【文章笔记】The Recent Development on Compressed Sensing_applications of sparse representation and compress-优快云博客

本文链接：https://blog.youkuaiyun.com/hongyanee/article/details/6745436

本文探讨了压缩感知（Compressive Sensing, CS）在无线传感器网络中的多种应用，包括数据采集、目标计数与定位、事件检测及信号处理等方面。通过对理论与实践的深入分析，展示CS如何有效提升传感网络的性能。

1. Applications of Sparse Representation and CompressiveSensing

文章主要介绍压缩感知和稀疏表示的主要理论和应用方向，以及相关论文。

理论上

在图像和信号处理领域，压缩传感趋向于处理更高维更复杂的数据、编码或系统。e.g.

Theerror-correction problem in coding and information theory

Therank minimization problem for system identification in control

Theapproximate embedding problem for data mining

Theface recognition problem in computer vision

Thelocality sensitive hashing in theoretical computer science

实践中

Audio/image/videoprocessing tasks (denoising, deblurring, inpainting, compression andsuper-resolution)

Speechand object recognition (source separation and classification)

Multimediadata mining

Bioinformaticdata decoding

Correctingerror for corrupted data (face recognition despite occlusion)

Detectingactivities and events through a large network of sensors and computers

Dictionarylearned from exemplars with sparse representation property (利用稀疏信号的标本创建目录，是否可以忽略重构阶段，直接得到传感网络的状态。就像有限状态机一样)

2. Efficient Measurement Generation and Pervasive Sparsityfor Compressive Data Gathering

文章主要介绍了对CompressiveData Gathering的两点改进。第一，设计了effectivemeasurement generation matrix避免信息传输过程的冗余，而且发现了effective measurement generation matrix的一种简单形式，同样满足RIP；第二，证明了CDG在解码过程中可以应用数据的稀疏性，尤其是展示了CS解码方法可以利用跨域的数据稀疏性，包括spatial-frequency和temporal-frequency 稀疏性。

3. Compressive Data Persistence in Large-Scale WirelessSensor Networks

文章考虑的是一个大规模的无线传感器网络，获取的测量值由移动的Sink间歇获取，所以就由传感器负责暂时保存这些测量值，并且要求采用高效能高存储效率的保存方法。已经存在的保存方法是基于Erasure code的，没有利用到传感器数据之间的关系，解码率会比较大。文章受压缩感知理论启发，提出了一种Compressive Data Persistence同时获取数据压缩和数据保存。

4. Distributed recognition of human actions using wearablemotion sensor networks

文章属于模式识别领域，提出了一种分布式识别框架用以区分连续的人体动作，利用了一个低带宽的可穿着动作传感器网络，称为Distributed Sparsity Classifier (DSC)。分类器以分布式方式工作在一些独立的传感器节点和一个基站计算机上。我们把模型建立在多个动作的分类的分布，作为一个多个子空间混合的模型，每一个子空间代表一个类别。

启示：压缩感知可以用于分布式传感网络的监视，利用稀疏性表示建立一个目录，利用模式识别分类传感器网络的行为，e.g.通过手机的各个传感器建模一个目录，分类手机使用者的行为。此外，在此文章的作者（Allen Y. Yang）的主页上，还有分布式物体识别和智能摄像平台都将稀疏性表示应用到了模式识别领域。

5. Sparse Event Detection in Wireless Sensor Networksusing Compressive Sensing

对于大规模无线传感网络，与数据源的数目相比，事件是稀疏的。由于传感器的数量是有限的，而且出于能量限制，也并不是所有的传感器都处在“激活”状态。所以文章传感器网络中的稀疏性事件监测，激活状态的传感器可以减少到和稀疏性事件数量相近的程度。

