CN104618947B - 基于压缩感知的动态分簇无线传感网数据收集方法及装置 - Google Patents

Abstract

本发明实施例公开了一种基于压缩感知的动态分簇无线传感网数据收集方法，包括：获取无线传感器网络中一个或多个事件源位置；将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对无线传感器网络中的传感器节点进行分簇；收集每个簇中的数据，每个对应簇中传感器节点感知到的数据是采用压缩感知方法收集的。本发明实施例还提供一种基于压缩感知的动态分簇无线传感网数据收集装置。本发明实施例能够以事件源为中心进行分簇，利用压缩感知技术收集簇内数据，并根据事件源的位置变化，对无线传感器网络进行动态分簇，从而使簇内节点采集的数据相关性更强，且可以在相同的精度要求下传输次数更少，从而延长网络寿命。

Description

基于压缩感知的动态分簇无线传感网数据收集方法及装置

技术领域

本发明实施例涉及通信领域，尤其涉及基于压缩感知的动态分簇无线传感网数据收集方法及装置。

背景技术

无线传感器网络(WSN，Wireless Sensor Networks)以其低功耗、低成本、分布式和自组织的特点带来了信息感知的一场变革。WSN由大量集成了无线通信、信息采集和信息处理功能的微小型传感器节点组成，每个传感器节点利用本身的传感器采集周围环境中的信息，然后将信息传输至网络中的汇聚节点Sink。由于传感器节点的能量极为受限，以高精度、低能耗的方式收集WSN终端数据成为亟待解决的问题。

传统的WSN数据收集方法是将所有节点采集的数据传输至Sink，而现有技术提出一种基于压缩感知的WSN数据收集方法：以能量最小化为优化目标，计算WSN中最优的簇头个数，将簇头均匀分布在网内，用于周期性检测传感器布设区域，并对有事件源的区域进行数据收集。

由于原始数据中存在大量的冗余数据，因此直接传输原始数据会造成极大的能量浪费，而且不利于延长网络寿命。在现有技术中，分簇时并未考虑到影响传感器采集数据的事件源位置，因此会导致簇内数据的相关性较低，在满足相同重构误差的情况下，在使用压缩感知技术进行数据传输时，需要更多的观测次数，使得传输次数较多，不利于节能和延长网络寿命，且簇内节点只是周期性检测传感器布设区域，一旦区域有突发事件发生，则只能以粗精度来收集突发事件源及其附近的数据。

发明内容

本发明实施例提供了一种基于压缩感知的动态分簇无线传感网数据收集方法及装置，能够进行动态分簇，并使用压缩感知技术收集数据，可以在相同的精度要求下传输次数更少，从而延长网络寿命。

有鉴于此，本发明第一方面提供一种基于压缩感知的动态分簇无线传感网数据收集的方法，包括：

获取无线传感器网络中一个或多个事件源位置；

将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据。

结合本发明实施例的第一方面，在第一种可能的实现方式中，所述获取无线传感器网络中一个或多个事件源位置，包括：

采用非压缩感知的方式获取所述无线传感器网络中的原始数据；

根据所述原始数据计算所述无线传感器网络中一个或多个事件源位置。

结合本发明实施例的第一方面，在第二种可能的实现方式中，所述将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇，包括：

以所述一个或多个事件源中每个事件源为簇头，通过汇聚节点向全网广播所述每个簇头的位置，以使得网内的所述传感器节点选择距离最近的簇头加入所述簇头所在的簇；

所述收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据，包括：

采用压缩感知的方法收集所述每个簇中的数据，所述每个簇中的数据为所述每个簇内N₁个传感器节点采集到的N₁维数据，通过测量矩阵映射成M维数据，所述N₁和M为正整数。

结合本发明实施例的第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述采用压缩感知的方法收集所述每个簇中的数据，所述每个簇中的数据为所述每个簇内N₁个传感器节点采集到的N₁维数据，通过测量矩阵映射成M维数据，所述N₁和M为正整数之后，所述方法还包括：

