CN105682171B - 基于时空相关性分簇的无线传感器网络压缩数据收集方法 - Google Patents

Abstract

一种基于时空相关性分簇的无线传感器网络压缩数据收集方法，它包含以下步骤：一、初始化阶段；二、时空相关性度量；三、网络成簇：汇聚节点根据节点间的时空相关性计算值，得到分簇信息后向全网广播信息，簇内节点再动态的选出簇头节点；四、压缩数据收集；五、数据重构。通过以上步骤，基于时空相关性分簇的无线传感器网络压缩数据收集方法，在相同重构误差的情况下，减少了数据传输次数，均衡了网络能耗，避免了某个节点因能耗问题过早死亡，延长了网络生存时间。

Description

基于时空相关性分簇的无线传感器网络压缩数据收集方法

技术领域：本发明提供一种基于时空相关性分簇的无线传感器网络压缩数据收集方法，它属于无线通信技术领域。

背景技术

无线传感器网络(Wireless Sensor Networks,WSNs)是将大量低功耗、低成本的传感器节点部署到相关区域，以无线自组织的方式组建成网络。这些节点能够共同协作，周期性地感知和采集数据，并以多跳的方式传递到汇聚节点。如何高效地完成数据收集任务，即在保证同样的数据收集精度的条件下，最大化延长网络的寿命是一个重要的研究问题。分簇网络具有拓扑清晰，能量高效等特点，广泛应用于压缩数据收集协议中。传统无线传感器网络分簇协议，如LEACH、HEED等算法，主要考虑簇头节点的选取和分簇数目的问题，而较少考虑监控区域的数据特征。

压缩感知是一个新兴的数字信号处理方法，该方法被认为是对经典Shannon-Nyqist采样定理的一种超越。奈奎斯特采样定理认为，为了准确地恢复原信号，采样频率至少要是信号最高频率的2倍。而压缩感知理论认为，通过获取稀疏信号或可压缩信号的少量线性投影就能准确地重构该信号。

由于原始数据中存在大量的冗余信息，而传统的分簇算法较少考虑感知区域的数据时空相关性，同一个簇内数据相关性差异较大，不能很好的进行稀疏表示，在相同的重构误差的情况下，需要更多的观测次数。数据传输次数的增大，浪费了网络带宽，减少了网络寿命。

发明内容

针对现有技术中的不足，本发明的目的是提供一种基于时空相关性分簇的无线传感器网络压缩数据收集方法(Spatiotemporal Clustering Method for CompressiveData Gathering，STC-CDG)，具体提出了一种度量局部区域数据相关性的方法，并应用于网络分簇，综合考虑了簇头节点的剩余能量和簇内节点的数据相关性。

这里通过一个例子来形象地阐述本发明要解决的问题。假设传感器网络负责监控一个区域的光照强度，图1中虚线包围的区域表示不同的光照强度。如图1.a所示，传统的网络分簇协议仅考虑簇内通信代价和簇头节点的剩余能量形成了7个簇。则对于3号簇，5号簇来说，簇内节点的数据的相关性很小，数据不是稀疏的，或者不能有效地稀疏表示，这样就不能使用压缩感知的方法进行数据收集。与图1.a不同的是，图1.b是根据局部区域数据时空相关性进行分簇，簇内数据高度相关，可以很好的进行稀疏表示。由压缩感知理论可知，这种分簇方法能大大较少簇内数据的测量次数，减少能量消耗，延长网络寿命。

本发明一种基于时空相关性分簇的无线传感器网络压缩数据收集方法，它包含以下步骤：

步骤一，初始化阶段：

在这个阶段，每个传感器采集数据，并把采集到的原始数据以多跳的方式发送给汇聚节点；汇聚节点保存每个传感器节点在各个时间槽的采样数据；当汇聚节点收到数据后，进行数据的时空相关性度量阶段；在具体的使用过程中，由于汇聚节点保存有每个节点的历史数据，当数据的相关性变化小于设定的阈值时，分簇信息不需要改变，直接进行压缩感知数据收集；

