论文部分内容阅读
随着信息技术以及计算机网络技术的迅速发展,压缩感知理论受到了越来越多的关注。与传统的奈奎斯特采样定理不同,压缩感知通过寻找欠定线性系统的稀疏解来减少信号的采样率。而分布式压缩感知理论在压缩感知理论的基础上,充分利用信号内部以及信号之间的相关性,将多个信号联合起来进行重构以进一步降低信号的采样率。本文主要基于分布式压缩感知理论提出一种联合稀疏的稀疏度自适应匹配追踪算法(Joint-Sparsity Adaptive Matching Pursuit,joint-SAMP),并在该算法的基础上设计了一个智能电网数据采集方法和一个城市交通状况估计方法。本文详细的研究内容概括如下:(1)为了解决实际应用中对信号进行重构时信号稀疏度未知的问题,提出了应用在分布式场景的联合稀疏的稀疏度自适应匹配追踪算法(joint-SAMP)。该算法结合压缩感知理论的稀疏度自适应匹配追踪算法(SAMP),利用分布式压缩感知理论可以同时借助信号内部相关性结构和信号之间的相关性结构的特点来降低对信号的测量需求,在迭代循环中根据新残差与旧残差的比较来作为算法停止条件。实验结果表明所提算法可以在不以信号的稀疏度作为先验信息并且保证数据恢复精度的条件下降低数据的采集开销。(2)为了解决智能电网中数据的存储和传输开销过大给系统带来巨大压力的问题,设计了一个基于分布式压缩感知理论的智能电网数据采集方法(DCS-Data Acquisition Method for Smart Grid,DCS-ASMSG)。该方法利用智能电网中间站站内数据之间的相关性以及中间站与中间站之间数据的相关性对智能电网传输数据进行压缩处理来降低数据传输和存储开销。通过模拟仿真实验验证了电力数据的稀疏性,实验表明所设计的DCS-智能电网数据采集方法能够在保障数据重构精度的同时减少数据传输开销,其传输的数据量仅为原始数据的25.69%。(3)为了解决传统道路状况估计中基础设施部署和维护成本高的问题,设计了一个基于分布式压缩感知理论的城市交通量状况估计的方法(DCS-Urban Traffic Volume Estimation Method,DCS-UTVEM)。该方法利用了城市道路交通量估计中各个道路之间同一时刻速度的相关性以及每条道路在一个时间段内速度的相关性基于分布式压缩感知理论对城市道路的交通状况进行估计。通过实验验证了本文设计的交通状况估计方法模型的有效性,并证明了该方法仅使用稀疏探针即可实现准确和可扩展的流量估计,通过少量探测车辆就能够带来良好的估计性能和较低的系统运行成本。