[发明专利]融合字典训练与观测矩阵优化的数据高质压缩方法

说明书

本发明公开了一种融合字典训练与观测矩阵优化的数据高质压缩方法，通过对稀疏字典与观测矩阵联合优化，实现字典与观测矩阵之间相关性的深入挖掘，主要解决了实际传感器数据采集的问题：首先，本发明构建了一种基于K‑SVD思想的二维字典训练方法，实现IIoT中空时数据的稀疏表示；其次，通过在空间和时间域优化相应的观测矩阵来最小化感知矩阵的列相干性，从而匹配训练后的稀疏字典。最后，提出了一种联合优化方法，在字典训练以及观测矩阵优化之间进行了权衡考量，使得重构误差达到理论上的最小值。与现有的数据压缩方案相比，本发明提出的HQDC方法可以在真实的IIoT场景中高效地工作；同时，HQDC方法在重建精度上也显著优于其他的数据压缩方案。

技术领域

本发明属于无线传感器网络领域，具体涉及一种基于融合字典训练与观测优化的数据高质压缩方法。

背景技术

IoT在军事侦察、环境监测、安全系统和工业自动化等领域得到了广泛的研究和应用。在恶劣和灾难性的环境中，传感器的不可靠性使得部署集中式静态汇聚节点从分布式传感器收集数据变得低效甚至无效。针对这一问题，学者们提出了许多方案比如分布式数据存储(Distributed Data Storage,DDS)，通过引入网络冗余，实现可靠的数据采集和稳健的网络运行。现有技术的研究确定了一个混合CS集群架构。该架构通过集群内的最短路径路由收集数据，并将其发送到簇头。在簇头位置，使用CS技术处理数据。这些方法证明了该架构在减少传输次数方面是成功的，但是没有保证数据接收和聚合的可靠性。

对于收集到的真实数据，同样也存在难以稀疏化表示的问题，以前针对该问题，大多数方法都应用了全局、非自适应的稀疏变换，如小波，曲波，有限差分等^[10]-[11]。但是，使用这些方法很少能够实现超过2.5到3次的欠采样。近年来，使用字典学习的方法而不是使用基于预定义的全局变换字典对数据信号进行建模成为了研究热点，该方法大大提高了数据重建以及图像重建领域的性能。尤其是当字典被调用到特定任务(如MR图像重建)而不仅仅是数据方面时，其性能提升是十分显著的。另外，基于补丁的自适应字典训练方法在图像重建中也显示出了对传统字典学习方法的改进。

现阶段，对于字典训练问题的理论研究大致可以分为两类。第一类侧重于非KS字典的特定算法，第二类是关于一维数据字典训练的极小极大界限问题。第一类的研究工作提供了基于适当最小化标准的可靠字典估计的样本复杂性结果。具体来说，给定稀疏系数和有限数量样本的概率模型，这些研究工作在努力寻求非凸目标函数的局部最小化值，并表明该最小化值是真实字典给定范围内的字典。相比之下，第二类研究工作如Jung等在几个系数向量分布下从一维数据给字典训练提供了极小极大界，并讨论了在某些信噪比下边界紧密的方案。但是，在数据足够的情况下，他们两者的方法都没有利用到数据中的结构。

发明内容

发明目的：针对技术问题的问题，本发明的目的是提供一种基于融合字典训练与观测优化的数据高质压缩方法，在字典学习方面通过数据内部的结构实现较低的复杂性的字典训练。

一种融合字典训练与观测矩阵优化的数据高质压缩方法，包括如下步骤：

步骤(1)构建一种工业物联网用的雾协助三层网络架构，所述三层网络架构自下而上包括感知层、雾层和云层，各层级相互连通；在所述感知层中设有N个工业节点，在所述雾层中设有k个雾节点，在所述云层中设有1个云节点；

所述N个工业节点在监测区域内随机分布，各工业节点负责在固定周期内收集L个数据片段，进行分簇和数据采样；

所述k个雾节点对数据进行预处理；所述预处理包括观测矩阵的优化、数据压缩和将压缩数据转发到云节点；

所述云节点进行存储和执行数据恢复操作，字典训练以及字典与观测矩阵之间的权衡；

步骤(2)基于K-SVD思想的二维字典训练，实现IIoT中空时数据的稀疏表示；