一种利用深度神经网络实现的传感器网络信号补全方法技术

本发明专利技术是一种利用深度神经网络实现的传感器网络信号补全方法，包括如下步骤：步骤1：将观测节点的信号输入并行标量量化器中，得到量化后的观测节点信号的离散输出，建立问题；步骤2：设计图信号的插值模块；步骤3：设计图信号量化规则模块，图信号量化规则模块采用软

【技术实现步骤摘要】
一种利用深度神经网络实现的传感器网络信号补全方法


[0001]本专利技术涉及一种信号补全方法，尤其是一种利用深度神经网络实现的传感器网络信号补全方法。

技术介绍

[0002]在传感器信号收集中，有一些传感器上的信息通常被损坏以至于无法准确获得。在这种情况下，根据其他传感器上能够获取到的信息以及不同节点间潜在的联系，从而推断出目标传感器中的未知信息。此时将传感器信号建模为图信号，并通过图信号恢复的方式实现传感器网络信号补全。
[0003]图像去噪、信号修复、稳健主成分分析和异常检测与图信号恢复密切相关。图像去噪从噪声观测中恢复图像。标准技术包括高斯平滑、维纳局部经验滤波和小波阈值方法。信号修复重建丢失或恶化的信号部分，包括图像和视频。标准技术包括基于全变分的方法、基于图像模型的方法和稀疏表示。压缩传感通过仅进行有限数量的测量来获取和重构信号。它假设信号是稀疏的，并通过子空间变换技术找到欠定线性系统的解。通过假设观测矩阵为低秩矩阵，根据其子集恢复整个矩阵。压缩传感及其扩展包括考虑噪声版本和通过图的分散算法。稳健主成分分析从损坏的测量值中恢复低秩矩阵；它将图像分为两部分：平滑的背景和稀疏的前景。与主成分分析相比，它对严重损坏的条目具有鲁棒性。
[0004]对图信号的插值方法主要包括基于频谱的方式与基于信号平滑性的方式。当预定义图信号为带宽受限信号时，考虑从嘈杂、损坏或不完整的测量中恢复一个或多个平滑图信号。图信号恢复可以描述为一个优化问题，并通过交叉方向乘子法给出了该问题的一般解。
[0005]图上离散信号处理的最近发展的框架用图表示的信号的去噪问题。其首次将图信号去噪描述为一个优化问题，并推导了一个由逆图滤波器表示的精确闭式解，以及一个由标准图滤波器表示的近似迭代解。拉普拉斯图继承的“平滑信号”的基本概念(通常被认为是拉普拉斯图的变体)是如何不适用的。为了克服这一限制，其引入了一类基于边拉普拉斯算子的滤波器，这是一阶单纯形复形的Hodge
‑
Laplacian算子的特例，并演示了这种边缘拉普拉斯算子如何导致低通滤波器，从而在处理后的信号中强制(近似)流守恒。
[0006]从少量节点观察到的噪声样本中恢复平滑图信号的问题基于图的拉普拉斯二次型，利用正则化将信号恢复问题表述为一个凸优化问题。该优化问题的最优性条件形成了一个包含拉普拉斯图的线性方程组，可以通过迭代Gauss
‑
Seidel方法求解该线性系统。重建任务的性能不可避免地受到多个误差源的影响，包含观测噪声和量化误差，并提出了两种优化选择传输功率、量化位和采样集的策略，目的是在保证性能的情况下插值图信号。
[0007]在现有研究中，图信号的恢复过程默认观测值为连续幅值信号，而这通常是难以实现的，现有的传感器信号插值算子也存在以下不足之处：
[0008]1、由信号模型假设驱动，当待处理信号不符合预设的信号模型时，插值算子的性能会非常差；
[0009]2、未考虑数字化信号的离散幅值存储。信号的存储会受到硬件设备的限制，从而造成量化误差，而量化误差与背景噪声的叠加会进一步降低插值精度。
[0010]而将观测信号设定为量化信号，将量化与恢复过程进行联合设计是一项具有创新性与重要意义的工作。

