CN110012488A - 一种移动无线传感器网络的压缩数据收集方法 - Google Patents
一种移动无线传感器网络的压缩数据收集方法 Download PDFInfo
- Publication number
- CN110012488A CN110012488A CN201910387742.7A CN201910387742A CN110012488A CN 110012488 A CN110012488 A CN 110012488A CN 201910387742 A CN201910387742 A CN 201910387742A CN 110012488 A CN110012488 A CN 110012488A
- Authority
- CN
- China
- Prior art keywords
- tree
- data collection
- matrix
- blang
- sensor network
- 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
- 238000013480 data collection Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000008447 perception Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 230000002123 temporal effect Effects 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000005295 random walk Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication 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)
- Computer Security & Cryptography (AREA)
- Mobile Radio Communication Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种移动无线传感器网络的压缩数据收集方法,首先,利用传感器节点感知数据的时空相关性设计基于Treelet的稀疏表示基;其次,设计稀疏随机测量矩阵;然后,设计布朗树路由算法进行数据收集;最后,根据稀疏表示基、稀疏随机测量矩阵以及布朗树路由在Sink节点进行压缩数据重构。采用本发明可提高传感网数据收集的效率,降低传感网络节点的总的代价,一定程度上延长了网络的生存周期。
Description
技术领域
本发明涉及移动无线传感器网络领域,具体涉及一种移动无线传感器网络的压缩数据收集方法。
背景技术
近年来,无线传感器网络的应用范围已经日趋广泛,比如智能交通、智能电网、智慧医疗、安全生产监控等领域。若无线传感器网络在实际应用中将感知数据直接进行传输,将产生很大的传输代价,会影响网络的性能,降低网络的生存周期。2006年,由DavidDonoho、Emmanuel Candes和陶哲轩等人提出的压缩感知技术给无线传感器网络的数据收集方法提供了一个全新的解决方案。压缩感知技术不但可以大大减低整个无线传感器网络能耗,还能通过极少的随机测量值在接收端以较高概率重构原始感知信号。
目前,已有大量的文献报道了如何利用压缩感知技术完成无线传感器网络感知数据的高能效数据收集相关研究工作。已有工作主要分为三类:第一类,利用无线传感器网络感知数据本身的时间相关性进行数据压缩收集;第二类,利用无线传感器网络感知数据本身的空间相关性进行数据压缩收集;第三类,利用有效的路由算法进行压缩数据收集。第一类或者第二类没有同时兼顾传感器节点感知数据时间、空间相关性;第三类方案中,已有工作大多研究是如何设计最优化的路由协议,比如设计簇状路由等,这些路由协议存在以下共性问题:负责转发、收集感知数据的簇头节点在整个网络生存期中容易发生能耗不均衡现象,另外,该种方案对于感知数据的传输失效、信息传输间带来的干扰等问题并不具备抗差错性,这些实际存在的问题,将直接影响接收端对原始感知数据的重构精度。为了克服上述问题,在已有的压缩感知技术基础之上,本发明提出一种利用移动传感器节点完成网络内感知数据的压缩收集方案。该方案的优势在于,一方面设计了一种基于Treelet的稀疏基,充分利用传感器节点感知数据的时空相关性,大大降低了数据冗余,提高了数据传输的效率。另一方面,可以利用移动节点的随机游走生成一棵布朗树路由进行压缩数据收集,并且,在整个网络感知数据收集过程中,无需考虑网络的连通性和覆盖性能,减少了后期维护的成本。因此,在移动无线传感器网中充分利用感知数据固有属性以及压缩感知技术具有很大的优势。
发明内容
发明目的:本发明提供一种移动无线传感器网络的压缩数据收集方法,极大增强了网络数据收集的效率,减少了数据传输代价,提高了数据传输的可靠性,一定程度上延长了网络生存期。
技术方案:本发明所述的一种移动无线传感器网络的压缩数据收集方法,包括以下步骤:
(1)利用传感器感知数据的时空相关性设计基于Treelet的稀疏表示基;
(2)设计稀疏随机测量矩阵;
(3)设计布朗树路由算法进行数据收集;
(4)根据所述的稀疏表示基、稀疏随机测量矩阵以及基于步骤(3)的布朗树路由在Sink节点进行压缩数据重构。
所述步骤(1)包括以下步骤:
(11)在树的最底层l=0,假设传感网中的感知数据可以表示为x0=[x0,1,...,x0,p]T,其对应的Dirac基记为Ψ0=[ψ0,1,ψ0,2,...,ψ0,p],其中Ψ0是一个p×p的单位阵;
(12)计算样本方差∑0和相似矩阵M0;
