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。

利用联合平滑性的时变图信号重构算法

传感器网络、社交网络等应用领域中随时间变化的高维非欧几里得数据可以被抽象为时变图信号。为了从有噪、有缺失的信号的观测值中重构真实信号,提出一种利用信号联合平滑性的重构算法。用基于时域-空间域联合图傅里叶变换的联合变差表示信号的平滑性;利用联合变差可分离为时域和空间域变差的和以及空间域中时差信号比信号本身更平滑的特性,建立信号重构的凸优化模型;求解优化问题得到重构后的信号。实验结果表明:与基于时差信号平滑性算法和基于联合变差最小化算法相比,该算法的重构误差更小。

基于全局采样集优化的联合多维度平滑性时变图信号重构

针对传统时变图信号重构算法重构精度较低的问题,提出了一种基于全局采样集优化的联合多维度平滑性时变图信号重构算法(Joint Multidimensional Smoothness Time-Varying Graph Signal Reconstruction Based on Global Sampling Set Optimization,JMSR-GSSO-TVGS)。研究对象为加权无向图上的时变图信号。首先提出一种采样集优化方法,采样时根据图结构中节点的区域关联性对图结构分簇,并在每个簇中按一定采样比例对节点进行优选,获得优化采样集;其次进一步挖掘时变图信号在空时域的平滑性;最后在优选采样集的基础上利用时变图信号多维度的平滑性对信号进行全局重构。仿真实验验证了JMSR-GSSO-TVGS的重构可靠性。

基于差分总变化量的时变图信号重构算法

图信号具有一定的网络拓扑结构,通过网络上的节点收集相关信号的数据。但是在数据收集过程中由于图信号具有时变特性,容易造成数据损失或错误。文中主要研究无权无向的时变图信号网络,对时变信号数据进行差分处理可以使得信号表现出更好的平滑特性。提出采用差分总变化量的方法对时变图信号数据重构,并使用均方根误差方法对重构结果做评价,通过实验仿真发现基于差分总变化量的方法可以取得较好的重构效果,从而验证了采用差分总变化量的可靠性。

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.

人工气候加速试验箱温湿度图信号重构智能监测算法

人工气候加速试验箱的温湿度准确检测是老化实验过程中的一个难点,不同种类多传感器数据分析是信号处理的研究热点之一。图信号处理(GSP)方法能有效利用传感器拓扑位置信息,提高信号处理的准确度。基于此,提出了一种多传感器融合温湿度图信号处理重构智能监测算法。首先,使用试验箱采集了温度和湿度实验数据,并对原始数据进行去噪处理;然后,使用不同的采样率模拟部分数据丢失的情况,采用基于时间差分平滑度的重建方法对温度和湿度信号进行重建。实验结果表明,在25%的时间采样率下,该方法能达到0.53的均方根误差,具有较高的重构精度和较强的稳健性。