一種基于Haar小波樹(shù)的SAMP重構(gòu)方法
【專利摘要】本發(fā)明提供了一種基于Haar小波樹(shù)的SAMP重構(gòu)方法,其包括步驟有:在接收端接收性能數(shù)據(jù)高頻分量,通過(guò)觀測(cè)矩陣得到的觀測(cè)值;初始化候選集合、添加閾值和刪除閾值等;選擇多個(gè)具有父子關(guān)系的原子,經(jīng)過(guò)多次迭代計(jì)算,得到高頻分量的近似值;最后再將低頻分量和高頻重構(gòu)分量進(jìn)行Haar重構(gòu)得到壓縮后的性能數(shù)據(jù)。使用本發(fā)明方法,縮短了重構(gòu)時(shí)的運(yùn)算時(shí)間,提高了成功重構(gòu)的概率,重構(gòu)出的高頻系數(shù)與原始的高頻系數(shù)很逼近,重構(gòu)精度比較高。
【專利說(shuō)明】-種基于Haar小波樹(shù)的SAMP重構(gòu)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及異構(gòu)網(wǎng)絡(luò)性能管理中對(duì)性能數(shù)據(jù)進(jìn)行壓縮處理的方法,具體涉及一種 基于Haar小波樹(shù)的SAMP重構(gòu)方法,屬于異構(gòu)網(wǎng)絡(luò)領(lǐng)域。
【背景技術(shù)】
[0002] 異構(gòu)網(wǎng)絡(luò)不是一個(gè)新興的網(wǎng)絡(luò),它是將現(xiàn)有的多種網(wǎng)絡(luò)協(xié)同組合成一個(gè)整體的混 合網(wǎng)絡(luò)。由于包含多個(gè)網(wǎng)絡(luò)的不同設(shè)備,網(wǎng)絡(luò)設(shè)備數(shù)量龐大、種類(lèi)繁多、功能迥異、結(jié)構(gòu)多 樣,而且隨著網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大,網(wǎng)絡(luò)復(fù)雜程度不斷增加。為了保證不同設(shè)備的正常運(yùn)行, 網(wǎng)絡(luò)管理系統(tǒng)需要實(shí)時(shí)監(jiān)測(cè)異構(gòu)網(wǎng)絡(luò)中的網(wǎng)絡(luò)參數(shù)和設(shè)備參數(shù),異構(gòu)網(wǎng)絡(luò)復(fù)雜的結(jié)構(gòu)和設(shè) 備種類(lèi)的繁多必然會(huì)造成海量性能數(shù)據(jù),海量的性能數(shù)據(jù)若不加以處理,其在傳輸?shù)倪^(guò)程 中不僅占據(jù)大量帶寬,而且影響性能數(shù)據(jù)的傳輸?shù)男?。海量的性能?shù)據(jù)對(duì)數(shù)據(jù)的傳輸、存 儲(chǔ)和處理帶來(lái)了壓力,因此急需對(duì)性能數(shù)據(jù)進(jìn)行壓縮處理。
[0003] 壓縮感知理論經(jīng)過(guò)近十年的發(fā)展,目前已廣泛應(yīng)用于圖像處理、音頻視頻壓縮、無(wú) 線通信網(wǎng)絡(luò)等領(lǐng)域,其在網(wǎng)絡(luò)管理中的應(yīng)用也慢慢得到重視,主要用于網(wǎng)絡(luò)監(jiān)管和數(shù)據(jù)融 合。壓縮感知打破了奈奎斯特采樣定理,使得信號(hào)的采樣速率不受奈奎斯特采樣定律的限 制,能以遠(yuǎn)低于傳統(tǒng)采樣定律要求的速率,對(duì)可壓縮信號(hào)進(jìn)行精確的采樣、量化、編碼和恢 復(fù)。壓縮感知的原理是只要原始信號(hào)是稀疏的或者是在某種變換域中是稀疏的,那么就可 以通過(guò)一個(gè)測(cè)量矩陣將該信號(hào)從一個(gè)高維空間投影到一個(gè)低維空間上,然后通過(guò)求解一個(gè) 優(yōu)化問(wèn)題,就可以從這些少量的投影中以較高的概率重構(gòu)出原信號(hào),而測(cè)量矩陣與變換基 要滿足不相關(guān)這個(gè)條件。要用壓縮感知理論,前提是被處理的數(shù)據(jù)本身具有稀疏性(或可 壓縮性)或者經(jīng)過(guò)相關(guān)變換在某種變換域具有稀疏性。然而現(xiàn)實(shí)世界中,然而絕大部分?jǐn)?shù) 據(jù)并不是稀疏的,包括性能數(shù)據(jù)。因此需要選擇合理的變換,使性能數(shù)據(jù)在變換域中具有稀 疏性。目前越來(lái)越多的人將小波壓縮方法作為壓縮感知理論的稀疏基,以提高壓縮感知的 效率。
