CN104703262A - 基于压缩感知的分簇式数据收集方法 - Google Patents
基于压缩感知的分簇式数据收集方法 Download PDFInfo
- Publication number
- CN104703262A CN104703262A CN201510122417.XA CN201510122417A CN104703262A CN 104703262 A CN104703262 A CN 104703262A CN 201510122417 A CN201510122417 A CN 201510122417A CN 104703262 A CN104703262 A CN 104703262A
- Authority
- CN
- China
- Prior art keywords
- data
- error
- matrix
- reconstruct
- base station
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 11
- 238000013481 data capture Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 18
- 238000013480 data collection Methods 0.000 abstract description 14
- 241000854291 Dianthus carthusianorum Species 0.000 abstract 3
- 230000005540 biological transmission Effects 0.000 description 11
- 230000008447 perception Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0014—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the source coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
- H04W52/0222—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave in packet switched networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种基于压缩感知的分簇式数据收集方法。首先，传感器网络执行基于边介数的分簇算法和基于点介数的簇头选择方法。然后，簇头收集簇内节点的数据，并产生随机测量矩阵对收集的数据进行压缩采样。最后，簇头将压缩后的数据沿最短路径算法传输到基站，基站产生相同的测量矩阵对压缩数据进行重构，如果重构误差大于一定阈值，则增加测量矩阵行数，使得重构数据满足一定误差阈值。本发明降低了数据收集的能耗，并可以实时调节重构数据的误差，得到满足一定误差的重构数据。
Description
技术领域
本发明涉及一种特别用于无线传感器网络的基于压缩感知的分簇式数据收集方法，属于通信技术领域。
背景技术
无线传感器网络(Wireless Sensor Network, WSN)是由一些低功耗、体积小的传感器网络节点，以无线多跳的方式形成的自组织网络。这些大量分散的节点能够同时协作，对某一地域进行实时监控、感知和采集各种数据。但是，无线传感器网络节点分布密集，能量有限。尤其在分簇式数据收集的过程中，大量的感知数据需要经过传感器网络节点传输到簇头，进而传输到基站。如何设计高效的数据收集方法成为亟待解决的问题。
传统的数据收集方法通常将大量传感器节点采集的所有数据经过簇头节点传输到基站进行处理。然而，在传感器网络的数据采集过程中，通常是多个传感器节点对某一事件进行感知压缩，携带了大量的冗余数据，大大占用了网络通信带宽，带来了不必要的能耗。
近年来，随着压缩感知(compressive sensing, CS)的提出，给无线传感器网络的数据收集开辟了新的道路。压缩感知理论可以分成三个过程：采样，测量，重构。采样：对稀疏数据进行采样；测量：对采样得到的数据进行压缩测量，得到测量值；重构：由测量值数据对原始数据进行还原。而现有结合压缩感知的数据收集方案，主要是通过测量矩阵的设计、普通分簇、分布式时空相关性等方法来进行。
测量矩阵的设计方法，即设计满足一定特性的矩阵，如设计适合在硬件资源有限的传感器节点中实现的循环稀疏伯努利观测矩阵，使用循环稀疏矩阵与伪随机伯努利序列，采用结构化的方法构造。具有非零元素少，良好的伪随机性，硬件易于实现等优点。在满足数据重构误差的前提下，能够通过压缩观测获得更少的观测数据，减少传输能耗。
普通分簇方法，即通过对网络执行一定的分簇算法，然后在簇头中生成随机采样序列并分发给簇成员，然后在簇成员中进行低速随机采样，最后在簇头中进行信号重构。该方法可以减少一定的传输能耗，但是，不能保证重构的质量。
分布式时空相关性方法，即在数据收集的过程中, 针对目前只对空间感知数据进行随机投影操作,而真实网络中空间感知数据的压缩性能并不好,从而导致数据恢复质量差和压缩数据的传输代价大。提出一种分布式时空数据收集方法，可以有效减少网络中传输的测量值数目。
综上所述，现有的压缩感知结合传感器网络的数据收集策略均能够减少一定数目的测量值，从而降低传输能耗，但是，对于如何降低簇内传输能耗以降低网络传输总能耗，同时获得满足一定误差值的重构数据，目前尚没有合适的解决方案。
发明内容
