CN103269525A - 物联网***的多传感器数据分布式压缩方法及其装置 - Google Patents
物联网***的多传感器数据分布式压缩方法及其装置 Download PDFInfo
- Publication number
- CN103269525A CN103269525A CN2013101801873A CN201310180187A CN103269525A CN 103269525 A CN103269525 A CN 103269525A CN 2013101801873 A CN2013101801873 A CN 2013101801873A CN 201310180187 A CN201310180187 A CN 201310180187A CN 103269525 A CN103269525 A CN 103269525A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- bunch
- event area
- internet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Arrangements For Transmission Of Measured Signals (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开物联网***的多传感器数据分布式压缩方法及装置。该方法基于物联网的分簇有限自组网组网方式,将整个传感器区域分成多个事件区域,每个事件区域为一个簇;从簇中选出节点作为簇首,根据感知信息数据和稀疏向量而获得小波基矩阵,还根据簇首节点生成观测矩阵,最后,根据小波基矩阵和观测矩阵及OMP算法重构数据。采用分布式压缩的方法对物联网***的多传感器数据进行压缩,所以,不仅不会因为冗余信息多而增大网络负载,而且,数据丢失率大大降低;再者,由于采用了分布式压缩方法,所以,对可压缩的信号可通过远低于Nyquist标准的方式进行数据采样,仍能够精确地恢复出原始信号,极大的拓宽了可压缩的信号的范围。
Description
技术领域
本发明涉及物联网***的多传感器数据技术,尤其涉及面向物联网***的多传感器数据分布式压缩方法。
背景技术
物联网是继计算机、互联网之后的信息产业第三次浪潮,是信息产业领域未来竞争的制高点和产业升级的核心驱动力,其应用已渗透到工业、农业等广泛领域。在农业物联网应用中,通常是有多采样任务要求,多传感数据的融合处理是关键技术之一。在多传感数据处理方面,目前已取得了一定的研究成果,但还存在一些不足:1)、当前的信号采样是在Nyquist定理指导下进行的,对于信号的采样,被采样的信号速率必须达到信号宽带的两倍以上才能精确恢复出原始的模拟信号,随着通信的迅速发展,信号的带宽越来越大,这也就给信号采样带来了巨大的挑战;2)、对信号的压缩一般在信号采样后,采用这一方式,会导致大量采样得到的数据被抛弃,浪费了宝贵的采样资源,同时由于数据的丢失,会导致丢包率现象严重;3)、农业物联网中,对信号群的融合处理是需要解决的重要问题,尤其在面向精准农业的应用中,物联网***中的前段无线传感器网络节点常连接多种传感器,在距离较近的节点簇中,往往监测到相似甚至相同的信息,若不进行数据融合,这些冗余信息将大大增加网络的负载。
发明内容
本发明解决的问题是现有的物联网***的多传感器数据压缩方法对网络的负载大、丢包率严重和采样信号的速率必须达到信号带宽的两倍以上的问题。
为解决上述问题,本发明提供一种物联网***的多传感器数据分布式压缩方法,该方法采用分簇有限自组网的组网方式,包括如下步骤:S1)、根据变差函数确定事件区域的分布范围而将整个监控区域分成多个事件区域;S2)、将每一个事件区域范围内的节点构成一个簇,从簇中选出节点作为簇首,簇首收集该事件区域内各个节点的感知信息数据,根据感知信息数据和稀疏向量而获得小波基矩阵Ψ;S3)、根据簇首节点生成观测矩阵Φ;S4)、根据事件区域内的所有节点的感知数据向量XN和观测矩阵Φ获得观测数据向量YM,根据式YM=ΦΨθ,采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ*,然后根据式重构所述感知数据。
