本文提出了一种分布式压缩检测的理论，利用传感器节点数据的相关性，可以将单个信号的压缩采样扩展为一组信号的压缩采样，从而可以完成信号的压缩。无线传感器网络重建数据，减少节点通信开销并减少整个网络。
源消耗。合了传感器技术，集成计算机技术，分布式信息处理技术和通信技术的无线传感器网络（WSN）是具有多个跃点的自组织网络。感器节点的目的是收集和处理被监视对象的数据，并将收集到的相关数据传输给网络观察者。而，通过发送和接收这些数据消息所消耗的能量给能量有限的网络节点施加了压力，因此无线传感器网络的研究重点之一就是如何减少能源消耗。中，减少网络数据传输量是减少功耗的方法之一，通过压缩进行数据传输也是必不可少的。统的数据压缩使用联合编码方法，该方法不同于分布式源编码，并且需要节点之间相互通信以交换信息，这导致传感器额外的能量损失。虑到压缩检测具有较高的压缩率结合分布式源编码，提出了一种分布式压缩检测的理论。用传感器节点的数据相关性，将单个信号的压缩采样扩展为一组信号的压缩采样，从而可以实现无线网络数据的重构并减少节点。信开销减少了整个网络的能耗。国科学家Tao等人提出的压缩压缩（CS）。[1] 2004年是一种新型的信息收集理论。果信号满足某些条件，则可以获得低比特率的采集和信号数据的压缩[2-4]。国科学家Baron [5]提出的分布式压缩检测（DCS）概念在分布式源编码的基础上发展迅速，并已成为近年来国内外的热门话题，特别是对于分布式压缩检测，在无线传感器领域提供了更好的研究方向。
统的时域采样定理：只有当fs≥2fc时，信号才能在采样后始终恢复原始信号，其中fs是采样频率，fc是信号的截止频率。用这种传统的信息处理技术，对于无线传感器网络而言，采样数据非常重要。信号处理期间，仅对少量系数进行编码，并且将剩余的计算出的较小系数用作冗余信息。绝将浪费大量资源，并影响信息技术的发展。此，对压缩理论的研究具有现实意义。压缩检测理论中，当同时对信号进行采样和压缩时，传感器的采样和计算成本将大大降低，并且信号恢复需要适当的重构算法才能实现。缩处理数据检测过程与传统比较的最大区别在于，在采样过程中，数据压缩是同时完成的，大大减少了采样数据量。管压缩检测用较少的样本重建原始信号，但是信号恢复过程中的计算具有一定程度的复杂性。主要的是将样本的复杂度转移到解码器的复杂度。处理超宽信号时，此方法的优势变得显而易见。缩检测的第一个关键问题是信号的稀疏表示。化的本质是通过变换当前区域中的信号来描述其他区域中的信号。如，通过傅立叶变换将时域中的信号变换为频域中的信号。处理的目的是将具有当前能量色散的时间信号转换为能量更集中的频域，这更有利于信号的进一步处理。换信号之间的关系是信号的稀疏基础，它也成为基本字典。
θi= ，θ和X为N×1矩阵，，恒温阀芯为N×N矩阵，当信号X在一定基础上仅具有K >> N个非零系数时，据说X在上。是K稀疏的，而Ψ是信号X的稀疏基数。
今常用的稀疏基数包括正弦基数（余弦），小波基数等。果信号不是稀疏的，则必须首先对信号执行适当的转换以使其稀疏，这称为稀疏字典。反，如果信号本身是稀疏的，则可以从大量现有系统中选择稀疏字典，例如傅立叶变换，小波变换等。号的稀疏表示涉及将大多数有效信息以尽可能少的稀疏系数保存在信号中，这使人们更容易获得信号中包含的信息，并且继续进行信号传输更方便。号处理。此，它引起了研究者的注意。缩检测的第二个问题是矩阵的设计。据压缩检测的理论，通过投影变换获得的稀疏矩阵Θ=ψTx要求设计一个压缩采样系统的观察器，其主要目的是从中重建长度为N的信号X M个观察。中，ψ为基本矩阵，Θ为稀疏矩阵和观测矩阵。M小于N。公式（1）可以看出，如果X的信息在观测过程中被破坏，则不可能恢复信号。
本矩阵ψ和观测矩阵之间的关系；稀疏矩阵θ与K个稀疏信号之间的关系。知的第三个元素是信号的重建，它确定信号是否可以恢复。本地Nyquist采样相比，压缩检测是对所有信号的感知，可以视为全局度量。据压缩检测理论，编码器只需要少量的采样，这降低了采样的功耗，但是解码端承担了压缩压缩的代价。
号，这增加了重建信号的复杂性，从而增加了能耗。此，信号重建算法的质量会影响压缩信号检测是否可以应用于实际环境。食追踪算法。种类型的方法是通过为每次迭代选择局部最优解来逐渐使原始信号更接近。点是计算量小且速度快。优化算法。种类型的方法将非凸问题转换为凸问题并找到信号近似值。点是重建效果更好，误差很小，但是计算量大。合算法。种类型的方法需要信号采样以支持通过数据包测试（例如傅立叶变换，链跟踪等）的快速重建。种算法都有其优缺点，信号重建的主要问题是如何构建一种计算量少，观测值少的稳定的重建算法来恢复原始信号。管压缩检测理论的应用相对广泛，但尚未应用于无线网络传感器。用压缩理论研究如何使用单节点感知数据的内部结构进行压缩编码。具有一定存储容量的情况下，本文提出一种利用节点之间的空间相关性的压缩压缩检测算法。
中，（x-xr）2 （y-yr）2 = r2，变异函数越小，数据的相关性越强。U = D表示S（0，0）是通过节点n（r，θ）的S（r，θ）以1-β的概率获得的，U = Q表示随机变量Y获得S（0，0）概率为β。Y和Z的概率密度分别为fY（y），fZ（z）。过计算由无线传感器网络监视的区域数据的变化函数，可以获得时区EA的范围。
EA范围内的节点ni（i = 1，2，…，N）形成一个簇，并将这些节点选为簇头nh（h∈（1，2，…，N）），并且EA范围内的所有数据均由nh个感知数据收集：Xi = Si Ni（i = 1.2，…，N），其中Si是节点ni的信息数据，Ni是随机变量独立的高斯。下是EA范围内X个感知数据的分布式压缩编码过程。
头将观测值发送到接收节点，并执行分布式压缩检测解码处理以重建原始信号X。文提出的分布式压缩检测将无线传感器网络收集的数据压缩，这有效地节省了传感器采集的能耗，在一定程度上延长了传感器节点的生命周期，提高了传感器网络的带宽。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com