步骤二，时空相关性度量：

汇聚节点根据步骤一中收集到的数据，按照本发明提出的区域数据相关性度量方法，计算任意两个传感器节点间的数据时空相关性。

令x^(k)∈R^N,x_i∈R^T分别为网络第k次采样的数据向量和第i个传感器在T个时间槽的采样向量，N为网络中节点的数目。我们定义Gmax_dst为邻域内两个节点间的最大距离，或者最大跳数，网内任意两个节点间的距离小于Gmax_dst时，可以归为一个邻域N_c。我们只考虑在邻域N_c中节点对数据的相关性计算，这样既减少了汇聚节点的计算复杂度，又避免存在距离较远的连边，比较符合实际情况。

具体如下，

步骤2.1：计算任意邻域内两个节点的时间相关性，如果邻域内的任意节点对(i,j)存在时间相关性，则需满足

ρ_m(i,j)>ρ_{m_min}，

其中ρ_{m_min}为自定义的时间相关性阈值，

式中，N_c表示上述中定义的邻域，和表示第i个节点分别在第k次和第k+m次的采样值，x_i表示第i个传感器在T个时间槽的采样向量，E[x_i]和分别表示第i个传感器在T个时间槽的采样均值和采样方差，同理可知E[x_j]和的表示含义。

步骤2.2：计算任意邻域内两个节点的空间相关性，如果邻域内的任意节点对(i,j)存在空间相关性，则需满足

ρ_s(i,j)>ρ_{s_min}，

其中ρ_{s_min}为自定义的空间相关性阈值，

式中，N_c表示上述中定义的邻域，表示第i个节点在第k次的采样值，x_i表示第i个传感器在T个时间槽的采样向量，E[x_i]和分别表示第i个传感器在T个时间槽的采样均值和采样标准差，同理可知E[x_j]和的表示含义。

步骤2.3：计算任意邻域内两个节点的时空相关性，如果邻域内的任意节点对(i,j)存在时空相关性，则需满足

ρ_ms(i,j)>ρ_msmin，

其中ρ_msmin为自定义的空间相关性阈值，

ρ_ms(i,j)＝ρ_m(i,j)*ρ_s(i,j)

式中，ρ_m(i,j)和ρ_s(i,j)的含义分别在步骤2.1和步骤2.2中给出了。

步骤三，网络成簇：汇聚节点根据节点间的时空相关性计算值，得到分簇信息后向全网广播信息，簇内节点再动态的选出簇头节点。

具体如下，

步骤3.1：根据步骤二得到的时空相关性数据，设定阈值门限ρ_msmin，若邻域内节点数据相关性大于阈值门限，就认为这两个节点之间存在一条连边(u,v)，构造图模型G，图的顶点就是网络中传感器节点，图的边定义为上述连边(u,v)；

步骤3.2：根据图模型G中节点度值和节点剩余能量确定分簇和簇头节点；

步骤3.3：汇聚节点确认簇内节点数目和簇头节点的位置，并由压缩感知理论确定簇内压缩感知采样数目不少于Cklog(n/k)，其中C为采样因子，k为簇内信号的稀疏度，n为簇内节点数目。

步骤四，压缩数据收集：

步骤4.1：簇内节点和簇头节点使用相同的伪随机数产生器，生成测量系数Φⁱ，所以测量系数不需要在网络中传输。簇内节点采用压缩感知数据收集的方法，将原始数据与测量系数的线性运算结果传递给簇头节点；