本发明还公开物联网***的多传感器数据分布式压缩装置,该装置包括处理模块、小波基矩阵生成模块、观测矩阵生成模块和重构模块,其中,所述处理模块将整个传感器区域分成多个事件区域,根据变差函数确定事件区域的分布范围;所述小波基矩阵生成模块将每一个事件区域范围内的节点构成一个簇,从簇中选出节点作为簇首,用一个簇首收集一个事件区域内各个节点的感知信息数据,根据感知信息数据和稀疏稀疏向量而获得小波基矩阵Ψ;所述观测矩阵生成模块根据簇首节点生成观测矩阵Φ;所述重构模块根据事件区域内的所有节点的感知数据向量XN和观测矩阵Φ获得观测数据向量YM,根据式YM=ΦΨθ,采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ*,然后根据式重构所述感知数据。
作为具体的方案,所述物联网采用分簇结构与有限自组网的组织方式,簇内采用星型与链型相结合的网络结构,簇首之间采用网状自组网的组网方式。
与现有技术相比,本发明具有以下优点:
由于本发明将整个传感器区域分成多个事件区域;接着,将每个事件区域内的节点构成簇,从簇中选出节点作为簇首,根据感知信息数据和稀疏向量而获得小波基矩阵,还根据簇首节点生成观测矩阵,最后,根据小波基矩阵和观测矩阵及OMP算法重构数据,采用分布式压缩的方法对物联网***的多传感器数据进行压缩,将把对单个信号的压缩采样扩展到了对信号群的压缩采样,这样,1)、簇首对簇内各节点数据进行采样和压缩,不会因为冗余信息多而增大网络负载;2)各事件区域内的节点构成一个簇,并从簇中选取节点作为簇首,这样,簇首完成对这些数据的采样,同时对采样数据进行压缩,然后将采样和压缩的数据传输至汇聚节点,汇聚节点(sink节点)也承担部分压缩功能,在整个过程中,将采样和压缩同时进行,数据丢失率大大降低;3)、由于采用了分布式压缩方法,所以,对可压缩的信号可通过远低于Nyquist标准的方式进行数据采样,仍能够精确地恢复出原始信号,极大的拓宽了可压缩的信号的范围。
附图说明
图1是本发明物联网***的多传感器数据分布式压缩方法的流程图;
图2是本发明物联网***的多传感器数据分布式压缩方法的事件区域的示意图;
图3是本发明物联网的网络结构;
图4是本发明物联网***的多传感器数据分布式压缩方法的压缩模型。
具体实施方式
为详细说明本发明的技术内容、构造特征、所达成目的及功效,下面将结合实施例并配合附图予以详细说明。
请参阅图1至图4,本发明物联网***的多传感器数据分布式压缩方法的步骤如下:
S1)、根据变差函数确定事件区域的分布范围而将整个监控区域分成多个事件区域。如图2和图3所示,所述物联网采用分簇结构与有限自组网的组织方式,簇内采用星型与链型相结合的网络结构,簇首之间采用网状自组网的组网方式。在该步骤中,假设事件源S所处的位置处有一个虚拟的节点为n(0,0),该节点的信息数据为S(0,0),在事件源S所触发的事件区域的边界节点n(r,θ)感知的信息数据S(r,θ)符合条件|S(r,θ)-S(0,0)|≤μ,μ是误差门限,它用来表示处于不同位置的节点的感知数据信息与事件源S的差异,r代表事件区域EA的分布半径(也即事件分布范围)。则,可以定义如下的变差函数
变差函数γ(r)有很多种估计模型,本发明中采用估计模型取参数c表示的是数据之间相关性的强弱程度,参数λ反映的是数据相关性随着距离变化的快慢程度,这两个参数取决于监控区域内数据场的空间相关特性。将代入上式的结果如下:
根据该事件区域r可以将监控区域分为多个事件区域。
S2)、将每一个事件区域范围内的节点构成一个簇,从簇中选出节点作为簇首,用簇首收集该事件区域内各个节点的感知信息数据,根据感知信息数据和稀疏向量而获得小波基矩阵Ψ。在该步骤中,在应用所要求的误差门限范围内,计算得到事件区域EA的分布范围后,每一个事件区域范围中的节点ni(i=1,2,…,N)组成一个簇,并从簇中选出节点nh(h∈{1,2,…,N})作为簇首,簇首负责收集事件区域有EA范围内各个节点的感知数据信息Xi:
Xi=Si+Ni,i=1,2,…,N
其中,Si是节点ni的感知数据信息,Ni为观测噪声。定义Xi为同一时刻各个传感器节点的感知数据信息,同时定义向量感知数据向量
XN=(X1,X2,…,XN)T∈RN
表示事件区域EA中N个节点的感知数据信息。假设感知数据向量XN对应的是事件区域EA中的节点集合EJ:{n1,n2,…,nN}在同一时刻的感知数据,令λJ=XN(λJ∈RN),将节点集合EJ:{n1,n2,…,nN}裂为两个集合:偶数集EJ-1和奇数集OJ-1,它们所对应的感知信息数据集合分别是λJ,h和λJ,O,用T来表示提升小波变换。对λi(i∈{1,2,…,J})进行J次递归提升小波变换,可以得到:
TJ(λJ)={λ0,γ0,γ1,…,γJ-1}
