基于壓縮感知的移動終端數據實時采集方法

深圳供電局有限公司 毛雯新

當需要采集的原始數據量較大時，數據處理效率較低，且數據采集中會產生較大的能耗，為此提出基于壓縮感知的移動終端數據實時采集方法。稀疏表示原始數據，以實現低采樣率條件下的高效率數據采集；通過建立隨機路由，優化壓縮感知的數據觀測矩陣，降低數據采集失誤率；使用AIC 算法精確重構數據，建立基于壓縮感知的數據采集框架，周期性采集數據，實現移動終端數據的實時采集。實驗結果表明，該方法的數據采集效率較高，且較數據采集方法的能耗更低。

當前，無線通信網絡技術飛速發展，技術的變革帶來的是網絡規模的進一步擴大，移動終端的出現，更是使網絡數據量膨脹式增長[1]。在處理網絡數據的過程中，需要通過移動終端收集數據，并將數據進行傳輸，經過Web 服務器處理后，用戶才能夠得到服務器反饋的與所需信息相關的數據[2]。然而，傳統的移動終端數據采集方法存在局限性[3]，當采集的原始數據量較大時，使得數據處理效率極低，這就導致數據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上，針對移動終端，研究一種數據實時采集方法。

本文設計了基于壓縮感知的數據實時采集方法，將數據進行稀疏表示，以實現低采樣率情況下的高效率數據采集；同時，為了降低數據采集誤差，建立隨機路由，優化壓縮感知的數據觀測矩陣；使用AIC 算法精確重構數據；建立了壓縮感知的數據采集框架，周期性地采集數據，實現移動終端數據的實時采集。最后進行實驗論證，對比了本文設計的采集方法與傳統的采集方法，實驗結果表明，該方法數據采集效率高，較傳統的數據采集方法耗能更低，對提高網絡資源利用效率具有明顯的實際意義。

1 數據實時采集方法設計

1.1 移動終端網絡數據稀疏表示

使用壓縮感知方法實現數據的實時采集，首先需要將數據進行稀疏表示，以實現低采樣率情況下的高效率數據采集。對此，本文使用K-SVD 算法估計移動終端互聯網數據的稀疏度。

假設移動終端互聯網數據的稀疏度為x，對于無線網絡數據的傳感節點來說，每過一個t時長的周期，便采集一次數據。在壓縮數據的過程中，x的參數值越大，那么后期重構數據所耗費的能量就越多，但x的參數值過小，又會影響數據采集效率。對此，需要對x進行動態估計，以不斷實現數據采集的動態調整。

K-SVD 算法具有自適應特性，在動態估計數據稀疏度方面具有明顯的計算優勢，根據壓縮感知理論，使用S-階稀疏來定量地表示信號稀疏的程度，假設信號的稀疏度系數為q，那么數據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；s表示的是中線性系數。

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

式（2）中，i表示的是移動終端數據；di表示的是移動終端數據維度。

在進行初始化處理之后，為減少數據誤差，還需要對字典進行更新，以不斷優化，最終形成自適應的稀疏字典D。

1.2 數據觀測矩陣構建

在數據采集的過程中，需要保證數據能夠完全重構，避免數據采集出現失誤。同時，還需要保證數據采集的傳輸效率，降低能量消耗。為此，構建數據觀測矩陣，并對其進行優化。本文通過隨機路由對稀疏表示后的數據觀測矩陣進行優化。具體流程如圖1 所示。

圖1 數據觀測矩陣優化流程圖Fig.1 Flow chart of data observation matrix optimization

如圖1 所示，假設移動終端網絡傳輸的過程中，進行數據采集的節點的數量為n，為保證數據壓縮感知的過程中，盡量減少能量損耗，本文增加了一個聚集節點K，該節點位于整個數據采集節點矩陣的外側。在此基礎上，將各節點按距離K點的遠近，從前到后進行排列編號。也就是說，該數據節點矩陣中，首個節點為1，下一節點為2，以此類推，尾節點為

在確定好節點編號后，就可以隨機生成數據傳輸路由。首先，隨機選擇一個初始節點作為數據傳輸的起始點，根據數據路由的概率參數，生成隨機路徑。

在優化數據感知觀測矩陣的過程中，假設一共隨機產生了m個數據傳輸路由，將數據傳輸至聚集節點，計算相應的觀測參數，并對矩陣進行更新優化。

1.3 使用AIC 算法重構數據

在優化了壓縮感知的數據觀測矩陣后，能夠將數據進行壓縮傳輸，然后將數據進行恢復重構，本文使用AIC 算法來恢復重構數據。

假設信號傳輸的節點的數量參數為N，經過稀疏表示處理，能夠得到相應的離散稀疏參數，對數據進行采樣。在壓縮感知的數據采集框架內，假設每個節點數據采集的周期為t，那么節點的輸入信號可以表示為xi(t)，經過隨機路由會產生不同的隨機序列，假設該序列參數為zi(t)，其計算公式如式（3）所示：