针对上述问题以及具有一定组织结构的传感器网络，提出一种基于压缩感知的分簇式数据收集方法。通过将传感器网络节点执行基于边介数的分簇算法和基于点介数的簇头选择方法，以及重构误差的反馈，解决数据收集过程中传输能耗大、不能得到满足一定误差要求的数据问题。本发明通过将节点执行基于边介数的分簇算法和基于点介数的簇头选择方法，获得最优分簇，降低簇内传输能耗，从而尽可能降低传输总能耗，同时，通过反馈重构误差，得到满足一定误差要求的重构数据。
本发明，首先对传感器网络执行基于边介数的分簇算法和基于点介数的簇头选择方法。然后，簇头收集簇内节点的数据，并产生随机测量矩阵对收集的数据进行压缩采样。最后，簇头将压缩后的数据沿最短路径算法传输到基站，基站产生相同的测量矩阵对压缩数据进行重构，如果重构误差大于一定阈值，则增加测量矩阵行数，使得重构数据满足一定误差阈值。本发明降低了数据收集的能耗，并可以实时调节重构数据的误差，得到满足一定误差的重构数据。
本发明的具体步骤如下：
步骤一、根据节点的邻接矩阵 ，对传感器网络节点执行基于边介数的分簇算法和基于点介数的簇头选择方法，得到网络分簇及每个分簇对应的簇头；
步骤二、簇内节点将感知到的数据传输到对应的簇头；
步骤三、簇头节点产生随机测量矩阵，并对收集的数据进行压缩采样，得到测量值矩阵中的第列，；
步骤四、簇头节点经过最短路径算法将测量值传输到基站；
步骤五、基站接收来自簇头的数据，构成测量值矩阵，然后基站产生相同的随机测量矩阵，并对原始收集数据进行重构，重构过程满足下式：
(1)
步骤六、对重构出来的数据，计算其均方误差，然后，执行反馈算法，最终，得到满足误差阈值的重构数据；
步骤七、结束。
与现有结合压缩感知的无线传感器网络数据收集方法相比，本发明的优点在于：
1、本发明提出的通过节点进行基于边介数的分簇算法和基于点介数的簇头选择方法，可以获得更合理的簇结构，有效减少簇内传输的能耗，从而尽可能降低网络传输总能耗；
2、本发明根据重构数据计算重构误差，进行实时反馈，可以在不增加多余通信能耗的条件下，得到满足一定误差要求的重构数据。
附图说明
图1是实现本发明数据收集的流程图；
图2是具有一定组织结构的20节点网络示意图；
图3是20节点网络划分结果示意图；
图4是对比最短路径数据收集和基于压缩感知的分簇式数据收集的能耗结果图。
具体实施方法
本发明设计了基于压缩感知的分簇式数据收集方法，结合图1，数据收集的具体实施方法如下：
针对具有一定组织结构的无线传感器网络，设定基站重构数据的误差阈值，以20节点网络(图2,节点编号从1到20，坐标（0,0）点为基站节点)和图片数据为例。具体步骤如下所示：
步骤一、基站设定数据重构后的均方误差阈值；
步骤二、对传感器网络节点进行基于边介数的分簇算法和基于点介数的簇头选择方法，得到网络分簇及每个分簇对应的簇头、、、(图3，其中节点1、2、3、4、5是一个簇，节点6、7、8、9、10是一个簇，节点11、12、13、14、15是一个簇，节点16、17、18、19、20是一个簇，每个簇均以不同形状标明，五角星节点为对应簇内簇头)；
步骤三、簇内节点将感知到的数据传输到对应的簇头；
步骤四、簇头节点、、、分别产生随机测量矩阵、、、，并对收集的数据、进行压缩采样，得到测量值矩阵中的第列，；
步骤五、簇头节点经过最短路径算法将测量值传输到基站；
步骤六、基站接收来自簇头的数据，构成测量值矩阵，然后基站产生随机测量矩阵，并对原始收集数据进行重构，重构过程满足下式：
(1)
步骤七、对重构出来的数据，按照下式计算均方误差：
(2)
步骤八、对比重构误差和误差阈值，若误差大于等于误差阈值，即，转步骤九，否则转步骤十；
步骤九、增加测量矩阵的行数目，重新进行重构，得到重构数据，若重构数据的均方误差大于均方误差阈值，即，继续增加测量矩阵的行数目，直到均方误差小于均方误差阈值，转步骤十；
步骤十、结束。
为验证该方法的有效性，本方法通过Matlab仿真平台进行试验，将20节点网络部署在100m100m的监测区域内，基站坐标为(0,0)。节点具有相同的初始能量，节点消耗的能量按照下式计算：
(3)
式中代表两节点之间的距离，为距离能耗的比例系数，为调节因子，，当节点和节点之间有边连接，即，在这条边的两端传输一个包所消耗的能量为；而当两节点之间没有边，即，在这两条边之间传输一个数据包所消耗的能量为。传输距离设置为40m。
在网络中传输数据50轮次，此时网络中还没有节点能量耗尽，对比基于压缩感知的分簇式数据收集和最短路径数据收集方法，结果如图4。从图可知，基于压缩感知的分簇式数据收集方法明显降低了网络能耗。
然后，对图像数据在基站进行反馈处理，当测量矩阵的行数依次设置为10、20、30、40、50时，每轮次反馈在原有行数值上增加两行，即，设定图像数据的均方误差阈值为200，150-250为均方误差的可接受范围，经试验发现，不同的行数的测量矩阵均可以通过反馈调节行数，得到满足条件的均方误差。
综上所述，基于压缩感知的分簇式数据收集方法，不仅能有效降低传输总能耗，而且，可以通过将重构误差进行反馈，得到满足一定误差要求的重构数据。
Claims (2)
1.一种基于压缩感知的分簇式数据收集方法，其特征在于，首先，传感器网络执行基于边介数的分簇算法和基于点介数的簇头选择方法；然后，簇头收集簇内节点的数据，并产生随机测量矩阵对收集的数据进行压缩采样；最后，簇头将压缩后的数据沿最短路径算法传输到基站，基站产生相同的测量矩阵对压缩数据进行重构，如果重构误差大于一定阈值，则增加测量矩阵行数，使得重构数据满足一定误差阈值；所述方法至少包括以下前提和步骤：
前提：
传感器网络节点分布具有一定的组织结构特性；
基站设定重构数据的均方误差阈值 ；
步骤：
步骤一、根据节点的邻接矩阵，对传感器网络节点执行基于边介数的分簇算法和基于点介数的簇头选择方法，得到网络分簇及每个分簇对应的簇头；
