基于压缩感知的移动终端数据实时采集方法

2023-02-19深圳供电局有限公司毛雯新

数字技术与应用 2023年1期

深圳供电局有限公司毛雯新

当需要采集的原始数据量较大时，数据处理效率较低，且数据采集中会产生较大的能耗，为此提出基于压缩感知的移动终端数据实时采集方法。稀疏表示原始数据，以实现低采样率条件下的高效率数据采集；通过建立随机路由，优化压缩感知的数据观测矩阵，降低数据采集失误率；使用AIC 算法精确重构数据，建立基于压缩感知的数据采集框架，周期性采集数据，实现移动终端数据的实时采集。实验结果表明，该方法的数据采集效率较高，且较数据采集方法的能耗更低。

当前，无线通信网络技术飞速发展，技术的变革带来的是网络规模的进一步扩大，移动终端的出现，更是使网络数据量膨胀式增长[1]。在处理网络数据的过程中，需要通过移动终端收集数据，并将数据进行传输，经过Web 服务器处理后，用户才能够得到服务器反馈的与所需信息相关的数据[2]。然而，传统的移动终端数据采集方法存在局限性[3]，当采集的原始数据量较大时，使得数据处理效率极低，这就导致数据采集过程需要消耗更多的能量。为此，本文在压缩感知理论的基础上，针对移动终端，研究一种数据实时采集方法。

本文设计了基于压缩感知的数据实时采集方法，将数据进行稀疏表示，以实现低采样率情况下的高效率数据采集；同时，为了降低数据采集误差，建立随机路由，优化压缩感知的数据观测矩阵；使用AIC 算法精确重构数据；建立了压缩感知的数据采集框架，周期性地采集数据，实现移动终端数据的实时采集。最后进行实验论证，对比了本文设计的采集方法与传统的采集方法，实验结果表明，该方法数据采集效率高，较传统的数据采集方法耗能更低，对提高网络资源利用效率具有明显的实际意义。

1 数据实时采集方法设计

1.1 移动终端网络数据稀疏表示

使用压缩感知方法实现数据的实时采集，首先需要将数据进行稀疏表示，以实现低采样率情况下的高效率数据采集。对此，本文使用K-SVD 算法估计移动终端互联网数据的稀疏度。

假设移动终端互联网数据的稀疏度为x，对于无线网络数据的传感节点来说，每过一个t时长的周期，便采集一次数据。在压缩数据的过程中，x的参数值越大，那么后期重构数据所耗费的能量就越多，但x的参数值过小，又会影响数据采集效率。对此，需要对x进行动态估计，以不断实现数据采集的动态调整。

K-SVD 算法具有自适应特性，在动态估计数据稀疏度方面具有明显的计算优势，根据压缩感知理论，使用S-阶稀疏来定量地表示信号稀疏的程度，假设信号的稀疏度系数为q，那么数据稀疏表示模型可以用公式（1）表示为：

式（1）中，D表示的是字典集合，其满足α表示的是信号参数；s表示的是中线性系数。

基于这一模型，可以在周期性采集的数据信息中抽取部分样本，需要注意的是，抽取采用的是随机的方式，需要保证样本的多样性。那么对于该模型的标准化处理如公式（2）所示：

式（2）中，i表示的是移动终端数据；di表示的是移动终端数据维度。

在进行初始化处理之后，为减少数据误差，还需要对字典进行更新，以不断优化，最终形成自适应的稀疏字典D。

1.2 数据观测矩阵构建

在数据采集的过程中，需要保证数据能够完全重构，避免数据采集出现失误。同时，还需要保证数据采集的传输效率，降低能量消耗。为此，构建数据观测矩阵，并对其进行优化。本文通过随机路由对稀疏表示后的数据观测矩阵进行优化。具体流程如图1 所示。

图1 数据观测矩阵优化流程图Fig.1 Flow chart of data observation matrix optimization

如图1 所示，假设移动终端网络传输的过程中，进行数据采集的节点的数量为n，为保证数据压缩感知的过程中，尽量减少能量损耗，本文增加了一个聚集节点K，该节点位于整个数据采集节点矩阵的外侧。在此基础上，将各节点按距离K点的远近，从前到后进行排列编号。也就是说，该数据节点矩阵中，首个节点为1，下一节点为2，以此类推，尾节点为

在确定好节点编号后，就可以随机生成数据传输路由。首先，随机选择一个初始节点作为数据传输的起始点，根据数据路由的概率参数，生成随机路径。

在优化数据感知观测矩阵的过程中，假设一共随机产生了m个数据传输路由，将数据传输至聚集节点，计算相应的观测参数，并对矩阵进行更新优化。

1.3 使用AIC 算法重构数据

在优化了压缩感知的数据观测矩阵后，能够将数据进行压缩传输，然后将数据进行恢复重构，本文使用AIC 算法来恢复重构数据。

假设信号传输的节点的数量参数为N，经过稀疏表示处理，能够得到相应的离散稀疏参数，对数据进行采样。在压缩感知的数据采集框架内，假设每个节点数据采集的周期为t，那么节点的输入信号可以表示为xi(t)，经过随机路由会产生不同的随机序列，假设该序列参数为zi(t)，其计算公式如式（3）所示：

