【技术实现步骤摘要】
本专利技术涉及网络数据处理，尤其涉及一种基于低复杂度簇的图采样重构方法、装置、介质和设备。
技术介绍
1、近年来，社会、能源、交通、传感器网络等非规范领域对信号和信息处理的需求越来越大。这些不规则领域的数据工程师面临着应对快速增长的数据量的挑战。这一问题需要新的技术和算法，并且在图上的信号处理方面兴起了研究。目前已经提出了几种较好的方案，例如，h.zhao利用图傅里叶变换提出了一种基于广义最大熵准则的可变参数最小均方重构算法，该算法对自适应滤波中的脉冲噪声具有较强的鲁棒性。s.rey-escudero使用聚合抽样方案分析了在单个顶点采集的观测数据中扩散稀疏图信号的抽样和后验恢复。f.wang提出了一种基于循环gershgorin圆盘移位的矩阵补全图采样策略，选取样本使系数矩阵的最小特征值最大化。然而，现有的图采样和重构策略往往关注于采样阶段的效率和重构阶段的准确性，以上方案为了保持收敛速度导致子采样集中的顶点数量过多，计算和存储开销较大。
2、为此，亟需提供一种新的策略来进行采样与重构，以改善上述问题。
技术实现思路
1、本专利技术的目的在于提供一种基于低复杂度簇的图采样重构方法、装置、介质和设备，在不降低重构收敛率的同时，提高采样和重构的效率。
2、本专利技术提供一种基于低复杂度簇的图采样重构方法，所述方法包括：获取图结构，所述图结构包括顶点、顶点之间的边和顶点的度信息，所述图结构用于描述图信号数据集合中数据元素之间的关系；通过最大度聚类算法将图结构划分为
3、在一种可能的实施例中，根据图结构的顶点的度信息，通过最大度聚类算法将图结构分为采样旋转层的顶点集和动态调整层的顶点集；基于所述采样旋转层，旋转采样顶点将图结构划分为若干不相交的簇，形成采样集；基于动态调整层，在当前采样集的重建性能不符合完全重构的条件时，将簇间孤立顶点添加到当前采样集中，形成更新后的采样集。
4、在一种可能的实施例中，根据顶点的度信息，通过最大度聚类算法将图结构分为采样旋转层的顶点集和动态调整层的顶点集，包括如下步骤：
5、将图顶点集合v，图度向量d，顶点集合v的基数n作为输入；将基数计数器i和j初始化为0；当d≠0时，在图中寻找一个度最大的顶点u，服从更新采样旋转层的基数计数器i，i＝i+1；更新采样旋转层的顶点集合ss，服从ss＝ss∪{u}；获取u的相邻顶点集合sn，服从sn＝{v∈v|(u,v)∈e}；更新动态调整层的基数计数器j，j＝j+|sn|；从图结构中移除ss和sn中的顶点，服从v＝v\{p|p∈{sss,n}}；从图结构中移除ss和sn中的边，服从e＝e\{(p,q)∈e|p∈{ss,sa},q∈v}；更新图结构g,g＝g(v,e)；当v≠0并且i+j＜n时，更新动态调整层的顶点集合，服从sd＝sd∪v；输出采样旋转层的顶点集ss，动态调整层的顶点集sd，相邻顶点集sn。
6、在一种可能的实施例中，利用迭代残差重构算法对采样集进行处理，包括：
7、确定迭代残差重构算法中的残差赋值算子和残差均衡算子；基于所述残差赋值算子在每个迭代重构步骤中将簇内采样顶点的残差分配给簇内冗余顶点；
8、基于所述残差均衡算子计算簇间孤立顶点的均衡残差，得到孤立顶点的重构残差。
9、所述迭代残差重构算法包括以下步骤：
10、如果则
11、否则
12、其中f和f-1表示图形傅里叶变换和图形傅里叶逆变换，表示与采样集相关的第k次重构残差，pa表示残差赋值算子；pe表示残差均衡算子；pω表示图截断算子，fk表示第k次重构图信号，服从表示采样算子。
13、在一种可能的实施例中，所述原始图信号的图截止频率满足如下公式：
14、
15、其中，ω表示图截止频率，θ表示度参数，服从sa表示采样集的顶点集，d(u)表示顶点u的度信息，jmax和α表示采样参数，dmax表示图结构中顶点度信息的最大值。
