基于非參數(shù)貝葉斯字典學習的丟失數(shù)據(jù)插值方法研究.pdf

1、無線傳感器網(wǎng)絡（Wireless Sensors Networks, WSNs）作為一種嶄新的信息感知技術，在智能家居、工業(yè)3.0、軍事國防、遠程監(jiān)測等多領域獲得廣泛應用，并在物聯(lián)網(wǎng)中扮演著信息獲取的重要角色。然而，傳感器節(jié)點易受惡劣環(huán)境氣候等非人為因素影響而損壞，或者為了保證網(wǎng)絡壽命而將壓縮感知（Compressed Sensing, CS）技術融入到無線傳感器網(wǎng)絡中都不可避免地導致原始數(shù)據(jù)丟失。為了保證無線傳感器網(wǎng)絡感知數(shù)據(jù)的準確性

2、和完整性，本文針對信號本身攜帶的豐富先驗信息，提出了兩種高效的丟失數(shù)據(jù)插值方法。主要工作如下：
　　1.研究非參數(shù)貝葉斯方法及其常用模型——狄利克雷過程，針對傳統(tǒng)固定尺寸的正交基或冗余字典在面對稀疏性動態(tài)變化的信號缺乏自適應性，本文提出了一種基于非參數(shù)貝葉斯字典學習的丟失數(shù)據(jù)插值方法。在統(tǒng)計學習的基礎上，引入?yún)?shù)個數(shù)和尺寸不受限制的非參數(shù)貝葉斯先驗，將寬分布與樣本信息相結合，再通過吉布斯抽樣方法推斷得到最優(yōu)參數(shù)，進而插值恢復丟失數(shù)

3、據(jù)。本文采用真實的環(huán)境溫度數(shù)據(jù)進行實驗仿真，實驗結果表明本文提出的插值算法能有效恢復丟失數(shù)據(jù)。
　　2.針對傳感器網(wǎng)絡數(shù)據(jù)的多樣化，其結構特征復雜，傳統(tǒng)的單一結構字典已難以最優(yōu)表示這類信號。本文提出基于結構信息的的字典學習插值方法，并在該算法基礎上改進了字典訓練方式，提出了基于結構信息的非參數(shù)貝葉斯字典學習插值方法。通過引入小波變換和TV變換來充分挖掘信號本身攜帶的結構先驗信息，并采用非參數(shù)貝葉斯字典學習方法來獲得最優(yōu)的多結構字典