本发明公开基于混沌序列的分布式压缩感知方法，包括建立混沌序列的压缩感知测量矩阵；在每个传感节点的信号传感和采样中运用混沌压缩感知测量矩阵，进行传感节点降采样率的压缩信号；基于混沌序列建立分布式压缩感知模型；通过分布式压缩感知模型进行信号重构。本发明建立一个轻量低消耗的传感网络，改善传感器网络的节点资源消耗与网络生存时间的网络机制。
1.基于混沌序列的分布式压缩感知方法，其特征在于，包括步骤：
S100，建立混沌序列的压缩感知测量矩阵；依据混沌序列随机性与确定性相统一的特性，获得压缩感知测量矩阵；所述压缩感知测量矩阵是满足有限等距性质条件的测量矩阵；
S200，在每个传感节点的信号传感和采样中运用混沌压缩感知测量矩阵，进行传感节点降采样率的压缩信号；
在步骤S400中，将整个传感网络分为多个子群，对每个子群选择出来节点信号，设定节点个数和每个感知节点信号的长度，在混沌测量矩阵采样下得到压缩信号；初始化重构算法的迭代次数、正交系数向量、以及多次迭代之后与原始信号之间的残差；通过求解最优化问题找到一个索引，并将这个索引加入到选中的索引集中，再次对选中的基向量进行正交化，迭代更新阈值判断收敛条件；正交化恢复出原始信号，完成信号重构。
2.根据权利要求1所述的基于混沌序列的分布式压缩感知方法，其特征在于，在步骤S100中，构造压缩感知测量矩阵的步骤为：S101，选择式zn+1＝cos(k*cos-1zn)的参数K＝4，其中k表示切比雪夫映射的阶数；给定初始值z0，产生长度为M×N的混沌序列{zn,n＝1,2,L,n}；
S102，将混沌序列{zn}通过式 映射为扩频序列{an}；
S103，将序列{an}按列构造大小为M×N的测量矩阵Φ，其表示为：
3.根据权利要求2所述的基于混沌序列的分布式压缩感知方法，其特征在于，在步骤S200中，通过采样电路采集每个传感节点的信号，运用所述压缩感知测量矩阵，进行采样数据处理与编码，从而获得传感节点降采样率的压缩信号。
4.根据权利要求3所述的基于混沌序列的分布式压缩感知方法，其特征在于，将无线传感器网络中的各个采集端通向采样电路；根据无线传感器网络通信协议将采集信号封装成数据帧，发送到数据转发节点，最终汇聚到数据汇聚节点通向采样电路。
5.根据权利要求4所述的基于混沌序列的分布式压缩感知方法，其特征在于，在步骤S300中建立混沌分布式压缩感知模型，通过混沌测量矩阵满足分布式感知要求的条件，建立多个由混沌序列构造的测量矩阵；并将多个测量矩阵对节点信号进行采样压缩，构成分布式压缩感知模型，以满足分布式压缩感知的多个模型的重构算法。
6.根据权利要求5所述的基于混沌序列的分布式压缩感知方法，其特征在于，在步骤S400中，利用节点信号之间的数据相关性和节点采集到数据信息有延时性，传感器节点具有不同的位移；基于DCS-SOMP分布式压缩感知-同步正交匹配追踪算法，对采集信号进行等效离散化处理；
找出节点休眠而使小部分信号缺失的位置，通过时延信息移位校正信号从而恢复出原始信号。
基于混沌序列的分布式压缩感知方法
技术领域
[0001] 本发明属于信号处理技术领域，特别是涉及基于混沌序列的分布式压缩感知方法。
背景技术
[0002] 压缩感知是一种全新的向量获取和压缩重建方式，在向量是稀疏或可压缩的前提下，对向量进行采样的同时实现其数据量高倍数的压缩，获得用于表征向量的少量观测值，通过线性优化重建算法，从少量的压缩观测值中高概率恢复出原始向量。
[0003] 现有的压缩感知处理方法，需要大量的消耗前端采样节点的运算、处理资源、能源和传输带宽，无法实现分布式多节点网络的高效采样处理。
发明内容
[0004] 为了解决上述问题，本发明提出了基于混沌序列的分布式压缩感知方法，建立一个轻量低消耗的传感网络，改善传感器网络的节点资源消耗与网络生存时间的网络机制。
