1.一种数据收集的方法，其特征在于，包括：
获取多个压缩后的收集数据，其中，所述多个压缩后的收集数据是由多个传感器节点分别使用不同的随机测量矩阵对采集的收集数据进行独立的线性压缩得到的；
对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型；
根据所述压缩感知重建模型，采用联合重建算法对所述多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。
2.根据权利要求1所述的数据收集的方法，其特征在于，所述获取多个压缩后的收集数据，包括：
根据传感器节点t，t∈{1,2,...,T}，得到多个压缩后的收集数据yt；
其中，yt＝Φtft+wt，Φt为传感器节点t的随机测量矩阵， Mt＜＜N，wt为传感器节点t的加性高斯白噪声，ft为传感器节点t采集的收集数据，ft＝[f1t,...,fNt]，
3.根据权利要求2所述的数据收集的方法，其特征在于，在所述对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，之前，所述的数据收集的方法还包括：
转换所述多个压缩后的收集数据yt为：yt＝ΦtΨxt+wt，
其中，Ψ为稀疏变换基矩阵，xt为稀疏变换基矩阵Ψ下传感器节点t的稀疏信号向量，xt＝Ψ-1ft，
所述对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型，包括：
将传感器节点t的稀疏信号向量xt＝Ψ-1ft组合构成稀疏信号矩阵X，其中，X＝[x1 x2 … xT]， X具有同时低秩和联合稀疏结构；
将所述稀疏信号矩阵X进行同时低秩和联合稀疏分解，得到X＝SHL＝GL，其中，S、H、G和L分别为同时低秩和联合稀疏结构的S矩阵、H矩阵、G矩阵和L矩阵；
S＝diag(s1,...,sn)， diag(s1,...,sn)为以s1,...,sn为对角元素的对角矩阵；

R＜＜min(N,T)，R为所述稀疏信号矩阵X的秩。
4.根据权利要求3所述的数据收集的方法，其特征在于，所述采用联合重建算法对所述多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据，包括：
根据近似消息传递算法得到联合重建算法，其中，所述联合重建算法包括广义近似消息传递算法和扩展双线性广义近似消息传递算法；
使用广义近似消息传递算法和扩展双线性广义近似消息传递算法对所述稀疏信号矩阵进行循环求解，确定所述稀疏信号矩阵；
根据所述稀疏信号矩阵及公式F＝[f1 f2 … fT]＝ΨX＝ΨGL，确定所述多个传感器节点采集的收集数据。
5.根据权利要求4所述的数据收集的方法，其特征在于，在所述根据近似消息传递算法得到联合重建算法，之前，所述的数据收集的方法还包括：
转换所述多个压缩后的收集数据yt为：yt＝zt+wt；
其中，zt为传感器节点t的无噪声的压缩测量向量，zt＝ΦtΨxt，
所述根据近似消息传递算法得到联合重建算法，包括：
近似消息传递算法的目标为最大化联合后验分布，所述联合后验分布公式为：

其中，Z＝{z1,z2,…,zT}，Y＝{y1,y2,…,yT}，Z为无噪声的压缩测量矩阵，Y为有噪声的压缩测量矩阵；
根据S和H相互独立的先验分布p(sn)和p(hnr)，得到G的先验分布p(G)为伯努利-高斯分布：

其中， 为服从参数为λ的伯努利分布，
为变量hnr服从均值为 方差为 的高斯分布，λ、 和 为先验分布中的参数，δ(gnr)为冲激函数；
获取L的先验分布p(L)，p(L)为标准正态分布：