根据所述每个簇中收集到的数据，通过压缩感知重构算法，重构出全网数据，并计算网络中一个或多个新事件源位置；

根据所述一个或多个新事件源位置确定下一轮数据收集的分簇规则。

结合本发明实施例的第一方面的第三种可能的实现方式，在第四种可能的实现方式中，所述根据所述一个或多个新事件源位置确定下一轮数据收集的分簇规则，包括：

判断所述每个事件源位置与所述每个新事件源位置之间的偏移距离是否超过预置门限；

若超过预置门限，则将距离所述每个新事件源位置最近的传感器节点确定为新簇头；

以每个新簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

若未超过预置门限，则按照所述每个簇采用压缩感知方法进行数据收集与重构。

本发明第二方面提供一种数据收集装置，包括：

获取模块，用于获取无线传感器网络中一个或多个事件源位置；

第一确定模块，用于将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

收集模块，用于收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据。

结合本发明实施例的第二方面，在第一种可能的实现方式中，所述获取模块包括：

获取单元，用于采用非压缩感知的方式获取所述无线传感器网络中的原始数据；

计算单元，用于根据所述原始数据计算所述无线传感器网络中一个或多个事件源位置。

结合本发明实施例的第二方面，在第二种可能的实现方式中，所述第一确定模块包括：

广播单元，用于以所述一个或多个事件源中每个事件源为簇头，通过汇聚节点向全网广播所述每个簇头的位置，以使得网内的所述传感器节点选择距离最近的簇头加入所述簇头所在的簇；

所述收集模块包括：

采集单元，用于采用压缩感知的方法收集所述每个簇中的数据，所述每个簇中的数据为所述每个簇内N₁个传感器节点采集到的N₁维数据，通过测量矩阵映射成M维数据，所述N₁和M为正整数。

结合本发明实施例的第二方面的第二种可能的实现方式，在第三种可能的实现方式中，所述数据收集装置还包括：

重构模块，用于根据所述每个簇中收集到的数据，通过压缩感知重构算法，重构出全网数据，并计算网络中一个或多个新事件源位置；

第二确定模块，用于根据所述一个或多个新事件源位置确定下一轮数据收集的分簇规则。

结合本发明实施例的第二方面的第三种可能的实现方式，在第四种可能的实现方式中，所述第二确定模块包括：

判断单元，用于判断所述每个事件源位置与所述每个新事件源位置之间的偏移距离是否超过预置门限；

确定单元，用于若超过预置门限，则将距离所述每个新事件源位置最近的传感器节点确定为新簇头；

分簇单元，用于以每个新簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

处理单元，用于若未超过预置门限，则按照所述每个簇采用压缩感知方法进行数据收集与重构。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例中，通过确定事件源的位置，将距离每个事件源位置最近的传感器节点作为簇头，对WSN进行分簇，并采用压缩感知方法来收集数据。由于以事件源为中心进行分簇，可以使得簇内节点采集的数据主要受同一个事件源的影响，因此相关性更强，使用压缩感知反复采集数据时，可以在相同的精度要求下传输次数更少，从而延长网络寿命。

附图说明

图1是本发明实施例中基于压缩感知的动态分簇无线传感网数据收集方法一个实施例示意图；

图2为本发明实施例中数据收集装置一个实施例示意图；

图3为本发明实施例中数据收集装置另一实施例示意图；

图4为本发明实施例中数据收集装置另一实施例示意图；

图5为本发明实施例中数据收集装置另一实施例示意图；

图6为本发明实施例中数据收集装置另一实施例示意图；

图7A为本发明应用场景中事件源位置示意图；

图7B为本发明应用场景中事件源影响下传感器节点感知的数据分布示意图；

图8为本发明应用场景中观测次数与重构数据信噪比关系示意图；

图9为本发明应用场景中数据收集轮数和死亡节点数关系示意图。

具体实施方式

本发明实施例提供了基于压缩感知的动态分簇无线传感网数据收集方法，使得簇内节点采集的数据受同一个事件源的影响，相关性更强，因此在相同的精度要求下传输次数更少，从而延长网络寿命。

请参阅图1，本发明实施例中基于压缩感知的动态分簇无线传感网数据收集方法一个实施例包括：

101、获取无线传感器网络中一个或多个事件源位置；

本实施例中，在网络部署初期，采用非压缩感知的方法，采集原始数据。在汇聚节点处对原始数据进行处理，计算并得到影响采集数据的一个或多个事件源的位置。

102、将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对无线传感器网络中的传感器节点进行分簇；

本实施例中，数据收集装置将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心，采用分布式的方式动态的将网络内无线传感器节点划分为簇。