其中,稀疏向量 因此,只要得到了事件区域EA中各个节点的拓扑结构,就可以求出感知数据向量XN的小波变换基矩阵Ψ,且XN在Ψ上是k稀疏的。
S3)、根据簇首节点生成观测矩阵Φ。在该步骤中,簇首节点nh生成观测矩阵Φ=R(sM,τN),其中sM:{s1,s2,…,sM},sM是Sink节点(汇聚节点)传递给簇首节点的数据信息;τN:{τ1,τ2,…,τN},τi是普通节点ni的编号。
S4)、根据事件区域内的所有节点的感知数据向量XN和观测矩阵Φ获得观测数据向量YM,根据式YM=ΦΨθ,采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ*,然后根据式重构所述感知数据。如图3所示,在该步骤中,簇首节点与簇内各个节点进行通信,获得同一时刻事件区域EA范围内所有节点的感知数据向量XN=(X1,X2,…,XN)T,簇首节点获得采样数据后,然后运行基于小波变换的分布式压缩编码算法(簇首节点采集数据和压缩编码算法均可以采用成熟技术,在此不再赘述)得到测量值向量YN=ΦXN,通过压缩编码将N维的感知数据向量XN=(X1,X2,…,XN)T换成了M维的观测数据向量YM=(Y1,Y2,…,YM)T。根据式YM=ΦΨθ(也就是运行解码算法,min||θ||1subject to YM=ΦΨθ),采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ*,然后根据式精确重构感知数据。
综上所述,由于本发明采用物联网分簇有限自组网的组网方式,将整个传感器区域分成多个事件区域;接着,将每个事件区域内的节点构成一个簇,从簇中选出节点作为簇首,根据感知信息数据和稀疏向量而获得小波基矩阵,还根据簇首节点生成观测矩阵,最后,根据小波基矩阵和观测矩阵及OMP算法重构数据,在簇首获取簇中各节点的数据过程中进行采集和压缩,而且,还在簇首将数据传输给汇聚节点的过程中压缩数据,然后,在汇聚节点后通过解码而重构出数据,这样,采用分布式压缩的方法对物联网***的多传感器数据进行压缩,将把对单个信号的压缩采样扩展到了对信号群的压缩采样,这样,1)、不会因为冗余信息多而增大网络负载;2)各事件区域内的节点构成一个簇,并从簇中选取节点作为簇首,这样,簇首完成对这些数据的采样,同时对采样数据进行压缩,然后将采样和压缩的数据传输至汇聚节点,汇聚节点(sink节点)也承担部分压缩功能,在整个过程中,将采样和压缩同时进行,数据丢失率大大降低;3)、由于采用了分布式压缩方法,所以,对可压缩的信号可通过远低于Nyquist标准的方式进行数据采样,仍能够精确地恢复出原始信号,极大的拓宽了可压缩的信号的范围。
以上述方法的技术思路为基础,本发明还公开一种物联网***的多传感器数据分布压缩装置,该装置包括处理模块、小波基矩阵生成模块、观测矩阵生成模块和重构模块。所述处理模块将整个传感器区域分成多个事件区域,根据变差函数确定事件区域的分布范围。所述小波基矩阵生成模块将每一个事件区域范围内的节点构成一个簇,从簇中选出节点作为簇首,簇首收集该事件区域内各个节点的感知信息数据,根据感知信息数据和稀疏稀疏向量而获得小波基矩阵Ψ。所述观测矩阵生成模块根据簇首节点生成观测矩阵Φ。所述重构模块根据事件区域内的所有节点的感知数据向量XN和观测矩阵Φ获得观测数据向量YM,根据式YM=ΦΨθ,采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ*,然后根据式重构所述感知数据。
Claims (4)
2.如权利要求1所述的物联网***的多传感器数据分布式压缩方法,其特征是:所述变差函数是:该变差函数的估计模型取
3.物联网***的多传感器数据分布式压缩装置,其特征是:该装置包括处理模块、小波基矩阵生成模块、观测矩阵生成模块和重构模块,其中,
所述处理模块将整个传感器区域分成多个事件区域,根据变差函数确定事件区域的分布范围;
所述小波基矩阵生成模块将每一个事件区域范围内的节点构成一个簇,从簇中选出节点作为簇首,用一个簇首收集一个事件区域内各个节点的感知信息数据,根据感知信息数据和稀疏稀疏向量而获得小波基矩阵Ψ;
所述观测矩阵生成模块根据簇首节点生成观测矩阵Φ;