[0005] 为达到上述目的，本发明采用的技术方案是：基于混沌序列的分布式压缩感知方法，包括步骤：
[0006] S100，建立混沌序列的压缩感知测量矩阵；
[0007] S200，在每个传感节点的信号传感和采样中运用混沌压缩感知测量矩阵，进行传感节点降采样率的压缩信号；
[0008] S300，基于混沌序列建立分布式压缩感知模型；
[0009] S400，通过分布式压缩感知模型进行信号重构。
[0010] 进一步的是，在步骤S100中，依据混沌序列随机性与确定性相统一的特性，获得压缩感知测量矩阵；所述压缩感知测量矩阵满足的有限等距性质条件的测量矩阵。
[0011] 进一步的是，构造测量矩阵的步骤为：
[0012] S101，选择式zn+1＝cos(k*cos-1zn)的参数K＝4，其中k表示切比雪夫映射的阶数；给定初始值z0，产生长度为M×N的混沌序列{zn,n＝1,2,L,n}；
[0013] S102，将混沌序列{zn}通过式 映射为扩频序列{an}；
[0014] S103，将序列{an}按列构造大小为M×N的测量矩阵Φ，其表示为：
[0015]
[0016] 进一步的是，在步骤S200中，通过采样电路采集每个传感节点的信号，运用所述压缩感知测量矩阵，进行采样数据处理与编码，从而获得传感节点降采样率的压缩信号。压缩感知的感知过程，X表示被感知的信号，那么，感知过程表示为Y＝ΦX；Y即为信号压缩后的数据。
[0017] 进一步的是，将无线传感器网络中的各个采集端通向采样电路；根据无线传感器网络通信协议将采集信号封装成数据帧，发送到数据转发节点，最终汇聚到数据汇聚节点通向采样电路。
[0018] 进一步的是，在步骤S300中建立混沌分布式压缩感知模型，通过混沌测量矩阵满足分布式感知要求的条件，建立多个由混沌序列构造的测量矩阵；并将多个测量矩阵对节点信号进行采样压缩，构成分布式压缩感知模型，以满足分布式压缩感知的多个模型的重构算法。
[0019] 进一步的是，在步骤S400中，将整个传感网络分为多个子群，对每个子群选择出来节点信号，设定节点个数和每个感知节点信号的长度，在混沌测量矩阵采样下得到压缩信号；
[0020] 初始化重构算法的迭代次数、正交系数向量、以及多次迭代之后与原始信号之间的残差；
[0021] 通过求解最优化问题找到一个索引，并将这个索引加入到选中的索引集中，再次对选中的基向量进行正交化，迭代更新阈值判断收敛条件；可通过压缩感知的SOMP还原算法对收集的数据进行处理，通过正交匹配追踪的思想得到索引，构成还原信号的索引集；基向量是迭代计算过程中的残差矩阵R，R＝Y-ΦX，收敛条件为信号稀疏度。
[0022] 正交化恢复出原始信号，完成信号重构；通过SOMP压缩感知还原算法进行正交匹配追踪，可求得原始信号。
[0023] 进一步的是，在步骤S400中，利用节点信号之间的数据相关性和节点采集到数据信息有延时性，传感器节点具有不同的位移；基于DCS-SOMP算法，对采集信号进行等效离散化处理；找出节点休眠而使小部分信号缺失的位置，通过时延信息移位校正信号从而恢复出原始信号。
[0024] 采用本技术方案的有益效果：
[0025] 本实用新型将混沌矩阵与分布式感知技术相结合，将传感器网络的安全性与低消耗一并考虑；通过压缩采样大大降低前端采样节点的运算、处理资源、能源和传输带宽的消耗，通过观测矩阵的混沌序列实现数据表达、传输、感知数据还原的低消耗和高品质；
[0026] 本实用新型在分布式感知技术条件下改善传感器网络的节点资源消耗与网络生存时间的网络机制，构建一种超低功耗的安全分布式传感网络；布式压缩感知联合重构的思想运用于传感网络中，做到了低消耗低成本的传感网。
附图说明
[0027] 图1为本发明的基于混沌序列的分布式压缩感知方法流程示意图；
[0028] 图2为本发明实施例中实验结果的曲线图。
具体实施方式