103、收集每个簇中的数据，每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据。

本实施例中，使用压缩感知技术，进行簇内数据收集，其过程可以是，在WSN中其中一个簇内有N₁个传感器节点，簇内N₁个节点将采集到的数据通过一跳或多跳的方式传给该簇簇头，簇头节点将收集到的N₁个数据组成一个N₁×1的矢量，记为假设X′在稀疏基上是K稀疏的，其中Ψ_i(i＝1,2,...N₁)是对应的基向量，它是一个N₁*1的列矢量。X′和Ψ满足如下关系：

其中V′为X′在Ψ域的系数向量，向量V′中非零系数的个数为K个且K＜＜N₁。

根据压缩感知理论，X′可以从一个很小数目的非自适应随机线性投影中精确恢复。假设随机观测矩阵为

其中当M＜＜N₁时，利用M×N₁维的观测矩阵Φ对X′进行观测，得到M维测量值，过程如式

基于压缩感知的数据收集方式就是在分布式网络中实现下面的数学表达式：

在基于压缩感知的数据收集方式中，汇聚节点不再是接收单个节点的感知数据，而是接收所有节点的感知数据的加权和，又称为感知数据的观测值。簇头收到簇内N₁个传感器节点感知到的数据矢量X′后，将储存在簇头内的观测矩阵Φ中的第i行乘以数据矢量后求和，得到第i个观测值，即把感知数据x₁′乘以观测矩阵中的随机系数φ_i1：φ_i1x′_1，加上感知数据乘以随机系数φ_i2：φ_i2x′₂，以此类推，最后得到第i个观测值为簇头将M个观测值即观测矢量Y′传输到汇聚节点后，汇聚节点根据Y′、稀疏基Ψ与观测矩阵Φ，就可在一定误差范围内重构出该簇内的原始数据X′。其它簇中数据收集过程类似。

需要说明的是，上述接收所有节点的感知数据加权和是数据收集的一种方式，在实际应用中，还有其他数据收集的方式，故此处不对数据收集方式做限定。

本发明实施例中，通过确定事件源的位置，将距离每个事件源位置最近的传感器节点作为簇头，对WSN进行分簇，并采用压缩感知方法来收集数据，由于以事件源为中心进行分簇，可以使得簇内节点采集的数据受同一个事件源的影响，因此相关性更强，使用压缩感知反复采集数据时，可以在相同的精度要求下传输次数更少，从而延长网络寿命。

可选地，在上述图1对应的实施例的基础上，本发明实施例提供的基于压缩感知的动态分簇无线传感网数据收集方法的第一个可选实施例中，获取无线传感器网络中一个或多个事件源位置，包括：

采用非压缩感知的方式获取无线传感器网络中的原始数据；

根据原始数据计算无线传感器网络中一个或多个事件源位置。

本实施例中，假设WSN所监测的区域为一个的方型区域，整个区域被平均分成N块子区域，每个子区域内有且仅有1个传感器节点，即整个WSN包含了N个传感器节点。假设以方阵H表示整个网络的节点，H的第i行与第j列元素h_ij表示子区域(i,j)上的传感器节点所储存的信息，即用矩阵的行列表示所对应节点的位置，用矩阵中相应位置的元素值表示该节点所采集到的信息。每个传感器节点的信息由S个事件源的信号叠加而成。

同样，区域内S个突发事件源也可以用一个方阵G_tot来表示，令第i个突发事件源的信号强度为s_i，如果子区域(i,j)上存在突发事件，G_tot中对应元素g_ij的值就设为s_i，否则设为0。

由节点信息N×1维向量X中元素的值是S个突发事件信号的叠加，可得：

X_tot＝ΨV_tot (2.1)

其中Ψ为传播模型，ψ_ij为子区域i和j之间的传播损耗。在本发明中，假设信号的传播模型为通用的一个模型，基于欧氏距离的空间相关性传播模型。当一个无线传感网监测范围固定时，即N为定值，节点按照网格的方式均匀布设在监控区域中，节点与节点之间的距离就为一个定值，则传播损耗矩阵就是固定已知的。

本实施例中，假设在的监控范围内，有N个传感器节点按照网格的方式已均匀布设。若此时网络中有突发事件发生，汇聚节点通过传统多跳中继的方式收集到全网节点的历史感知数据X，若网内有突发事件发生，根据式(2.1)可推导：

