[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

本發明是一種利用深度神經網絡實現的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。本發明使用并行標量量化器，并對每個量化器進行分別設計，使用神經網絡對量化比特分配與插值算子進行聯合設計，提高了補全性能。

技術領域

本發明涉及一種信號補全方法，尤其是一種利用深度神經網絡實現的傳感器網絡信號補全方法。

背景技術

在傳感器信號收集中，有一些傳感器上的信息通常被損壞以至于無法準確獲得。在這種情況下，根據其他傳感器上能夠獲取到的信息以及不同節點間潛在的聯系，從而推斷出目標傳感器中的未知信息。此時將傳感器信號建模為圖信號，并通過圖信號恢復的方式實現傳感器網絡信號補全。

圖像去噪、信號修復、穩健主成分分析和異常檢測與圖信號恢復密切相關。圖像去噪從噪聲觀測中恢復圖像。標準技術包括高斯平滑、維納局部經驗濾波和小波閾值方法。信號修復重建丟失或惡化的信號部分，包括圖像和視頻。標準技術包括基于全變分的方法、基于圖像模型的方法和稀疏表示。壓縮傳感通過僅進行有限數量的測量來獲取和重構信號。它假設信號是稀疏的，并通過子空間變換技術找到欠定線性系統的解。通過假設觀測矩陣為低秩矩陣，根據其子集恢復整個矩陣。壓縮傳感及其擴展包括考慮噪聲版本和通過圖的分散算法。穩健主成分分析從損壞的測量值中恢復低秩矩陣；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，它對嚴重損壞的條目具有魯棒性。

對圖信號的插值方法主要包括基于頻譜的方式與基于信號平滑性的方式。當預定義圖信號為帶寬受限信號時，考慮從嘈雜、損壞或不完整的測量中恢復一個或多個平滑圖信號。圖信號恢復可以描述為一個優化問題，并通過交叉方向乘子法給出了該問題的一般解。

圖上離散信號處理的最近發展的框架用圖表示的信號的去噪問題。其首次將圖信號去噪描述為一個優化問題，并推導了一個由逆圖濾波器表示的精確閉式解，以及一個由標準圖濾波器表示的近似迭代解。拉普拉斯圖繼承的“平滑信號”的基本概念(通常被認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致低通濾波器，從而在處理后的信號中強制(近似)流守恒。

從少量節點觀察到的噪聲樣本中恢復平滑圖信號的問題基于圖的拉普拉斯二次型，利用正則化將信號恢復問題表述為一個凸優化問題。該優化問題的最優性條件形成了一個包含拉普拉斯圖的線性方程組，可以通過迭代Gauss-Seidel方法求解該線性系統。重建任務的性能不可避免地受到多個誤差源的影響，包含觀測噪聲和量化誤差，并提出了兩種優化選擇傳輸功率、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。

在現有研究中，圖信號的恢復過程默認觀測值為連續幅值信號，而這通常是難以實現的，現有的傳感器信號插值算子也存在以下不足之處：

1、由信號模型假設驅動，當待處理信號不符合預設的信號模型時，插值算子的性能會非常差；

2、未考慮數字化信號的離散幅值存儲。信號的存儲會受到硬件設備的限制，從而造成量化誤差，而量化誤差與背景噪聲的疊加會進一步降低插值精度。

而將觀測信號設定為量化信號，將量化與恢復過程進行聯合設計是一項具有創新性與重要意義的工作。

發明內容

為了解決現有技術中傳感器網絡信號的恢復問題，本發明考慮信號通過不同規格的并行標量量化器實現信號的離散存儲，并通過深度神經網絡訓練的方法進行信號插值。

為了達到上述目的，本發明是通過以下技術方案實現的：