基于图信号处理的无线网络异常节点检测方法

无线网络中的异常节点会降低群里的通信性能,在传输数据时造成丢包或者错传等情况发生,大规模节点异常甚至会导致网络瘫痪。为此,提出基于图信号处理的无线网络异常节点检测方法。首先,根据网络各节点空间位置特征,计算邻近节点间的距离,再结合K–近邻原理搭建无线网络图信号模型,通过高通图滤波装置划分图信号高频区域;然后,采用拉普拉斯矩阵、傅里叶变换获取各子图频谱特征,通过傅里叶逆变换得出图频率各分量信号,使用箱型图统计算法求出子图正常节点信号两个极值,在这两个值范围内即为正常节点,超出此范围即为异常节点,经过判定、筛选确定异常节点位置,最终完成异常节点检测的任务。实验结果表明,该方法对无线网络异常节点的检测精度高,且检测运行时间开销较少。

一种基于图信号处理的BP神经网络语音识别方案

文中研究图信号处理技术在语音信号处理领域的实现和应用。基于语音信号基本特征,提出一种语音图信号拓扑结构和图邻接矩阵新方案,即语音采样点为图顶点,全连接语音拓扑结构和语音样值差递减幂函数作为边权重。分析了新方案下浊音、清音和静音的图傅里叶变换。基于新方案下语音图傅里叶变换系数集中于低频的特性,设计图低通滤波器,并将该低通滤波器滤波后的语音信号进行基于BP神经网络的数字语音识别实验,正确识别率获得明显提高。

图信号处理在高光谱图像处理领域的典型应用

高光谱图像(HSI)具有纳米级的光谱分辨能力且同时对地物目标的光谱维和空间维进行联合成像的优势,能够精细化感知场景目标的本征判别属性,在遥感探测、医疗诊断和国防安全等具有重要应用价值,是高精度遥感探测的科技制高点之一。不同于传统1维时间信号、2维图像信号,高光谱图像具有多阶、高维的信号属性。为解决传统信号处理方法在高光谱图像处理领域中的不足,图信号处理(GSP)理论与方法被逐渐引入高光谱图像处理与解译等任务中。该文以短综述的形式,介绍了图信号处理在高光谱图像处理领域的理论发展并列举了在高光谱特征提取、图像重构和解译分类3个主要方面的典型应用。最后,进一步探讨了该方向未来发展所面临的挑战和相应解决办法。

无线传感器网络中基于图信号处理的数据恢复方法

为解决无线传感器网络中传感器节点由于自身软硬件故障或监测环境恶劣等因素导致收集到的数据出现丢失的问题,本文提出了一种无线传感器网络中基于图信号处理的数据恢复方法。首先,根据网络数据的时间平滑特性和空间平滑特性构建时空图,然后,通过图信号处理中平滑性概念和数据低秩特性设计优化目标,最后,采用交替方向乘子法求解,实现数据恢复的目的。仿真结果表明,与无线传感器网络中现有的数据恢复方法相比,所提方法具有较高的恢复精度。

基于图信号处理的智能电表功率信号分解

智能电表的大规模部署,使得对电表采集的低频信号进行数据分析成为一个研究热点。以非侵入式负荷监测为背景,研究基于图信号处理(GSP)的低频功率信号分解算法。首先,将功率信号分解定义为最小化求解问题,并引入基于图转移矩阵的全局变化量作为正则项。然后,分两步对该优化问题求解:第1步最小化正则项得到满足图信号全局变化量最小的近似解;第2步以该解为基础,利用模拟退火算法对目标函数和约束条件迭代寻优。最后利用开源数据库REDD进行仿真,验证了该算法在分类准确率上的优势,且与其他算法相比对训练数据的依赖性较小。

基于图信号处理的无线传感器网络异常节点检测算法

针对无线传感器网络(WSN)中传感器自身安全性低、检测区域恶劣及资源受限造成节点采集数据异常的问题,提出一种基于图信号处理的WSN异常节点检测算法。首先,依据传感器位置特征建立K-近邻(KNN)图信号模型;然后,基于图信号在低通滤波前后的平滑度之比构建统计检验量;最后,通过统计检验量与判决门限实现异常节点存在性的判断。通过在公开的气温数据集与PM2.5数据集上的仿真验证,实验结果表明,与基于图频域异常检测算法相比,在单个节点异常情况相同条件下,所提算法检测率提升7个百分点;在多个节点异常情况相同条件下,其检测率均达到98%,并且在网络节点异常偏离值较小时仍具有较高的检测率。

