改进的一比特量化压缩感知重建算法

传统的压缩感知理论考虑的测量值均是实值的,具有无限比特精度.然而在实际应用中,由于数据存储或传输需求,必须考虑测量值的量化问题.通过研究总结已有的-比特量化压缩感知（1-bit Quantized Compressive Sensing）重建算法,提出了一种改进的二进制迭代硬阀值（BIHT）算法.该算法通过引入回溯筛选的思想,在每-步迭代过程中优化了对原子的选择.实验仿真表明,在采样比特数较低时,基于回溯的二进制迭代硬阀值（BBIHT）算法比二进制迭代硬阀值算法重建精度高2-3dB,且重建速度快.因此,BBIHT算法更有实际应用意义.

非理想信道下的传感器网络一比特最大似然算法

无线传感器网络通常由分布在一定空间范围内的无线传感器节点构成。一般情况下,节点的能量存储、计算和通信能力都极为有限。直接传输各个节点的采样信号到融合中心将导致较多的能量消耗与较大的网络通信负载。若将每个传感器节点的采样信号值压缩为一比特测量值后再传输,则可以在很大程度上降低能量消耗和减轻通信负载。研究了在乘性噪声环境下,基于传感器网络一比特测量的参数估计问题。考虑节点和融合中心之间是存在干扰的非理想二值信道,提出了基于最大似然的参数估计算法,分析了参数估计的克拉美罗下界,并通过一系列仿真实验,验证了算法的有效性。

基于渐进性能分析的最优分布式量化检测算法

针对无线传感器网络中对发送功率和传输带宽限制的问题,提出基于规则量化(RQ)和不规则量化(NRQ)的一比特分布式检测算法。该检测方案在传感器节点处引入量化器,整个系统采用并行结构,由N个带有量化器的传感器节点组成。融合中心处采用广义似然比检验(GLRT)作为融合准则,并根据接收到的二进制信息作出全局判决。通过仿真实验对所提出的检测方案性能进行验证,并与未量化的检测方案进行比较。仿真结果表明:最优量化阈值提升了融合中心的检测概率,在理想信道和差错信道(BSC)下,基于不规则量化方案的检测系统性能明显优于基于规则量化方案的检测系统。