基于压缩学习的空气质量监测传感器网络弹性信息管理的研究

城市空气质量是目前全世界各国都在密切关注的问题，利用传感器对大面积区域进行空气质量监控需要高效的信息管理技术。近年来，压缩感知因其优异的压缩性能成为信息融合的有力工具，进而应用于传感器网络的信息管理。然而，通过对我国大中型城市污染特点和需求的分析，我们发现，单纯的压缩感知无法满足空气质量监控的要求，提供信息管理效率的关键在于压缩感知的同时进行数据挖掘，即压缩学习。为此本项目提出了基于稀疏多核学习的分布式压缩学习算法以实现高效的数据压缩和知识发现，以及基于弹性计算技术的按需实时资源供给模型以提高大气污染传感器网络的监控效率、实时性及准确性。本项目融合了传感器网络、机器学习，最优化技术等多学科交叉技术与知识，无论是从传感器网络理论研究角度，还是从我国环境保护的实际应用角度来看，本项目都有重要的理论意义和广泛的应用前景。

城市空气质量是目前全世界各国都在密切关注的问题，利用传感器对大面积区域进行空气质量监控需要高效的信息管理技术。本项目将压缩学习和弹性计算技术应用到大气污染监控的信息管理中，取得了一些有意义的成果。我们提出了大规模空气质量监控传感器网络信息管理的模型，设计了基于压缩学习的传感器节点的采样方法，解决了大规模监控环境中传感器网络按需资源供给问题，给出了声誉机制下的传感器数据质量的保障方法，分析了移动传感器网络的数据传输性能，设计了多信号采样的传感器节点的硬件电路，提供了大气污染监控及信息管理的软件程序。本项目的系列成果为大规模传感器网络的信息管理技术提供了新思路，在大规模数据及信息管理方面有重要的应用前景。