基于壓縮感知的移動終端數(shù)據(jù)實時采集方法

深圳供電局有限公司 毛雯新

當(dāng)需要采集的原始數(shù)據(jù)量較大時，數(shù)據(jù)處理效率較低，且數(shù)據(jù)采集中會產(chǎn)生較大的能耗，為此提出基于壓縮感知的移動終端數(shù)據(jù)實時采集方法。稀疏表示原始數(shù)據(jù)，以實現(xiàn)低采樣率條件下的高效率數(shù)據(jù)采集；通過建立隨機(jī)路由，優(yōu)化壓縮感知的數(shù)據(jù)觀測矩陣，降低數(shù)據(jù)采集失誤率；使用AIC 算法精確重構(gòu)數(shù)據(jù)，建立基于壓縮感知的數(shù)據(jù)采集框架，周期性采集數(shù)據(jù)，實現(xiàn)移動終端數(shù)據(jù)的實時采集。實驗結(jié)果表明，該方法的數(shù)據(jù)采集效率較高，且較數(shù)據(jù)采集方法的能耗更低。

當(dāng)前，無線通信網(wǎng)絡(luò)技術(shù)飛速發(fā)展，技術(shù)的變革帶來的是網(wǎng)絡(luò)規(guī)模的進(jìn)一步擴(kuò)大，移動終端的出現(xiàn)，更是使網(wǎng)絡(luò)數(shù)據(jù)量膨脹式增長[1]。在處理網(wǎng)絡(luò)數(shù)據(jù)的過程中，需要通過移動終端收集數(shù)據(jù)，并將數(shù)據(jù)進(jìn)行傳輸，經(jīng)過Web 服務(wù)器處理后，用戶才能夠得到服務(wù)器反饋的與所需信息相關(guān)的數(shù)據(jù)[2]。然而，傳統(tǒng)的移動終端數(shù)據(jù)采集方法存在局限性[3]，當(dāng)采集的原始數(shù)據(jù)量較大時，使得數(shù)據(jù)處理效率極低，這就導(dǎo)致數(shù)據(jù)采集過程需要消耗更多的能量。為此，本文在壓縮感知理論的基礎(chǔ)上，針對移動終端，研究一種數(shù)據(jù)實時采集方法。

本文設(shè)計了基于壓縮感知的數(shù)據(jù)實時采集方法，將數(shù)據(jù)進(jìn)行稀疏表示，以實現(xiàn)低采樣率情況下的高效率數(shù)據(jù)采集；同時，為了降低數(shù)據(jù)采集誤差，建立隨機(jī)路由，優(yōu)化壓縮感知的數(shù)據(jù)觀測矩陣；使用AIC 算法精確重構(gòu)數(shù)據(jù)；建立了壓縮感知的數(shù)據(jù)采集框架，周期性地采集數(shù)據(jù)，實現(xiàn)移動終端數(shù)據(jù)的實時采集。最后進(jìn)行實驗論證，對比了本文設(shè)計的采集方法與傳統(tǒng)的采集方法，實驗結(jié)果表明，該方法數(shù)據(jù)采集效率高，較傳統(tǒng)的數(shù)據(jù)采集方法耗能更低，對提高網(wǎng)絡(luò)資源利用效率具有明顯的實際意義。

1 數(shù)據(jù)實時采集方法設(shè)計

1.1 移動終端網(wǎng)絡(luò)數(shù)據(jù)稀疏表示

使用壓縮感知方法實現(xiàn)數(shù)據(jù)的實時采集，首先需要將數(shù)據(jù)進(jìn)行稀疏表示，以實現(xiàn)低采樣率情況下的高效率數(shù)據(jù)采集。對此，本文使用K-SVD 算法估計移動終端互聯(lián)網(wǎng)數(shù)據(jù)的稀疏度。

假設(shè)移動終端互聯(lián)網(wǎng)數(shù)據(jù)的稀疏度為x，對于無線網(wǎng)絡(luò)數(shù)據(jù)的傳感節(jié)點來說，每過一個t時長的周期，便采集一次數(shù)據(jù)。在壓縮數(shù)據(jù)的過程中，x的參數(shù)值越大，那么后期重構(gòu)數(shù)據(jù)所耗費的能量就越多，但x的參數(shù)值過小，又會影響數(shù)據(jù)采集效率。對此，需要對x進(jìn)行動態(tài)估計，以不斷實現(xiàn)數(shù)據(jù)采集的動態(tài)調(diào)整。