[0029] 为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
[0030] 在本实施例中，参见图1所示，本发明提出了基于混沌序列的分布式压缩感知方法，包括步骤：
[0031] S100，建立混沌序列的压缩感知测量矩阵；
[0032] S200，在每个传感节点的信号传感和采样中运用混沌压缩感知测量矩阵，进行传感节点降采样率的压缩信号；
[0033] S300，基于混沌序列建立分布式压缩感知模型；
[0034] S400，通过分布式压缩感知模型进行信号重构。
[0035] 作为上述实施例的优化方案，在步骤S100中，依据混沌序列随机性与确定性相统一的特性，获得压缩感知测量矩阵；所述压缩感知测量矩阵满足的有限等距性质条件的测量矩阵。
[0036] 构造测量矩阵的步骤为：
[0037] S101，选择式zn+1＝cos(k*cos-1zn)的参数K＝4，其中k表示切比雪夫映射的阶数；给定初始值z0，产生长度为M×N的混沌序列{zn,n＝1,2,L,n}；
[0038] S102，将混沌序列{zn}通过式 映射为扩频序列{an}；
[0039] S103，将序列{an}按列构造大小为M×N的测量矩阵Φ，其表示为：
[0040]
[0041] 作为上述实施例的优化方案，在步骤S200中，通过采样电路采集每个传感节点的信号，运用所述压缩感知测量矩阵，进行采样数据处理与编码，从而获得传感节点降采样率的压缩信号。压缩感知的感知过程，X表示被感知的信号，那么，感知过程表示为Y＝ΦX；Y即为信号压缩后的数据。
[0042] 将无线传感器网络中的各个采集端通向采样电路；根据无线传感器网络通信协议将采集信号封装成数据帧，发送到数据转发节点，最终汇聚到数据汇聚节点通向采样电路。
[0043] 作为上述实施例的优化方案，在步骤S300中建立混沌分布式压缩感知模型，通过混沌测量矩阵满足分布式感知要求的条件，建立多个由混沌序列构造的测量矩阵；并将多个测量矩阵对节点信号进行采样压缩，构成分布式压缩感知模型，以满足分布式压缩感知的多个模型的重构算法。
[0044] 作为上述实施例的优化方案，在步骤S400中，将整个传感网络分为多个子群，对每个子群选择出来节点信号，设定节点个数和每个感知节点信号的长度，在混沌测量矩阵采样下得到压缩信号；
[0045] 初始化重构算法的迭代次数、正交系数向量、以及多次迭代之后与原始信号之间的残差；
[0046] 通过求解最优化问题找到一个索引，并将这个索引加入到选中的索引集中，再次对选中的基向量进行正交化，迭代更新阈值判断收敛条件；可通过压缩感知的SOMP还原算法对收集的数据进行处理，通过正交匹配追踪的思想得到索引，构成还原信号的索引集；基向量是迭代计算过程中的残差矩阵R，R＝Y-ΦX，收敛条件为信号稀疏度。
[0047] 正交化恢复出原始信号，完成信号重构；通过SOMP压缩感知还原算法进行正交匹配追踪，可求得原始信号。
[0048] 在步骤S400中，利用节点信号之间的数据相关性和节点采集到数据信息有延时性，传感器节点具有不同的位移；基于DCS-SOMP算法，对采集信号进行等效离散化处理；找出节点休眠而使小部分信号缺失的位置，通过时延信息移位校正信号从而恢复出原始信号。
[0049] 如图2所示，在实验过程中选择了高斯矩阵(GM)、贝努力矩阵(BM)、罗切斯特混沌矩阵(LM)以及罗切斯特贝努力矩阵(LBM)与本发明的测量矩阵(CBM)在不同测量值下对信号的重构概率比较；从PSNR值即峰值信噪比走势来看，CBM测量矩阵明的恢复效果最明显的地方是测量值在60-100的阶段，CBM测量矩阵明显比GM、BM和LBM恢复效果都好；平稳阶段效果相近，但仍然要稍优于其他矩阵。
[0050] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
