[發(fā)明專利]一種利用深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的傳感器網(wǎng)絡(luò)信號(hào)補(bǔ)全方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210211863.8
• 申請(qǐng)日: 2022-03-04
• 公開(kāi)（公告）號(hào): CN114584150A
• 公開(kāi)（公告）日: 2022-06-03
• 發(fā)明（設(shè)計(jì)）人: 李沛;王保云
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): H03M7/30
• 分類號(hào): H03M7/30;G06N3/04;G06N3/08
• 代理公司: 南京正聯(lián)知識(shí)產(chǎn)權(quán)代理有限公司 32243
• 代理人: 張玉紅

本發(fā)明是一種利用深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的傳感器網(wǎng)絡(luò)信號(hào)補(bǔ)全方法，包括如下步驟：步驟1：將觀測(cè)節(jié)點(diǎn)的信號(hào)輸入并行標(biāo)量量化器中，得到量化后的觀測(cè)節(jié)點(diǎn)信號(hào)的離散輸出，建立問(wèn)題；步驟2：設(shè)計(jì)圖信號(hào)的插值模塊；步驟3：設(shè)計(jì)圖信號(hào)量化規(guī)則模塊，圖信號(hào)量化規(guī)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(hào)量化規(guī)則模塊進(jìn)行聯(lián)合訓(xùn)練。本發(fā)明使用并行標(biāo)量量化器，并對(duì)每個(gè)量化器進(jìn)行分別設(shè)計(jì)，使用神經(jīng)網(wǎng)絡(luò)對(duì)量化比特分配與插值算子進(jìn)行聯(lián)合設(shè)計(jì)，提高了補(bǔ)全性能。

技術(shù)領(lǐng)域

本發(fā)明涉及一種信號(hào)補(bǔ)全方法，尤其是一種利用深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的傳感器網(wǎng)絡(luò)信號(hào)補(bǔ)全方法。

背景技術(shù)

在傳感器信號(hào)收集中，有一些傳感器上的信息通常被損壞以至于無(wú)法準(zhǔn)確獲得。在這種情況下，根據(jù)其他傳感器上能夠獲取到的信息以及不同節(jié)點(diǎn)間潛在的聯(lián)系，從而推斷出目標(biāo)傳感器中的未知信息。此時(shí)將傳感器信號(hào)建模為圖信號(hào)，并通過(guò)圖信號(hào)恢復(fù)的方式實(shí)現(xiàn)傳感器網(wǎng)絡(luò)信號(hào)補(bǔ)全。

圖像去噪、信號(hào)修復(fù)、穩(wěn)健主成分分析和異常檢測(cè)與圖信號(hào)恢復(fù)密切相關(guān)。圖像去噪從噪聲觀測(cè)中恢復(fù)圖像。標(biāo)準(zhǔn)技術(shù)包括高斯平滑、維納局部經(jīng)驗(yàn)濾波和小波閾值方法。信號(hào)修復(fù)重建丟失或惡化的信號(hào)部分，包括圖像和視頻。標(biāo)準(zhǔn)技術(shù)包括基于全變分的方法、基于圖像模型的方法和稀疏表示。壓縮傳感通過(guò)僅進(jìn)行有限數(shù)量的測(cè)量來(lái)獲取和重構(gòu)信號(hào)。它假設(shè)信號(hào)是稀疏的，并通過(guò)子空間變換技術(shù)找到欠定線性系統(tǒng)的解。通過(guò)假設(shè)觀測(cè)矩陣為低秩矩陣，根據(jù)其子集恢復(fù)整個(gè)矩陣。壓縮傳感及其擴(kuò)展包括考慮噪聲版本和通過(guò)圖的分散算法。穩(wěn)健主成分分析從損壞的測(cè)量值中恢復(fù)低秩矩陣；它將圖像分為兩部分：平滑的背景和稀疏的前景。與主成分分析相比，它對(duì)嚴(yán)重?fù)p壞的條目具有魯棒性。

對(duì)圖信號(hào)的插值方法主要包括基于頻譜的方式與基于信號(hào)平滑性的方式。當(dāng)預(yù)定義圖信號(hào)為帶寬受限信號(hào)時(shí)，考慮從嘈雜、損壞或不完整的測(cè)量中恢復(fù)一個(gè)或多個(gè)平滑圖信號(hào)。圖信號(hào)恢復(fù)可以描述為一個(gè)優(yōu)化問(wèn)題，并通過(guò)交叉方向乘子法給出了該問(wèn)題的一般解。

圖上離散信號(hào)處理的最近發(fā)展的框架用圖表示的信號(hào)的去噪問(wèn)題。其首次將圖信號(hào)去噪描述為一個(gè)優(yōu)化問(wèn)題，并推導(dǎo)了一個(gè)由逆圖濾波器表示的精確閉式解，以及一個(gè)由標(biāo)準(zhǔn)圖濾波器表示的近似迭代解。拉普拉斯圖繼承的“平滑信號(hào)”的基本概念(通常被認(rèn)為是拉普拉斯圖的變體)是如何不適用的。為了克服這一限制，其引入了一類基于邊拉普拉斯算子的濾波器，這是一階單純形復(fù)形的Hodge-Laplacian算子的特例，并演示了這種邊緣拉普拉斯算子如何導(dǎo)致低通濾波器，從而在處理后的信號(hào)中強(qiáng)制(近似)流守恒。

從少量節(jié)點(diǎn)觀察到的噪聲樣本中恢復(fù)平滑圖信號(hào)的問(wèn)題基于圖的拉普拉斯二次型，利用正則化將信號(hào)恢復(fù)問(wèn)題表述為一個(gè)凸優(yōu)化問(wèn)題。該優(yōu)化問(wèn)題的最優(yōu)性條件形成了一個(gè)包含拉普拉斯圖的線性方程組，可以通過(guò)迭代Gauss-Seidel方法求解該線性系統(tǒng)。重建任務(wù)的性能不可避免地受到多個(gè)誤差源的影響，包含觀測(cè)噪聲和量化誤差，并提出了兩種優(yōu)化選擇傳輸功率、量化位和采樣集的策略，目的是在保證性能的情況下插值圖信號(hào)。

在現(xiàn)有研究中，圖信號(hào)的恢復(fù)過(guò)程默認(rèn)觀測(cè)值為連續(xù)幅值信號(hào)，而這通常是難以實(shí)現(xiàn)的，現(xiàn)有的傳感器信號(hào)插值算子也存在以下不足之處：

1、由信號(hào)模型假設(shè)驅(qū)動(dòng)，當(dāng)待處理信號(hào)不符合預(yù)設(shè)的信號(hào)模型時(shí)，插值算子的性能會(huì)非常差；

2、未考慮數(shù)字化信號(hào)的離散幅值存儲(chǔ)。信號(hào)的存儲(chǔ)會(huì)受到硬件設(shè)備的限制，從而造成量化誤差，而量化誤差與背景噪聲的疊加會(huì)進(jìn)一步降低插值精度。

而將觀測(cè)信號(hào)設(shè)定為量化信號(hào)，將量化與恢復(fù)過(guò)程進(jìn)行聯(lián)合設(shè)計(jì)是一項(xiàng)具有創(chuàng)新性與重要意義的工作。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中傳感器網(wǎng)絡(luò)信號(hào)的恢復(fù)問(wèn)題，本發(fā)明考慮信號(hào)通過(guò)不同規(guī)格的并行標(biāo)量量化器實(shí)現(xiàn)信號(hào)的離散存儲(chǔ)，并通過(guò)深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法進(jìn)行信號(hào)插值。

為了達(dá)到上述目的，本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：