[0004] 壓縮感知的具體步驟主要分為3個(gè)過(guò)程:信號(hào)的稀疏表示、觀測(cè)矩陣的設(shè)計(jì)和重 構(gòu)方法;其中信號(hào)的可稀疏表示是信號(hào)能夠進(jìn)行壓縮感知的先決條件,即只有具有稀疏性 才能進(jìn)行壓縮感知;而觀測(cè)矩陣是獲取信號(hào)結(jié)構(gòu)化表示的手段;重構(gòu)方法是恢復(fù)原始信號(hào) 的保證。重構(gòu)方法作為壓縮感知理論的重要步驟,其方法的好壞直接關(guān)系到原始數(shù)據(jù)重構(gòu) 的精度,方法運(yùn)算時(shí)間的長(zhǎng)短直接決定著壓縮感知理論是否切實(shí)可行。目前已經(jīng)涌現(xiàn)很多 的重構(gòu)方法,但這些方法在重構(gòu)原始數(shù)據(jù)時(shí),大都沒(méi)有考慮稀疏系數(shù)的結(jié)構(gòu)特點(diǎn),如何結(jié)合 稀疏系數(shù)的結(jié)構(gòu)特點(diǎn),提高數(shù)據(jù)重構(gòu)的精度,降低重構(gòu)時(shí)的運(yùn)行時(shí)間,是目前急需解決的問(wèn) 題。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明的目的是,提出一種基于Haar小波樹(shù)的SAMP重構(gòu)方法,能夠提高性能數(shù)據(jù) 的重構(gòu)精度,降低重構(gòu)時(shí)的運(yùn)行時(shí)間。
[0006] 本發(fā)明解決上述技術(shù)問(wèn)題的技術(shù)方案如下:一種基于Haar小波樹(shù)的SAMP重構(gòu)方 法,包括如下步驟:
[0007] 輸入:感知矩陣Θ,測(cè)量向量Y,步長(zhǎng)s。
[0008] 輸出:高頻系數(shù)的近似值W'。
[0009] 步驟一,在采集端,對(duì)采集來(lái)的性能數(shù)據(jù)進(jìn)行Haar小波變換,采用壓縮感知理論 對(duì)小波系數(shù)進(jìn)行稀疏和觀測(cè);
[0010] 步驟二,初始化階段;
[0011] ⑴初始化殘差rQ = Y ;
[0012] ⑵a i為感知矩陣Θ中第i個(gè)列向量;
[0013] (3) Λ為感知矩陣中列下標(biāo)值的集合,初始化為Λ = [1,2,…,N];
[0014] (4) μ丨為添加閾值,μ 2為刪除閾值;
[0015] (5)候選集合Q =[];//候選集合就是多次迭代后選擇出來(lái)的有效原子的下標(biāo)集 合;
[0016] (6)預(yù)先集合sQ =[];//預(yù)選集合是本次迭代選出的有效原子下標(biāo)集合;
[0017] (7)初始化段下標(biāo)stage = 1 ;
[0018] 步驟三,選出第P次迭代的有效原子下標(biāo)集合sp = {max(l, Rn) :Rn| |〈rp a Rn>彡 μ a A I,Λ = A/Ap_J,根據(jù)Haar小波樹(shù)父子節(jié)點(diǎn)索引值的二倍關(guān)系,搜索出 元素對(duì)應(yīng)的小波樹(shù),且將其所有家庭元素的索引值存放在候選集合Cp中,且Cp = Fp_i U Sp ;
[0019] 步驟四,計(jì)算由該候選集合重構(gòu)出來(lái)的高頻系數(shù)的近似值,
[0020] 步驟五,根據(jù)刪除閾值μ 2對(duì)候選集合進(jìn)行裁剪,將需要?jiǎng)h除的列索引值存放在 Γ κ 中,rR = {max(l,Cj): QII WCj lC/C,P2maxC|eCp I WCi 1};
[0021] 步驟六,計(jì)算候選集合和殘差c = Cp/rK,r = Y-0(.0丨?
