CN112579687B - 一种海洋环境监测数据压缩感知在线重构方法 - Google Patents
一种海洋环境监测数据压缩感知在线重构方法 Download PDFInfo
- Publication number
- CN112579687B CN112579687B CN202011409107.3A CN202011409107A CN112579687B CN 112579687 B CN112579687 B CN 112579687B CN 202011409107 A CN202011409107 A CN 202011409107A CN 112579687 B CN112579687 B CN 112579687B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- reconstruction
- solving
- compressed sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种海洋环境监测数据在线压缩感知重构方法。针对传统压缩感知方法处理时变海洋监测数据重构性能不高的问题,提出一种基于低秩正则化序贯压缩感知的海洋测数据在线重构方法。该发明首先将数据在空间结构上的低秩性加入到最优化算法中,利用滑动窗口机制,结合已有历史数据构建低秩正则项,并根据前后时刻重叠区域数据相等的条件建立数据保真项,最终基于交替方向乘子法对重构优化算法进行求解。本发明能够实现时变海洋监测数据压缩感知重构性能的提升。
Description
技术领域
本发明涉及压缩感知技术,具体地,本发明设计一种海洋环境监测数据的在线压缩感知重构方法,属于压缩感知重构技术领域。
背景技术
海洋是人类赖以生存和发展的基础,随着生产力的发展和社会文明的进步,世界经济和科技、军事实力得以提升,人类社会对资源需求也日益增长,由于海洋占地球表面的71%,资源十分丰富且未被充分开发,因此各国纷纷将视线由陆地转向海洋,开发和利用海洋的热情空前高涨,各国之间海权之争也愈演愈烈。在这一背景下,海洋环境的监测问题开始得到广泛的关注。由于卫星遥感以及雷达等手段获取的数据尺度范围太大,分辨率过低,因此传感器网络称为获取海洋环境监测数据的主要手段。
现实场景中,在某一海洋监测区域内通过部署多个传感器构成传感器网络,对同一对象进行持续的感知,获取多种环境监测数据通过某种通信手段传送到监测中心,以支撑不同类型的感知应用。与陆地环境相比,海洋环境在深度和广度上都具有优势,但这一优势对海上传感器网络的部署提出了更高的要求:一方面海洋范围过大,导致部署节点数量太多使得建设成本过高;另一方面如何将采集到的大量信息及时有效传输也受到节点能耗以及通信成本的限制。而且传感器网络自身具有传感器数量较多、拓扑结构动态变化、传感器节点易损坏、存储能力有限等特性。这就决定了传感器网络在运行过程中必须找到一种合理的方案解决能源有限与数据传输之间的矛盾。
近年来,压缩感知(Compressed Sensing,CS)为解决上述问题提供一个新的思路。根据CS理论,如果一个信号在某个域中是稀疏的,只要满足一定的条件,就可以根据很少的原始数据的线性测量来重建它。Bajwa等人首次提出将CS理论引入到传感器网络的高效数据采集问题中,自此之后,学者们开始对CS理论在传感器网络中的应用进行大量研究。目前已有算法可以大大降低通信能耗开销,实现数据的采集传输和应用。但是这些算法都没有将传感器网络数据收集过程中动态变化产生的相关性考虑在内。传感器数据流的顺序压缩采集和渐进重构,然而在传感器时间序列数据收集过程中,只考虑了时域流信号前后时刻的动态演化关系,没有考虑多传感器之间的空间结构相关性,重构性能有待提高。
发明内容
本发明的目的是设计一种基于压缩感知的海洋环境监测数据在线重构方法,旨在解决传统压缩感知方法处理时变海洋监测数据重构性能不高的问题。首先设计滑动窗口机制,结合已有历史数据,充分利用矩阵的低秩性,构建低秩矩阵;然后根据重叠区域数据相等的规律,增加了重叠区域误差校正项;最后在解决重构优化算法过程中设计了一种基于交替方向乘子法(alternating direction method of multipliers,ADMM)的求解方法。
为了达到上述目的,本发明所采用的技术方案为——一种海洋环境监测数据的压缩感知在线重构方法,包括以下步骤:
步骤1,输入t时刻的观测数据yt,(t-w):(t-1)原始数据X(t-w):(t-1)及其观测数据Y(t-w):(t-1),构建观测数据矩阵Y(w-1),其中W表示滑动窗口的大小;
步骤2,建立压缩感知在线重构模型如下:
s.t.S(t)=Ψ(t)-1vec(X(t)),Z(t)=X(t)