利用式(2.2)的公式，得到用于表示突发事件源方位的向量V_tot，也就可知突发事件源方位矩阵G_tot，根据矩阵G_tot就可以得到突发事件源。

需要说明的是，事件源方位矩阵G_tot与事件源方位向量v的物理意义一样，而形式不同，故此处不对具体形式做限定。

其次，本发明实施例中，通过获取的原始数据来确定一个或多个事件源位置，由此获得的事件源位置更精确，再将距离每个事件源位置最近的节点作为簇头，并进行分簇，可以更好的增加簇内数据的关联性，使得方案的实用性更强。

可选地，在上述图1对应的实施例的基础上，本发明实施例提供的基于压缩感知的动态分簇无线传感网数据收集方法的第二个可选实施例中，将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对无线传感器网络中的传感器节点进行分簇，包括：

以一个或多个事件源中每个事件源为簇头，通过汇聚节点向全网广播每个簇头的位置，以使得网内的传感器节点选择距离最近的簇头加入簇头所在的簇；

收集每个簇中的数据，每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据，包括：

采用压缩感知的方法收集每个簇中的数据，每个簇中的数据为每个簇内N₁个传感器节点采集到的N₁维数据，通过测量矩阵映射成M维数据，N₁和M为正整数。

本实施例中，将整个WSN分成S个簇，汇聚节点通知S个事件源选择簇头，以事件源最近的节点作为簇头，之后汇聚节点通知整个网络，汇聚节点主要负责传感器网与外网的连接，可看作网关节点。网络中的其它节点分别计算与S个簇头的距离，节点选择距离自身最近的簇头，加入该簇头并通知相应的簇头，完成簇的建立，最后簇头向汇聚节点上传该簇的信息。

本实施例中，采用压缩感知方法收集每个对应簇内传感器节点感知到的数据，其过程为：每个簇内的N₁个传感器采集到的N₁个数据，以一跳或多跳的方式传给簇头后，簇头通过式(1.4)得到映射后的M维观测向量Y′，且N₁与M均为正整数。

需要说明的是，上述实施例中分簇的具体实现方式不唯一，还可以采用其他方式对WSN网络进行分簇，故此处不作限定。

再次，本发明实施例中，在监测区域内以一个或多个事件源附近的节点为簇头，分成这些节点对应的簇，以此来增加簇中数据的相关性。簇中数据相关性的增加与压缩感知技术的应用，可以在监测精度不变的情况下，有效地减少有簇内数据采集量，减少节点的传输能耗，延长网络生存周期。并且可以实现对有事件源发生区域的重点监测。

可选地，在上述图1对应的实施例的基础上，本发明实施例提供的基于压缩感知的动态分簇无线传感网数据收集方法的第三个可选实施例中，采用压缩感知的方法收集每个簇中的数据，若簇中有N₁个传感器节点，簇中的数据为簇内的传感器节点采集到的N₁维数据，通过测量矩阵映射成M维观测值Y′，其中N₁和M为正整数之后，方法还可以包括：

根据每个簇中收集到的数据，通过压缩感知重构算法，重构出全网数据，并计算网络中一个或多个新事件源位置；

根据一个或多个新事件源位置确定下一轮数据收集的分簇规则。

本实施例中，每个簇中的簇头，将本簇内的M维观测向量Y′，发送给汇聚节点后，汇聚节点通过观测向量Y′、观测矩阵Φ和稀疏基Ψ，通过压缩感知重构算法重构出一个或多个新事件源位置以及全网数据，所使用的重构算法可以为正交匹配追踪算法(OMP，Orthogonal Matching Pursuit)，根据一个或多个新事件源位置确定下一轮数据收集的分簇规则。