[0022] if (滿足停止迭代的條件)
[0023] then停止迭代;
[0024] else if(| |rk| |2彡| Ιιν」|2)//第k次殘差的模值大于上次殘差的模值
[0025] (a) stage+ = 1 ;//對(duì)段標(biāo)進(jìn)行更新;
[0026] (b) I = stage Xs ;//對(duì)支撐集的大小進(jìn)行更新;
[0027] else
[0028] (a)Ck = C;//更新支撐集;
[0029] (b)rk = r ;// 更新殘余;
[0030] (c)P+ = 1 ;
[0031] end ;
[0032] end ;
[0033] 最后,通過(guò)小波反變換將低頻分量和重構(gòu)出的高頻分量進(jìn)行小波合并,以恢復(fù)原 始性能數(shù)據(jù)。
[0034] 有效結(jié)果:本發(fā)明提出的方法,能夠提高性能數(shù)據(jù)的重構(gòu)精度和成功的概率,降低 重構(gòu)時(shí)的運(yùn)行時(shí)間。
【專利附圖】
【附圖說(shuō)明】
[0035] 圖1是本發(fā)明的壓縮感知方法流程圖。
[0036] 圖2是數(shù)據(jù)進(jìn)過(guò)Haar小波分解的小波系數(shù)結(jié)構(gòu)圖。
[0037] 圖3是本發(fā)明基于Haar小波樹(shù)的SAMP重構(gòu)方法流程圖。
【具體實(shí)施方式】
[0038] 以下結(jié)合附圖對(duì)本發(fā)明的原理和特征進(jìn)行描述,所舉實(shí)例只用于解釋本發(fā)明,并 非用于限定本發(fā)明的范圍。
[0039] 圖1所示是本發(fā)明的基于Haar小波變換的壓縮感知處理過(guò)程,性能數(shù)據(jù)在壓縮感 知中的處理流程為:
[0040] (1)采集來(lái)的性能數(shù)據(jù),經(jīng)過(guò)Haar小波多層分解,將原始性能數(shù)據(jù)分解為低頻分 量和商頻分量?jī)刹糠帧?br>
[0041] (2)低頻分量不具有稀疏性,因此不做壓縮處理,高頻分量含有大量的小值(即無(wú) 用信息),具有稀疏性,可以采用壓縮感知進(jìn)行處理。
[0042] (3)采用隨機(jī)高斯矩陣作為測(cè)量矩陣,對(duì)高頻分量進(jìn)行觀測(cè),得到高頻系數(shù)的觀測(cè) 值。
[0043] (4)接收端對(duì)高頻系數(shù)觀測(cè)值采用基于Haar小波樹(shù)的SAMP重構(gòu)方法,進(jìn)行重構(gòu)運(yùn) 算,得到高頻系數(shù)的近似值。
[0044] (5)重構(gòu)出的高頻系數(shù)并不是接收端想要存儲(chǔ)的最終數(shù)據(jù),接收端想要存儲(chǔ)的是 性能數(shù)據(jù),所以在對(duì)高頻系數(shù)進(jìn)行重構(gòu)的基礎(chǔ)上,還需通過(guò)小波反變換將低頻和重構(gòu)出的 高頻進(jìn)行小波合并,以恢復(fù)原始性能數(shù)據(jù)。
[0045] 圖2所示是數(shù)據(jù)經(jīng)過(guò)Haar小波分解后,小波系數(shù)結(jié)構(gòu)圖。從圖中可以看出小波系 數(shù)可以組成連通樹(shù)的模型,其中黑色節(jié)點(diǎn)表示的是稀疏系數(shù)在小波基下的大值數(shù)(對(duì)重構(gòu) 有重要作用的數(shù)),白色節(jié)點(diǎn)表示的是稀疏系數(shù)在小波基下的小值數(shù)(近似為〇的數(shù))。由 大值數(shù)組成的集合可以形成一個(gè)有根節(jié)點(diǎn)的連通樹(shù),若小波樹(shù)中任一個(gè)系數(shù)Wu屬于大值 集合,那么它的父節(jié)點(diǎn)Wi-^也必然屬于大值集合。