K-SVD 算法具有自適應(yīng)特性，在動態(tài)估計數(shù)據(jù)稀疏度方面具有明顯的計算優(yōu)勢，根據(jù)壓縮感知理論，使用S-階稀疏來定量地表示信號稀疏的程度，假設(shè)信號的稀疏度系數(shù)為q，那么數(shù)據(jù)稀疏表示模型可以用公式（1）表示為：

式（1）中，D表示的是字典集合，其滿足α表示的是信號參數(shù)；s表示的是中線性系數(shù)。

基于這一模型，可以在周期性采集的數(shù)據(jù)信息中抽取部分樣本，需要注意的是，抽取采用的是隨機(jī)的方式，需要保證樣本的多樣性。那么對于該模型的標(biāo)準(zhǔn)化處理如公式（2）所示：

式（2）中，i表示的是移動終端數(shù)據(jù)；di表示的是移動終端數(shù)據(jù)維度。

在進(jìn)行初始化處理之后，為減少數(shù)據(jù)誤差，還需要對字典進(jìn)行更新，以不斷優(yōu)化，最終形成自適應(yīng)的稀疏字典D。

1.2 數(shù)據(jù)觀測矩陣構(gòu)建

在數(shù)據(jù)采集的過程中，需要保證數(shù)據(jù)能夠完全重構(gòu)，避免數(shù)據(jù)采集出現(xiàn)失誤。同時，還需要保證數(shù)據(jù)采集的傳輸效率，降低能量消耗。為此，構(gòu)建數(shù)據(jù)觀測矩陣，并對其進(jìn)行優(yōu)化。本文通過隨機(jī)路由對稀疏表示后的數(shù)據(jù)觀測矩陣進(jìn)行優(yōu)化。具體流程如圖1 所示。

圖1 數(shù)據(jù)觀測矩陣優(yōu)化流程圖Fig.1 Flow chart of data observation matrix optimization

如圖1 所示，假設(shè)移動終端網(wǎng)絡(luò)傳輸?shù)倪^程中，進(jìn)行數(shù)據(jù)采集的節(jié)點的數(shù)量為n，為保證數(shù)據(jù)壓縮感知的過程中，盡量減少能量損耗，本文增加了一個聚集節(jié)點K，該節(jié)點位于整個數(shù)據(jù)采集節(jié)點矩陣的外側(cè)。在此基礎(chǔ)上，將各節(jié)點按距離K點的遠(yuǎn)近，從前到后進(jìn)行排列編號。也就是說，該數(shù)據(jù)節(jié)點矩陣中，首個節(jié)點為1，下一節(jié)點為2，以此類推，尾節(jié)點為

在確定好節(jié)點編號后，就可以隨機(jī)生成數(shù)據(jù)傳輸路由。首先，隨機(jī)選擇一個初始節(jié)點作為數(shù)據(jù)傳輸?shù)钠鹗键c，根據(jù)數(shù)據(jù)路由的概率參數(shù)，生成隨機(jī)路徑。

在優(yōu)化數(shù)據(jù)感知觀測矩陣的過程中，假設(shè)一共隨機(jī)產(chǎn)生了m個數(shù)據(jù)傳輸路由，將數(shù)據(jù)傳輸至聚集節(jié)點，計算相應(yīng)的觀測參數(shù)，并對矩陣進(jìn)行更新優(yōu)化。

1.3 使用AIC 算法重構(gòu)數(shù)據(jù)

在優(yōu)化了壓縮感知的數(shù)據(jù)觀測矩陣后，能夠?qū)?shù)據(jù)進(jìn)行壓縮傳輸，然后將數(shù)據(jù)進(jìn)行恢復(fù)重構(gòu)，本文使用AIC 算法來恢復(fù)重構(gòu)數(shù)據(jù)。

假設(shè)信號傳輸?shù)墓?jié)點的數(shù)量參數(shù)為N，經(jīng)過稀疏表示處理，能夠得到相應(yīng)的離散稀疏參數(shù)，對數(shù)據(jù)進(jìn)行采樣。在壓縮感知的數(shù)據(jù)采集框架內(nèi)，假設(shè)每個節(jié)點數(shù)據(jù)采集的周期為t，那么節(jié)點的輸入信號可以表示為xi(t)，經(jīng)過隨機(jī)路由會產(chǎn)生不同的隨機(jī)序列，假設(shè)該序列參數(shù)為zi(t)，其計算公式如式（3）所示：