数据重构的方式可以为，汇聚节点广播组网信息并为每个簇分配不同的随机种子ξ，簇头接收随机种子ξ后与本簇内节点ID_j组合生成随机种子(ξ,ID_j)，簇头利用该种子随机生成观测矩阵Φ。簇头收到本簇内N₁个节点感知到的数据X_N1×1和观测矩阵，根据式(1.4)得到本簇的观测向量Y′_M×1，将观测数据Y′_M×1上传至汇聚节点。在汇聚节点后端采用恢复算法对数据进行恢复。在汇聚节点处根据随机种子ξ和该簇内各个传感节点ID产生随机序列重新生成观测矩阵Φ，利用观测矩阵与基于欧氏距离的空间相关性模型衰减矩阵Ψ，求该簇内的感知数据X′，即已知Y′,Φ和Ψ，求解X′。就可以把对稀疏信号X′的重建问题转化为求解最小l₀范数的问题，将求解方程转化为求解如下最优化问题：

采用重构算法OMP来求解这个凸优化问题，精确重构出该簇内事件源方位向量其它簇内事件源方位向量求解方法类似，当求出全网事件源方位向量之后，根据式(2.1)，实现对该全网数据的重构。

更进一步地，本实施例中，根据每个簇中收集到的数据，通过压缩感知重构算法重构出全网数据，并计算网络中一个或多个新事件源位置，再根据一个或多个新事件源位置确定下一轮数据收集的分簇规则，在突发事件源位置发生变化的情况下，还能保持高精度，低能耗的数据收集结果，使得该方案的灵活性得以提升。

可选地，在上述图1对应的实施例的基础上，本发明实施例提供的基于压缩感知的数据收集方法的第四个可选实施例中，根据一个或多个新事件源位置确定下一轮数据收集的分簇规则，包括：

判断每个事件源位置与每个新事件源位置之间的偏移距离是否超过预置门限；

若超过预置门限，则将距离每个新事件源位置最近的传感器节点确定为新簇头；

以每个新簇头为中心对无线传感器网络中的传感器节点进行分簇；

若未超过预置门限，则按照每个簇采用压缩感知方法进行数据收集与重构。

本实施例中，采用数据收集的分簇规则，当出现一个或多个新事件源时，WSN根据最新采集的数据，利用重构算法重构出全网数据，并计算网络中一个或多个新事件源位置，根据新事件源位置与之前获取的事件源位置偏移量大小是否超过预置门限，来判断是否需要重新选取簇头，以此对新事件源进行动态监测。

本实施例中，假设已经重构出全网事件源方向向量那么可以得到表示全网事件源方位矩阵观察事件源的位置是否发生变化并超过一定门限，若没有变化，即在簇个数和簇头不变的条件下，采用压缩感知的方法重复数据收集与重构的步骤，继续对整个网络内传感器采集到的数据进行观测；若发生改变且变化的偏移量超过一定门限时，则根据新事件源位置，重复上述实施例中基于事件源位置分簇的步骤，调整簇头与簇的个数，重新进行数据收集，完成新的事件源影响下整个网络的数据监测。

需要说明的是，用于判断的门限值可以根据不同情况进行设定，故此处不对门限值做具体限定。

再进一步地，本实施例中，通过判断每个事件源位置与每个新事件源位置之间的偏移距离是否超过预置门限，来确定是否需要重新分簇，该方案根据最新的事件源位置来对无线传感网中分簇的个数与簇头的选取进行实时更新，及时完成对新事件源影响下网内分簇与数据收集，使得方案的灵活性得到进一步的提升。

为便于理解，下面以一个具体应用场景对本发明中一种基于压缩感知的数据收集方法进行详细描述，具体为：

在一个20×20的区域中均匀分布了400个节点，假设有两个事件源发生。汇聚节点在首轮数据收集过程中，以非压缩感知的方式收到全网节点的数据X_tot，并计算出基于欧氏距离的空间衰减矩阵Ψ，利用式V_tot＝Ψ^-1X_tot计算出无线传感器网络中事件源方位向量V_tot，即可得到事件源方位矩阵G_tot，如图7A所示，两个事件源的坐标为(7,5)和(13,19)，即图7A中显示为黑色的部分，而没有事件源发生的区域显示为白色。在两个事件源的影响下，其余传感器节点感知到的数据分布如图7B所示，传感器节点离事件源越近，受事件源影响就越大，感知到的数据就越大，在图7B中显示的颜色也越深。将距离这两个事件源最近的节点为簇头，网络中其它节点分别计算与这两个簇头的距离，选择距离自己最近的簇头并加入该簇，以此来对全网节点进行分簇。