步骤4.2：测量矩阵Φⁱ为对应第i个簇的子矩阵，CHⁱ表示第i个簇的簇头节点，负责收集簇内的所有数据xⁱ，则单个簇内数据收集表示为yⁱ,yⁱ＝Φⁱxⁱ；

步骤4.3：簇头节点CHⁱ采用最小距离平方生成树算法，将测量值yⁱ传输到汇聚节点。

步骤五，数据重构：汇聚节点接收来自簇头的数据，构成测量值向量然后汇聚节点产生相同的随机矩阵Φ，并对原始收集数据进行重构，假设网络中分为5个簇，则重构式满足：

式中，测量系数Φⁱ为对应第i个簇的子矩阵，xⁱ表示第i个簇内的采样向量，yⁱ表示对应第i个簇的压缩感知测量值。

通过以上步骤，基于时空相关性分簇的无线传感器网络压缩数据收集方法，在相同重构误差的情况下，减少了数据传输次数，均衡了网络能耗，延长了网络生存时间。

与现有的结合网络分簇和压缩感知理论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、本发明提出的时空相关性度量方法，能够有效地计算出网络中数据相关性较大的邻居节点，并综合考虑数据的时空相关性与节点的剩余能量进行分簇，得到的簇内节点数据高度相关，能有效的进行稀疏表示，进而在相同重构误差的情况下，减少了数据传输次数。

2、由于成簇过程中综合考虑了节点的剩余能量，本方法均衡了网络能耗，避免了某个节点因能耗问题过早死亡，延长了网络生存时间。

附图说明

图1a为本发明的分簇方法与传统分簇方法效果示意图。

图1b为本发明的分簇方法与传统分簇方法效果示意图。

图2为本发明的层次型网络拓扑模型示意图。

图3为本发明的所述方法流程图。

图4为本发明的分簇方法和随机分簇方法数据收集观测次数和信噪比关系对比图。

图5为本发明的数据收集方法和最短路径数据收集方法能耗对比图。

具体实施方式

见图1a-图5，本发明提出的一种基于时空相关性分簇的无线传感器网络压缩数据收集方法，下面结合具体实施方法对本发明进行详细说明。

首先介绍下本发明的网络模型。当网络规模较大时，节点分布在较大范围内，我们可以对网络进行分层，建立局部融合中心。如图2所示，网络被分成了若各子网络，每个子网络有各自的局部汇聚节点，最终各个局部汇聚节点再把数据直接传给网络的sink中心。我们这里考虑单个局部网络的数据收集情况，并对单个局部网络作以下假设：

(1)节点都是同构的，即节点具有相同的通信能力和初始能量；

(2)网内节点周期性地收集同一种物理信息，不同位置不同时间的数据可能存在较大差异；

(3)在长度为L的正方向区域内，N个传感器节点均匀分布在等间隔的网格上，汇聚节点在监控区域外，所有节点放置后保持固定位置不动；

(4)簇内节点和簇头节点直接通信，簇头节点采用最小距离平方树算法(SSDST)和簇头通信；

(5)网内每个传感器节点和Sink节点有相同的伪随机数产生器，产生随机矩阵的系数，所以投影矩阵不需要在网络中传递。

汇聚节点与网络中的普通节点相比，有着充足的能量供应，计算能力要较强。普通节点接受汇聚节点的调度，执行感知和数据传输任务。汇聚节点负责全网数据收集、执行网络分簇协议和感知数据的重构。

本发明一种基于时空相关性分簇的无线传感器网络压缩数据收集方法，如图3所示，具体包含以下步骤：

步骤一，初始化阶段：

在这个阶段，每个传感器采集数据，并把采集到的原始数据以多跳的方式发送给汇聚节点。汇聚节点拥有较大的存储空间，保存了每个传感器节点在各个时间槽的采样数据。当汇聚节点收到足够多的数据时，进行数据的时空相关性度量阶段。在具体的使用过程中，由于汇聚节点保存有每个节点的历史数据，当数据的相关性变化较小时，分簇信息不需要改变，可以根据需要直接进行压缩感知数据收集。

步骤二，时空相关性度量：

汇聚节点根据步骤一中收集到的数据，按照本发明提出的区域数据相关性度量方法，计算任意两个传感器节点间的数据时空相关性。

令x^(k)∈R^N,x_i∈R^T分别为网络节点第k次采样的数据向量和第i个传感器在T个时间槽的采样向量，N为网络中节点的数目。我们定义Gmax_dst为邻域内两个节点间的最大距离，或者最大跳数，网内任意两个节点间的距离小于Gmax_dst时，可以归为一个邻域N_c。我们只考虑在邻域N_c中节点对数据的相似度计算，这样既减少了汇聚节点的计算复杂度，又避免存在距离较远的连边，比较符合实际情况。

