[發明專利]一種利用深度神經網絡實現的傳感器網絡信號補全方法

在審

• 申請號: 202210211863.8
• 申請日: 2022-03-04
• 公開（公告）號: CN114584150A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 李沛;王保云
• 申請（專利權）人: 南京郵電大學
• 主分類號: H03M7/30
• 分類號: H03M7/30;G06N3/04;G06N3/08
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 張玉紅

1.一種利用深度神經網絡實現的傳感器網絡信號補全方法，其特征在于：所述傳感器網絡信號補全方法包括如下步驟：

步驟1：將觀測節點的信號輸入并行標量量化器中，得到量化后的觀測節點信號的離散輸出，建立問題；

步驟2：設計圖信號的插值模塊；

步驟3：設計圖信號量化規則模塊，圖信號量化規則模塊采用軟-硬量化器量化；

步驟4：將步驟2得到的插值模塊和步驟3得到的圖信號量化規則模塊進行聯合訓練。

2.根據權利要求1所述一種利用深度神經網絡實現的傳感器網絡信號補全方法，其特征在于：所述步驟4聯合訓練的步驟包括：

步驟4-1：建立基于貪婪的量化比特分配算法；

步驟4-2：表征統計平均下的量化失真度，將ADMM展開網絡用于圖信號的插值模塊；

步驟4-3：根據當前量化狀態選擇需要更新的量化器；

步驟4-4：完成訓練后再次進行比較。

3.根據權利要求2所述一種利用深度神經網絡實現的傳感器網絡信號補全方法，其特征在于：所述步驟4-2具體為：

將每個批次需要的訓練數據向量[x₁,x₂,...]進行拼接，得到一個高維矩陣X，將矩陣并行輸入步驟3設計的軟-硬量化器中，并計算量化失真度為：

然后將ADMM展開網絡用于圖信號的插值模塊，具體表示為用插值后的輸出代替量化失真度中軟-硬量化器的輸入，此時插值-量化的總失真度可以表示為：

其中X_S是需要進行插值的信號。

4.根據權利要求2所述一種利用深度神經網絡實現的傳感器網絡信號補全方法，其特征在于：所述步驟4-3具體為：初始的量化比特分配為全1，然后根據所述步驟4-1中提出的貪婪算法，依次添加一個新的索引，在第k次迭代中，運算符f_M(·)作用于量化比特分配，依次使用所有可選擇的量化器并通過插值模塊，選擇總失真度降低最快的量化器作為第k次迭代的選擇結果，并輸出{M_i}^(k+1)。

5.根據權利要求2所述一種利用深度神經網絡實現的傳感器網絡信號補全方法，其特征在于：所述步驟4-4具體為：學習量化網絡完成訓練后，將貪婪算法設定在第K次迭代結束，比較已經使用的總量化比特數log₂M₁與給定的總量化比特數log₂M₀，如果M₁＜M₀，則基于第K次迭代的結果繼續添加新的網絡層數；如果M₁＝M₀，則將當前的量化比特分配和相應的重構網絡參數作為最終結果進行輸出；如果M₁＞M₀，則將最近的網絡模塊進行刪除，并再次進行比較。

6.根據權利要求2所述一種利用深度神經網絡實現的傳感器網絡信號補全方法，其特征在于：所述步驟4-1中的基于貪婪的量化比特分配算法為：

輸入：拉普拉斯矩陣L，量化總比特數log₂M

輸出：量化比特分配{M_i}

初始化：對任意i∈S，M_i＝1

當時：

選擇索引e＝max_if_M(M_i)

更新M_e＝M_e+1；

其中f_M(·)表示在選擇當前量化比特分配的情況下，新增一個量化狀態數所帶來的平均收益，定義為

其中f_M,j({M_i}^(k))表示第k次迭代中，對{M_i}的更新操作為選擇索引為j的量化器并新增一個量化狀態數，x表示真實信號，x^(k+1),j表示在第k+1次迭代中，更新量化比特分配之后的量化信號