完成了全网中的簇的建立之后，在第二轮数据收集阶段，两个簇在簇内利用压缩感知的方法分别收集簇内节点感知到的数据，即观测向量Y′与Y″，汇聚节点根据观测向量Y′，Y″和基于欧氏距离的空间衰减矩阵Ψ，利用压缩感知OMP重构算法分别重构出表示两个信号源方位向量和通过公式得到全网信号源方位向量，利用公式计算出全网数据，即我们最终想要收集的数据。

根据信号源方位向量可以得到的事件源方位矩阵与首轮数据收集得到的事件源方位矩阵G_tot相比较，若事件源偏移量ε没有超过预先设定的门限值，则下一轮数据收集时，所分簇不变，继续在簇中利用压缩感知技术收集数据；若超过了预先设定的门限值，则下一轮数据收集时以新事件源为簇头，重复上述分簇过程和数据收集过程。

图8为网内观测次数与重构数据信噪比关系示意图。从图中可知，无论是随机分簇还是以事件源为中心动态分簇，随着观测次数M的增加，重构数据信噪比都会有所提高。在观测次数M不变的情况下，本发明恢复性能比随机分簇恢复性能平均高出4dB至5dB；在相同信噪比下，本发明需要的观测次数要比随机分簇的观测次数少。因此，本发明相对于传统方法——随机分簇，能降低节点的传输能耗，延长网络寿命。

图9分别为使用压缩感知技术随机分簇和使用压缩感知技术以事件源为中心分簇的数据收集轮数和死亡节点数关系。可以看出，随着收集轮数的增加，死亡节点数因能耗也在增加，使用压缩感知技术随机分簇的数据收集节点死亡速度较快，当10％节点死亡时收集了32轮左右，而利用本发明进行数据收集时，节点死亡速度慢，当10％节点死亡时数据收集了92轮左右，延长了网络寿命。

为便于更好的实施本发明实施例提供的数据收集方法，本发明实施例还提供一种基于上述数据收集方法的装置。其中名词的含义与上述数据收集方法中相同，具体实现细节可以参考方法实施例中的说明。

下面对本发明中的数据收集装置进行详细描述，请参阅图2，本发明实施例中的数据收集装置包括：

获取模块201，用于获取无线传感器网络中一个或多个事件源位置；

第一确定模块202，用于将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

收集模块203，用于收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据。

本实施例中，获取模块201获取无线传感器网络中一个或多个事件源位置，第一确定模块202将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对无线传感器网络中的传感器节点进行分簇，收集模块203收集每个簇中的数据，每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据。

本发明实施例中，通过确定事件源的位置，将距离每个事件源位置最近的传感器节点作为簇头，对WSN进行分簇，并采用压缩感知方法来收集数据，由于以事件源为中心进行分簇，可以使得簇内节点采集的数据受同一个事件源的影响，因此相关性更强，使用压缩感知反复采集数据时，可以在相同的精度要求下传输次数更少，从而延长网络寿命。

请参阅图3，本发明实施例中的数据收集装置的另一个实施例包括：

获取模块301，用于获取无线传感器网络中一个或多个事件源位置；

第一确定模块302，用于将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

收集模块303，用于收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据。

本实施例中的获取模块301还可以进一步包括：

获取单元3011，用于采用非压缩感知的方式获取所述无线传感器网络中的原始数据；

计算单元3012，用于根据所述原始数据计算所述无线传感器网络中一个或多个事件源位置。

其次，本发明实施例中，通过获取的原始数据来确定一个或多个事件源位置，由此获得的事件源位置更精确，再将距离每个事件源位置最近的节点作为簇头，并进行分簇，可以更好的增加簇内数据的关联性，使得方案的实用性更强。

请参阅图4，本发明实施例中的数据收集装置的另一个实施例包括：

获取模块401，用于获取无线传感器网络中一个或多个事件源位置；

第一确定模块402，用于将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

收集模块403，用于收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据。

本实施例中的第一确定模块402还可以进一步包括：

广播单元4021，用于以所述一个或多个事件源中每个事件源为簇头，通过汇聚节点向全网广播所述每个簇头的位置，以使得网内的所述传感器节点选择距离最近的簇头加入所述簇头所在的簇；

本实施例中的收集模块403还可以进一步包括：

采集单元4031，用于采用压缩感知的方法收集所述每个簇中的数据，所述每个簇中的数据为所述每个簇内的N₁个传感器节点采集到的N₁维数据，通过测量矩阵映射成M维数据，所述N₁和M为正整数。