一种基于语音图信号处理的端点检测方法

本文通过将语音信号处理与图信号处理相结合,为语音样点构建出一种基于遗忘因子的遗忘图拓扑结构,利用基于遗忘图拓扑结构的图邻接矩阵所定义的图傅里叶变换(Graph Fourier Transform,GFT),研究语音图信号的图频域特性。并在此研究基础上,本文将基于自适应子带谱熵(Adaptive Band-partitioning Spectral Entropy,ABSE)算法的端点检测方法拓展至图频域,设计了一种图自适应子带谱熵(Graph Adaptive Band-partitioning Spectral Entropy,GABSE)算法。实验表明,本文所提出的基于遗忘图的GABSE算法可以使得语音段与非语音段谱熵差异更加显著,较传统ABSE算法端点检测及rVAD语音端点检测方法正确率提高了10%~20%,同时也验证了此语音遗忘图结构有效性。

基于图信号处理的MVDR波束形成多通道语音增强

新兴的图信号处理技术已经在不规则且复杂的信号处理上取得了许多研究成果,但基于图信号的多通道语音处理研究尚处于起步阶段。文中提出了一种基于图信号处理的最小方差无失真响应(Minimum Variance Distortionless Response,MVDR)波束形成方法来进行多通道语音增强。首先,考虑阵列之间位置关系与相位差的联系,定义了一种新的多通道语音邻接矩阵权值,在此基础上构建多通道语音图信号。然后,通过联合通道间图傅里叶变换和帧内图傅里叶变换,定义了多通道图傅里叶变换,在此基础上提出了图频域的MVDR方法来进行多通道语音增强。仿真表明,与传统数字信号处理中的MVDR波束形成方法相比,文中提出的基于图信号处理的MVDR波束形成方法明显提升了增强语音的质量和可懂性。

基于图信号处理的OFDM系统导频设计和信道估计方法

正交频分复用(OFDM,orthogonal frequency division multiplexing)是物联网的物理层关键技术之一,导频设计和信道估计是OFDM系统的关键问题。针对物联网通信场景复杂多样导致固定导频方案性能较差的问题,提出了一种基于图信号处理(GSP,graph signal processing)的导频设计和信道估计方法。首先,将时频资源块建模为图信号,将信道估计问题转换为图信号的采样重建问题。进而考虑时频双选衰落的影响,设计加权图邻接矩阵,构造基于时频位置的图拓扑结构。在此基础上,基于图信号采样理论优化导频位置,提出一种基于加权图拓扑构造的导频图案设计方法。同时,基于图信号重建方法进行信道信息重建,提出基于图平滑性约束的信道估计方案。仿真结果表明,所提方法相较于传统方案在双选信道的高速场景下可取得更高的信道估计精度,在低速场景下则可有效节约导频资源。

基于图信号处理的传染病传播预测方法

针对现有传染病传播预测模型存在未充分考虑数据的内在关联性的问题,采用图多项式-向量自回归(GPVAR)模型对传染病的传播进行预测,并提出新的用于模型参数估计的优化方法.将传染病发病地区建模为图节点,并根据地区间的距离信息和人群流动情况确定节点间的边及其权重,以反映传染病传播过程中的空间关联性.将不同时刻的感染疾病人数建模为时变图信号,使用GP-VAR模型对时变图信号在图上的演变过程进行预测,并设计一种最小二乘(LS)优化方法对GP-VAR模型的参数进行估计.仿真实验结果表明,与现有的预测方法相比,所提方法能够更好地考虑到数据在空间维的相关性和时间维的演变特性,更加准确地刻画传染病的传播特性,且具有普适性,预测效果更好.

一种基于图信号处理的非侵入式负荷分解方法

非侵入式负荷监测分解,指将用户总电能消耗分解为单独电气设备的消耗,从而有助于建立能源互联网,实现节能减排。提出一种基于图信号处理方法,采用目前大部分电表量测的有功功率为负荷特征。使用由图索引的离散信号表示负荷特征,并进行阈值筛选,数据聚类和特征匹配。通过对实测低采样频率的负荷数据集进行仿真分析,验证算法具有较好的识别率和鲁棒性,且可作为嵌入式系统的软件嵌入到智能电表上,而无需附加硬件成本。

基于笛卡尔乘积图上Sobolev平滑的时变图信号分布式批量重构

针对大规模网络数据的重构问题,该文以图信号处理(GSP)理论为基础,提出一种基于笛卡尔乘积图上Sobolev平滑的分布式批量重构算法(DBR-SSC)。该算法首先按时间顺序将时变图信号划分为多个信号段,并利用笛卡尔积将每一段内各时刻的图建模为乘积图;然后利用笛卡尔乘积图上的Sobolev差分平滑,将每一段的信号重构问题归结为优化问题;最后设计具有高收敛速度的分布式算法求解该优化问题。采用两种现实世界的数据集进行仿真实验,实验结果表明所提算法重构误差低并具有高收敛速度。

图象及数字信号处理中的快速算法研究进展

本文就各种特殊基的FFT算法、互素因子类算法、数论变换、多项式变换、DFT的计算复杂性及FFT的并行算法有关专题,简要地叙述了图象和数字信号处理中的快速算法(离散付里叶交换及卷积计算)的研究概况,并就笔者的观点指出了目前及将来若干进一步研究的主要问题.