具体如下，

步骤2.1：计算任意邻域内两个节点的时间相关性，如果邻域内的任意节点对(i,j)存在时间相关性，则需满足

ρ_m(i,j)>ρ_{m_min}，

其中ρ_{m_min}为自定义的时间相关性阈值，

式中，N_c表示上述中定义的邻域，和表示第i个节点分别在第k次和第k+m次的采样值，x_i表示第i个传感器在T个时间槽的采样向量，E[x_i]和分别表示第i个传感器在T个时间槽的采样均值和采样方差，同理可知E[x_j]和的表示含义。

步骤2.2：计算任意邻域内两个节点的空间相关性，如果邻域内的任意节点对(i,j)存在空间相关性，则需满足

ρ_s(i,j)>ρ_{s_min}，

其中，ρ_{s_min}为自定义的空间相关性阈值，

式中，N_c表示上述中定义的邻域，表示第i个节点在第k次的采样值，x_i表示第i个传感器在T个时间槽的采样向量，E[x_i]和分别表示第i个传感器在T个时间槽的采样均值和采样标准差，同理可知E[x_j]和的表示含义。

步骤2.3：计算任意邻域内两个节点的时空相关性，如果邻域内的任意节点对(i,j)存在时空相关性，则需满足

ρ_ms(i,j)>ρ_msmin，

其中，ρ_msmin为自定义的空间相关性阈值，

ρ_ms(i,j)＝ρ_m(i,j)*ρ_s(i,j)

式中，ρ_m(i,j)和ρ_s(i,j)的含义分别在步骤2.1和步骤2.2中给出了。

步骤三，网络成簇：汇聚节点根据节点间的时空相关性计算值，得到分簇信息后向全网广播信息，簇内节点再动态的选出簇头节点。

具体如下，

步骤3.1：根据步骤二得到的时空相关性数据，设定阈值门限ρ_msmin，若邻域内节点数据相关性大于阈值门限，就认为这两个节点之间存在一条连边(u,v)，构造图模型G，图的顶点就是网络中传感器节点，图的边定义为上述连边(u,v)；

步骤3.2：根据图模型G中节点度值和节点剩余能量确定分簇和簇头节点；

步骤3.3：汇聚节点确认簇内节点数目和簇头节点的位置，并由压缩感知理论确定簇内压缩感知采样数目不少于Cklog(n/k)，其中C为采样因子，k为簇内信号的稀疏度，n为簇内节点数目。本步骤的网络成簇算法描述伪代码，参见表1。

表1 STC成簇算法

步骤四，压缩数据收集：

步骤4.1：簇内节点和簇头节点使用相同的伪随机数产生器，生成测量系数Φⁱ，所以测量系数不需要在网络中传输。簇内节点采用压缩感知数据收集的方法，将原始数据与测量系数的线性运算结果传递给簇头节点；

步骤4.2：测量系数Φⁱ为对应第i个簇的子矩阵，CHⁱ表示第i个簇的簇头节点，负责收集簇内的所有数据xⁱ，则单个簇内数据收集表示为yⁱ,yⁱ＝Φⁱxⁱ；

步骤4.3：簇头节点CHⁱ采用最小距离平方生成树算法，将测量值yⁱ传输到汇聚节点。

步骤五，数据重构：汇聚节点接收来自簇头的数据，构成测量值向量然后汇聚节点产生相同的随机矩阵Φ＝[Φ¹ Φ² Φ³ Φ⁴]，并对原始收集数据进行重构，重构式满足(假设网络中分为5个簇)：

式中，测量系数Φⁱ为对应第i个簇的子矩阵，xⁱ表示第i个簇内的采样向量，yⁱ表示对应第i个簇的压缩感知测量值。

为检验该方法的有效性，本发明使用Matlab仿真平台进行仿真实验，将20个节点随机部署于100m×100m的区域内，汇聚节点位于监控区域外部。节点消耗的能量按照下式计算：