16、第二方面，本申请实施例提供一种电子设备，包括处理器和存储器。其中，存储器用于存储一个或多个计算机程序；当存储器存储的一个或多个计算机程序被处理器执行时，使得该电子设备能够实现上述第一方面中的任意一种可能的设计的方法。
17、第三方面，本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质包括计算机程序，当计算机程序在电子设备上运行时，使得所述电子设备执行上述第一方面中的任意一种可能的设计的方法。
18、第四方面，本申请实施例还提供一种包含计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行上述第一方面中的任意一种可能的设计的方法。
19、本专利技术提供的基于低复杂度簇的图采样重构方法、装置、介质和设备的有益效果在于：通过引入最大度聚类算法将图结构划分为若干不相交的簇，该最大度聚类算法利用顶点的度信息进行划分，降低了计算的复杂度；另外制定迭代残差重构算法，该算法将重构残差从采样顶点扩散到簇内相邻的未采样顶点，提高了重构阶段的准确性；通过将不同的簇中的重构残差均衡到孤立的顶点，使得信号恢复更加均匀，避免了簇间的不均衡；可见，该图采样重构方法通过优化采样和重构过程，降低了采样率，延长网络寿命和分散维护时间的策略，提高了效率，在重建性能、对经典图结构的鲁棒性、子采样率的灵敏度、对顶点数量的鲁棒性以及图的截止频率边界方面均具有有效性。
本文档来自技高网...【技术保护点】
1.一种基于低复杂度簇的图采样重构方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过最大度聚类算法将图结构划分为若干不相交的簇，形成采样集，包括：
3.根据权利要求2所述的方法，其特征在于，根据顶点的度信息，通过最大度聚类算法将图结构分为采样旋转层的顶点集和动态调整层的顶点集，包括如下步骤：
4.根据权利要求3所述的方法，其特征在于，利用迭代残差重构算法对采样集进行处理，包括：
5.根据权利要求4所述的方法，其特征在于，所述迭代残差重构算法包括如下步骤：
6.根据权利要求4所述的方法，其特征在于，所述原始图信号的图截止频率满足如下公式：
7.一种基于低复杂度簇的图采样重构装置，其特征在于，包括：
8.根据权利要求7所述的装置，其特征在于，所述采样单元通过最大度聚类算法将图结构划分为若干不相交的簇，形成采样集，具体用于：
9.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的
10.一种电子设备，包括处理器和存储器，其特征在于，所述存储器用于存储一个或多个计算机程序；当存储器存储的一个或多个计算机程序被处理器执行时，使得该电子设备能够实现如权利要求1至6中任一项所述的方法。
...【技术特征摘要】
1.一种基于低复杂度簇的图采样重构方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过最大度聚类算法将图结构划分为若干不相交的簇，形成采样集，包括：
3.根据权利要求2所述的方法，其特征在于，根据顶点的度信息，通过最大度聚类算法将图结构分为采样旋转层的顶点集和动态调整层的顶点集，包括如下步骤：
4.根据权利要求3所述的方法，其特征在于，利用迭代残差重构算法对采样集进行处理，包括：
5.根据权利要求4所述的方法，其特征在于，所述迭代残差重构算法包括如下步骤：
6.根据权利要求4所述的方法，其特征在于，所述原始图信号的图截止频...
【专利技术属性】
技术研发人员：杨立山，王学振，白成林，许恒迎，张义宁，潘丹萍，崔圆浩，王桂珍，李朋飞，
申请(专利权)人：聊城大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。