4.如权利要求3所述的物联网***的多传感器数据分布式压缩装置,其特征是:所述物联网采用分簇结构与有限自组网的组织方式,簇内采用星型与链型相结合的网络结构,簇首之间采用网状自组网的组网方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101801873A CN103269525A (zh) | 2013-05-11 | 2013-05-11 | 物联网***的多传感器数据分布式压缩方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101801873A CN103269525A (zh) | 2013-05-11 | 2013-05-11 | 物联网***的多传感器数据分布式压缩方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103269525A true CN103269525A (zh) | 2013-08-28 |
Family
ID=49013126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101801873A Pending CN103269525A (zh) | 2013-05-11 | 2013-05-11 | 物联网***的多传感器数据分布式压缩方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103269525A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106231530A (zh) * | 2015-11-23 | 2016-12-14 | 中国人民解放军信息工程大学 | 不可靠无线传感网中压缩感知数据收集方法、装置及*** |
CN106606352A (zh) * | 2015-10-22 | 2017-05-03 | 三星电子株式会社 | 处理信号的方法、恢复信号的方法和执行所述方法的装置 |
CN108990130A (zh) * | 2018-09-29 | 2018-12-11 | 南京工业大学 | 基于簇的分布式压缩感知QoS路由方法 |
CN111031554A (zh) * | 2019-11-21 | 2020-04-17 | 长春理工大学 | 一种解决分布式传感器节点非正常触发的方法 |
CN113660614A (zh) * | 2021-08-23 | 2021-11-16 | 重庆第二师范学院 | 一种基于物联网的无线传感器网络的分布式压缩感知方法 |
CN113905066A (zh) * | 2021-09-15 | 2022-01-07 | 中电科新型智慧城市研究院有限公司 | 物联网的组网方法、物联网的组网装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080259902A1 (en) * | 2007-04-18 | 2008-10-23 | Samsung Electronics Co., Ltd. | Header compression and packet transmission method in sensor network and apparatus therefor |
CN101841932A (zh) * | 2010-05-10 | 2010-09-22 | 南京邮电大学 | 无线传感器网络中基于动态分簇的分布式压缩感知方法 |
-
2013
- 2013-05-11 CN CN2013101801873A patent/CN103269525A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080259902A1 (en) * | 2007-04-18 | 2008-10-23 | Samsung Electronics Co., Ltd. | Header compression and packet transmission method in sensor network and apparatus therefor |
CN101841932A (zh) * | 2010-05-10 | 2010-09-22 | 南京邮电大学 | 无线传感器网络中基于动态分簇的分布式压缩感知方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106606352A (zh) * | 2015-10-22 | 2017-05-03 | 三星电子株式会社 | 处理信号的方法、恢复信号的方法和执行所述方法的装置 |
CN106231530A (zh) * | 2015-11-23 | 2016-12-14 | 中国人民解放军信息工程大学 | 不可靠无线传感网中压缩感知数据收集方法、装置及*** |
