摘要：在分析物聯(lián)網(wǎng)感知層數(shù)據(jù)傳輸特點(diǎn)的基礎(chǔ)上，結(jié)合壓縮感知理論提出了3種感知層數(shù)據(jù)采集與傳輸方案，給出了壓縮感知理論的框架，并對(duì)提出的數(shù)據(jù)壓縮方案、隨機(jī)采樣方案、半張量模型采集方案進(jìn)行了可行性分析，詳細(xì)探討了3種方案各自適用的應(yīng)用場(chǎng)合，為物聯(lián)網(wǎng)感知層高質(zhì)量、高速率數(shù)據(jù)采集與傳輸提供了可借鑒的方法。

關(guān)鍵詞：壓縮感知;物聯(lián)網(wǎng);數(shù)據(jù)采集方案

0 引言

物聯(lián)網(wǎng)作為新一代信息技術(shù)的重要組成部分，已在零售、交通、農(nóng)業(yè)、智能家居、智慧城市、供應(yīng)鏈、應(yīng)急、醫(yī)療、環(huán)境和能源等領(lǐng)域得到了廣泛應(yīng)用。如果說(shuō)互聯(lián)網(wǎng)打破了空間的限制，建立了人與人之間的溝通橋梁，那么物聯(lián)網(wǎng)則建立起了物與物、人與物之間聯(lián)系的橋梁。物聯(lián)網(wǎng)架構(gòu)分為3層：感知層、傳輸層、應(yīng)用層。無(wú)線傳感器網(wǎng)絡(luò)作為物聯(lián)網(wǎng)感知層的重要組成部分，是物聯(lián)網(wǎng)系統(tǒng)數(shù)據(jù)的來(lái)源。物聯(lián)網(wǎng)海量數(shù)據(jù)的采集、處理、傳輸都是由感知層的傳感器節(jié)點(diǎn)完成的。

1 物聯(lián)網(wǎng)感知層數(shù)據(jù)傳輸特點(diǎn)

無(wú)線傳感器節(jié)點(diǎn)作為物聯(lián)網(wǎng)數(shù)據(jù)的直接來(lái)源，需要采集大量數(shù)據(jù)并實(shí)時(shí)進(jìn)行傳輸。物聯(lián)網(wǎng)感知層數(shù)據(jù)傳輸?shù)奶攸c(diǎn)：（1）數(shù)據(jù)類(lèi)型豐富，數(shù)據(jù)量大。物聯(lián)網(wǎng)感知的數(shù)據(jù)類(lèi)型豐富，不僅有如溫度、濕度、光照等標(biāo)量信息，更多的是音頻、圖像、視頻等大流量的多媒體數(shù)據(jù)。如何實(shí)現(xiàn)不同類(lèi)型數(shù)據(jù)的高速采集與傳輸是物聯(lián)網(wǎng)感知層面臨的主要問(wèn)題。（2）數(shù)據(jù)傳輸實(shí)時(shí)性要求高。物聯(lián)網(wǎng)應(yīng)用系統(tǒng)對(duì)數(shù)據(jù)實(shí)時(shí)性要求越來(lái)越高，5G技術(shù)在數(shù)據(jù)傳輸層為高速數(shù)據(jù)傳輸提供了有效支撐。感知層的數(shù)據(jù)采集與傳輸也直接決定了物聯(lián)網(wǎng)系統(tǒng)的數(shù)據(jù)傳輸效率。（3）感知層硬件資源有限。感知層傳感器節(jié)點(diǎn)體積較小且計(jì)算及存儲(chǔ)資源非常有限，通常采用電池供電。要完成物聯(lián)網(wǎng)應(yīng)用所需的海量數(shù)據(jù)的采集與傳輸，亟待解決的問(wèn)題是如何處理好傳感器節(jié)點(diǎn)有限的硬件資源與物聯(lián)網(wǎng)所需的大數(shù)據(jù)量采集與傳輸之間的矛盾。

