智能化信号信息处理技术的发展与展望

王薇

摘要： 随着智能化领域的迅猛发展，目前信号信息处理技术已经广泛应用到通信系统中，智能化技术在通信系统射频前端起着发射和接收电磁波的重要作用，研究相应的智能化信号信息处理技术尤为重要。现如今，信息信号不仅需要覆盖LTE工作频带，还要兼容其他频段。除此之外，设计中还要兼顾消费者所期待的低剖面、轻重量、多频段等性能需求，这些要求都给智能化信号信息处理带来巨大挑战。

关键词：智能化；信号信息处理；无线通讯

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）36-0057-02

智能化信号信息处理技术开始于上世纪九十年代，是一种新兴的信息处理技术并且发展势头很迅猛，引起了国内外的科研工作者广泛的关注并做了大量的工作。智能化信号信息处理是由分布在监测区的大量节点组成，每个节点采集周围环境的物理量并进行处理和传输，采集的信息最终达到中端观察者，实施对监测区进行数据采集和监测，可探测的物理量有温度、湿度、光照强度、压力、移动物体的速度、方向、体积大小等物理量。利用它的节点部署简单、抗毁性强、组网快等特点智能化信号信息处理被广泛应用在在军事国防，医疗救护，地震预警，建筑振动，交通运输等领域。

1 智能化信号信息处理技术的发展历程

1978 年 WSN 起源于美国军方的需求，20 世纪 90 年代各国陆续也启动 WSN 项目的研究。由于 WSN 要应用在不同的应用背景下，单一的路由协议不能满足应用的需求，路由协议可分为平面路由和分簇路由协议，他们各有各的特点。我们着重说分簇路由协议，在分簇协议中，WSN 一般由传感器节点、汇聚节点和管理节点组成，大量的廉价的传感器节点通过智能化通信的方式自组织的形成一个多跳的网络系统，传感器节点把采集到的信息进行处理传送给汇聚节点，然后汇聚节点通过特定的网络传给观察节点。

网络的形成主要的作用就是数据收集和传送，网络数据的传输离不开路由协议，WSN 的基础和关键技术也是路由协议，传感器节点的能量主要消耗在智能化通信中，所以网络层路由协议设计的好坏对网络的能耗、数据处理效率和网络寿命周期起着重要作用。目前很多研究机构对 WSN 通信协议展开研究，很多种路由协议被提出，如Flooding、Gossiping等一系列平面路由协议以及 LEACH、LEACH-C等一系列层次路由协议。

数据融合技术也叫信息融合，也就是对节点接受的信息进行融合，能明显减少网络要传输的信息，以降低网络能耗，网内压缩技術是一种有效提高网络数据处理效率和降低网络能耗的方法，然而现有的数据压缩技术如分布式变换编码，和分布式信源编码等，都有编码复杂，解码简单的特点，无法满足 WSN 节点能源受限的特点。

自从 2006 年，Candés、Romberg 和 Tao 等人提出压缩感知理论，CS 就吸引各国的专家和学者的关注，是压缩采样的新的发展。该理论认为只要对可压缩的信号进行少量随机投影就可以恢复绝大部分信号，突破了传统的香农采样定理：要恢复原信号，采样频率必须高于被采样信号最高频率的二倍。CS 是将采样和压缩同时进行，还将编码端的复杂度转移到解码端，使得符合 WSN 的特点编码端实现很简单。CS 用于在 WSN还仅限于简单的数据收集中，加上 CS 也是新兴的数据获取理论，也在快速的发展中，还存在许多的问题等待完善，所以其有很大的实际应用价值和学术意义。

目前 CS 主要采用感知数据内部相关结构进行压缩解码的，而 WSN 中节点分布密集并且节点能量有限，我们要充分利用节点采集信号的内部相关性和信号间的相关性结构特点设计特殊方法和技术，由此产生了分布式压缩感知处理技术。

2 智能化信号信息处理技术的展望

2.1 数据融合技术在智能化信号信息处理中的应用

数据融合在国内外研究的一个热题，它是交叉性极强的学科，与当今很多新的研究方向都有交叉，并融会这些方向的最新的研究成果。数据融合就是对数据或信号进行处理、控制和决策得到更高效、更满足用户需要的数据的一体化过程。信号信息处理融合也叫多传感融合，通过对空间分布的节点信息，以及各种采样，对目标进行检测、跟踪、关联和综合等处理以更高概率、精度和置信度得到原始数据以及完整及时的状态评估，提供决策信息。能支撑融合技术持续发展的主要因为数据融合有以下重要作用：