[0046] 因此本文選擇將Haar小波樹(shù)和SAMP重構(gòu)方法相結(jié)合,使得每次迭代時(shí)選出多個(gè) 具有父子關(guān)系的原子,大大降低重構(gòu)時(shí)間。當(dāng)小波系數(shù)沿樹(shù)根向下單調(diào)遞減時(shí),通過(guò)小波 樹(shù)可以快速找到準(zhǔn)確的估計(jì)值,而當(dāng)小波系數(shù)不是單點(diǎn)遞減時(shí),若選擇某個(gè)遠(yuǎn)離樹(shù)根的小 波系數(shù),則其父節(jié)點(diǎn)系數(shù)也會(huì)被選取,而這些父節(jié)點(diǎn)系數(shù)可能是小值,這樣會(huì)造成選擇的有 效原子具有很大誤差,針對(duì)此問(wèn)題,本文引入添加閾值Pi和刪除閾值μ 2,通過(guò)Pi來(lái)控制 每次迭代選出的原子的個(gè)數(shù),防止選擇很多無(wú)用原子,通過(guò)μ 2來(lái)刪除已經(jīng)選出的無(wú)用的原 子。
[0047] 下面給出本發(fā)明的具體實(shí)施案例:
[0048] 由于性能數(shù)據(jù)不具有稀疏性,不滿足壓縮感知應(yīng)用的需求,因此本文方法首先采 用Haar小波變換對(duì)性能數(shù)據(jù)進(jìn)行分解,得到低頻分量和高頻分量。由于低頻分量不具有稀 疏性,因此保留此部分?jǐn)?shù)據(jù)并直接傳輸?shù)椒?wù)器端;而高頻部分具有稀疏性,滿足壓縮感知 的要求,因此采用高斯隨機(jī)測(cè)量矩陣對(duì)高頻系數(shù)進(jìn)行降維處理,得到少數(shù)測(cè)量值,此時(shí)只要 傳輸這些測(cè)量值即可。測(cè)量值到達(dá)服務(wù)器端時(shí),本文將SAMP重構(gòu)方法和高頻系數(shù)樹(shù)形結(jié)構(gòu) 的特性相結(jié)合,對(duì)高頻分量進(jìn)行重構(gòu),最后將重構(gòu)出的高頻分量和直接傳輸?shù)牡皖l分量進(jìn) 行小波反變換,以重構(gòu)出原始性能數(shù)據(jù)。具體實(shí)施過(guò)程如下:
[0049] (1)采集來(lái)的Μ種屬性的性能數(shù)據(jù)X2,…,XM,分別進(jìn)行4級(jí)小波分解,每一種 屬性的數(shù)據(jù)分解得到1024個(gè)低頻分量V= [Vy v2,…,Vi,…,v1(l24]和15400個(gè)高頻 分量WiliwpWy "^Wj,兩部分。低頻分量不做壓縮處理,第i種屬性的性能數(shù) 據(jù)表示為 其中,1= ,…,w i>N]。
[0050] (2)由于高頻系數(shù)具有稀疏性,因此稀疏基Ψ為NXN的單位矩陣,其中N = 15400,高頻系數(shù)用稀疏基Ψ線性表示為W= VW。采用隨機(jī)高斯矩陣作為測(cè)量矩陣,并設(shè) 為 Φ e RMXN,M〈〈N,¢ = ^ φ2,Κ,φ,.,]τ,φ,ΗΘ,.,,θ,.:丄 Θ,.、]1,利用該矩陣中 Μ個(gè)行向量 對(duì)高頻系數(shù)W進(jìn)行投影,即計(jì)算W和叭(i = 1,2···,Μ)之間的內(nèi)積,得到觀測(cè)值Y= [yi, 又2,…,Υμ]Τ,即γ = =小VW = ?w,θ為感知矩陣。
[0051] (3)已知稀疏基Ψ、測(cè)量矩陣Φ和觀測(cè)值Υ,采用改進(jìn)的基于Haar小波樹(shù)的SAMP 重構(gòu)方法如圖3,重構(gòu)出高頻系數(shù)w' = ψΗφΗγΥ。
[0052] (4)壓縮感知只是重構(gòu)出高頻系數(shù),在接收端還需要通過(guò)Haar小波反變換對(duì)低頻 系數(shù)和高頻系數(shù)進(jìn)行重構(gòu),以恢復(fù)原始的性能數(shù)據(jù)。Haar小波反變換的實(shí)現(xiàn)過(guò)程如下所 示:
[0053] 輸入:商頻重構(gòu)分量和低頻分量
[0054] 輸出:恢復(fù)的性能數(shù)據(jù)X '
[0055] For(k = 2 ;k ^ N ;k = k/2)
[0056] {for(i = 0 ;i<k/2 ;i++)