其中,Y(t)=[Y(t-W):(t-1),yt],表示观测矩阵,m表示观测数目,N表示信号的长度,且m<N,表示t时刻所有传感器节点数据,λ1和λ2表示正则化参数,||Z(t)||*表示矩阵Z(t)的核范数,表示时空基Ψ(t)的前(W-1)行组成的新矩阵,ΨT(W-1)为时域基ΨT的前(W-1)行组成的新矩阵,ΨS表示空间基,表示(t-1)时刻计算获得的前后两时刻重叠区域的估计值,Z(t)表示中间变量,S(t)为X(t)的稀疏表示矩阵,分别为X(t),S(t)和Z(t)的估计值,vec(·)表示将矩阵向量化;步骤3,利用输入的yt快速重构t时刻的数据xt,并与输入的X(t-w):(t-1)组建窗口内数据矩阵X1(t)作为初始数据,初始化参数;
步骤3,利用输入的yt快速重构t时刻的数据xt,并与输入的X(t-w):(t-1)组建窗口内数据矩阵X1(t)作为初始数据,初始化参数;
步骤4,采用交替方向乘子法对重构模型进行求解,将重构模型改写成增广拉格朗日的形式,
步骤5,t=t+1,此时滑动窗口前移,t时刻数据移入,t-w时刻的数据移出,构建t+1时刻的观测数据矩阵Y(t+1)。若t=T,输出,否则返回步骤2;
本发明与现有技术相比具有如下优点:
1.将低秩约束加入到最优化算法中,结合已有历史数据构建低秩正则项,能够充分利用数据内部的结构特征对数据重构进行最优化约束;
2.充分利用时变流数据组成的矩阵在滑动窗口内的重叠区域数据相等的条件,建立数据保真项,将时变数据的特性加入到最优化约束中,进一步提高重构精度。
附图说明
图1是本发明提供的一种海洋环境数据在线压缩感知重构方法流程示意图;
图2是滑动窗口数据采集示意图;
图3是序贯压缩感知的观测过程示意图。
具体实施方式
下面结合实施例和附图对本发明进行更详细地说明。
如图1所示,本发明的实施例公开了一种海洋环境监测数据压缩感知在线重构方法,具体步骤如下:
步骤1,输入t时刻的观测数据yt,(t-w):(t-1)原始数据X(t-w):(t-1)及其观测数据Y(t-w):(t-1),构建观测数据矩阵Y(w-1);
步骤2,建立压缩感知在线重构模型如下:
s.t.S(t)=Ψ-1vec(X(t)),Z(t)=X(t)
其中,yN(t)∈Rm×1,Φ(t)∈Rm×N,m表示观测数目,N表示信号的大小,且m<N,xN(t)∈RN×1表示t时刻所有传感器节点数据,λ1和λ2表示正则化参数,||X||*表示矩阵X的核范数,w表示窗口大小,ΨT(w-1)表示取时域基ΨT的前(w-1)行组成的新矩阵,ΨS表示空间基,表示(t-1)时刻计算获得的重叠区域的估计值;
步骤3,利用输入的yt快速重构t时刻的数据xt,并与输入的X(t-w):(t-1)组建窗口内数据矩阵X1(t)作为初始数据,初始化参数;
步骤4,采用交替方向乘子法对重构模型进行求解,将重构模型改写成增广拉格朗日的形式,
其中,A和B表示拉格朗日乘子,α和β是罚参数,将问题分解为多个子问题分别进行迭代求解得到t时刻的原始数据估计值利用交替方向乘子法解决最优化问题,是将原始重构模型分为多个子问题进行迭代求解。已知第k次迭代的数据,第k=k+1次迭代过程中更新
其中,迭代参数为Ak+1=Ak+α(Sk+1(t)-Ψvec(Xk+1(t))),Bk+1=Bk+β(Zk+1(t)-Xk+1(t));所有带下标k(或k+1)的矩阵都表示不带下标的原始矩阵在第k(或k+1)次迭代的数值。若k>K(K表示预设的最大迭代次数),停止迭代,此时等于矩阵Xk(t)的最后一列;
迭代过程中子问题X(t)的求解方法具体为:
(1)首先计算第一个子问题的梯度
求导并令导数等于零,得到
(2)迭代过程中子问题S(t)的求解方法具体为:
此式为标准的线性最小二乘问题,最优解为
其中,G=(2λ1Ψ(w-1)TΨ(w-1)+αI);
(3)迭代过程中子问题Z(t)的求解方法具体为:
采用奇异值收缩算子法求解Zk+1(t)
Zk+1(t)=shrink(Xk+1(t)-Bk/β,λ2/β)
其中,shrink(H,τ)是指在阈值τ处对矩阵H的奇异值进行软阈值操作的函数。
步骤5,t=t+1,此时滑动窗口前移,t时刻数据移入,t-w时刻的数据移出,构建t+1时刻的观测数据矩阵Y(t+1),如图2和图3所示。若t=T,输出,否则返回步骤2;
以上内容是本发明在具体实施例下的详细说明,这并不意味着上述具体实施例是对本发明形式上的限制,所以任何本领域的技术人员在阅读本发明后,基于本发明的原理和精神,对本发明进行变换、修改和替换都应属于本发明的保护范围。
Claims (5)
1.一种基于序贯压缩感知的海洋环境监测数据在线重构方法,其特征在于,包括以下步骤:
步骤1,输入t时刻的观测数据yt,(t-W):(t-1)时间段内的原始数据X(t-W):(t-1)及其观测数据Y(t-W):(t-1),构建观测数据矩阵Y(t),其中W表示滑动窗口的大小;
步骤2,建立压缩感知在线重构模型如下:
s.t.S(t)=Ψ(t)-1vec(X(t)),Z(t)=X(t)