式（3）中，ei(t)表示的是該序列內(nèi)的積分參數(shù)，通過上述公式，能夠獲得切片序列參數(shù)值，對數(shù)據(jù)進(jìn)行解調(diào)處理。

在最終節(jié)點的輸出端，能夠獲取最終的輸出信號G(t)，假設(shè)其在壓縮感知時觀測矩陣中的觀測系數(shù)為yi，那么其計算公式如式（4）所示：

式（4）中，h表示的是卷積函數(shù)，m表示的是輸出節(jié)點的數(shù)量參數(shù)。經(jīng)過優(yōu)化計算，能夠以yi為參數(shù)，實現(xiàn)壓縮數(shù)據(jù)的原始信號重建，提高數(shù)據(jù)重構(gòu)的成功率。

1.4 建立壓縮感知的數(shù)據(jù)采集框架

在實現(xiàn)數(shù)據(jù)重構(gòu)的基礎(chǔ)上，本文建立了壓縮感知的數(shù)據(jù)采集框架。假設(shè)壓縮感知的數(shù)據(jù)觀測矩陣為?，該矩陣中的元素表示為aij，且滿足條件i=1,2,…,n、j=1,2,…,n、n? 0。使用壓縮感知進(jìn)行數(shù)據(jù)采集的具體方法如下：

（1）設(shè)置一個初始數(shù)據(jù)節(jié)點，該節(jié)點在移動終端中進(jìn)行初始數(shù)據(jù)采集，將這些數(shù)據(jù)與矩陣元素ai1相乘，能夠得到一個參數(shù)ai1q1；

（2）將前一節(jié)點中，將計算得到的參數(shù)ai1q1向下一節(jié)點發(fā)送，在次級數(shù)據(jù)采集節(jié)點中，也同樣進(jìn)行步驟一類似的計算操作，就得到了參數(shù)ai1q1+ai2q2；

（3）將數(shù)據(jù)繼續(xù)進(jìn)行傳輸，到下一級節(jié)點繼續(xù)進(jìn)行同樣的步驟，以此類推，直到每一個數(shù)據(jù)采集節(jié)點都有自己的數(shù)據(jù)參數(shù)，且與觀測矩陣對應(yīng)；

通過循環(huán)上述操作，在終極節(jié)點中，能夠獲得收集的所有數(shù)據(jù)的加權(quán)參數(shù)，也就是說，在每進(jìn)行一次數(shù)據(jù)采集的過程中，都進(jìn)行了一次數(shù)據(jù)壓縮。每一個數(shù)據(jù)采集周期內(nèi)，節(jié)點的數(shù)據(jù)量變化會產(chǎn)生一定的累計誤差，因此，需要在數(shù)據(jù)采集的過程中，周期性地監(jiān)測每一個數(shù)據(jù)傳輸節(jié)點的階梯變化。

2 仿真實驗

為了提高數(shù)據(jù)采集的效率，降低數(shù)據(jù)采集的能量消耗，本文在壓縮感知理論的基礎(chǔ)上，設(shè)計了針對移動終端的數(shù)據(jù)實時采集方法。為了驗證該方法的有效性，進(jìn)行實驗論證，由于實際數(shù)據(jù)采集流程較為復(fù)雜，因此本文采用計算機(jī)模擬的方法進(jìn)行仿真實驗。

2.1 實驗準(zhǔn)備

本文使用的計算機(jī)硬件為實驗室原有的PC機(jī)，該機(jī)的CPU 配置為Intel Core i5-4590，刷新頻率為8GHz，該主機(jī)系統(tǒng)為64 位Windows7，內(nèi)存容量8GB，能夠滿足數(shù)據(jù)采集模擬的硬件需求。

基于本文設(shè)計的實時采集方法，對模擬的移動端數(shù)據(jù)進(jìn)行隨機(jī)采集，為降低模型的處理難度，本文選取理想稀疏度的數(shù)據(jù)作為原始信號。同時，為了保證實驗的嚴(yán)謹(jǐn)性，本文分別使用傳統(tǒng)壓縮采樣方法以及本文設(shè)計的隨機(jī)采樣方法進(jìn)行實驗，記錄兩種方法的實驗數(shù)據(jù)以及仿真實驗結(jié)果。

2.2 實驗結(jié)果分析

設(shè)數(shù)據(jù)采集周期為5min，根據(jù)上述仿真實驗設(shè)置，本文對比兩種數(shù)據(jù)采集方法的數(shù)據(jù)傳輸效率，記錄了兩種方法不同采集周期的數(shù)據(jù)傳輸量，單位周期內(nèi)傳輸?shù)臄?shù)據(jù)量越大，說明數(shù)據(jù)采集的效率越高。具體實驗結(jié)果如表1 所示：

