自物联网的理念提出以来,被运用到各种各样的工业生产中,矿山物联网就是其中之一。随着社会技术的不断发展,越来越多的无线网络节点分布在煤矿的井下以及地面上,导致矿山物联网出现许多需要解决的问题,并且由于井下工作存在很大的危险性,因此现在许多煤矿公司开始关注无人作业智能操作。但这也意味着需要采集和处理的信息将成几何式的增长,这就对物联网中节点的计算、存储、续航等能力造成很大的限制。而压缩感知理论作为一种新的采样理论,在近些年受到众多学者的关注。该算法与传统奈奎斯特算法相比,它的采样频率更低,因而能够降低数据的采样量,减少物联网在使用时的资源损耗,同样也提高了数据传输与存储能力。本文在分析传统压缩感知理论的基础上,重点研究对压缩感知算法优化,并通过实验仿真证明其能更好应用于运用于矿山物联网,使信号压缩更加高效。首先,详细介绍压缩感知理论的三个重要方面,即稀疏表示、观测矩阵和恢复重构,以及每个环节经常涉及的理论算法。然后,在此基础上,针对稀疏表示和恢复重构两个方面进行算法优化。其一是基于Spark常数的尾部优化,该算法在压缩测量值中,对于具有Spark常数性质稀疏信号存在测度理论唯一性。具体来说,假设矩阵A的m行具有Spark性质,并假设稀疏度s大于m/2小于m。那么压缩测量值的解是唯一的,在每一个稀疏平面上,都可以有一组测度为零。这种现象是通过L₁尾极小化程序观察和证实的,它在数千次随机试验中唯一地恢复稀疏信号,且s大于m/2。其二是零空间中的结合反馈快速恢复阈值算法,该算法是基于零空间调整的框架中,并在框架中加入稀疏算子得到其余不同情况下的算法。最后,以Matlab 2017a为仿真平台,将优化算法与煤矿的相关数据相结合,编写m文件来调用图像数据进行算法的实验与仿真。同时,将优化算法与原始的压缩感知算法进行了对比,从而证明本文算法在矿山物联网上的可行性。图[32]表[1]参[64]