其中,Y(t)=[Y(t-W):(t-1),yt],表示观测矩阵,m表示观测数目,N表示信号的长度,且m<N,表示t时刻所有传感器节点数据,λ1和λ2表示正则化参数,||Z(t)||*表示矩阵Z(t)的核范数,表示时空基Ψ(t)的前(W-1)行组成的新矩阵,ΨT(W-1)为时域基ΨT的前(W-1)行组成的新矩阵,ΨS表示空间基,表示(t-1)时刻计算获得的前后两时刻重叠区域的估计值,Z(t)表示中间变量,S(t)为X(t)的稀疏表示矩阵,分别为X(t),S(t)和Z(t)的估计值,vec(·)表示将矩阵向量化;
步骤3,利用输入的yt快速重构t时刻的数据xt,并与输入的X(t-w):(t-1)组建窗口内数据矩阵X1(t)作为初始数据,初始化参数;
步骤4,采用交替方向乘子法对重构模型进行求解,将重构模型改写成增广拉格朗日的形式,
步骤5,t=t+1,此时滑动窗口前移,t时刻数据移入,t-w时刻的数据移出,构建下一时刻新的观测数据矩阵Y(t),若t=T,输出,否则返回步骤2。
5.根据权利要求2所述方法,其特征在于,迭代过程中子问题Z(t)的求解方法具体为:
采用奇异值收缩算子法求解Zk+1(t)
Zk+1(t)=shrink(Xk+1(t)-Bk/β,λ2/β)
其中,shrink(H,τ)是指在阈值τ处对矩阵H的奇异值进行软阈值操作的函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409107.3A CN112579687B (zh) | 2020-12-04 | 2020-12-04 | 一种海洋环境监测数据压缩感知在线重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409107.3A CN112579687B (zh) | 2020-12-04 | 2020-12-04 | 一种海洋环境监测数据压缩感知在线重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112579687A CN112579687A (zh) | 2021-03-30 |
CN112579687B true CN112579687B (zh) | 2022-07-15 |
Family
ID=75127270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011409107.3A Active CN112579687B (zh) | 2020-12-04 | 2020-12-04 | 一种海洋环境监测数据压缩感知在线重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112579687B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408644B (zh) * | 2021-07-02 | 2023-07-14 | 南京信息工程大学 | 卫星数据重构方法、探测上层海洋对台风响应的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945129A (zh) * | 2017-11-28 | 2018-04-20 | 电子科技大学 | 一种mri图像重构方法 |
CN110827198A (zh) * | 2019-10-14 | 2020-02-21 | 唐山学院 | 基于压缩感知和超分辨率重构的多相机全景图像构建方法 |
CN111047661A (zh) * | 2019-12-12 | 2020-04-21 | 重庆大学 | 一种基于稀疏流形联合约束的cs-mri图像重构方法 |
WO2020157754A1 (en) * | 2019-01-30 | 2020-08-06 | Technology Innovation Momentum Fund (Israel) Limited Partnership | System and method for reconstruction of compressed signal data using artificial neural networking |
-
2020
- 2020-12-04 CN CN202011409107.3A patent/CN112579687B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945129A (zh) * | 2017-11-28 | 2018-04-20 | 电子科技大学 | 一种mri图像重构方法 |