步骤二、簇内节点将感知到的数据传输到对应的簇头；
步骤三、簇头节点产生随机测量矩阵，并对收集的数据进行压缩采样，得到测量值矩阵中的第列，；
步骤四、簇头节点经过最短路径算法将测量值传输到基站；
步骤五、基站接收来自簇头的数据，构成测量值矩阵，然后基站产生相同的随机测量矩阵，并对原始收集数据进行重构，重构过程满足下式：
(1)
步骤六、对重构出来的数据，计算其均方误差，然后，执行反馈算法，最终，得到满足误差阈值的重构数据;
步骤七、结束。
2.如权利要求1所述的方法，其特征在于所述反馈算法，至少还包括：
1) 计算重构数据的均方误差，用表示，对比重构误差和误差阈值，若误差大于误差阈值，即，转步骤2)，否则转步骤3)；
2) 为了提高重构精度，增加测量矩阵的行数目，重新生成更高维的随机测量矩阵，然后，重新进行重构，得到重构数据，若重构后的均方误差仍然大于误差阈值，即，继续增加测量矩阵的行数目，直到误差小于误差阈值，转步骤3)；
3) 结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510122417.XA CN104703262B (zh) | 2015-03-20 | 2015-03-20 | 基于压缩感知的分簇式数据收集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510122417.XA CN104703262B (zh) | 2015-03-20 | 2015-03-20 | 基于压缩感知的分簇式数据收集方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104703262A true CN104703262A (zh) | 2015-06-10 |
| CN104703262B CN104703262B (zh) | 2016-10-26 |
Family
ID=53349935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510122417.XA Expired - Fee Related CN104703262B (zh) | 2015-03-20 | 2015-03-20 | 基于压缩感知的分簇式数据收集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104703262B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105120469A (zh) * | 2015-07-06 | 2015-12-02 | 湘潭大学 | 基于压缩感知的质量可伸缩低信息密度数据收集方法 |
| CN106851767A (zh) * | 2016-09-22 | 2017-06-13 | 华东理工大学 | 一种无线传感网络节点融合数据收集方法 |
| CN109587651A (zh) * | 2018-12-26 | 2019-04-05 | 中国电建集团河南省电力勘测设计院有限公司 | 一种无线传感器网络数据汇聚算法 |
| CN109743708A (zh) * | 2018-11-07 | 2019-05-10 | 湘潭大学 | 一种基于车流密度的车联网数据采集方法 |
| CN110311687A (zh) * | 2019-07-09 | 2019-10-08 | 南京天数智芯科技有限公司 | 一种基于集成算法的时序数据无损压缩方法 |
| CN116527525A (zh) * | 2023-05-05 | 2023-08-01 | 国网湖南省电力有限公司 | 基于边缘计算的设备数据采集方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103237364A (zh) * | 2013-04-19 | 2013-08-07 | 北京邮电大学 | 一种集成的无线传感器网络数据收集机制 |
| US20140321763A1 (en) * | 2009-10-21 | 2014-10-30 | Futurewei Technologies, Inc. | Communication System with Compressive Sensing |
-
2015
- 2015-03-20 CN CN201510122417.XA patent/CN104703262B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140321763A1 (en) * | 2009-10-21 | 2014-10-30 | Futurewei Technologies, Inc. | Communication System with Compressive Sensing |
| 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 |
| CN103237364A (zh) * | 2013-04-19 | 2013-08-07 | 北京邮电大学 | 一种集成的无线传感器网络数据收集机制 |
Non-Patent Citations (1)
| Title |
|---|
| MINH TUAN NGUYEN等: "Compressive Sensing Based Data Gathering in Clustered Wireless Sensor Networks", 《INTERNATIONAL CONFERENCE ON DISTRIBUTED COMPUTING IN SENSOR SYSTEM(DCOSS)，2014》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105120469A (zh) * | 2015-07-06 | 2015-12-02 | 湘潭大学 | 基于压缩感知的质量可伸缩低信息密度数据收集方法 |
