[0049] 所述压缩感知技术使用的测量矩阵是一个M行N列的矩阵，该矩阵每行随机选择一个位置的元素设为1，其余位置的元素设为0。
[0050] 通过测量向量进行数据重构，当重构的数据 满足条件 时，则表示样本数据能够被精确重建，对于N个传感器节点确定数据精确重建的Mmin，Mmin表示最少测量次数。若重构的数据 时，则表示样本数据未能被精确重建，逐渐增加M值，再通过压缩感知技术确定对应的测量向量，进行数据重构直至确定Mmin。
[0051] 将Mmin表示成N与k的函数关系式Mmin＝aklog(N/k+b)+c，其中a，b，c是参数。
[0052] 为确定函数关系式中参数的具体值，所述根据数值稀疏度与传感器节点数量确定对应传感器节点数量的最少测量次数，包括：
[0053] 从样本数据中选取不同数量传感器节点的数据分别进行压缩，得到对应的测量向量，通过测量向量对各传感器节点的数据进行重构，确定不同数量传感器节点对应的最少测量次数；
[0054] 从x中随机选取N0(N0≤N)个传感器节点的样本数据x0，计算得到样本数据x0的稀疏变换矩阵U0和数值稀疏度k0，令M值从2k0 log(N0/k0)开始进行实验，对于每个M值生成一个M行N0列的测量矩阵，所述测量矩阵每行随机选择一个元素设为1，其余元素设为0，确定对应N0个传感器节点的样本数据x0精准重建的Mmin；
[0055] 通过改变N0进行重复实验，标定不同N0值对应的Mmin。
[0056] 通过蒙特卡罗实验对若干最小测量次数进行曲线拟合，确定数值稀疏度、传感器节点与最少测量次数的函数关系式；
[0057] 通过曲线拟合确定函数关系式Mmin＝aklog(N/k+b)+c中a、b、c的值。
[0058] 将数值稀疏度与传感器节点数量代入函数关系式计算得到对应传感器节点数量的最少测量次数。
[0059] 步骤三、对所有传感器节点进行分簇并确定每个簇的簇头，所述最小分簇数等于最少测量次数，所述最少测量次数即为无人机单次飞行的最小采集次数；
[0060] 在具体实施方式中，每个簇选取距离该簇中心最小的传感器节点作为簇头。
[0061] 步骤四、设定无人机以汇聚节点为起点，以各簇头为停靠点，以汇聚节点为终点的数据采集路径，进行最优路径规划；
[0062] 通过建立注意力机制序列模型(Transformer)进行强化学习训练，最小化无人机单次飞行的总路径长度，采用训练的Transformer模型进行无人机最优路径规划。
[0063] 所述Transformer模型包括编码器和解码器，所述编码器由一个嵌入层和六个相同的编码层组成，每个编码层包括多头注意力机制 残差连接、批归一化BN和前馈神经网络FF。所述解码器由两个相同的解码层和单头注意力机制组成，其中，每个解码层包括两个多头注意力机制、残差连接和层归一化LN。
[0064] 所述Transformer模型进行无人机最优路径规划的具体操作为：
[0065] S4.1、将已经进行坐标标记的汇聚节点与各簇头传感器节点导入到模型的编码器中，并根据汇聚节点与各簇头传感器节点的坐标值生成输入序列；
[0066] 将汇聚节点与M个簇头传感器节点的坐标值记为X＝(X0；X1；...；Xi...；XM)，其中，X0表示汇聚节点的坐标，Xi表示编号为i(1≤i≤M)的簇头传感器节点(简称簇头)Ci坐标。
[0067] S4.2、通过编码器嵌入层将输入序列中的各坐标值映射至高维的向量空间，并通过编码层多头注意力机制的查询矩阵、键矩阵和值矩阵输出目标序列；
[0068] 将X中每个坐标值Xi(0≤i≤M)通过嵌入层映射为d维向量 得到X(0)，[0069] X(0)经第l(1≤l≤6)个编码层输出目标序列为
[0070] X(l)＝BN(MH′(l)+FF(MH′(l)))，
[0071] MH′(l)＝BN(MH(l)+X(l‑1))，
[0072]
[0073]
[0074]
[0075] 式中， 是第l个编码层第h头注意力机制的输出， 分别表示第l个编码层第h头注意力机制的查询矩阵、键矩阵和值矩阵， 是 的转置矩阵，是参数矩阵。
[0076] S4.3、将目标序列作为解码器的输入，经解码处理得到编码器输入序列中所有节点的概率分布，所述节点包括汇聚节点和各簇头传感器节点；
[0077] 所述目标序列经t次解码输出输入序列中t个节点的位置依次为π(0)，π(1)…π(t‑1)，则t+1次解码时第一个解码层的输入为