(13)根据相似矩阵M0查找最相似的和变量,假设其中ζ∈{1,2,...,p},l∈{1,2,...,L},L为树的最大层数;
(14)计算参数α,β的Jacobi矩阵:
其中c=cos(θl),s=sin(θl),且而∑l=JT∑l-1J;
(15)不断更新基底Ψl=Ψl-1J和感知数据xl=JTxl-1,从而不断更新相似矩阵Ml的值;
(16)多分辨率算法:假设其中索引α和β分别为第一主成分和第二主成分;定义第l层的和变量以及差分变量分别为和基矩阵Ψl的尺度函数和细节函数分别为φl和ψl,将和变量集合中的差分变量删除后,得到一个新的集合记为ζ=ζ\{β};第l层的正交Treelet分解为其中生成的新的尺度向量集合则为向量φl与上层的尺度函数{φl-1j}j≠α,β的级联,新生成的和变量则是原始数据在这些向量上的投影。
所述步骤(2)所述的稀疏随机测量矩阵Φ为:
其中,Φi,j为测量矩阵的第i行,j列元素,Bri是布朗树中第i个进行数据传输的节点。
所述步骤(3)包括以下步骤:
(31)初始化,在被监测区域a2内,随机部署n(N=10n)个传感器节点,其中被监测区域总的传感器节点个数为N;
(32)n个传感器节点在监测区域内随机游走,当某个传感器节点随机游动到其它节点附近时就停止移动,直到所有n个传感器节点全部停止移动为止,自此这些传感器节点便形成了一棵子布朗树;
(33)随机生成n个传感器节点,重复步骤(32)的过程,直至被监测区域内N个传感器节点全部成为布朗树的一部分为止。
步骤(4)所述的Sink节点位于被监测区域中心位置。
有益效果:与现有技术相比,本发明的有益效果:1、能较好地增强网络的性能指标,比如,降低能耗、减小传输代价等;2、采用移动网络无需考虑网络连通性和覆盖等性能,不仅提高了压缩数据收集的能效,也延长了无线传感器网络的寿命。
附图说明
图1是本发明的流程图;
图2是本发明基于布朗树路由收集感知数据方法示意图;
图3是本发明五种不同能量的Treelet稀疏表示基。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明具体包括以下几个步骤:
1、利用传感器节点感知数据的时空相关性设计基于Treelet的稀疏表示基。
(1)在树的最底层l=0,假设传感网中的感知数据可以表示为x0=[x0,1,...,x0,p]T,其对应的Dirac基记为Ψ0=[ψ0,1,ψ0,2,...,ψ0,p],其中Ψ0是一个p×p的单位阵,接下来计算样本方差∑0和相似矩阵M0。
(2)根据相似矩阵M0查找最相似的和变量,假设其中ζ∈{1,2,...,p},l∈{1,2,...,L},L为树的最大层数。
(3)计算参数α,β的Jacobi矩阵。
其中c=cos(θl),s=sin(θl),且而∑l=JT∑l-1J。
通过上述式子的转换,可以不断更新基底Ψl=Ψl-1J和感知数据xl=JTxl-1,从而不断更新相似矩阵Ml的值。
(4)多分辨率算法:为了便于标记,假设其中索引α和β分别为第一主成分和第二主成分;定义第l层的和变量以及差分变量分别为和定义基矩阵Ψl的尺度函数和细节函数分别为φl和ψl;将和变量集合中的差分变量删除后,得到一个新的集合记为ζ=ζ\{β};于是,第l层的正交Treelet就可以分解为其中生成的新的尺度向量集合则为向量φl与上层的尺度函数{φl-1,j}j≠α,β的级联,而新生成的和变量则是原始数据在这些向量上的投影。
图2表示五种不同能量的Treelet稀疏表示基,其能量大小依次为T1>T2>T3>T4>T5。图2中的横轴表示基于Treelet稀疏表示基的系数,纵轴表示能量大小。在实际的无线传感器网络压缩数据收集方法中,可以选择具有最大能量的表示基,可以得到最佳的稀疏表示性能。
2、设计稀疏随机测量矩阵:
其中,Φi,j为测量矩阵的第i行,j列元素,Bri是布朗树中第i个进行数据传输的节点。
3、设计布朗树路由算法进行数据收集。
(1)初始化,在被监测区域a2内,随机部署n(N=10n)个传感器节点,其中被监测区域总的传感器节点个数为N,Sink节点位于被监测区域中心位置。
(2)n个传感器节点在被监测区域内进行随机游走,当这n个传感器节点游走至Sink节点时,将成为布朗树的一部分,然后再随机生成n个传感器节点,重复上述随机游走过程,这样生成的布朗树越来越大。
(3)再随机生成n个传感器节点,重复步骤(2)的过程,直至被监测区域内N个传感器节点全部成为布朗树的一部分为止。
图3中,方框□表示无线传感器网络被监测区域中的Sink节点,圆圈○表示传感器节点,带箭头的直线→表示传感器节点随机游走的路径。网络中由于传感器节点的随机游走,最终形成了一棵布朗树,感知数据将沿着布朗树进行压缩数据传输,最终在Sink节点处进行原始感知数据的重构。
4、依据步骤1设计的基于时空相关性的稀疏基、步骤2设计的稀疏测量矩阵以及步骤3设计的布朗树路由算法进行收集的无线传感器网络感知数据的重构。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (5)
1.一种移动无线传感器网络的压缩数据收集方法,其特征在于,包括以下步骤:
(1)利用传感器感知数据的时空相关性设计基于Treelet的稀疏表示基;
(2)设计稀疏随机测量矩阵;
(3)设计布朗树路由算法进行数据收集;
(4)根据所述的稀疏表示基、稀疏随机测量矩阵以及基于步骤(3)的布朗树路由在Sink节点进行压缩数据重构。
2.根据权利要求1所述的一种移动无线传感器网络的压缩数据收集方法,其特征在于,所述步骤(1)包括以下步骤:
(11)在树的最底层l=0,假设传感网中的感知数据可以表示为x0=[x0,1,...,x0,p]T,其对应的Dirac基记为Ψ0=[ψ0,1,ψ0,2,...,ψ0,p],其中Ψ0是一个p×p的单位阵;
