CN101841932A - 无线传感器网络中基于动态分簇的分布式压缩感知方法 - Google Patents
无线传感器网络中基于动态分簇的分布式压缩感知方法 Download PDFInfo
- Publication number
- CN101841932A CN101841932A CN 201010167542 CN201010167542A CN101841932A CN 101841932 A CN101841932 A CN 101841932A CN 201010167542 CN201010167542 CN 201010167542 CN 201010167542 A CN201010167542 A CN 201010167542A CN 101841932 A CN101841932 A CN 101841932A
- Authority
- CN
- China
- Prior art keywords
- node
- data
- wireless sensor
- sensor network
- bunch
- 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
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
无线传感器网络中基于动态分簇的分布式压缩感知方法包括以下步骤:1)当无线传感器网络需要主动感知监控区中某一区域的物理量,或者无线传感器网络监控区域中预定的事件出现,2)汇聚节点根据应用所要求误差门限和数据相关性模型,计算出事件区域的分布半径,确定动态分簇的分布范围;3)簇头利用伪随机数发生函数和随机种子生成观测矩阵Φ;4)簇头与簇内节点通信,获得某一时刻簇内节点的N个感知数据向量XN,运行分布式压缩感知编码算法YM=ΦXN,产生M个压缩的观测数据向量YM;M<N;5)簇头将M个压缩后的观测数据传输到汇聚节点;6)汇聚节点生成相同的观测矩阵,并通过递归提升小波变换和逆变换,获得小波基变换矩阵Ψ,运行分布式压缩感知解码算法。
Description
技术领域
本发明涉及一种特别用于无线传感器网络中的基于动态分簇的分布式压缩感知实现方案,属于通信技术领域。
背景技术
无线传感器网络WSN(Wireless Sensor Networks)具有节点数目众多、资源受限,组成节点同构性等特点,如何利用WSN节点感知数据的时、空相关性,以能量有效的方式满足基于感知应用的WSN的实际应用要求,是WSN应用亟待解决的问题。
针对上述问题,WSN在收集节点感知数据过程中应用数据融合技术是一种行之有效的手段。近年来,一种新的信号压缩编码理论-压缩感知CS(CompressedSensing)在WSN中的应用得到越来越多的关注。相对于其他的数据融合技术,CS具有:(1)编码的低计算复杂度,信号只需要在随机观测矩阵上进行线性投影,便可计算出压缩后的观测向量,(2)优异的压缩性能,对于k-稀疏的N维信号只需要M=ck(c≥4)维的观测向量(M<<N)便可重构信号,(3)编解码相互独立性,对于相同的编码方案,可以采样不同的解码技术,(4)编码过程的线性压缩性,重构数据的质量随着观测次数增加而增加,有效的克服了压缩后丢失信号信噪比现象,以上优点使得CS特别适合应用在资源受限的WSN中,只需要明确节点感知数据是可压缩的,即在某些正交基上可以稀疏表达,节点侧便可运行低计算开销的编码算法,汇聚节点通过仅仅收集节点感知数据的观测向量,以非协作方式,即节点间不需要进行数据交换,实现数据压缩和重构,显著减少了网络开销。
