基于压缩感知的分布式无线网络研究

The classic Nyquist sampling theory requires that the sampling rate is at least two times the highest frequency of the signal. For distributed wireless networks that have many interactions among nodes, this principle causes large amount of data that required to be processed at each node, which increases the device hardware costs and energy consumptions. Based on statistical analysis, most communication signals are proved to be sparse. The theory of compressed sensing states that for a sparse signal, it can be reliably represented by a small number of its linear observations. This fact significantly reduces the amount of data processed at each node without compromising the performance. For distributed wireless networks, this project mainly investigates: (1) transmission models and system optimization methods of the networks based on compressed sensing; (2) reconstruction methods at the receivers and their theoretical performance; (3) compressed sensing methods when considering fading channels. With the properties of distributed wireless networks, this project aims at creating transmission models of the networks based on compressed sensing, proposing reconstruction methods to fully exploit the signal features, solving related theoretical problems of the optimization methods, which provide theoretic basis and scheme support for the distributed wireless networks based on compressed sensing, and make contributions in reducing the costs and energy consumptions in the network.

经典的奈奎斯特采样定理要求采样速率至少是信号最高频率的两倍，这对于具有大量节点间交互的分布式无线网络而言，造成节点处理的数据量过高，增加了设备硬件成本和能耗。经统计分析，通信信号大都属于稀疏信号。由压缩感知理论可知，稀疏信号只需少数线性观测值即可可靠表征原始信息，从而在不影响网络性能的前提下大幅降低各节点处理的数据量。针对分布式无线网络，本项目主要研究：（1）基于压缩感知的网络传输模型及系统优化方法；（2）接收端重建方法及其理论性能；（3）衰落信道条件下的压缩感知方法。本项目旨在根据分布式无线网络特性，建立基于压缩感知的网络传输模型，提出充分利用信号特征的重建方法，解决相关优化方法的理论问题，为基于压缩感知的分布式无线网络研究提供理论基础与方案支持，为降低网络成本和能耗做出贡献。

项目组深入研究基于压缩感知的分布式无线网络，提出了压缩信号处理方法，推导了相关的理论性能，包括：基于压缩感知的网络传输模型及系统优化方法、接收端信号重建方法及理论性能分析、衰落信道中压缩感知方法。.在网络传输模型及系统优化方面，首先，针对协作译码中继的分布式系统，提出了基于压缩感知的发送端编码、中继端转发以及接收端译码方案，推导出不同方案的系统可达速率。其次，针对放大中继系统的压缩协作机制，根据所使用的不同测量矩阵设计了相应的优化译码策略，推导出系统可达速率。随后，针对认知网络中多个从用户协助中继主用户信号的情况，设计了相应的传输策略并推导了网络中断容量。最后，针对采用压缩感知的发送端，提出了基于Toeplitz结构的分段模拟信息转换器（AIC, Analog-to-Information Converter）和对角调制宽带转换器，从模拟信号获得低维数字采样，并实现了典型AIC采样结构的硬件平台。.在信号重建方法及理论性能分析方面，首先，在存在多个量化转发中继的分布式系统中，提出发送端和中继端的编码方案，并利用信号在编码域和采样域的分集提出两种联合译码方案。其次，基于单比特量化机制，提出适用于多节点网络的分布式压缩感知方案，有效降低了每个分布式节点的传输数据量。另外，基于稀疏信号的先验信息，包括非零位置的非零概率和特殊稀疏结构，提出了多种压缩感知重建算法。最后，针对压缩感知传输系统同时受到密集噪声和稀疏噪声影响时，推导得到了重建支撑集合的理论性能。.在衰落信道中压缩感知方法研究方面，将衰落对系统传输的影响建模为扰动压缩感知，并针对完全稀疏信号和强衰落信号，基于有限等距性质推导了联合正交匹配追踪算法的重建性能。另外，针对慢时变衰落信道中的压缩感知数据传输过程进行优化设计。通过将衰落信道的影响建模为测量矩阵的扰动，在接收端使用压缩感知扰动重建算法和半盲信道估计技术，构建出一种有效而可靠的数据重建和信道重建结构。.项目所提出的信号处理方法均有理论或仿真支撑，具有良好的性能，为压缩感知在分布式无线网络的应用做出了一定的贡献。项目组共发表/录用SCI检索论文7篇、EI论文9篇；申请专利3项；出席国际学术会议做分组报告5次；培养博士硕士共12人。本项目圆满完成了预定目标。