| CN106851767A (zh) * | 2016-09-22 | 2017-06-13 | 华东理工大学 | 一种无线传感网络节点融合数据收集方法 |
| CN106851767B (zh) * | 2016-09-22 | 2021-01-19 | 华东理工大学 | 一种无线传感网络节点融合数据收集方法 |
| CN109743708A (zh) * | 2018-11-07 | 2019-05-10 | 湘潭大学 | 一种基于车流密度的车联网数据采集方法 |
| CN109743708B (zh) * | 2018-11-07 | 2022-03-18 | 湘潭大学 | 一种基于车流密度的车联网数据采集方法 |
| CN109587651A (zh) * | 2018-12-26 | 2019-04-05 | 中国电建集团河南省电力勘测设计院有限公司 | 一种无线传感器网络数据汇聚算法 |
| CN109587651B (zh) * | 2018-12-26 | 2021-11-02 | 中国电建集团河南省电力勘测设计院有限公司 | 一种无线传感器网络数据汇聚方法 |
| CN110311687A (zh) * | 2019-07-09 | 2019-10-08 | 南京天数智芯科技有限公司 | 一种基于集成算法的时序数据无损压缩方法 |
| CN110311687B (zh) * | 2019-07-09 | 2022-10-04 | 上海天数智芯半导体有限公司 | 一种基于集成算法的时序数据无损压缩方法 |
| CN116527525A (zh) * | 2023-05-05 | 2023-08-01 | 国网湖南省电力有限公司 | 基于边缘计算的设备数据采集方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104703262B (zh) | 2016-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104703262A (zh) | 基于压缩感知的分簇式数据收集方法 | |
| Liu et al. | CDC: Compressive data collection for wireless sensor networks | |
| CN102594904A (zh) | 对无线传感器网络异常事件进行分布式检测的方法 | |
| CN101848529B (zh) | 一种无线传感器网络的多重主成分分析数据压缩方法 | |
| CN102638889A (zh) | 基于贝叶斯压缩感知的室内无线终端定位方法 | |
| CN107820321A (zh) | 一种基于蜂窝网络的窄带物联网中大规模用户智能接入算法 | |
| CN108924148A (zh) | 一种多源信号协同压缩感知数据恢复方法 | |
| CN102164395A (zh) | 基于压缩感知的无线传感器网络全局信息本地获取方法 | |
| CN103152817A (zh) | 基于广播Gossip算法的分布式时钟同步方法 | |
| 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 | |
| CN103702282B (zh) | 一种基于迁移压缩感知的多种类多目标被动式定位方法 | |
| CN111769891A (zh) | 一种基于张量分解的频谱监测大数据处理***及处理方法 | |
| CN103701647B (zh) | 一种无线网络拓扑优化生成方法 | |
| CN102970677B (zh) | 基于侦听的Gossip平均共识技术的无线通信方法 | |
| CN101808383B (zh) | 面向矩阵式无线传感器网络的随机路由的选择方法 | |
| CN103260179A (zh) | 基于ZigBee的QPSO自校正定位方法 | |
| CN108667651A (zh) | 一种低时间复杂度的随机机会网络拓扑重构方法 | |
| CN101895957B (zh) | 面向矩阵式无线传感器网络分配权重的随机路由选择方法 | |
| CN103546901A (zh) | 一种无线传感器网络能量状态采集方法及其装置 | |
| CN105682141A (zh) | 基于邻居辅助的无线传感器网络数据采集方法 | |
| Xiaohan et al. | Energy optimization strategy for wireless sensor networks in large-scale farmland habitat monitoring | |
| CN103533674A (zh) | 一种分簇水声传感器网络数据采集和传输的方法 | |
| Cui et al. | Information recovery via block compressed sensing in wireless sensor networks | |
| CN101902797B (zh) | 面向矩阵式无线传感器网络的分块式随机路由的选择方法 | |
| CN107787002B (zh) | 一种快速评估无线供电通信中信息传输速率的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161026 |