技术实现思路

[0011]为了解决现有技术中传感器网络信号的恢复问题，本专利技术考虑信号通过不同规格的并行标量量化器实现信号的离散存储，并通过深度神经网络训练的方法进行信号插值。
[0012]为了达到上述目的，本专利技术是通过以下技术方案实现的：
[0013]本专利技术是一种利用深度神经网络实现的传感器网络信号补全方法，该方法包括如下步骤：
[0014]步骤1：将观测节点的信号输入并行标量量化器中，得到量化后的观测节点信号的离散输出，建立问题，具体为：
[0015]步骤1
‑
1：定义观测信号为y＝Ψx+n，其中Ψ为对应于节点集S的观测矩阵，n是观测过程中不可避免的加性高斯噪声；
[0016]步骤1
‑
2：根据部分节点集S上的信息恢复S
c
中的信号，当S上的信号为连续幅值信号时，建立如下优化问题：
[0017][0018]其中E(x)表征观测值与真实值之间的差别，其中y为实际观测信号，当观测信号不包含噪声时，可得E(x)＝0，S(x)表征平滑项，λ是一个超参数，λ越大则表示图信号越平滑；
[0019]步骤1
‑
3：保留差异项E(x)，对观测信号Ψx的量化形式为Q(Ψx)＝ΨQ(x)。
[0020]步骤1
‑
4：将量化形式的信号代入，建立问题
[0021][0022]步骤2：设计图信号的插值模块，具体的设计过程包括如下步骤：
[0023]步骤2
‑
1：建立图信号插值问题为：
[0024][0025]其中R(
·
)表示图信号的去噪器，λ是一个正则化参数，表示为去噪器在目标函数中的权重；
[0026]步骤2
‑
2：设计一个基于DAU的可训练环路去噪器R(x)，为简化符号，将步骤2
‑
1中的插值问题设定为
[0027]步骤2
‑
3：使用基于二次优化的去噪器，所述去噪器定义为：
[0028][0029]s.t.v＝Mx。
[0030]其中N
i
表示为节点i的邻居集合；
[0031]步骤2
‑
4：使用基于ADMM展开的迭代算法对步骤2
‑
3中的去噪器进行迭代：
[0032]x
(l+1)
←
A*
a
s
(l)
+B*
a
t
(l)
+C*
a
(P
T
y
(l)
)，
[0033]s
(l+1)
←
D*
a
x
(l)
+E*
a
(Q
T
y
(l)
)，
[0034]y
(l+1)
←
NN
u
(Px
(l+1)
)，
[0035]z
(l+1)
←
NN
r
(Qs
(l+1)
)，
[0036]其中A*
a
，B*
a
，C*
a
，D*
a
，E*
a
是具有滤波器系数的可训练图卷积网络，滤波器系数是可训练参数，下标a表示可训练，并且NN
u
(
·
)和NN
r
(
·
)是两个包含可训练参数的全连通神经网络。
[0037]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述传感器网络信号补全方法包括如下步骤：步骤1：将观测节点的信号输入并行标量量化器中，得到量化后的观测节点信号的离散输出，建立问题；步骤2：设计图信号的插值模块；步骤3：设计图信号量化规则模块，图信号量化规则模块采用软
‑
硬量化器量化；步骤4：将步骤2得到的插值模块和步骤3得到的图信号量化规则模块进行联合训练。2.根据权利要求1所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤4联合训练的步骤包括：步骤4
‑
1：建立基于贪婪的量化比特分配算法；步骤4
‑
2：表征统计平均下的量化失真度，将ADMM展开网络用于图信号的插值模块；步骤4
‑
3：根据当前量化状态选择需要更新的量化器；步骤4
‑
4：完成训练后再次进行比较。3.根据权利要求2所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤4
‑
2具体为：将每个批次需要的训练数据向量[x1,x2,...]进行拼接，得到一个高维矩阵X，将矩阵并行输入步骤3设计的软
‑
硬量化器中，并计算量化失真度为：然后将ADMM展开网络用于图信号的插值模块，具体表示为用插值后的输出代替量化失真度中软
‑
硬量化器的输入，此时插值
‑
量化的总失真度可以表示为：其中X
S
是需要进行插值的信号。4.根据权利要求2所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤4
‑
3具体为：初始的量化比特分配为全1，然后根据所述步骤4
‑
1中提出的贪婪算法，依次添加一个新的索引，在第k次迭代中，运算符f
M
(
·
)作用于量化比特分配，依次使用所有可选择的量化器并通过插值模块，选择总失真度降低最快的量化器作为第k次迭代的选择结果，并输出{M
i
}
(k+1)
。5.根据权利要求2所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤4
‑
4具体为：学习量化网络完成训练后，将贪婪算法设定在第K次迭代结束，比较已经使用的总量化比特数log2M1与给定的总量化比特数log2M0，如果M1＜M0，则基于第K次迭代的结果继续添加新的网络层数；如果M1＝M0，则将当前的量化比特分配和相应的重构网络参数作为最终结果进行输出；如果M1＞M0，则将最近的网络模块进行删除，并再次进行比较。6.根据权利要求2所述一种利用深度神经网络实现的传感器网络信号补全方法，其特征在于：所述步骤4
‑
1中的基于贪婪的量化比特分配算法为：输入：拉普拉斯矩阵L，量化总比特数log2M输出：量化比特分配{M
i
}
初始化：对任意i∈S，M
i
＝1当时：选择索引e＝max
i
f
M
(M
i
)更新M
e
＝M
e
+1；其中f
M
(
·
)表示在选择当前量化比特分配的情况下，新增一个量化状态数所带来的平均收益，定义为其中f
M,j
({M
i
}
(k)
)表示第k次迭代中，对{M
i
}的更新操作为选择索引为j的量化器并新...

【专利技术属性】
技术研发人员：李沛，王保云，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：