[发明专利]具备时空相关特征的躯体传感网信号重构方法

摘要

本发明公开了一种具备时空相关特征的躯体传感网信号重构方法，其包括以下步骤：(1)假设躯体传感网中多个传感器采集的原始数据为随机测量矩阵为压缩后的数据为噪声数据为即：Y＝ΦX+V；(2)假设躯体传感网中多个传感器间存在同步性，用JSM‑2型联合稀疏模型表示；(3)任意选择一个传感器源利用单一测量向量信号重构方法从压缩后的数据中恢复出原始信号。

主权项

1.具备时空相关特征的躯体传感网信号重构方法，其特征在于，包括以下步骤：(1)假设躯体传感网中多个传感器采集的原始数据为随机测量矩阵为M＜N,压缩后的数据为噪声数据为即：Y＝ΦX+V；其中，L为躯体传感网中传感器的个数，N为每个传感器采集的原始数据长度；M为压缩后的数据长度；(2)假设躯体传感网中多个传感器间存在同步性，用JSM‑2型联合稀疏模型表示，即X可以分块表示为：其中，是X的第i个分块，且满足每一个分块X_[i]·均具备时空相关特征，即X_[i]·的每一列中的元素是时间相关的，而X[i]·中的每一行是空间相关的；(3)任意选择一个传感器源利用单一测量向量信号重构方法从压缩后的数据中恢复出原始信号；所述步骤(3)采用分块稀疏贝叶斯学习与Group Lasso混合方法，包括以下步骤：1)假设每个分块均满足高斯分布：其中，γ_i为一个非负的参数，控制着x的稀疏度，当γ_i＝0时，表示第i个分块x_i为零；为一个正定矩阵，表征第i个分块的相关信息；2)假设各个分块间相互独立，则x的先验分布其中，Σ0＝diag{γ1B1,…,γgBg}；3)假设噪声也满足高斯分布：其中，λ为一个正标量；4)由步骤1)‑3)可得，x的后验分布可表示为；μx＝∑0ΦT(λI+Φ∑0ΦT)‑1y其中，5)所有的参数被估计出来后，x的最大后验估计直接通过x的后验分布的均值计算出来，即：6)参数由第二类最大似然估计获得，即等效于计算以下损失函数的最小值：其中，表示所有的待估计参数；7)利用对偶原理，将步骤6)中的损失函数优化问题转化为下列的迭代优化问题：其中，计算出的x^(k+1)，将用来更新γ_i和从而反过来在下一次迭代中计算x^(k+2)；8)令则步骤7)中的迭代优化问题可以转化为标准的Group Lasso问题：9)在每次迭代过程中，参数λ的估计由Group Lasso算法自动确定；10)参数γ_i的更新可以通过以下方式完成：11)参数Bi的更新规则如下：其中，和分别为第i个分块的主对角线和次对角线的元素平均值。