再次，本发明实施例中，在监测区域内以一个或多个事件源附近的节点为簇头，分成这些节点对应的簇，以此来增加簇中数据的相关性。簇中数据相关性的增加与压缩感知技术的应用，可以在监测精度不变的情况下，有效地减少有簇内数据采集量，减少节点的传输能耗，延长网络生存周期。并且可以实现对有事件源发生区域的重点监测。

请参阅图5，本发明实施例中的数据收集装置的另一个实施例包括：

获取模块501，用于获取无线传感器网络中一个或多个事件源位置；

第一确定模块502，用于将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

收集模块503，用于收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据；

重构模块504，用于根据所述每个簇中收集到的数据，通过压缩感知重构算法，重构出全网数据，并计算网络中一个或多个新事件源位置；

第二确定模块505，用于根据所述一个或多个新事件源位置确定下一轮数据收集的分簇规则。

本实施例中的第一确定模块502还可以进一步包括：

广播单元5021，用于以所述一个或多个事件源中每个事件源为簇头，通过汇聚节点向全网广播所述每个簇头的位置，以使得网内的所述传感器节点选择距离最近的簇头加入所述簇头所在的簇；

本实施例中的收集模块503还可以进一步包括：

采集单元5031，用于采用压缩感知的方法收集所述每个簇中的数据，所述每个簇中的数据为所述每个簇内N₁个传感器节点采集到的N₁维数据，通过测量矩阵映射成M维数据，所述N₁和M为正整数。

更进一步地，本实施例中，根据每个簇中收集到的数据，通过压缩感知重构算法重构出全网数据，并计算网络中一个或多个新事件源位置，再根据一个或多个新事件源位置确定下一轮数据收集的分簇规则，在突发事件源位置发生变化的情况下，还能保持高精度，低能耗的数据收集结果，使得该方案的灵活性得以提升。

请参阅图6，本发明实施例中的数据收集装置的另一个实施例包括：

获取模块601，用于获取无线传感器网络中一个或多个事件源位置；

第一确定模块602，用于将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

收集模块603，用于收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据；

重构模块604，用于根据所述每个簇中收集到的数据，通过压缩感知重构算法，重构出全网数据，并计算网络中一个或多个新事件源位置；

第二确定模块605，用于根据所述一个或多个新事件源位置确定下一轮数据收集的分簇规则。

本实施例中的第一确定模块602还可以进一步包括：

广播单元6021，用于以所述一个或多个事件源中每个事件源为簇头，通过汇聚节点向全网广播所述每个簇头的位置，以使得网内的所述传感器节点选择距离最近的簇头加入所述簇头所在的簇；

本实施例中的收集模块603还可以进一步包括：

采集单元6031，用于采用压缩感知的方法收集所述每个簇中的数据，所述每个簇中的数据为所述每个簇内N₁个传感器节点采集到的N₁维数据，通过测量矩阵映射成M维数据，所述N₁和M为正整数；

本实施例中的第二确定模块605还可以进一步包括：

判断单元6051，用于判断所述每个事件源位置与所述每个新事件源位置之间的偏移距离是否超过预置门限；

确定单元6052，用于若超过预置门限，则将距离所述每个新事件源位置最近的传感器节点确定为新簇头；

分簇单元6053，用于以每个新簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

处理单元6054，用于若未超过预置门限，则按照所述每个簇采用压缩感知方法进行数据收集与重构。

再进一步地，本实施例中，通过判断每个事件源位置与每个新事件源位置之间的偏移距离是否超过预置门限，来确定是否需要重新分簇，该方案根据最新的事件源位置来对无线传感网中分簇的个数与簇头的选取进行实时更新，及时完成对新事件源影响下网内分簇与数据收集，使得方案的灵活性得到进一步的提升。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于压缩感知的动态分簇无线传感网数据收集方法，其特征在于，包括：

