基于非參數(shù)貝葉斯字典學(xué)習(xí)的丟失數(shù)據(jù)插值方法研究.pdf

1、無(wú)線傳感器網(wǎng)絡(luò)（Wireless Sensors Networks, WSNs）作為一種嶄新的信息感知技術(shù)，在智能家居、工業(yè)3.0、軍事國(guó)防、遠(yuǎn)程監(jiān)測(cè)等多領(lǐng)域獲得廣泛應(yīng)用，并在物聯(lián)網(wǎng)中扮演著信息獲取的重要角色。然而，傳感器節(jié)點(diǎn)易受惡劣環(huán)境氣候等非人為因素影響而損壞，或者為了保證網(wǎng)絡(luò)壽命而將壓縮感知（Compressed Sensing, CS）技術(shù)融入到無(wú)線傳感器網(wǎng)絡(luò)中都不可避免地導(dǎo)致原始數(shù)據(jù)丟失。為了保證無(wú)線傳感器網(wǎng)絡(luò)感知數(shù)據(jù)的準(zhǔn)確性

2、和完整性，本文針對(duì)信號(hào)本身攜帶的豐富先驗(yàn)信息，提出了兩種高效的丟失數(shù)據(jù)插值方法。主要工作如下：
　　1.研究非參數(shù)貝葉斯方法及其常用模型——狄利克雷過(guò)程，針對(duì)傳統(tǒng)固定尺寸的正交基或冗余字典在面對(duì)稀疏性動(dòng)態(tài)變化的信號(hào)缺乏自適應(yīng)性，本文提出了一種基于非參數(shù)貝葉斯字典學(xué)習(xí)的丟失數(shù)據(jù)插值方法。在統(tǒng)計(jì)學(xué)習(xí)的基礎(chǔ)上，引入?yún)?shù)個(gè)數(shù)和尺寸不受限制的非參數(shù)貝葉斯先驗(yàn)，將寬分布與樣本信息相結(jié)合，再通過(guò)吉布斯抽樣方法推斷得到最優(yōu)參數(shù)，進(jìn)而插值恢復(fù)丟失數(shù)

3、據(jù)。本文采用真實(shí)的環(huán)境溫度數(shù)據(jù)進(jìn)行實(shí)驗(yàn)仿真，實(shí)驗(yàn)結(jié)果表明本文提出的插值算法能有效恢復(fù)丟失數(shù)據(jù)。
　　2.針對(duì)傳感器網(wǎng)絡(luò)數(shù)據(jù)的多樣化，其結(jié)構(gòu)特征復(fù)雜，傳統(tǒng)的單一結(jié)構(gòu)字典已難以最優(yōu)表示這類(lèi)信號(hào)。本文提出基于結(jié)構(gòu)信息的的字典學(xué)習(xí)插值方法，并在該算法基礎(chǔ)上改進(jìn)了字典訓(xùn)練方式，提出了基于結(jié)構(gòu)信息的非參數(shù)貝葉斯字典學(xué)習(xí)插值方法。通過(guò)引入小波變換和TV變換來(lái)充分挖掘信號(hào)本身攜帶的結(jié)構(gòu)先驗(yàn)信息，并采用非參數(shù)貝葉斯字典學(xué)習(xí)方法來(lái)獲得最優(yōu)的多結(jié)構(gòu)字典