(12)计算样本方差∑0和相似矩阵M0;
(13)根据相似矩阵M0查找最相似的和变量,假设其中ζ∈{1,2,...,p},l∈{1,2,...,L},L为树的最大层数;
(14)计算参数α,β的Jacobi矩阵:
其中c=cos(θl),s=sin(θl),且而∑l=JT∑l-1J;
(15)不断更新基底Ψl=Ψl-1J和感知数据xl=JTxl-1,从而不断更新相似矩阵Ml的值;
(16)多分辨率算法:假设其中索引α和β分别为第一主成分和第二主成分;定义第l层的和变量以及差分变量分别为和基矩阵Ψl的尺度函数和细节函数分别为φl和ψl,将和变量集合中的差分变量删除后,得到一个新的集合记为ζ=ζ\{β};第l层的正交Treelet分解为其中生成的新的尺度向量集合则为向量φl与上层的尺度函数{φl-1,j}j≠α,β的级联,新生成的和变量则是原始数据在这些向量上的投影。
3.根据权利要求1所述的一种移动无线传感器网络的压缩数据收集方法,其特征在于,所述步骤(2)所述的稀疏随机测量矩阵Φ为:
其中,Φi,j为测量矩阵的第i行,j列元素,Bri是布朗树中第i个进行数据传输的节点。
4.根据权利要求1所述的一种移动无线传感器网络的压缩数据收集方法,其特征在于,所述步骤(3)包括以下步骤:
(31)初始化,在被监测区域a2内,随机部署n(N=10n)个传感器节点,其中被监测区域总的传感器节点个数为N;
(32)n个传感器节点在监测区域内随机游走,当某个传感器节点随机游动到其它节点附近时就停止移动,直到所有n个传感器节点全部停止移动为止,自此这些传感器节点便形成了一棵子布朗树;
(33)随机生成n个传感器节点,重复步骤(32)的过程,直至被监测区域内N个传感器节点全部成为布朗树的一部分为止。
5.根据权利要求1所述的一种移动无线传感器网络的压缩数据收集方法,其特征在于,步骤(4)所述的Sink节点位于被监测区域中心位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910387742.7A CN110012488B (zh) | 2019-05-10 | 2019-05-10 | 一种移动无线传感器网络的压缩数据收集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910387742.7A CN110012488B (zh) | 2019-05-10 | 2019-05-10 | 一种移动无线传感器网络的压缩数据收集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110012488A true CN110012488A (zh) | 2019-07-12 |
CN110012488B CN110012488B (zh) | 2022-03-11 |
Family
ID=67176491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910387742.7A Active CN110012488B (zh) | 2019-05-10 | 2019-05-10 | 一种移动无线传感器网络的压缩数据收集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110012488B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111246417A (zh) * | 2020-02-24 | 2020-06-05 | 云南财经大学 | 一种基于随机游走的压缩数据收集方法及*** |
CN116033380A (zh) * | 2023-03-28 | 2023-04-28 | 华南理工大学 | 一种无线传感器网络在不连通情况下的数据收集方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289807A (zh) * | 2011-07-08 | 2011-12-21 | 西安电子科技大学 | 基于Treelet变换和特征融合的遥感图像变化检测方法 |
CN106131154A (zh) * | 2016-06-30 | 2016-11-16 | 福州大学 | 移动无线传感器网络中基于核函数的压缩数据收集方法 |
CN108366394A (zh) * | 2018-01-24 | 2018-08-03 | 南京邮电大学 | 基于时空压缩网络编码的高能效无线传感网数据传输方法 |
CN109474904A (zh) * | 2018-11-23 | 2019-03-15 | 淮阴工学院 | 一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法 |
-
2019
- 2019-05-10 CN CN201910387742.7A patent/CN110012488B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289807A (zh) * | 2011-07-08 | 2011-12-21 | 西安电子科技大学 | 基于Treelet变换和特征融合的遥感图像变化检测方法 |
CN106131154A (zh) * | 2016-06-30 | 2016-11-16 | 福州大学 | 移动无线传感器网络中基于核函数的压缩数据收集方法 |
CN108366394A (zh) * | 2018-01-24 | 2018-08-03 | 南京邮电大学 | 基于时空压缩网络编码的高能效无线传感网数据传输方法 |