基于以上特點(diǎn)，針對(duì)物聯(lián)網(wǎng)感知層的時(shí)間高效、資源高效、安全可靠的數(shù)據(jù)采集與傳輸方案是保證物聯(lián)網(wǎng)系統(tǒng)實(shí)時(shí)、可靠獲取數(shù)據(jù)的重要保障。

2 壓縮感知理論

壓縮感知理論[1]一經(jīng)提出就受到了學(xué)者的廣泛關(guān)注。壓縮感知理論打破了奈奎斯特采樣定理的限制，指出信號(hào)采樣不用以高速奈奎斯特頻率進(jìn)行采樣，而是將采樣與壓縮合并，實(shí)現(xiàn)數(shù)據(jù)的低速采樣。低速采樣得到的少量數(shù)據(jù)在網(wǎng)絡(luò)中進(jìn)行傳輸，高復(fù)雜度的重構(gòu)運(yùn)算在數(shù)據(jù)接收端完成。壓縮感知理論的出現(xiàn)，為物聯(lián)網(wǎng)感知層新型的數(shù)據(jù)采集與傳輸方案提供了理論基礎(chǔ)。

3 基于壓縮感知的數(shù)據(jù)采集方案分析

3.1? ? 數(shù)據(jù)壓縮方案[2]

傳感器節(jié)點(diǎn)在數(shù)據(jù)采集與處理的過(guò)程中，數(shù)據(jù)傳輸是能耗的主要來(lái)源。為有效利用物聯(lián)網(wǎng)感知層數(shù)據(jù)傳輸帶寬資源，降低數(shù)據(jù)傳輸引起的能耗，傳感器節(jié)點(diǎn)可通過(guò)數(shù)據(jù)壓縮來(lái)保證大流量數(shù)據(jù)在帶寬有限無(wú)線網(wǎng)絡(luò)上的實(shí)時(shí)、可靠傳輸。

壓縮感知理論指出，若信號(hào)具有稀疏性或在某個(gè)變換域內(nèi)具有稀疏性，就可以通過(guò)一個(gè)觀測(cè)矩陣實(shí)現(xiàn)信號(hào)的降維投影，得到少量的觀測(cè)值，從而實(shí)現(xiàn)信號(hào)的壓縮。觀測(cè)值中包含了重構(gòu)信號(hào)的全部信息，在重構(gòu)端選擇合適的重建算法便可實(shí)現(xiàn)原信號(hào)的重建。

在基于數(shù)據(jù)壓縮的采集方案中，傳感器節(jié)點(diǎn)需要完成的工作如下：首先節(jié)點(diǎn)的采樣部件對(duì)數(shù)據(jù)進(jìn)行基于奈奎斯特頻率的采樣，將采樣得到的數(shù)據(jù)與在節(jié)點(diǎn)上事先存儲(chǔ)的觀測(cè)矩陣進(jìn)行矩陣乘法運(yùn)算，該步驟即為數(shù)據(jù)壓縮過(guò)程。壓縮后的少量數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳輸至上層設(shè)備。解壓過(guò)程在應(yīng)用層進(jìn)行，應(yīng)用層需要利用完全相同的觀測(cè)矩陣對(duì)數(shù)據(jù)進(jìn)行壓縮感知重構(gòu)。

該方案的特點(diǎn)是數(shù)據(jù)壓縮過(guò)程是由壓縮感知線性觀測(cè)過(guò)程實(shí)現(xiàn)，信號(hào)的稀疏性越好，觀測(cè)過(guò)程得到的觀測(cè)值就越少，壓縮率就越高。

該方案主要適用于計(jì)算能力較強(qiáng)、存儲(chǔ)空間較大的傳感器節(jié)點(diǎn)，主要通過(guò)線性觀測(cè)實(shí)現(xiàn)數(shù)據(jù)的壓縮，可根據(jù)數(shù)據(jù)特點(diǎn)設(shè)計(jì)合理的觀測(cè)矩陣以獲得復(fù)雜度低、壓縮效果好的數(shù)據(jù)壓縮方法。

