一种传感器网络图结构学习方法技术

一种传感器网络图结构学习方法，将传感器网络中的观测数据转换成数据矩阵；建立平稳图信号表示模型；将建立得到的平稳信号模型作为输入经过一个图滤波器来与观测数据进行拟合；根据图信号学习框架将信号去噪问题表述为平滑信号正则化问题，从而使信号具有全局平滑性；利用ADMM方法将带约束的优化问题得到求解，使用交替优化的思想，求解得到滤波器系数、图结构及输入的平稳信号；调整参数来控制学习得到的图结构拉普拉斯矩阵的稀疏性，删去加权值小的边，从而学习出准确的图结构。本方法解决了在图信号数目不多的情况下的传感器网络图学习问题，采用对输入的平稳信号引入全局平滑性的方法，从而在观测数据中学习推断得到更加准确的图结构信息。加准确的图结构信息。加准确的图结构信息。

【技术实现步骤摘要】
一种传感器网络图结构学习方法


[0001]本专利技术涉及图信号处理领域，具体是涉及一种传感器网络图结构学习方法。

技术介绍

[0002]传感器网络，是由许多在空间上分布的自动装置组成的一种计算机网络，这些装置使用传感器协作地监控不同位置的物理或环境状况。图(Graphs)，也可以称之为网络，可以从现实关系中的各个大量实体之中提取。一些比较常见的图被用来描述不同的关系。除了传感器网络之外还可以应用于生物网络、交通网络、社交网络、引用网络等。
[0003]现代数据处理的任务通常是处理结构化的数据，图被用作描述此类数据结构的数学工具。它们提供了一种灵活的方式来表示数据实体之间的关系。将此类数据称之为图信号，图信号的信号值定义在加权无向图的顶点集上。而图学习，一般来说是指对图的机器学习。图学习的方法是将图的属性映射到具有相同维数的特征向量的空间中去。图学习的目标是提取图的期望特征。因此，图的表示可以很容易地用于下游任务，如节点分类和链接预测，而无需显式嵌入过程。所以，图学习是一种更强大、更有意义的图分析技术。
[0004]图学习中，图可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种传感器网络图结构学习方法，其特征在于：所述方法的步骤如下：步骤1、将传感器网络中M组N个节点的观测数据转换成数据矩阵Y∈R
N
×
M
；步骤2、在因子分析模型的基础上，建立平稳图信号表示模型；步骤3、将建立得到的平稳信号模型作为输入经过一个图滤波器；步骤4、根据数据矩阵Y和平稳图信号表示模型，根据图信号学习框架将信号去噪问题表述为平滑信号正则化问题，从而使信号具有全局平滑性；步骤5、利用ADMM方法将带约束的优化问题得到求解，使用交替优化的思想，求解得到滤波器系数、图结构及输入的平稳信号；步骤6、调整参数来控制学习得到的图结构拉普拉斯矩阵的稀疏性，删去加权值小的边，从而学习出准确的图结构。2.根据权利要求1所述的一种传感器网络图结构学习方法，其特征在于：输入平稳图信号的表达式为：X＝HC+u
x
其中C为平稳信号，定义为协方差矩阵为∑
c
＝E[cc
T
]＝I的零均值图信号；H为FIR图滤波器，u
x
为信号X的均值。3.根据权利要求1所述的一种传感器网络图结构学习方法，其特征在于：步骤3中，FIR图滤波器的表达式为：其中h
k
为图滤波器的系数，矩阵S为图移位算子，α
k
为滤波器系数，k是滤波器阶数。4.根据权利要求1所述的一种传感器网络图结构学习方法，其特征在于：步骤4中，平稳图信号学习问题表述为平稳且平滑信号正则化稀疏问题，对输入信号进行操作，学习得到图结构，其步骤为：步骤4
‑
1、在图学习背景下，将图移位算子S作为拉普拉斯矩阵L，实现平稳信号的扩散；步骤4
‑
2、将通过FIR滤波器的输入信号X与观测数据矩阵Y作最小二乘估计拟合，以去除噪声；步骤4
‑
3、将图学习问题施加以平滑性以及稀疏性约束，来控制学习得到的图拉普拉斯矩阵；其中α和β是调整学习得到的拉普拉斯矩阵的参数，控制平滑性和稀疏性的尺度；tr是trace的缩写，表示求矩阵的迹；

【专利技术属性】
技术研发人员：刘家沛，王保云，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：