WO2020157754A1 (en) * | 2019-01-30 | 2020-08-06 | Technology Innovation Momentum Fund (Israel) Limited Partnership | System and method for reconstruction of compressed signal data using artificial neural networking |
CN110827198A (zh) * | 2019-10-14 | 2020-02-21 | 唐山学院 | 基于压缩感知和超分辨率重构的多相机全景图像构建方法 |
CN111047661A (zh) * | 2019-12-12 | 2020-04-21 | 重庆大学 | 一种基于稀疏流形联合约束的cs-mri图像重构方法 |
Non-Patent Citations (2)
Title |
---|
基于Jacobi ADMM的传感网分布式压缩感知数据重构算法;李国瑞等;《计算机研究与发展》;20200607(第06期);164-171 * |
时变水声信道的动态压缩感知估计;江伟华等;《声学学报》;20190515(第03期);90-98 * |
Also Published As
Publication number | Publication date |
---|---|
CN112579687A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150521B (zh) | 一种基于PSMNet优化的图像立体匹配方法 | |
Zhu et al. | Wind speed behaviors feather analysis and its utilization on wind speed prediction using 3D-CNN | |
CN103020939B (zh) | 利用多时相数据去除光学遥感影像大面积厚云的方法 | |
CN110827198B (zh) | 基于压缩感知和超分辨率重构的多相机全景图像构建方法 | |
CN105513026A (zh) | 一种基于图像非局部相似的压缩感知重构方法 | |
CN111046737B (zh) | 一种用于微地震信号检测的高效智能感知采集方法 | |
CN109684314A (zh) | 一种基于空间结构的无线传感器网络缺失值估计方法 | |
CN110244299B (zh) | 一种基于admm的sar图像恢复的分布式方法 | |
CN112579687B (zh) | 一种海洋环境监测数据压缩感知在线重构方法 | |
CN107705342A (zh) | 一种基于自适应广义正交匹配追踪的红外图像重构方法 | |
CN106604211B (zh) | 一种基于传感器网络的分层式自适应空时压缩方法 | |
CN105894547A (zh) | 基于组波变换压缩感知的图像处理方法 | |
CN102075749A (zh) | 压缩感知框架下基于非凸模型的图像压缩重构方法 | |
CN115309814A (zh) | 基于结构化低秩张量补全的物联网数据重建方法 | |
Liu et al. | Fully convolutional multi‐scale dense networks for monocular depth estimation | |
CN107680036A (zh) | 基于卷积深度堆叠网络的联合稀疏向量并行重建方法 | |
Liu et al. | Detail injection-based spatio-temporal fusion for remote sensing images with land cover changes | |
CN104318046A (zh) | 增量式的高维数据转换为低维数据的***及方法 | |
Wei et al. | Construction of super-resolution model of remote sensing image based on deep convolutional neural network | |
CN114140357A (zh) | 一种基于协同注意力机制的多时相遥感图像云区重建方法 | |
CN102355752A (zh) | 基于膨胀图的无线传感器网络压缩感知测量矩阵和重构方法 | |
CN114387531A (zh) | 一种基于改进地理加权回归模型的地表温度降尺度方法 | |
CN117788996A (zh) | 一种融合大核注意力卷积的轻量化遥感图像目标检测方法 | |
CN112463877A (zh) | 一种三维海洋环境监测数据的压缩感知观测和重构方法 | |
CN112785684B (zh) | 一种基于局部信息加权机制的三维模型重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |