Effizient Signale erfassen
Compressed Sensing (CS) ist ein neuer Ansatz der digitalen Datenerfassung im Bereich der Bildverarbeitung. Hier werden analoge Signale digitalisiert und nicht durch einheitliche Probenahme, sondern durch Messungen unter Nutzung allgemeinerer Testfunktionen bearbeitet. Das EU-finanzierte Projekt "Compressive data acquisition and processing techniques for sensing applications" (COMPSENSE)(öffnet in neuem Fenster) entwickelte neuartige Datenerfassungs- und Bildgebungsverfahren für aufkommende CS-Systeme. Da Oberflächenreflexionen bei der CS-Bildgebung unterhalb der Oberfläche ein großes Problem darstellen, konzipierten die Wissenschaftler ein einfaches Verfahren, bei dem komprimierte Messungen für nichtebene Oberflächen zur Anwendung kommen. Diese Bildverarbeitungsmethode erwies sich als zuverlässiger. Mit ihrer Hilfe konnten flache Ziele unter Einsatz entfernter Oberflächenreflexionsdaten gefunden werden. Das Projekt präsentierte ein neuartiges Sparse-Bodenradar-Bildgebungsverfahren, das für Off-Grid-Ziele sehr effektiv ist. Das vorgeschlagene Verfahren beruht auf einem iterativen OMP-Algorithmus (Orthogonal Matching Pursuit), der gradientenbasierte Iterationen des am steilsten ansteigenden Typs verwendet, um das Ziel zu lokalisieren. Im Vergleich zu Sparse-Standardrekonstruktionsverfahren (standard sparse reconstruction) wurden zuverlässigere Resultate für mehrere Off-Grid-Ziele und das mit wesentlich weniger Rekonstruktionsfehlern erzielt. Überdies führte ein neuartiger OMP-Störungsalgorithmus eine kontrollierte Störung ausgewählter Stützvektoren durch, um den orthogonalen Rest bei jeder Iteration zu vermindern. Im Zusammenhang mit Multisensor- und Distributed Compressive Sensing entwickelte das Projektteam eine weitere neue Methode zur Schätzung der Ankunftsrichtung auf Grundlage komprimierter Messungen. Andere Verfahren zur Detektierung und Abschätzung beinhalteten die direkte Erfassung von CS-Daten, das Extrahieren von Merkmalen oder Erzeugen von Daten, ohne zuerst das Signal zu rekonstruieren. Die Arbeit wurde außerdem auf die Analyse der CS-Energieeffizienz bei drahtlosen Sensornetzwerken (Wireless Sensor Network, WSN) ausgerichtet. Es wurden sowohl für CS- als auch für konventionelle Ansätze Energiedissipationsmodelle erstellt und eingesetzt, um einen gemischt-ganzzahligen Programmierungsrahmen zu bilden, der die Energiekosten zusammen erfasste. Die numerische Analyse ergab, dass CS die Netzwerklebensdauer für Sparse-Signale verlängerte und für drahtlose Sensornetzwerke mit einem kleinen Empfangsgebiet vorteilhafter war. Das Projektteam veröffentlichte mehrere Artikel in Fachjournalen und Konferenzberichten sowie veranstaltete überdies Präsentationen bei Workshops oder auf Seminaren. Eine Publikationsliste ist auf der Internetseite des Projekts zu finden.
Schlüsselbegriffe
Signalerfassung, Fernerkundung, Big Data, Compressed Sensing, Datenerfassung, Sensorikanwendungen, bildgebende Verfahren, Oberflächenreflexion, Orthogonal Matching Pursuit, Multisensor, Distributed Compressive Sensing, drahtlose Sensornetzwerke