其中E_Tx为发送电路发送1比特数据所消耗的能量，E_Rx为接收电路接收1比特数据所消耗的能量，E_Amp为发送放大电路的能耗。仿真中使用的能量参数见表2：

表2 STC-CDG方法数据收集仿真参数

为方便对比，我们使用以下两种方法进行分簇：第一，网络随机分簇；第二，使用本发明提出的基于时空相关性的分簇。每次试验，保证一样的观测次数，每个试验重复50次，对比两种分簇方法中，观测次数和信噪比的关系。重构信号的信噪比(Signal NoiseRatio,SNR)定义如下：

式中，||x||₂和||e||₂分别表示原始信号和噪声信号的l₂范数。

从图4可以明显看出，在同样的观测次数下，使用本发明中的分簇方法的信号恢复精度远远高于随机分簇方法。

在网络节点正常工作时间内，试验分析了本发明的方法和基于最短路径数据收集方法的耗能，结果如图5所示。从图5可知，在同样的数据重构精度下，基于时空相关性的分簇数据收集方法，明显降低了网络能耗。

Claims (1)

1.一种基于时空相关性分簇的无线传感器网络压缩数据收集方法，其特征在于：它包含以下步骤：

步骤一，初始化阶段：

在这个阶段，每个传感器采集数据，并把采集到的原始数据以多跳的方式发送给汇聚节点；汇聚节点保存每个传感器节点在各个时间槽的采样数据；

步骤二，时空相关性度量：

当汇聚节点收到数据后，进行数据的时空相关性度量阶段；汇聚节点根据步骤一中收集到的数据，按照基于时空相关性分簇的无线传感器网络压缩数据收集方法提出的区域数据相关性度量方法，计算任意两个传感器节点间的数据时空相关性；

令x^(k),x_i分别为网络第k次采样的数据向量和第i个传感器在T个时间槽的采样向量，N为网络中节点的数目；定义Gmax_dst为邻域内两个节点间的最大距离，即最大跳数，网内任意两个节点间的距离小于Gmax_dst时，归为一个邻域N_c；只考虑在邻域N_c中节点对数据的相关性计算，以符合实际情况；

所述基于时空相关性分簇的无线传感器网络压缩数据收集方法提出的区域数据相关性度量方法,具体如下，

步骤2.1：计算任意邻域内两个节点的时间相关性，如果邻域内的任意节点对(i,j)存在时间相关性，

ρ_m(i,j)>ρ_{m_min}，

ρ_m(i,j)表示邻域内两个节点的时间相关性；

其中ρ_{m_min}为自定义的时间相关性阈值，

$\begin{array}{c}{\mathrm{\ρ}}_m(i,j)={\mathrm{\ρ}}_m\left(i\right)+{\mathrm{\ρ}}_m\left(\right(j)\\ =\frac{1}{2T}(\frac{\underset{k=1}{\overset{T}{\Σ}}(x_i^{\left(k\right)}-E\[x_i\])(x_i^{(k+m)}-E\[x_i\])}{{\mathrm{\σ}}_{x_i}^2}+\frac{\underset{k=1}{\overset{T}{\Σ}}(x_j^{\left(k\right)}-E\[x_j\])(x_j^{(k+m)}-E\[x_j\])}{{\mathrm{\σ}}_{x_j}^2}),\left(i,j\right)\∈N_c\end{array}$

式中，N_c表示上述中定义的邻域，和表示第i个节点分别在第k次和第k+m次的采样值，x_i表示第i个传感器在T个时间槽的采样向量，E[x_i]和分别表示第i个传感器在T个时间槽的采样均值和采样方差，同理可知E[x_j]和的表示含义；