3.2? ? 隨機(jī)采樣方案

針對(duì)計(jì)算、存儲(chǔ)資源受限的傳感器節(jié)點(diǎn)而言，在節(jié)點(diǎn)內(nèi)部存儲(chǔ)觀測(cè)矩陣、完成高維矩陣乘法運(yùn)算并不現(xiàn)實(shí)。在此情況下，可直接在節(jié)點(diǎn)上對(duì)信號(hào)進(jìn)行低速隨機(jī)非均勻直接抽取，而非奈奎斯特采樣。這就意味著將信號(hào)的采樣與壓縮過(guò)程合二為一，在信號(hào)重構(gòu)端根據(jù)隨機(jī)抽取的時(shí)刻生成隨機(jī)采樣的等效觀測(cè)矩陣，對(duì)信號(hào)進(jìn)行重建。

基于壓縮感知理論，只要能夠產(chǎn)生合理的隨機(jī)采樣時(shí)序，利用時(shí)序控制采樣部件進(jìn)行低速隨機(jī)采樣，就可以在隨機(jī)采樣時(shí)保留信號(hào)的全部信息，從而實(shí)現(xiàn)重構(gòu)端的信號(hào)重建。要在節(jié)點(diǎn)上實(shí)現(xiàn)對(duì)信號(hào)的隨機(jī)采樣需要解決兩個(gè)核心問(wèn)題：產(chǎn)生合理的隨機(jī)采樣序列、構(gòu)建重建端所需的等效觀測(cè)矩陣。

要想在采集節(jié)點(diǎn)上實(shí)現(xiàn)對(duì)音頻信號(hào)的隨機(jī)采樣，關(guān)鍵在于設(shè)置信號(hào)隨機(jī)采樣的時(shí)序。生成隨機(jī)采樣序列的方法有兩種：第一種是簡(jiǎn)單隨機(jī)采樣，第二種是加性隨機(jī)采樣。

3.2.1? ? 簡(jiǎn)單隨機(jī)采樣

簡(jiǎn)單隨機(jī)采樣是指利用隨機(jī)數(shù)種子，隨機(jī)生成隨機(jī)數(shù)作為采樣時(shí)刻，采樣部件根據(jù)采樣時(shí)刻進(jìn)行采樣。簡(jiǎn)單隨機(jī)采樣的具體方法如下：首先，根據(jù)信號(hào)的特點(diǎn)對(duì)采樣時(shí)間窗長(zhǎng)度、平均采樣頻率進(jìn)行定義;然后，計(jì)算采樣時(shí)間窗內(nèi)需要采樣的點(diǎn)數(shù)，采樣點(diǎn)數(shù)由時(shí)間窗長(zhǎng)度和平均采樣頻率決定，設(shè)置隨機(jī)數(shù)發(fā)生器;最后，對(duì)隨機(jī)數(shù)進(jìn)行排序，排序后的結(jié)果才能作為采樣時(shí)刻。

該方法的優(yōu)勢(shì)在于，由隨機(jī)數(shù)形成的觀測(cè)矩陣觀測(cè)效果好、重構(gòu)質(zhì)量高，但隨機(jī)數(shù)發(fā)生器產(chǎn)生的隨機(jī)數(shù)必須經(jīng)過(guò)排序后才能作為采樣時(shí)刻進(jìn)而控制采樣部件。對(duì)大量隨機(jī)數(shù)的排序增加了節(jié)點(diǎn)的計(jì)算量。另外，完全隨機(jī)產(chǎn)生的隨機(jī)數(shù)作為采樣時(shí)刻會(huì)出現(xiàn)間隔難以控制的問(wèn)題，導(dǎo)致部分信號(hào)由于采樣間隔過(guò)大而難以保證重建質(zhì)量。

3.2.2? ? 加性隨機(jī)采樣[3]