获取似然分布p(Y|Z)，

其中， 为传感器节点t的加性高斯白噪声wt的噪声方差；
根据G的先验分布p(G)、L的先验分布p(L)和似然分布p(Y|Z)，将最大化联合后验分布问题转化为多个广义近似消息传递子问题和、低秩和联合稀疏模式译码子问题，其中，所述多个广义近似消息传递子问题使用广义近似消息传递算法进行求解，所述低秩和联合稀疏模式译码子问题使用扩展双线性广义近似消息传递算法进行求解。
6.根据权利要求5所述的数据收集的方法，其特征在于，在所述使用广义近似消息传递算法和扩展双线性广义近似消息传递算法对所述稀疏信号矩阵进行循环求解，确定所述稀疏信号矩阵，之前，所述的数据收集的方法还包括：
转换所述多个压缩后的收集数据yt为：yt＝Atxt+wt；
其中，At为传感器节点t的映射矩阵，At＝ΦtΨ，
所述使用广义近似消息传递算法和扩展双线性广义近似消息传递算法对所述稀疏信号矩阵进行循环求解，确定所述稀疏信号矩阵，包括：
根据所述有噪声的压缩测量矩阵和多个传感器节点的映射矩阵，将所述稀疏信号矩阵作为广义近似消息传递算法中的稀疏信号矩阵的先验分布；
步骤A，使用广义近似消息传递算法确定广义近似消息传递算法中的稀疏信号矩阵的后验估计结果；
步骤B，将所述广义近似消息传递算法中的稀疏信号矩阵的后验估计结果作为扩展双线性广义近似消息传递算法中的稀疏信号矩阵的先验分布，使用扩展双线性广义近似消息传递算法估计G矩阵和L矩阵，确定扩展双线性广义近似消息传递算法中的稀疏信号矩阵的后验估计结果；
步骤C，将所述扩展双线性广义近似消息传递算法中的后验估计结果作为广义近似消息传递算法中的稀疏信号矩阵的先验分布；
依次循环执行步骤A、步骤B和步骤C，直至广义近似消息传递算法中的稀疏信号矩阵的后验估计结果和扩展双线性广义近似消息传递算法中的稀疏信号矩阵的后验估计结果收敛于同一个值，并将所述同一个值作为所述稀疏信号矩阵的值。
7.根据权利要求6所述的数据收集的方法，其特征在于，在所述步骤A之前，所述的数据收集的方法还包括：
对先验分布和似然分布中的参数λ、 和所述稀疏信号矩阵X的秩R进行初始化；
分别在所述步骤A和所述步骤B之间、所述步骤B和所述步骤C之间，所述的数据收集的方法还包括：
采用期望最大估计策略对先验分布和似然分布中的参数λ、 和 进行自适应调整，并使用基于惩罚对数似然最大策略估计所述稀疏信号矩阵X的秩R。
8.一种数据收集的装置，其特征在于，包括：
压缩数据获取模块，用于获取多个压缩后的收集数据，其中，所述多个压缩后的收集数据是由多个传感器节点分别使用不同的随机测量矩阵对采集的收集数据进行独立的线性压缩得到的；
同时低秩和联合稀疏建模模块，用于对所述多个压缩后的收集数据进行同时低秩和联合稀疏建模，得到基于同时低秩和联合稀疏结构的压缩感知重建模型；
收集数据重建模块，用于根据所述压缩感知重建模型，采用联合重建算法对所述多个压缩后的收集数据进行重建，得到多个传感器节点采集的收集数据。
9.根据权利要求8所述的数据收集的装置，其特征在于，所述压缩数据获取模块具体用于根据传感器节点t，t∈{1,2,...,T}，得到多个压缩后的收集数据yt；
其中，yt＝Φtft+wt，Φt为传感器节点t的随机测量矩阵， Mt＜＜N，wt为传感器节点t的加性高斯白噪声，ft为传感器节点t采集的收集数据，ft＝[f1t,...,fNt]，
10.根据权利要求9所述的数据收集的装置，其特征在于，所述数据收集的装置还包括：
压缩数据转换模块，用于转换所述多个压缩后的收集数据yt为：yt＝ΦtΨxt+wt，其中，Ψ为稀疏变换基矩阵，xt为稀疏变换基矩阵Ψ下传感器节点t的稀疏信号向量，xt＝Ψ-1ft，
所述同时低秩和联合稀疏建模模块，包括：
稀疏信号矩阵构成子模块，用于将传感器节点t的稀疏信号向量xt＝Ψ-1ft组合构成稀疏信号矩阵X，其中，X＝[x1 x2 … xT]， X具有同时低秩和联合稀疏结构；
分解子模块，用于将所述稀疏信号矩阵X进行同时低秩和联合稀疏分解，得到X＝SHL＝GL，
其中，S、H、G和L分别为同时低秩和联合稀疏结构的S矩阵、H矩阵、G矩阵和L矩阵；
S＝diag(s1,...,sn)， diag(s1,...,sn)为以s1,...,sn为对角元素的对角矩阵；

R＜＜min(N,T)，R为所述稀疏信号矩阵X的秩。