6. Distributed Compressed Sensing for Sensor Networks, Usingp-thresholding

文章设计了基于压缩感知的联合解码方案，应用于基站中，利用传感器之间的相关性，可以从每个节点的随机的几个测量值中，重构整个观测信息。

7. Sparse Target Counting and Localization in Sensor NetworksBased on Compressive Sensing

目标计数和定位。

文章提出了一种基于压缩感知的无线传感网络稀疏目标的计数和定位，文章利用了CS理论，实现了多目标的检测。文章首次严格证明了公式的可行性，另外提出了GMP算法实现CS理论的信号恢复。

监测区域内的目标计数和定位，在传感器网络中有着广发的应用，例如环境监测，入侵检测和目标追踪等。

8. Does Compressed Sensing Improve the Throughput ofWireless Sensor Networks?

文章提出了一种新的无中心的压缩技术（称为CS）应用于网内数据聚集。很天真的想法是在每一个数据源上都编码，称为plain-CS；另一种想法是仅在过载的中继节点上编码，称为hybrid-CS。文章利用基于流的优化方案，计算了non-CS/plain-CS/hybrid-CS这三种方案的吞吐量。得到的结果很让人诧异，采用plain-CS并没有在吞吐量上带来改进；然而hybrid-CS却带了很大的改进。

9. Compressed Data Aggregation for Energy Efficient WirelessSensor Networks

文章调查了在无线传感网络中CS在数据采集方面的应用，并试图结合路由和压缩汇聚最小化网络能耗。文章提出了一种源于CS的数据聚合技术，目的在于最小化WSN在采集传感数据时的能量消耗。文章首次提出了一种最优解决方案，并证明它是NP-completeness。

启示：无线传感网络的能量效率是很重要的研究议题，涉及到了能量保存机制（如休眠时间控制）、拓扑控制、移动数据采集、数据聚合。此外还有吞吐量和负载均衡。

10. Dual-Level Compressed Aggregation: Recovering Fieldsof Physical Quantities from Incomplete Sensory Data

在无线传感网监测物理事件过程中，当物理事件延展到很宽的范围时，WSN采集的数据通常是不完整的，这出于两方面的原因：1）网络覆盖面积不足；2）数据聚合。我们提出了Dual-lEvel CompressedAggregation (DECA)解决上述的两个问题。DECA允许高保真的恢复一个宽范围的事件，这种情况下，WSN仅仅需要稀疏地覆盖事件区域，并且用网内数据聚合降低流量。利用实际世界中信号的low-rank nature，以及感知数据的冗余，DECA利用CS实现了dual-level重建。

11. Spatially-Localized Compressed Sensing and Routing inMulti-Hop Sensor Networks

文章提出了采用spatially-localizedsparse projections实现节能压缩感知的无线传感网络。为了保持每个测量值较低的传输功耗，我们从临近的传感器簇中获得测量值，更高效的路由到sink节点。通过Localizedprojection，我们证明了联合重建比单独重建能获得更显著、更好的重建效果。而且，我们发现重建性能依赖于数据采集簇和信号的稀疏基的“重合”程度；我们提出了量化这种重合度的方案，当稀疏基已知时用来设计有效地数据采集簇。

12. Random Access Compressed Sensing in Underwater SensorNetworks

文章提出了一个节能的水下传感网络方案，网络利用了压缩传感和随机接入。这个方案可以应用于在某一区域布置大量传感器用于监测物理环境的场景。方案假设多数的物理测量值在频域上是稀疏的，网络假设有一个融合中心（Fusion Center）来收集传感器节点的观测值和重建观测区域。我们提出的方法是完全无中心的，也就是说每个传感器独立工作不与其他节点和FC交互。在每一帧的采样周期中，每个节点都有一个Bernoulli随机数产生器来确定时候参与采样还是保持休眠状态。第二个随机数产生器是均与分布的，用来确定节点传送数据到FC的延迟时间。提出的方案称为随机接入压缩感知（Random Access Compressed Sensing: RSCA）是一种简单的节能设计。出于三方面的原因：1. 不与FC协作，消除了双工的需要； 2. 在包传输过程中不需要ACK和重传机制；3. 提高了通信资源的利用率（在每个采样周期只有很小部分的节点采样和传输）。