稀疏分解和图拉普拉斯正则化的图像前景背景分割方法

针对现有图像前景背景分割方法的分割结果存在孤立像素点的问题,利用图信号处理理论和稀疏分解模型,提出新的图像前景背景分割方法.将图像的内在结构建模为图,通过图模型有效地刻画像素之间的内在关联性.将图像的像素强度建模为图信号,其中图像背景作为平滑分量,由一组图傅里叶变换基函数线性表示,叠加在背景上的前景为稀疏分量,前景像素间的连通性可由图拉普拉斯正则化项进行刻画.将图像前景背景分割问题归结为包含稀疏分解模型和图拉普拉斯正则化项的约束优化问题,采用交替方向乘子法对该优化问题进行求解.实验结果表明,与现有的其他方法相比,所提方法具有更好的分割效果.

有向图的谐波分析:从傅里叶到小波

数据化时代中,高效地分析和处理数据引起了研究者的广泛关注。利用图模型建立数据的结构,进而对数据进行分析处理,发展起了图信号处理。最初是在无向图中发展的,图拉普拉斯在其中发挥着重要作用。神经科学、社会网络等领域的数据网络都是定向的,从而信号处理需要扩展到有向图中。在有向图中,图拉普拉斯不再使用,将参考算子换作图上的游走算子。进而把随机游走算子的特征向量集作为有向图上函数的非正交傅里叶型基。从随机游动算子的狄利克雷能量获得的特征向量的变化与相关特征值的实部联系起来,找到了频率解释。在有向图中,又分别回顾了小波变换和抽取小波变换作为谱图小波和扩散小波框架的扩展。上述都是在算子是可以对角化的前提下提出的。但是现实生活中的数据模型不会只局限于对角化的算子,因此本文将算子扩展到了整数项的扩张矩阵中,从而提出了有向图上的紧支撑帕塞瓦尔小波框架及其多分辨率分析,并且也找到了基于这类矩阵下的频率解释。此类小波框架不仅在构造时简单高效,而且在性质上也有很大优势:有确定的消失矩的阶数,使尽量多的小波系数为零或者产生尽量少的非零小波系数,利于消除噪声。

分析大数据:非规则结构与图信号

图信号处理(GraphSignalProcessing,GSP)使用和扩展信号处理的处理手段,以处理定义于不规则图结构上的数据。文中介绍图信号处理的研究背景及其研究意义,对图信号处理中图信号、图移位算子、图傅里叶变换以及图滤波器等几个重要的基本概念进行了阐释。目前图信号处理研究极其活跃,已经涵盖很多方面,文中着重对其中3个方向的研究进展进行了梳理与分析,包括图信号的采样与重建、图结构的学习以及图滤波器设计。最后,对图信号处理相关研究进行了展望,提出了若干值得进一步研究的问题。

基于图谱域移位的带限图信号重构算法

针对带限图信号的重构问题,本文提出了基于图谱域移位的带限图信号重构模型,该模型将图带限分量的恒等不变特性建模为最小二乘问题.基于所提出的重构模型,本文设计了基于谱移位的重构算法和基于残差谱移位的重构算法.相比于其他重构算法,两种新算法提升了迭代效率和重构精度.此外,本文算法还适用于分段带限图信号的重构问题,并且具有良好的迭代效率和重构精度.通过实验仿真表明,相比于目前其他的带限图信号重构算法,新算法的迭代效率提升约70%和重构精度提升约60%.

基于扩散算子的带限图信号加权重建策略

图信号处理技术将经典信号处理的概念和算法延展到图结构信号的处理领域。对于带限图信号,可以通过分析信号之间的关联性,重建出未采样的信号。该文分析了未采样信号的构成架构,提出一个基于扩散算子的未采样信号迭代重建算法。在每次迭代过程中,将已采样信号的重建残差扩散至所有未采样的信号节点,并进一步通过初步估计结果与重建残差的加权处理,提升算法的收敛速度。采用合成数据和真实数据进行仿真验证,实验结果显示所提出的算法具有低重建误差和快速收敛的特点。

基于图信号交替优化的居民用户非侵入式负荷监测方法

非侵入式负荷监测(non-intrusive load monitoring,NILM)是研究居民用户负荷信息的常用方法,但存在分解准确度低、算法泛化性能低等系列问题。为此,该文应用图信号处理(graph signal processing,GSP)理论,提出一种基于图信号交替优化的居民用户NILM方法。该方法根据总负荷数据构建图信号模型,并基于图信号模型得到关于功率损耗的约束条件,较好地解决了传统方法缺乏负荷数据相关性研究的问题。相比于传统方法需要对模型参数多次调整,交替优化法可以自动调整参数,提高了实时监测能力,降低了电网运营成本。仿真结果表明,在1min采样率下,基于图信号交替优化法的总负荷分解准确度比NILM-GSP提高了15%,计算时间降低了10%,充分体现了该文算法性能的优越性。