_j＝z_C+z_ij，z_C＝ψθ_C，z_ij＝ψθ_j，其中||θ_j||₀＝K_j，j∈{1，2，…，J} (3)