[0057] {t[2i] = w[i]+w[i+k/2];
[0058] t[2i+l] = w[i]-w[i+k/2] ;}
[0059] for (i = 0 ;i<k ;i++)
[0060] w[i] = t[i] ;}
[0061] 本發(fā)明不同于原有的壓縮重構(gòu)方法之處在于:本發(fā)明提出的改進(jìn)方法應(yīng)用于異構(gòu) 網(wǎng)絡(luò)環(huán)境中,去除性能數(shù)據(jù)間的冗余性;且本發(fā)明的改進(jìn)方法采用基于Haar小波樹(shù)的SAMP 重構(gòu)方法,迭代運(yùn)算時(shí)根據(jù)小波樹(shù)結(jié)構(gòu)特點(diǎn),可以選取多個(gè)有效原子,降低了迭代運(yùn)算時(shí) 間,同時(shí)引入添加閾值和刪除閾值,控制每次迭代選取的原子個(gè)數(shù),使得原子選擇更有效, 提高了重構(gòu)的精度和成功重構(gòu)的概率。
【權(quán)利要求】
1. 一種基于Haar小波樹(shù)的SAMP重構(gòu)方法,其特征在于包括如下步驟: 步驟一,選定Haar小波變換,得到原始性能數(shù)據(jù)的稀疏系數(shù); 步驟二,初始化候選集合、添加閾值和刪除閾值等; 步驟三,根據(jù)Haar小波樹(shù)父子節(jié)點(diǎn)索引值的二倍關(guān)系,搜索出元素對(duì)應(yīng)的小波樹(shù),且 將其所有家庭元素的索引值存放在候選集合中; 步驟四,計(jì)算由該候選集合重構(gòu)出來(lái)的高頻系數(shù)的近似值; 步驟五,根據(jù)刪除閾值對(duì)候選集合進(jìn)行裁剪,將需要?jiǎng)h除的列索引值存放在rK中,通 過(guò)添加閾值來(lái)控制每次迭代選出的原子個(gè)數(shù); 步驟六,通過(guò)小波反變換將低頻分量和重構(gòu)出的高頻分量進(jìn)行小波合并,以恢復(fù)原始 性能數(shù)據(jù)。
2. 根據(jù)權(quán)利要求1所述的一種基于Haar小波樹(shù)的SAMP重構(gòu)方法,其特征在于,在所述 步驟三中,本方法每次迭代時(shí)選出多個(gè)具有父子關(guān)系的原子,按如下公式計(jì)算原始性能數(shù) 據(jù)經(jīng)過(guò)L次小波分解:
小波基包含擴(kuò)展函數(shù)和小波函數(shù),其中Y為擴(kuò)展函數(shù),vi;j為尺度i,偏移為j的小波 函數(shù),小波變換得到的系數(shù)由擴(kuò)展系數(shù)%和小波系數(shù)Wu組成;通過(guò)分析可以得出,信號(hào) 的小波系數(shù)具有樹(shù)形結(jié)構(gòu),小波樹(shù)中任一個(gè)系數(shù)Wu屬于大值集合,即有用值,那么它的父 節(jié)點(diǎn)
也必然屬于大值集合。
3. 根據(jù)權(quán)利要求1所述的一種基于基于Haar小波樹(shù)的SAMP重構(gòu)方法,其特征在于,在 所述步驟五中,按如下公式將需要?jiǎng)h除的列索引值存放在rK中:
其中U2為刪除閾值,Cp為候選集合,當(dāng)小波系數(shù)不是單點(diǎn)遞減時(shí),若選擇某個(gè)遠(yuǎn)離樹(shù) 根的小波系數(shù),則其父節(jié)點(diǎn)系數(shù)也會(huì)被選取,而這些父節(jié)點(diǎn)系數(shù)可能是小值,這樣會(huì)造成選 擇的有效原子具有很大誤差,通過(guò)U2來(lái)刪除已經(jīng)選出的無(wú)用的原子,防止選擇很多無(wú)用原 子。
【文檔編號(hào)】H03M7/30GK104242947SQ201410423005
【公開(kāi)日】2014年12月24日 申請(qǐng)日期:2014年8月25日 優(yōu)先權(quán)日:2014年8月25日
【發(fā)明者】楊建東, 張登銀, 李秀云, 陳磊 申請(qǐng)人:南京郵電大學(xué)