为了提高传感网中数据重构精度以及降低不可靠链路丢包对压缩感知(Compressive Sensing,CS)数据收集的影响,本文提出了一种基于压缩感知丢包匹配数据收集算法(Packet Loss Matching Data Gathering Algorithm Based on Compressive Sens...为了提高传感网中数据重构精度以及降低不可靠链路丢包对压缩感知(Compressive Sensing,CS)数据收集的影响,本文提出了一种基于压缩感知丢包匹配数据收集算法(Packet Loss Matching Data Gathering Algorithm Based on Compressive Sensing,CS-MDGA).本文算法通过压缩感知技术构建了全网数据间的“关联效应”,并设计了基于丢包匹配的稀疏观测矩阵(Sparse Observation Matrix Based on Packet Loss Matching,SPLM),证明了该观测矩阵概率趋近于“1”时,满足的等距约束条件(Restricted Isometry Property,RIP),完成了节点间多路径路由数据的可靠交付.仿真实验结果表明,本文算法在链路丢包率为60%情况下,相对重构误差仍小于5%,验证了本文算法不仅具有较高的重构精度,而且还可以有效缓解不可靠链路丢包对CS数据收集的影响.展开更多
文摘为了提高传感网中数据重构精度以及降低不可靠链路丢包对压缩感知(Compressive Sensing,CS)数据收集的影响,本文提出了一种基于压缩感知丢包匹配数据收集算法(Packet Loss Matching Data Gathering Algorithm Based on Compressive Sensing,CS-MDGA).本文算法通过压缩感知技术构建了全网数据间的“关联效应”,并设计了基于丢包匹配的稀疏观测矩阵(Sparse Observation Matrix Based on Packet Loss Matching,SPLM),证明了该观测矩阵概率趋近于“1”时,满足的等距约束条件(Restricted Isometry Property,RIP),完成了节点间多路径路由数据的可靠交付.仿真实验结果表明,本文算法在链路丢包率为60%情况下,相对重构误差仍小于5%,验证了本文算法不仅具有较高的重构精度,而且还可以有效缓解不可靠链路丢包对CS数据收集的影响.