获取无线传感器网络中一个或多个事件源位置；

将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据；

所述获取无线传感器网络中一个或多个事件源位置，包括：

采用非压缩感知的方式获取所述无线传感器网络中的原始数据；

根据所述原始数据计算所述无线传感器网络中一个或多个事件源位置；

所述根据所述原始数据计算所述无线传感器网络中一个或多个事件源位置，包括：

根据所述原始数据计算所述无线传感器网络中一个或多个事件源方位的向量；

根据所述一个或多个事件源方位的向量确定所述一个或多个事件源位置；

所述根据所述原始数据计算所述无线传感器网络中一个或多个事件源方位的向量，包括：

采用如下公式计算所述一个或多个事件源方位的向量：

V_tot＝Ψ^-1X_tot；

其中，所述V_tot表示事件源方位的向量，所述Ψ表示信号传播损耗矩阵，所述X_tot表示监测区域内每个传感器节点采集到的原始数据构成的列向量。

2.根据权利要求1所述的方法，其特征在于，所述收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据，包括：

采用压缩感知的方法收集所述每个簇中的数据，所述每个簇中的数据为所述每个簇内N₁个传感器节点采集到的N₁维数据，通过测量矩阵映射成M维数据，所述N₁和M为正整数。

3.根据权利要求2所述的方法，其特征在于，所述采用压缩感知的方法收集所述每个簇中的数据，所述每个簇中的数据为所述每个簇内N₁个传感器节点采集到的N₁维数据，通过测量矩阵映射成M维数据，所述N₁和M为正整数之后，所述方法还包括：

根据所述每个簇中收集到的数据，通过压缩感知重构算法，重构出全网数据，并计算网络中一个或多个新事件源位置；

根据所述一个或多个新事件源位置确定下一轮数据收集的分簇规则。

4.根据权利要求3所述的方法，其特征在于，所述根据所述一个或多个新事件源位置确定下一轮数据收集的分簇规则，包括：

判断所述每个事件源位置与所述每个新事件源位置之间的偏移距离是否超过预置门限；

若超过预置门限，则将距离所述每个新事件源位置最近的传感器节点确定为新簇头；

以每个新簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

若未超过预置门限，则按照所述每个簇采用压缩感知方法进行数据收集与重构。

5.一种数据收集装置，其特征在于，包括：

获取模块，用于获取无线传感器网络中一个或多个事件源位置；

第一确定模块，用于将距离每个事件源位置最近的传感器节点确定为簇头，以每个簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

收集模块，用于收集每个簇中的数据，所述每个簇中的数据是采用压缩感知方法收集的每个对应簇内传感器节点感知到的数据；

所述获取模块包括：

获取单元，用于采用非压缩感知的方式获取所述无线传感器网络中的原始数据；

计算单元，用于根据所述原始数据计算所述无线传感器网络中一个或多个事件源位置；

所述计算单元，具体用于根据所述原始数据计算所述无线传感器网络中一个或多个事件源方位的向量；

根据所述一个或多个事件源方位的向量确定所述一个或多个事件源位置；

所述计算单元，具体用于采用如下公式计算所述一个或多个事件源方位的向量：

V_tot＝Ψ^-1X_tot；

其中，所述V_tot表示事件源方位的向量，所述Ψ表示信号传播损耗矩阵，所述X_tot表示内每个传感器节点采集到的原始数据构成的列向量。

6.根据权利要求5所述的数据收集装置，其特征在于，所述收集模块包括：

采集单元，用于采用压缩感知的方法收集所述每个簇中的数据，所述每个簇中的数据为所述每个簇内N₁个传感器节点采集到的N₁维数据，通过测量矩阵映射成M维数据，所述N₁和M为正整数。

7.根据权利要求6所述的的数据收集装置，其特征在于，所述数据收集装置还包括：

重构模块，用于根据所述每个簇中收集到的数据，通过压缩感知重构算法，重构出全网数据，并计算网络中一个或多个新事件源位置；

第二确定模块，用于根据所述一个或多个新事件源位置确定下一轮数据收集的分簇规则。

8.根据权利要求7所述的数据收集装置，其特征在于，所述第二确定模块包括：

判断单元，用于判断所述每个事件源位置与所述每个新事件源位置之间的偏移距离是否超过预置门限；

确定单元，用于若超过预置门限，则将距离所述每个新事件源位置最近的传感器节点确定为新簇头；

分簇单元，用于以每个新簇头为中心对所述无线传感器网络中的传感器节点进行分簇；

处理单元，用于若未超过预置门限，则按照所述每个簇采用压缩感知方法进行数据收集与重构。