CN106231530B (zh) * | 2015-11-23 | 2019-07-09 | 中国人民解放军信息工程大学 | 不可靠无线传感网中压缩感知数据收集方法、装置及*** |
CN108990130A (zh) * | 2018-09-29 | 2018-12-11 | 南京工业大学 | 基于簇的分布式压缩感知QoS路由方法 |
CN108990130B (zh) * | 2018-09-29 | 2021-09-17 | 南京工业大学 | 基于簇的分布式压缩感知QoS路由方法 |
CN111031554A (zh) * | 2019-11-21 | 2020-04-17 | 长春理工大学 | 一种解决分布式传感器节点非正常触发的方法 |
CN113660614A (zh) * | 2021-08-23 | 2021-11-16 | 重庆第二师范学院 | 一种基于物联网的无线传感器网络的分布式压缩感知方法 |
CN113660614B (zh) * | 2021-08-23 | 2022-10-04 | 重庆第二师范学院 | 一种基于物联网的无线传感器网络的分布式压缩感知方法 |
CN113905066A (zh) * | 2021-09-15 | 2022-01-07 | 中电科新型智慧城市研究院有限公司 | 物联网的组网方法、物联网的组网装置及电子设备 |
CN113905066B (zh) * | 2021-09-15 | 2024-04-09 | 中电科新型智慧城市研究院有限公司 | 物联网的组网方法、物联网的组网装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103269525A (zh) | 物联网***的多传感器数据分布式压缩方法及其装置 | |
CN105181122B (zh) | 机械振动信号数据压缩采集方法 | |
CN101841932A (zh) | 无线传感器网络中基于动态分簇的分布式压缩感知方法 | |
TWI393376B (zh) | 資料傳輸方法 | |
CN107024271A (zh) | 机械振动信号压缩重构方法及*** | |
CN103700074B (zh) | 基于离散余弦变换系数分布的自适应压缩感知采样方法 | |
CN113225089A (zh) | 一种工业机器人多通道监测数据压缩方法及*** | |
CN103684634A (zh) | 异构无线传感网中基于定位信息的压缩频谱感知方法 | |
CN104485966A (zh) | 一种基于信号分解的压缩感知处理和信号重构方法 | |
CN102355752B (zh) | 基于膨胀图的无线传感器网络压缩感知测量矩阵和重构方法 | |
CN104156768A (zh) | 一种模糊c均值聚类小数据量识别混沌的方法 | |
CN103258134B (zh) | 一种高维的振动信号的降维处理方法 | |
CN105472657B (zh) | 基于低秩张量的一种无线传感器网络中数据重构方法 | |
CN102932847A (zh) | 基于稀疏表示分类器的分布式压缩感知数据分类方法 | |
CN101901493A (zh) | 基于压缩采样的多视点图像联合重构方法和*** | |
CN112463877A (zh) | 一种三维海洋环境监测数据的压缩感知观测和重构方法 | |
CN111726766A (zh) | 一种变电设备状态监测信息采集方法及*** | |
CN102298768B (zh) | 基于稀疏样本的高分辨率图像重建方法 | |
CN104901704A (zh) | 具备时空相关特征的躯体传感网信号重构方法 | |
CN103020984B (zh) | 基于稀疏表达的三维人体运动数据补全方法 | |
CN104682964A (zh) | 一种半确定压缩感知测量矩阵的构造方法 | |
CN102802199B (zh) | 基于压缩感知的无线传感器实时监测***的数据处理方法 | |
CN104867166A (zh) | 一种基于稀疏字典学习的油井示功图压缩存储方法 | |
Xu et al. | The measurement of road traffic states under high data loss rate | |
CN109886825B (zh) | 一种农业物联网数据多视角投影聚类重构方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130828 |