能量节省。在 WSN 中部署大量冗余节点一保证网络精度，因此产生很多节点采集的数据相似度很高，如果把所有节点采集的数据直接传送到 SINK 节点，会造成大量的数据冗余，消耗大量网络能量，并不能提高数据恢复精度，用数据融合处理这些数据就可以去除大量的冗余数据并节省网络能量。目前很多学者提出了 WSN 的数据融合算法，例如 D-S 算法和贝叶斯算法，贝叶斯算法是重要的对不确定性问题处理的数据融合算法，已广泛运用到数据融合系统中了，但此算法融合的精确度不高。

数据融合大致可以分为以下三类：

1）像素级融合，也是直接的融合原始数据，属于低层的数据融合，以像素为单位的传感器节点的原始数据进行融合，然后用于中央级融合中。

2）特征级融合，对每个观测数据提取特征向量，实际就是压缩数据的过程，然后把特征向量融合起来，一次来身份判定。

3）决策级融合，在决策级融合中每个节点独立处理自己采集的信息，然后节点汇聚到一个点并将来自所有传感器节点的数据进行融合决策。

2.2 压缩感知在智能化信号信息处理中的应用

自从 2004 年，Candés、Romberg 和 Tao 等人提出压缩感知理论，正式成为独立的理论，短短十年间压缩感知理论给信号处理带来巨大的变化，此理论最早运用在研究核磁共振成像问题上，后来被运用到智能化信号信息处理、工程数学以及图像处理等多个学科，目前 CS 发展很迅猛，以美国为首，各国的著名大学都开始 CS 理论相关应用的研究。信号可以压缩的前提是信号是可以稀疏的，这样可以使信号的采样和压缩同时进行，通过测量矩阵把高维信号投影到低维信号，这样减少了信号传输的量，减少了网络能量和解决了信号传输的拥挤，然后从低维的信号通过重构算法重构高维的源信号，并且比传统定理更精确的重构。

Candés、Romberg 和 Tao 等人得出一重要的结论：当 CS 模型中的测量矩阵为部分傅里叶矩阵是，可以对原信号精确重构，也就是可以用低维信号精确重构高维信号，经过学者对测量矩阵的研究，很多测量矩阵被提出，这些测量矩阵大致可分为三类：1）贝努利随机矩阵和高斯随机矩阵等，这类矩阵独立服从某一分布，随机性能好，重构是所需测量数小，但在重构时复杂，运算量大。2）部分傅里叶矩阵和哈达玛矩阵，这类存在一些缺点，例如哈达玛矩阵的维数 N 必须是 2 的 a 次方，傅里叶矩阵仅与时域信号或者频域稀疏的信号不相关。3）根据某些特定信号专门设计的测量矩阵，这种信号普适性很低，例如二进制稀疏矩阵、循环矩阵等。CS 另一个核心就是重构算法，常用的主要有凸优化算法、贪婪算法、非凸优化算法和组合算法。

分布式压缩感知理论在 CS 的基础上发展起来的但不同于 CS 理论，它主要可以在同时对信号的外部和内部的相关性进行有效的利用。Slepain 和 Wolf 提出了分布式信源编码，他们指出信号在无损压缩的条件下，联合编码和独立编码同样有效的，信源编码是DCS 的基础。随后 Ziv 和 Wyner 又详细证明出在有损情况下的正确性。DSC 理论得出，在发射端不论信源是否联合编码，接收端都可以用联合解码得到等效的结果。分布式压缩感知系统是在 CS 和 DSC 理论结合的新领域，D.Baron 在 2005 年第一次给出了 DCS 基本的理论概念。运用 DCS，先在编码端对信源进行独立测量，然后采集信源的相关特征值，最后选择合适的联合重构算法，对信源信号恢复。

3 结语

智能化信号信息处理技术有自身的特点也有缺陷，如节点能量有限、易受环境影响和对数据处理能力有限。首先，网络中节点会产生远大于自身处理能力的数据，融合会造成网络的堵塞和数据的丢失；其次，就是能量有限，很难进行能量补充，因此如何降低能耗，延长网络存活时间就成为 WSN 领域中的一个热门问题，分簇路由协议和提高节点的信息处理能力是解决这个问题的有效方法。针对这些问题最近兴起的智能分簇和壓缩感知理论提供了很好的解决办法。

参考文献：

[1] 张树群.智能信息处理技术的应用及前景分析[J].科技资讯，2011（23）：56-57.

[2] 马少平.发挥技术优势——抢占智能信息处理前沿[J].科技成果纵横，2004（3）：168.

[3] 郭庆琳，樊孝忠.关于智能信息处理技术的研究[J].微计算机应用，2003（4）：21-23.

[4] 徐汀荣，曹顺良.智能信息处理系统的信息呈现技术[J].微电子学与计算机，2001（1）：240-241.