加性隨機(jī)采樣的核心思想是：在保證采樣時(shí)刻隨機(jī)性的基礎(chǔ)上，下一個(gè)采樣時(shí)刻根據(jù)前一個(gè)采樣時(shí)刻值產(chǎn)生，即在上一個(gè)采樣時(shí)刻的基礎(chǔ)上加上一個(gè)合理的時(shí)間段，使之形成新的采樣時(shí)刻，最終構(gòu)成一個(gè)完整的采樣時(shí)刻序列。這樣就不需要對(duì)隨機(jī)數(shù)進(jìn)行排序，也避免了采樣間隔難以控制的問(wèn)題。

該方案特別適用于硬件資源有限的傳感器節(jié)點(diǎn)。其特點(diǎn)是節(jié)點(diǎn)計(jì)算極其簡(jiǎn)單，采樣后得到的數(shù)據(jù)量小，數(shù)據(jù)重構(gòu)端計(jì)算量較大。重構(gòu)數(shù)據(jù)的步驟如下：首先需要根據(jù)隨機(jī)數(shù)種子生成等效觀測(cè)矩陣，再利用匹配追蹤算法完成信號(hào)重建。

3.3? ? 半張量模型采集方案

在壓縮感知的線性觀測(cè)及數(shù)據(jù)重構(gòu)的過(guò)程中均涉及矩陣運(yùn)算。當(dāng)矩陣維數(shù)較大時(shí)，計(jì)算量也隨之增大。針對(duì)該問(wèn)題，謝冬等人[4]提出了基于矩陣的半張量積壓縮感知模型。該模型不僅保持了傳統(tǒng)矩陣乘法的優(yōu)良特性，而且突破了傳統(tǒng)矩陣乘法中兩個(gè)因子矩陣必須滿(mǎn)足維數(shù)匹配條件的限制。

半張量壓縮感知模型的優(yōu)勢(shì)在于：在保證重建質(zhì)量的前提下，可以大大降低觀測(cè)矩陣的維數(shù)。無(wú)論是所需的存儲(chǔ)空間，還是矩陣乘法運(yùn)算的計(jì)算量，都會(huì)隨著觀測(cè)矩陣維數(shù)的下降而大幅下降。

該方案特別適用于高維信號(hào)的處理，且不需要使測(cè)量矩陣A的列數(shù)等于被觀測(cè)信號(hào)X的行數(shù)，增加了靈活性。其是對(duì)壓縮感知理論的推廣，可以結(jié)合數(shù)據(jù)壓縮方案和隨機(jī)采樣方案在不同場(chǎng)合共同發(fā)揮作用。對(duì)于多媒體傳感器網(wǎng)絡(luò)非常適用，可以有效降低數(shù)據(jù)壓縮和重構(gòu)的計(jì)算量。

4 結(jié)語(yǔ)

本文針對(duì)物聯(lián)網(wǎng)感知層數(shù)據(jù)采集與傳輸?shù)奶攸c(diǎn)，基于壓縮感知理論提出了3種數(shù)據(jù)采集方案。3種方案各有優(yōu)勢(shì)，可在不同的應(yīng)用場(chǎng)合發(fā)揮作用。

[參考文獻(xiàn)]

[1] 石光明，劉丹華，高大化，等.壓縮感知理論及其研究進(jìn)展[J].電子學(xué)報(bào)，2009，37（5）：1070-1081.

[2] 彭慧，趙子愷，洪俊.基于壓縮感知的無(wú)線糧蟲(chóng)聲信號(hào)采集方案[J].農(nóng)機(jī)化研究，2014（5）：83-87.

[3] 彭慧，劉潤(rùn)琴，婁顏超.無(wú)線音頻傳感器網(wǎng)絡(luò)中低能耗數(shù)據(jù)采集方法研究[J].佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，33（5）：675-679.

[4] XIE D，PENG H P，LI L X，et al.Semi-tensor compressed sensing[J].Digital Signal Processing，2016，58：85-92.

收稿日期：2020-07-29

作者簡(jiǎn)介：彭慧（1987—），女，陜西榆林人，碩士研究生，講師，研究方向：壓縮感知、數(shù)據(jù)處理。