式（3）中，ei(t)表示的是该序列内的积分参数，通过上述公式，能够获得切片序列参数值，对数据进行解调处理。

在最终节点的输出端，能够获取最终的输出信号G(t)，假设其在压缩感知时观测矩阵中的观测系数为yi，那么其计算公式如式（4）所示：

式（4）中，h表示的是卷积函数，m表示的是输出节点的数量参数。经过优化计算，能够以yi为参数，实现压缩数据的原始信号重建，提高数据重构的成功率。

1.4 建立压缩感知的数据采集框架

在实现数据重构的基础上，本文建立了压缩感知的数据采集框架。假设压缩感知的数据观测矩阵为∂，该矩阵中的元素表示为aij，且满足条件i=1,2,…,n、j=1,2,…,n、n≻ 0。使用压缩感知进行数据采集的具体方法如下：

（1）设置一个初始数据节点，该节点在移动终端中进行初始数据采集，将这些数据与矩阵元素ai1相乘，能够得到一个参数ai1q1；

（2）将前一节点中，将计算得到的参数ai1q1向下一节点发送，在次级数据采集节点中，也同样进行步骤一类似的计算操作，就得到了参数ai1q1+ai2q2；

（3）将数据继续进行传输，到下一级节点继续进行同样的步骤，以此类推，直到每一个数据采集节点都有自己的数据参数，且与观测矩阵对应；

通过循环上述操作，在终极节点中，能够获得收集的所有数据的加权参数，也就是说，在每进行一次数据采集的过程中，都进行了一次数据压缩。每一个数据采集周期内，节点的数据量变化会产生一定的累计误差，因此，需要在数据采集的过程中，周期性地监测每一个数据传输节点的阶梯变化。

2 仿真实验

为了提高数据采集的效率，降低数据采集的能量消耗，本文在压缩感知理论的基础上，设计了针对移动终端的数据实时采集方法。为了验证该方法的有效性，进行实验论证，由于实际数据采集流程较为复杂，因此本文采用计算机模拟的方法进行仿真实验。

2.1 实验准备

本文使用的计算机硬件为实验室原有的PC机，该机的CPU 配置为Intel Core i5-4590，刷新频率为8GHz，该主机系统为64 位Windows7，内存容量8GB，能够满足数据采集模拟的硬件需求。

基于本文设计的实时采集方法，对模拟的移动端数据进行随机采集，为降低模型的处理难度，本文选取理想稀疏度的数据作为原始信号。同时，为了保证实验的严谨性，本文分别使用传统压缩采样方法以及本文设计的随机采样方法进行实验，记录两种方法的实验数据以及仿真实验结果。

2.2 实验结果分析

设数据采集周期为5min，根据上述仿真实验设置，本文对比两种数据采集方法的数据传输效率，记录了两种方法不同采集周期的数据传输量，单位周期内传输的数据量越大，说明数据采集的效率越高。具体实验结果如表1 所示：

表1 两种方法的数据传输量对比Tab.1 Comparison of the data transmission volume of the two methods

如表1 所示，本文设计的数据采集方法，随着传输时间的延长，数据传输量明显高于传统的数据采集方法。对比平均数据传输量可以看出，前期两种方法差别不大，本文设计方法的效率优势并不是很明显。然而随着传输周期的增加，传统数据采集方法明显在数据采集效率方面劣于本文设计的数据采集方法，使得输出的平均传输量不断降低。而本文设计的数据采集方法明显更加稳定，数据采集效率更高，能够在不断增加的数据传输周期的情况下，保持稳定的数据输出，数据采集的效果更好。

为验证本文设计数据采集方法在节约能耗方面的有效性，本文对比了两种数据采集的能耗结果，在此，本文设计传输多种类型的移动数据，记录了不同数据类型下两种方法的能耗参数，绘制成了曲线图，具体结果如图2 所示。

图2 两种方法数据采集能耗对比图Fig.2 Comparison of energy consumption for data collection by two methods

由图2 可知，在数据采集类型不断增加的情况下，两种方法的能耗都是不断增加的，而本文设计方法的能耗情况明显优于传统方法。传统方法能耗增长几乎呈直线趋势。而对比传统方法，本文设计的数据采集方法，随着数据类型数量的增多，能耗是缓慢增长的，增长量较小，说明该方法在减小数据处理能耗，提高网络资源利用率方面具有明显的实际意义。

综合分析上述实验结果可知，本文设计的数据采集方法无论是在数据传输效率还是在能量消耗方面均具有明显的优势，充分验证了该方法的应用价值。这是因为本文方法在数据采集之前，通过稀疏表示原始数据，提高了数据采集效率；并通过建立随机路由优化压缩感知的数据观测矩阵，降低了数据采集失误率，避免由于数据采集失误导致的数据重复采集，降低了数据采集能耗。