步骤2.2：计算任意邻域内两个节点的空间相关性，如果邻域内的任意节点对(i,j)存在空间相关性，则需满足

ρ_s(i,j)>ρ_{s_min}，

ρ_s(i,j)表示邻域内两个节点的空间相关性；

其中ρ_{s_min}为自定义的空间相关性阈值，

${\mathrm{\ρ}}_S\left(i,j\right)=\frac{1}{T}\underset{k=1}{\overset{T}{\mathrm{\Σ}}}\frac{\left(x_i^{\left(k\right)}-E\[x_i\]\right)\left(x_j^{\left(k\right)}-E\[x_j\]\right)}{{\mathrm{\σ}}_{x_i}{\mathrm{\σ}}_{x_j}},\left(i,j\right)\∈N_c$

式中，N_c表示上述中定义的邻域，表示第i个节点在第k次的采样值，x_i表示第i个传感器在T个时间槽的采样向量，E[x_i]和分别表示第i个传感器在T个时间槽的采样均值和采样标准差，同理可知E[x_j]和的表示含义；

步骤2.3：计算任意邻域内两个节点的时空相关性，如果邻域内的任意节点对(i,j)存在时空相关性，则需满足

ρ_ms(i,j)>ρ_msmin，

ρ_ms(i,j)表示邻域内两个节点的时空相关性；

其中ρ_msmin为自定义的空间相关性阈值，

ρ_ms(i,j)＝ρ_m(i,j)*ρ_s(i,j)

式中，ρ_m(i,j)和ρ_s(i,j)的含义分别在步骤2.1和步骤2.2中给出了；

步骤三，网络成簇：汇聚节点根据任意两个传感器节点间的数据时空相关性，得到分簇信息后向全网广播信息，簇内节点再动态的选出簇头节点；

具体如下，

步骤3.1：根据设定的自定义的空间相关性阈值ρ_msmin和步骤二中得到的时空相关性数据，若邻域内节点数据相关性大于阈值门限，就认为这两个节点之间存在一条连边(u,v)，构造图模型G，图的顶点就是网络中传感器节点，图的边定义为上述连边(u,v)；

步骤3.2：根据图模型G中节点度值和节点剩余能量确定分簇和簇头节点；根据步骤3.1得到的图模型G中的连边关系，若区域内所有节点都相连，则分为一个簇，簇内以概率P_ch＝E_residual/E_max选出簇头节点，其中E_residual表示节点的剩余能量，E_max表示节点的初始能量，P_ch表示节点当选为簇头的概率；

步骤3.3：汇聚节点确认簇内节点数目和簇头节点的位置，并由压缩感知理论确定簇内压缩感知采样数目不少于C kln(n/k)，其中C为采样因子，k为簇内信号的稀疏度，n为簇内节点数目；C kln(n/k)示以自然数e为底的指数；

步骤四，压缩数据收集：

由于汇聚节点保存有每个节点的历史数据，当数据的相关性变化小于设定的阈值时，分簇信息不需要改变，直接进行压缩感知数据收集；所述压缩数据收集方法具体如下：

步骤4.1：簇内节点和簇头节点使用相同的伪随机数产生器，生成测量系数Φⁱ，所以测量系数不需要在网络中传输；簇内节点采用压缩感知数据收集的方法，将原始数据与测量系数的线性运算结果传递给簇头节点；簇内节点按照步骤4.2进行数据传递；簇内节点采用的压缩感知数据收集方法具体如步骤4.2所述；

步骤4.2：测量矩阵Φⁱ为对应第i个簇的子矩阵，CHⁱ表示第i个簇的簇头节点，负责收集簇内的所有数据xⁱ，则单个簇内数据收集表示为yⁱ,yⁱ＝Φⁱxⁱ；

步骤4.3：簇头节点CHⁱ采用最小距离平方生成树算法，将测量值yⁱ传输到汇聚节点；

步骤五，数据重构：

汇聚节点接收来自簇头的数据，构成测量值向量然后汇聚节点产生相同的随机矩阵Φ，并对原始收集数据进行重构，假设网络中分为5个簇，则重构式满足：

式中，测量系数Φⁱ为对应第i个簇的子矩阵，xⁱ表示第i个簇内的采样向量，yⁱ表示对应第i个簇的压缩感知测量值。