式（3）中，ei(t)表示的是該序列內的積分參數，通過上述公式，能夠獲得切片序列參數值，對數據進行解調處理。

在最終節點的輸出端，能夠獲取最終的輸出信號G(t)，假設其在壓縮感知時觀測矩陣中的觀測系數為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，m表示的是輸出節點的數量參數。經過優化計算，能夠以yi為參數，實現壓縮數據的原始信號重建，提高數據重構的成功率。

1.4 建立壓縮感知的數據采集框架

在實現數據重構的基礎上，本文建立了壓縮感知的數據采集框架。假設壓縮感知的數據觀測矩陣為?，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。使用壓縮感知進行數據采集的具體方法如下：

（1）設置一個初始數據節點，該節點在移動終端中進行初始數據采集，將這些數據與矩陣元素ai1相乘，能夠得到一個參數ai1q1；

（2）將前一節點中，將計算得到的參數ai1q1向下一節點發送，在次級數據采集節點中，也同樣進行步驟一類似的計算操作，就得到了參數ai1q1+ai2q2；

（3）將數據繼續進行傳輸，到下一級節點繼續進行同樣的步驟，以此類推，直到每一個數據采集節點都有自己的數據參數，且與觀測矩陣對應；

通過循環上述操作，在終極節點中，能夠獲得收集的所有數據的加權參數，也就是說，在每進行一次數據采集的過程中，都進行了一次數據壓縮。每一個數據采集周期內，節點的數據量變化會產生一定的累計誤差，因此，需要在數據采集的過程中，周期性地監測每一個數據傳輸節點的階梯變化。

2 仿真實驗

為了提高數據采集的效率，降低數據采集的能量消耗，本文在壓縮感知理論的基礎上，設計了針對移動終端的數據實時采集方法。為了驗證該方法的有效性，進行實驗論證，由于實際數據采集流程較為復雜，因此本文采用計算機模擬的方法進行仿真實驗。

2.1 實驗準備

本文使用的計算機硬件為實驗室原有的PC機，該機的CPU 配置為Intel Core i5-4590，刷新頻率為8GHz，該主機系統為64 位Windows7，內存容量8GB，能夠滿足數據采集模擬的硬件需求。

基于本文設計的實時采集方法，對模擬的移動端數據進行隨機采集，為降低模型的處理難度，本文選取理想稀疏度的數據作為原始信號。同時，為了保證實驗的嚴謹性，本文分別使用傳統壓縮采樣方法以及本文設計的隨機采樣方法進行實驗，記錄兩種方法的實驗數據以及仿真實驗結果。

2.2 實驗結果分析

設數據采集周期為5min，根據上述仿真實驗設置，本文對比兩種數據采集方法的數據傳輸效率，記錄了兩種方法不同采集周期的數據傳輸量，單位周期內傳輸的數據量越大，說明數據采集的效率越高。具體實驗結果如表1 所示：

表1 兩種方法的數據傳輸量對比Tab.1 Comparison of the data transmission volume of the two methods

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

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

圖2 兩種方法數據采集能耗對比圖Fig.2 Comparison of energy consumption for data collection by two methods

由圖2 可知，在數據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，而本文設計方法的能耗情況明顯優于傳統方法。傳統方法能耗增長幾乎呈直線趨勢。而對比傳統方法，本文設計的數據采集方法，隨著數據類型數量的增多，能耗是緩慢增長的，增長量較小，說明該方法在減小數據處理能耗，提高網絡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果可知，本文設計的數據采集方法無論是在數據傳輸效率還是在能量消耗方面均具有明顯的優勢，充分驗證了該方法的應用價值。這是因為本文方法在數據采集之前，通過稀疏表示原始數據，提高了數據采集效率；并通過建立隨機路由優化壓縮感知的數據觀測矩陣，降低了數據采集失誤率，避免由于數據采集失誤導致的數據重復采集，降低了數據采集能耗。

3 結語

為了提高數據采集的效率，降低數據采集的能量消耗，本文在研究壓縮感知理論的基礎上，設計了針對移動終端的數據實時采集方法。實驗結果表明，該方法數據采集效率高，較傳統的數據采集方法耗能更低，對提高網絡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據實時采集方法的發展提供理論依據。

引用

[1] 楊杉,譚博,郭靜波.基于壓縮感知的新一代能源互聯網的數據采集方法[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MRI重建[J].軟件工程,2022,25(7):33-36+32.

[3] 周桂平,李石強,于華楠,等.基于壓縮感知的電力擾動數據采集與分類方法[J].吉林大學學報(信息科學版),2021,39(6):637-646.