[发明专利]一种基于深度神经网络的传感器数据恢复方法

权利要求书

1.一种基于深度神经网络的传感器数据恢复方法，其特征在于包括如下步骤：

步骤S1：获得中心节点收到的采样数据，作为样本数据；所述采样数据为从M个无线传感器节点中随机选择部分无线传感器节点采集得到的数据，M为正整数；

步骤S2：将所述样本数据输入到预先训练的深度神经网络中；

步骤S3：将所述预先训练的深度神经网络的输出结果作为传感器数据恢复结果。

2.如权利要求1所述的基于深度神经网络的传感器数据恢复方法，其特征在于步骤S2中，所述预先训练的深度神经网络经过如下子步骤训练得到：

步骤S21：预先设计l阶深度神经网络，l为正整数；

步骤S22：将多组训练数据输入到所述l阶深度神经网络中，得到训练后的深度神经网络的正则项系数以及迭代步长；

步骤S23：采用测试数据验证所述训练后的深度神经网络的数据恢复精度。

3.如权利要求1或2所述的基于深度神经网络的传感器数据恢复方法，其特征在于步骤S21中，

每一阶深度神经网络包括重建层、非线性转移层和乘子更新层；其中，所述重建层分别与同一阶的非线性转移层和乘子更新层连接，所述非线性转移层分别与同一阶的所述乘子更新层和下一阶的重建层连接，所述乘子更新层分别与下一阶的重建层、下一阶的非线性转移层和下一阶的乘子更新层连接。

4.如权利要求3所述的基于深度神经网络的传感器数据恢复方法，其特征在于：

所述重建层为：

其中，vec(X^l+1)表示将第l+1阶深度神经网络的重建层的一帧完整图像的X矩阵的所有列向量按顺序排成一个长列向量，表示MN×MN维的单位矩阵，表示将稀疏采样矩阵Q的所有列向量按顺序排成一个长列向量后，进行对角化，形成对角矩阵；D^T表示时间相关矩阵D的转置，I_M表示M×M单位矩阵；I_N表示N×N单位矩阵，S^T表示空间相关矩阵S的转置，符号表示Kronecker积；ρ^l表示第l阶的深度神经网络中的正则项系数；Z^l表示第l阶的深度神经网络的非线性转移层，P^l表示第l阶的深度神经网络的乘子更新层。

5.如权利要求4所述的基于深度神经网络的传感器数据恢复方法，其特征在于：

所述非线性转移层为：

其中，τ^l＝μ/ρ，τ^l表示深度神经网络中非线性转移层的阈值，μ和ρ表示深度神经网络中的正则项系数；SVT表示奇异值阈值的操作，SVT_τ(X)＝UΛ_τ(∑)V^T，表示一帧完整图像X的奇异值阈值的操作；其中U，V，∑来源于一帧完整图像X的奇异值分解，Λ_τ(x)＝sign(x)max(|x|-τ，0是软阈值操作。

6.如权利要求5所述的基于深度神经网络的传感器数据恢复方法，其特征在于：

所述乘子更新层为：

P^l+1＝P^l+η^l(X^l+1-Z^l+1)

其中，η^l表示迭代步长；在第l阶的深度神经网络中，奇异值阈值的操作SVT采用的阈值为τ^l＝σ(v^l)·γ·max(∑^l)，其中max(∑^l)表示X^l+1+P^l的最大奇异值，σ(x)＝1/(1+exp(-x))，γ是固定的标量。