中文摘要：

)为实现对早期火灾的预测，在监测区域密布感知传感器是必须的，因此利用无线传感网络构建火灾监测系统成为必然的选择。为避免网络中大量测量数据传输产生的功耗，带宽限制，节点存储空间等问题，提高网络的传输效率。本项目基于无线传感网络节点感知数据的时空相关性，提出早期火灾信息缩感知识别研究。项目以基于高性能超小波的压缩感知为理论研究内容，开展火灾信息分布式压缩感知（Distributed Compressed Sensing ，DCS）识别研究，利用超小波在多尺度关联域内的小波系数正交特性，将移不变性质应用到小波框架之上，通过研究火灾信息的稀疏表示性能和随机映射构造压缩感知方法，探索获得最佳系数的优化方法，揭示基于火灾信息最佳系数表示的随机映射表示方法的规律，研究建立一个新的DCS 系统架构与方案，对火灾信息的DCS 处理，实现对早期火灾信息的识别与源点定位。

结论摘要：

众多的自然灾害中，火灾是常发性、破坏性和影响力最强的灾害之一。因此，在火灾的早期发生阶段就能识别火灾类型与燃点位置，对尽快扑灭火灾是非常重要的，为了火灾监控不留死角，采用密集布置传感器是必须的。对于一个包含大量传感器节点的火灾监测无线传感器网络(WSN)，每个传感器都会采集大量的数据，数据传输对功耗和带宽的需求非常大，如何利用WSN节点感知数据的时空相关性及冗余特性对分布式信号进行压缩以减少通信压力，从而满足基于感知应用的WSN的QoS(服务质量)要求，成为非常紧迫的需求。 本项目首先开展基于WSN的早期火灾信息压缩感知基本框架与方案的研究，结合图论中二部图思想，将不平衡扩展模型应用在分布式压缩感知上，建立一个新的火灾信息分布式压缩感知系统模型框架，并设计出一种与该架构相对应的分布式算法，该算法通过一个列稀疏度确定的稀疏随机二值矩阵决定节点之间是否实现数据传输，从而将传输和计算任务平均分散在各个节点，并利用二阶锥形规划法对融合中心的数据进行重构；研究还针对已有块稀疏信号贪婪算法存在的问题，提出一种正则化的自适应分布式压缩感知恢复算法，该算法主要在块稀疏度未知的前提下，基于正则化的思想进行块挑选，从而更正确地挑选出块信号的支撑块，实现分布式压缩感知信号的重构；针对无线传感网络中目标源点动态变化覆盖优化问题，研究利用多个节点协同工作方式实现对目标源点的监测，采用新的信息覆盖模型，提出了一种基于失败概率的信息覆盖集启发式算法，该算法首先利用最佳线性无偏估计找出一切可行的信息覆盖单元，进而采用基于能耗指标和监测失败概率指标的综合优化函数动态选择监测节点，并以用户设定的网络最大失败概率为依据构造覆盖子集，获得的覆盖子集在各时间段内被依次唤醒，执行网络监测任务；在火灾源点的定位问题中，利用传感器探测信号的延时差，构建斜风场中的气体浓度衰减模型，利用空间分布传感器实现对火源点进行定位；同时提出一种分布式自适应偏转次梯度投影定位算法，完成对早期火灾源点的准确定位和强度的定量估计，该算法以有风时气体浓度衰减模型为基础，利用偏转次梯度方向代替原次梯度，以偏转次梯度投影的超平面作为搜索区域来进行松弛投影，对节点获取的气体浓度信息进行分布式计算，从而估计出气体源点位置及强度。 总之，以上研究不仅节省WSN的带宽资源与效率，满足基于感知应用的WSN的QoS(服务质