结构健康监测中信号的鲁棒贝叶斯压缩感知

在结构健康监测系统中，通常会产生大量数据，需要数据压缩技术来降低信号传输和存储的成本。压缩感知是一种新颖的数据采集方法，其中压缩在传感器中与采样同时进行。如果原始传感信号在某个基下足够稀疏，则解压缩可以在达到某个临界压缩比之前基本完美地完成。本文研究了一种贝叶斯压缩感知方法，该方法使用稀疏贝叶斯学习从压缩传感器重建信号。通过显式量化重建信号中的不确定性，BCS技术相比现有的正则化范数最小化CS方法（仅提供单一信号估计）显示出明显优势。然而，当前的BCS算法存在鲁棒性问题：当测量数量远小于准确捕获信号所需的信号自由度时，重建误差有时非常大。本文提出了对BCS重建方法的改进，以增强其鲁棒性，从而可以使用更高的压缩比，并研究了高效压缩数据与准确解压缩之间的权衡。使用合成数据和从桥梁SHM系统收集的实际加速度数据作为示例。与最先进的BCS重建算法相比，改进的BCS算法表现出优越的性能。在相同的重建误差下，所提出的BCS算法可以在相对较大的压缩比下工作，并且可以在相当高的压缩比下实现完美的无损压缩性能。此外，信号重建的误差条也得到了有效量化。