基于压缩感知自适应测量矩阵的空气质量主动采样

随着城市化进程的不断加快,工业发展、人口聚集使得空气质量问题日益严峻。出于对采集成本的考虑,对空气质量的主动采样正受到越来越多的关注。但现有模型要么只能迭代选择采样位置,要么难以实时更新采样算法。基于此,提出了一种基于压缩感知自适应测量矩阵的空气质量主动采样方法,将采样位置的选择问题转化为矩阵的列子集选择问题。该方法首先利用历史完整数据进行字典学习,然后将学习后的字典经过列子集选择后得到能够指导批量采样的自适应测量矩阵,最后结合利用空气质量数据特性构建的稀疏基矩阵恢复出未采样的数据。该方法使用压缩感知模型一体化实现采样和推断,避免了使用多个模型的不足。此外,考虑到空气质量的时序变动问题,在每一次的主动采样后,字典还会利用最新数据进行在线更新以指导下一次的采样。两个真实数据集上的实验结果表明,经过字典学习后得到的自适应测量矩阵在低于20%的多个采样率下,恢复性能优于所有基线。

基于压缩感知的电能质量扰动信号分析

电能质量扰动信号是衡量电能质量的一个重要指标,因此对电能质量扰动信号进行准确检测是提高电能质量的前提。针对传统采样方法中采样数据量大、采样时间较长以及压缩复杂度高的问题,本文基于压缩感知理论对电能质量扰动信号进行重构,首先证明电能质量扰动信号的稀疏性满足压缩感知的必备条件;采用自适应测量矩阵对电能质量扰动信号数据进行压缩采样,同时,采用谱投影梯度实现了对电能质量扰动信号的精确重构。仿真结果表明,本文采用的压缩感知恢复算法不但可以降低采样数据量和压缩复杂度,其重构误差小,压缩性能指标比较好。