1.带有隐私保护的分布式压缩感知数据融合方法，其特征在于，对原始数据进行稀疏变换得到稀疏支撑集，将感知数据集合的稀疏支撑集作为学习样本；将稀疏支撑集作为全局隐私保护集合，并针对各传感节点构造节点隐私配置信息；传感节点在数据的稀疏变换域上进行真实数据和伪装数据的特定位置填充；汇聚节点根据稀疏支撑集，构造网络隐私配置信息，各节点根据网络隐私配置信息，合成隐私保护压缩观测数据；中继节点对压缩观测数据进行加性数据融合；汇聚节点对融合数据进行联合稀疏重构，获得融合结果的稀疏支撑集，进行反稀疏变换，得到原信号表示域下的数据融合值；其中，对原始数据进行稀疏变换得到稀疏支撑集，具体为：同类型传感节点的感知数据均在同一稀疏基Ψ下进行稀疏变换，将每个感知数据表示为公共部分C和独立部分j的和Χj＝ΖC+Ζj,j∈{1,2,...,J}，其中，下标C与j分别表示公共部分以及节点编号，J表示数据集合大小，即同一区域内节点数，公共部分ΖC＝ΨΘC,||ΘC||0＝KC，独立部分Ζj＝ΨΘj,||Θj||0＝Kj，ΘC与Θj分别表示节点j感知数据稀疏支撑集ΘCj中的公共部分和独立部分，KC与Kj分别表示公共部分和独立部分的稀疏度,||ΘC||0与||Θj||0为节点j感知数据稀疏支撑集ΘCj中的公共部分ΘC和独立部分Θj的零范数，即ΘC和Θj中非零值的个数。

2.根据权利要求1所述的方法，其特征在于：感知数据集合的稀疏支撑集作为学习样本具体为：汇聚节点接收到网内节点上传的感知数据集合后，使用在线最小二乘支持向量机回归模型  对节点感知数据进行学习，挖掘其稀疏 支撑集所隐含的数据相关性特征，其中，t为时间参数，l为在线学习滚动窗口长度，其中yLSSVM(x,t)为模型输出，i为循环下标，αi(t)为拉格朗日乘子，k(x,xi)为核函数，b(t)偏差值常量，x为输入样本。

3.根据权利要求1所述的方法，其特征在于：构造节点隐私配置信息具体为，汇聚节点根据感知数据集合的稀疏支撑集中的系数位置分布特征，根据公式： 构造网络全局隐私保护集合，并选择其子集与补集分别生成各节点真实秘密集合以及节点私有隐私保护集合 从而构成节点隐私配置信息并下发至对应节点；其中GSS为网络全局隐私保护集合，J为数据集合的大小,下标T与上标j分别表示真实位置以及节点编号，  表示网络全局隐私保护集合GSS补集的子集。

4.根据权利要求1所述的方法，其特征在于：各节点根据隐私配置信息，合成隐私保护压缩观测数据具体包括：各节点根据隐私配置信息，在自身感知数据集合的稀疏支撑集上进行伪装数据填充，生成感知数据的隐私保护稀疏表示矢量 使用全局共有的秘密观测矩阵Φ对其进行分布式压缩观测，合成新的隐私保护压缩观测数据。

5.根据权利要求1所述的方法，其特征在于：所述得到原信号表示域下的数据融合值具体为 ，中继 节点对 下游 节点上 传的 压缩观 测数 据进行 加性数 据融 合并向汇聚节点转发，汇聚节点对融合数据稀疏矢量特定位置进行扫描，即可获得真实数据和值的稀疏支撑向量

通过反稀疏变换，求解出原数据融合值 其中v1,v2,…,vl表示网络全

局隐私保护集合，xj表示传感节点j的感知数据。

6.根据权利要求4所述的方法，其特征在于：所述进行真实数据和伪装数据的特定位置填充具体为，在稀疏支撑矢量中各节点真实秘密集合 对应的位置，填充入j节点原始感知数据稀疏支撑集中的稀疏系数，在节点j私有秘密信息集 对应的位置，填入满足式 的随机伪装数据 在 对应的位置上填充满足式条件的随机伪装数据 其中a为任意值。