CN109474904A (zh) * | 2018-11-23 | 2019-03-15 | 淮阴工学院 | 一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法 |
Non-Patent Citations (2)
Title |
---|
吴宣够等: "链路不可靠下稀疏投影无线传感器网络数据收集研究", 《计算机学报》 * |
李浪等: "基于Treelet变换的模拟电路故障诊断", 《计算机测量与控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111246417A (zh) * | 2020-02-24 | 2020-06-05 | 云南财经大学 | 一种基于随机游走的压缩数据收集方法及*** |
CN116033380A (zh) * | 2023-03-28 | 2023-04-28 | 华南理工大学 | 一种无线传感器网络在不连通情况下的数据收集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110012488B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN101415256B (zh) | 基于人工免疫***的无线传感器网络故障诊断方法 | |
CN106131154B (zh) | 移动无线传感器网络中基于核函数的压缩数据收集方法 | |
CN106687773A (zh) | 用于基于上下文事件检测的传感器节点局部化和传感器网络组织的***和方法 | |
CN103281704B (zh) | 基于三维感知的无线传感器网络确定性空间部署方法 | |
CN106341842A (zh) | 一种无线传感器网络数据的传输方法及装置 | |
CN110012488A (zh) | 一种移动无线传感器网络的压缩数据收集方法 | |
CN101909330B (zh) | 基于近优分簇与局部虚拟坐标的传感器网络数据压缩方法 | |
CN104618947A (zh) | 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 | |
CN102594904A (zh) | 对无线传感器网络异常事件进行分布式检测的方法 | |
CN103347265A (zh) | 一种面向精准农业的wsn节点部署方法 | |
CN104754683A (zh) | 基于多跳路由与移动元素的无线传感器网络数据收集方法 | |
CN108289285A (zh) | 一种海洋无线传感器网络丢失数据恢复与重构方法 | |
CN101835233B (zh) | 面向无线传感器网络的随机路由的选择方法 | |
CN107071800B (zh) | 一种分簇无线传感器网络数据收集方法及装置 | |
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 | |
Lin | Research on data release and location monitoring technology of sensor network based on internet of things | |
CN108182382A (zh) | 基于图相似的行为识别方法及*** | |
Harb et al. | Combining compression and clustering techniques to handle big data collected in sensor networks | |
CN111263324A (zh) | 一种基于K-medoids分簇的无线传感网压缩感知处理方法 | |
Lin et al. | Maximum data collection rate routing for data gather trees with data aggregation in rechargeable wireless sensor networks | |
Alageswaran et al. | Design and implementation of dynamic sink node placement using Particle Swarm Optimization for life time maximization of WSN applications | |
CN103237364B (zh) | 一种集成的无线传感器网络数据收集机制 | |
CN106412935B (zh) | 一种基于复杂网络理论的网络拓扑结构建立方法 | |
CN108111966A (zh) | 一种基于压缩感知和近邻差值比较的室内定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190712 Assignee: TIANJIN BOTING OPTOELECTRONICS TECHNOLOGY CO.,LTD. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2023980053320 Denomination of invention: A compressed data collection method for mobile wireless sensor networks Granted publication date: 20220311 License type: Common License Record date: 20231221 |
|
EE01 | Entry into force of recordation of patent licensing contract |