[0078]
[0079](6)
[0080] 式中， 表示第t次解码时X 中对应π(t‑1)的一个d维向量，PE(t‑1)是 的位置编码。
[0081] 经过第一个多头注意力机制 残差连接和层归一化LN得到
[0082]
[0083]
[0084]
[0085]
[0086] 式中， 表示第一个解码层中 的参数矩阵； 是第h1头注意力机制的输出。
[0087] 经过第二个多头注意力机制 残差连接和层归一化LN得到
[0088]
[0089]
[0090]
[0091]
[0092] 式中， 表示第一个解码层中 的参数矩阵。 是第h2头注意力机制的输出。Ιt为已访问节点的掩码矩阵，⊙表示Hadamard积。S4.4、基于所有节点的概率分布，通过集束搜索确定每个节点的访问顺序；
[0093] 输入第二个解码层，输出 令所有节点的概率分布为Pt，用集束搜索从Pt中选择概率高的一些待访问节点，将每个待访问节点重新作为解码器的输入，重复解码过程以及集束搜索，直至所有节点都被访问，得到各节点序列集，从序列集中选择概率最高的序列作为节点的访问顺序，
[0094]
[0095]
[0096] 式中， 与 是单头注意力机制的参数矩阵。
[0097] S4.5、根据访问顺序依次确定待访问簇头传感器节点的坐标值，生成无人机的最优路径规划。
[0098] 步骤五、基于规划的最优路径进行各簇头数据的采集，得到测量向量，并将其返回至汇聚节点；更新簇头，对更新后的各簇头数据进行采集，直至汇聚节点获得所有传感器节点的测量向量。
[0099] 其中，所述更新簇头的具体方法为：
[0100] 从每个簇中选取一个未被无人机访问的传感器节点替换当前簇头，作为新簇头，并对替换掉的传感器节点进行访问次数累计；
[0101] 若簇中各传感器节点的访问次数都相同，则重新选取距离该簇簇中心最小的传感器节点作为簇头；
[0102] 若簇中各传感器节点的访问次数不同，则选取访问次数最少的传感器节点作为簇头。
[0103] 所述方法还包括汇聚节点通过测量向量得到稀疏测量矩阵，通过稀疏测量矩阵与稀疏变换矩阵重构各传感器节点的数据。
[0104] 所述无人机根据规划的最优路径停靠在每个簇头的上方采集数据，得到测量向量y＝(y1,y2,...,yM)，通过y＝Φx得到稀疏测量矩阵
[0105] 汇聚节点根据测量向量y、稀疏变换矩阵U以及稀疏测量矩阵Φ，对各传感器节点的数据进行重构。
[0106] 所述数据重构方法与步骤二的压缩感知重构方法相同，稀疏变换矩阵U通过样本数据获得，保持不变，而测量矩阵Φ由无人机采集数据时簇头对应的传感器节点的编号确定。若M个簇头C1→C2→…→CM依次对应的传感器节点为S2→S1→…→S5，则Φ第1行第2列的元素为1，其余列的元素都为0；第2行第1列的元素为1，其余元素为0，以此类推构建稀疏测量矩阵。
[0107] 本发明还提供了一种基于无人机的无线传感网数据采集系统，包括：
[0108] 样本数据模块，用于收集网络中所有传感器节点在同一时刻的历史数据作为样本数据，基于样本数据构建协方差矩阵，并进行特征值分解，得到稀疏变换矩阵以及数值稀疏度；
[0109] 压缩测量模块，用于对若干传感器节点的样本数据进行压缩，得到测量向量，通过测量向量对样本数据进行重构，若重构的数据等于样本数据，则根据数值稀疏度与传感器节点数量确定对应传感器节点数量的最少测量次数；
[0110] 分簇模块，用于对所有传感器节点进行分簇并确定每个簇的簇头，所述最小分簇数等于最少测量次数，所述最少测量次数即为无人机单次飞行的最小采集次数；
[0111] 路径规划模块，用于设定无人机以汇聚节点为起点，以各簇头为停靠点，以汇聚节点为终点的数据采集路径，进行最优路径规划；
[0112] 采集模块，用于基于规划的最优路径进行各簇头数据的采集，得到测量向量，并将其返回至汇聚节点；更新簇头，对更新后的各簇头数据进行采集，直至汇聚节点获得所有传感器节点的测量向量。
[0113] 其次，还提供了一种基于无人机的无线传感网数据采集设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的程序数据时实现如上所述的基于无人机的无线传感网数据采集方法。
[0114] 最后，还提供了一种可读存储介质，用于存储控制程序数据，其中，所述控制程序数据被处理器执行时实现如上所述的基于无人机的无线传感网数据采集方法。
