基于高斯模型的随机采样网络数据重构的研究  

Random Sampling Data Gathering in Wireless Networks with Gaussian Diffusion Model

作　　者：王倩[1] 吴宣够[2] 

机构地区：[1]安徽工业大学现代教育技术与网络管理中心 [2]安徽工业大学计算机学院物联网工程系

出　　处：《滁州学院学报》2016年第2期23-26,共4页Journal of Chuzhou University

基　　金：国家自然科学基金资助项目(NO.61402009)

摘　　要：现有基于压缩感知的网络数据收集需要网络中所有节点参与单个测量值收集,由于网络丢包、数据易错性、网络节能等原因导致很难满足现有压缩感知理论的要求。本文提出一种基于高斯扩散模型的随机采样网络数据重构方法,既能有效压缩待收集网络数据,又能精确恢复未采样数据。真实网络数实验结果表明该方法的有效性,同时为基于压缩感知的随机采样数据收集提供参考。Existing network data gathering techniques based on compressive sensing（CS）require all sensory data to be participated in each measurement gathering.Due to network packet loss,data fallibility and network energy saving,it is difficult to meet the requirements of CS theory.This paper proposes a random sampling data gathering with Gaussian diffusion model,which could compress the sensory data,and reconstruct the unsampling data accurately.With the real data experiments,the results show that our proposed scheme is useful,and at the same time provide the reference for CS-based data sampling and gathering.

关 键 词：压缩感知 传感器网络 随机投影 高斯扩散模型 

分 类 号：TP393.02[自动化与计算机技术—计算机应用技术]