面向稀疏应用场景的无线传感器网络关键技术研究

To meet the ever-increasing demands of intelligent monitoring applications for wireless sensor networks, target localization, tracking and data collection are the fundamental operations, which are directly related to whether users can do effective judgment and processing of events occurring in the network monitoring environment. The application of recent emergency compressed sensing theory for sparse application scenarios in wireless sensor networks can further reduce the network energy consumption, and prolong the network life. In view of this, the project aims at the frontier problems of compressed sensing theory and wireless sensor networks, based on sparse targets scenarios of wireless sensor network, we will propose compressed sensing positioning model together with Bayesian compressive sensing positioning reconstruction algorithm. For moving target, we will carry some research on distributed particle filter tracking algorithm combined with compressed sensing. Based on convex optimization theory, the influence of sensor node deployment and management for target positioning and tracking results will be investigated further. To achieve the purpose of high precision positioning using only a few of data collection, we also study the application of the low rank matrix completion theory in the localization of sensor nodes. At last, we will propose new and energy efficient data collection algorithms for wireless sensor networks based on compressed sensing, and take some energy efficiency and complexity analysis. For the study, we will verify the proposed algorithms by simulation, and prototype machine will be designed for further field testing.

定位、跟踪以及数据收集是无线传感器网络中最重要的操作，它直接关系到用户能否对网络监测环境中发生的事件进行有效的判断和处理，实现监测应用的智能化。针对定位、跟踪等稀疏应用场景，将近年来兴起的压缩感知理论应用于无线传感器网络，能进一步减少网络能量消耗，延长网络生命。课题瞄准压缩感知理论及无线传感器网络发展的前沿关键性问题，研究如何建立面向稀疏目标场景的压缩感知定位模型，设计高精度贝叶斯压缩感知定位重构算法；对移动目标，研究并提出结合压缩感知的分布式粒子滤波跟踪算法；应用凸优化理论研究传感器节点部署和管理对目标定位和跟踪结果的影响；研究低秩矩阵填充理论在无线传感器网络节点定位中的应用，实现使用少量的数据采集达到高精度节点定位的目的；提出新的基于压缩感知的无线传感器网络高效节能数据收集算法，并进行能效和复杂度分析。对于研究结果，将搭建算法仿真平台进行验证，并进一步设计实验样机，进行现场测试。

课题旨在借助压缩感知理论解决无线传感器网络定位及跟踪应用中亟待解决的网络能耗高，网络续航能力有限等难题。为解决上述难题，针对无线传感器网络中稀疏目标场景，建立新的基于压缩感知的稀疏信号估计框架，通过MMSE估计器均方误差下界理论建模，实现传感器选择的最优决策；为有效重建网络拓扑结构，提高节点定位效率，课题在研究中充分挖掘欧式距离矩阵所隐含的低维几何结构内元素间关联，将基于非完全欧式距离矩阵的定位问题等效为线性等式约束下的低秩矩阵恢复问题，并在此基础上提出基于贝叶斯学习的矩阵填充方法，通过多维尺度分析获取节点相对位置，同时结合锚节点坐标信息，精确捕获未知节点坐标；考虑到现有研究通常将无设备定位问题转化为图像信号处理中的分类问题，面临图像重构精度和系统鲁棒性难以平衡的难题，本课题提出一种以网络定位关键参数作为优化目标罚函数的泛化阈值优化方法，在网络定位参数更新的同时测量目标稀疏性，实现重构精度和系统鲁棒性的良好折中；针对传统基于接收信号强度定位方法中稀疏重构复杂度高的问题，提出基于数据降维的泛化迭代阈值优化方法，所提方法利用降维数据构造欠定优化模型，通过稀疏重构方法设计，提升目标位置预测精度。除了上述研究，课题还从理论层面重点研究稀疏重构中测量次数有限时的秩亏情况，提出一种基于最小子空间距离的迭代优化算法来有效降低稀疏重构的运算复杂度。在研究分布式压缩感知时，放宽了对分布式压缩感知中信号结构的严格约束，仅假设稀疏向量间相互依赖，而且这种依赖关系未知，以此为假设前提，提出了基于注意力机制的稀疏信号稀疏结构挖掘方案，该方案能明显提高严重噪声污染情况下的信号恢复性能。课题研究符合我国关于电子信息产业发展的战略需求，对于丰富和发展无线传感器网络应用基础理论、推进其实用化进程有重要作用。