表1 兩種方法的數(shù)據(jù)傳輸量對比Tab.1 Comparison of the data transmission volume of the two methods

如表1 所示，本文設(shè)計的數(shù)據(jù)采集方法，隨著傳輸時間的延長，數(shù)據(jù)傳輸量明顯高于傳統(tǒng)的數(shù)據(jù)采集方法。對比平均數(shù)據(jù)傳輸量可以看出，前期兩種方法差別不大，本文設(shè)計方法的效率優(yōu)勢并不是很明顯。然而隨著傳輸周期的增加，傳統(tǒng)數(shù)據(jù)采集方法明顯在數(shù)據(jù)采集效率方面劣于本文設(shè)計的數(shù)據(jù)采集方法，使得輸出的平均傳輸量不斷降低。而本文設(shè)計的數(shù)據(jù)采集方法明顯更加穩(wěn)定，數(shù)據(jù)采集效率更高，能夠在不斷增加的數(shù)據(jù)傳輸周期的情況下，保持穩(wěn)定的數(shù)據(jù)輸出，數(shù)據(jù)采集的效果更好。

為驗證本文設(shè)計數(shù)據(jù)采集方法在節(jié)約能耗方面的有效性，本文對比了兩種數(shù)據(jù)采集的能耗結(jié)果，在此，本文設(shè)計傳輸多種類型的移動數(shù)據(jù)，記錄了不同數(shù)據(jù)類型下兩種方法的能耗參數(shù)，繪制成了曲線圖，具體結(jié)果如圖2 所示。

圖2 兩種方法數(shù)據(jù)采集能耗對比圖Fig.2 Comparison of energy consumption for data collection by two methods

由圖2 可知，在數(shù)據(jù)采集類型不斷增加的情況下，兩種方法的能耗都是不斷增加的，而本文設(shè)計方法的能耗情況明顯優(yōu)于傳統(tǒng)方法。傳統(tǒng)方法能耗增長幾乎呈直線趨勢。而對比傳統(tǒng)方法，本文設(shè)計的數(shù)據(jù)采集方法，隨著數(shù)據(jù)類型數(shù)量的增多，能耗是緩慢增長的，增長量較小，說明該方法在減小數(shù)據(jù)處理能耗，提高網(wǎng)絡(luò)資源利用率方面具有明顯的實際意義。

綜合分析上述實驗結(jié)果可知，本文設(shè)計的數(shù)據(jù)采集方法無論是在數(shù)據(jù)傳輸效率還是在能量消耗方面均具有明顯的優(yōu)勢，充分驗證了該方法的應(yīng)用價值。這是因為本文方法在數(shù)據(jù)采集之前，通過稀疏表示原始數(shù)據(jù)，提高了數(shù)據(jù)采集效率；并通過建立隨機(jī)路由優(yōu)化壓縮感知的數(shù)據(jù)觀測矩陣，降低了數(shù)據(jù)采集失誤率，避免由于數(shù)據(jù)采集失誤導(dǎo)致的數(shù)據(jù)重復(fù)采集，降低了數(shù)據(jù)采集能耗。

3 結(jié)語

為了提高數(shù)據(jù)采集的效率，降低數(shù)據(jù)采集的能量消耗，本文在研究壓縮感知理論的基礎(chǔ)上，設(shè)計了針對移動終端的數(shù)據(jù)實時采集方法。實驗結(jié)果表明，該方法數(shù)據(jù)采集效率高，較傳統(tǒng)的數(shù)據(jù)采集方法耗能更低，對提高網(wǎng)絡(luò)資源利用效率具有明顯的實際意義。希望本文的研究能夠為移動終端數(shù)據(jù)實時采集方法的發(fā)展提供理論依據(jù)。

引用

[1] 楊杉,譚博,郭靜波.基于壓縮感知的新一代能源互聯(lián)網(wǎng)的數(shù)據(jù)采集方法[J].可再生能源,2022,40(7):952-958.

[2] 楊青海,楊敏.基于低秩稀疏分解快速算法的動態(tài)MRI重建[J].軟件工程,2022,25(7):33-36+32.

[3] 周桂平,李石強(qiáng),于華楠,等.基于壓縮感知的電力擾動數(shù)據(jù)采集與分類方法[J].吉林大學(xué)學(xué)報(信息科學(xué)版),2021,39(6):637-646.