1.一种融合字典训练与观测矩阵优化的数据高质压缩方法,其特征在于,包括如下步骤:步骤(1)构建一种工业物联网用的雾协助三层网络架构,所述三层网络架构自下而上包括感知层、雾层和云层,各层级相互连通;在所述感知层中设有N个工业节点,在所述雾层中设有k个雾节点,在所述云层中设有1个云节点;
所述N个工业节点在监测区域内随机分布,各工业节点负责在固定周期内收集L个数据片段,进行分簇和数据采样;
所述k个雾节点对数据进行预处理;所述预处理包括观测矩阵的优化、数据压缩和将压缩数据转发到云节点;
所述云节点进行存储和执行数据恢复操作,字典训练以及字典与观测矩阵之间的权衡;
步骤(2)基于K‑SVD思想的二维字典训练,实现IIoT中空时数据的稀疏表示;
步骤(3)在空间和时间域进行相应的观测矩阵优化,最小化感知矩阵的列相干性,匹配训练后的稀疏字典;
步骤(4)提出一种观测矩阵与稀疏字典的联合优化方法,在字典训练以及观测矩阵优化之间进行权衡考量,使得重构误差达到理论上的最小值。
2.根据权利要求1所述的融合字典训练与观测矩阵优化的数据高质压缩方法,其特征在于,所述步骤(2)中,基于K‑SVD思想的二维字典训练方法具体包括如下内容:(2.1)在给定训练字典的情况下,重新设计空时域的观测矩阵,替换随机高斯矩阵,使列相干性达到最小:把原始数据作为两个训练数据集,分别为空间域的Xs和时间域的Xt;考虑到空时域字典kP×L训练的相似性,对空间数据集Xs∈R 的训练进行介绍;其中P表示每个雾节点所覆盖的工业节点数、L表示工业节点在固定周期内收集的数据片段数量;
空间字典训练的目标是求解如下优化问题:
其中,Ψs是目标稀疏字典,Θs是相关系数矩阵,S是稀疏约束,用于保证每个稀疏表示θs,i包含的非零项不超过S;
(2.2)稀疏编码和K‑SVD字典更新:
(2.2.1)稀疏编码:使用追踪算法,计算每个xs,i的表示向量θs,i:其中,k表示迭代次数;
(k‑1)
(2.2.2)K‑SVD字典更新:更新字典Ψ≡Ψ 中的每一列j0=1,2,...,K;首先用元素定义样本数据的集合,表示如下:其次,计算总体误差表示矩阵
其中, 是系数矩阵 第j行;
然后,仅选择与 对应的列来限制 从而得到 通过SVD后, 更新字典元素 并且, 表示成:
(2.2.3)执行以上两个阶段操作后,对循环次数k加1,然后重复稀疏编码和字典更新,直到训练字典收敛到稳定值。
3.根据权利要求2所述融合字典训练与观测矩阵优化的数据高质压缩方法,其特征在于,所述步骤(2)中,还包括一种设计观测矩阵优化方法,具体包括如下内容:将稀疏表示表示为:
分别定义空间等效传感矩阵As以及时间等效传感矩阵At,所述As=ΦsΨs,At=ΦtΨt,上述公式转换为:T T
其中y=vec(Y),θ=vec(Θ);
对As和At分别进行优化,如下:
采用等角紧框架最小化μ(As)和μ(At)的值。
4.根据权利要求3所述的融合字典训练与观测矩阵优化的数据高质压缩方法,其特征在于,所述步骤(4)中,提出一种观测矩阵与稀疏字典的联合优化方法,具体包括如下内容:kP×L
其中,Xs∈R 是原始空间训练数据,α是控制 的误差的权重因子,范围在(0,1)之间;Ys是Xs在观测矩阵Φs下的投影,即Ys=ΦsXs;
将上述公式表示成如下形式:
其中,
(4.1)给定初始化的Φs和Ψs的值;
(4.2)通过CoSaMP算法对观测矩阵Φs进行优化;
(4.3)通过K‑SVD方法得到WΨs,利用优化后的观测矩阵Φs,从WΨs中计算出稀疏字典Ψs;
(4.4)自适应地组合稀疏字典Ψs中一些相似度较高的列:先对由Ψs构成的Gram矩阵中的所有非对角元素的绝对值进行排序,然后标记矩阵中最大的t%,t为一个阈值,若Gram矩阵中的元素gij被标记,则更新字典Ψs中的值:其中,ψi和ψj均代表Ψs的列,抛弃ψj;
通过执行步骤(4.2)至(4.4)完成一次迭代,计算出的训练字典Ψs,用于下一次迭代,来得到优化观测矩阵 并且同时得到训练字典 重复多次,直到达到停止标准。
5.根据权利要求1所述的融合字典训练与观测矩阵优化的数据高质压缩方法,其特征在于,所述步骤(4)中,采用压缩采样匹配跟踪算法进行数据重构。