但是,CS理论一般研究如何利用单节点感知数据的内部相关结构(intra-signal)进行压缩编解码,考虑到WSN节点密集分布,以及节点有一定存储能力的特点,有必要进一步利用WSN中节点间感知数据的空间相关性(inter-signal)研究分布式压缩感知DCS(Distributed Compressed Sensing)算法,而基于DCS的WSN数据融合技术研究尚处于起始阶段,如何通过定义各节点感知数据的联合稀疏性(jointsparsity),以非协作方式,通过对各节点的观测向量集合进行联合重构,是尚未解决的技术难题。因此本文提出基于动态分簇的分布式压缩感知方法,利用WSN节点间感知数据的空间相关性和联合稀疏模型,以能量有效的方式对WSN感知数据进行压缩、重构。
WSN中基于动态分簇的分布式压缩感知技术是一个崭新的前沿课题,在WSN事件探测、分布式感知、目标跟踪和多媒体应用等方面都极具应用价值。
发明内容
技术问题:本发明的目的是提供一种无线传感器网络中基于动态分簇的分布式压缩感知方法,该方法利用无线传感器网络节点间感知数据的空间相关性和联合稀疏模型,结合分布式压缩感知编解码算法,以能量有效的方式对无线传感器网络的感知数据进行压缩、重构。
技术方案:WSN监控区域内的事件源S会触发分布在事件区域EA(Event Area)的节点ni(i=1,...,N)获得信息数据Si(i=1,...,N),事件区域内的节点动态形成簇,并由簇头负责收集簇内各节点的感知数据。由于WSN节点密集分布在监控区域,Si之间以及Si和S之间存在不同程度的空间相关性,在满足失真度要求的前提下,运行事件驱动的动态分簇算法,并利用WSN中节点间信息数据的空间相关性进行数据压缩和重构,在资源受限的WSN中有非常重要的意义。
无线传感器网络中基于动态分簇的分布式压缩感知方法包括以下步骤:
1)当无线传感器网络需要主动感知监控区中某一区域的物理量,或者无线传感器网络监控区域中预定的事件出现,无线传感器网络中节点探测到目标,通知汇聚节点,
2)汇聚节点根据应用所要求误差门限和数据相关性模型,计算出事件区域的分布半径,确定动态分簇的分布范围;事件区域分布的半径计算如下:
其中,在空间相关性情况下,相邻节点数据的差异,其均方差为σz,σz可由节点历史数据统计求得,μ是误差门限,反应了不同位置的感知数据和事件源之间的差异,r是事件区域的半径,参数c影响数据相关性的强弱,λ反映了数据相关性随距离变化的快慢,参数c和λ取决于监控区域数据场空间相关特性;Ψ是小波基变换矩阵;
汇聚节点通过组播路由方式激活簇中所有节点,并确定簇头,汇聚节点传递给簇头随机种子,
3)簇头利用伪随机数发生函数和随机种子生成观测矩阵Φ;
4)簇头与簇内节点通信,获得某一时刻簇内节点的N个感知数据向量XN,运行分布式压缩感知编码算法YM=ΦXN,产生M个压缩的观测数据向量YM;M<N;
5)簇头将M个压缩后的观测数据传输到汇聚节点;
6)汇聚节点生成相同的观测矩阵,并通过递归提升小波变换和逆变换,获得小波基变换矩阵Ψ,运行分布式压缩感知解码算法:
其中,Φ是观测矩阵,Ψ是小波基变换矩阵,θ是稀疏小波系数集合,通过求解l1最优化问题,得到稀疏小波系数全局最优解精确重构感知数据向量其中,θ*为0的最优解,λ0为尺度系数集合,为稀疏化的小波系数集合,T为转置运算符号,为感知数据向量XN的精确重构解。
有益效果:本发明提出无线传感器网络中基于动态分簇的分布式压缩感知方法,利用无线传感器网络节点间感知数据的空间相关性和联合稀疏模型,结合分布式压缩感知编解码算法,以能量有效的方式对无线传感器网络的感知数据进行压缩、重构。WSN中基于动态分簇的分布式压缩感知技术是一个崭新的前沿课题,在WSN事件探测、分布式感知、目标跟踪和多媒体应用等方面都极具应用价值。
附图说明
图1.WSN中基于动态分簇的分布式压缩感知模型。
具体实施方式
利用变差函数对WSN监控区域数据场空间相关特性进行分析,并运行动态分簇算法,即应用所要求的误差门限值,计算出事件区域EA分布范围,EA范围内的节点ni(i=1,...,N)形成簇,选出节点nh(h∈{1,...,N})作为簇头,由簇头收集EA范围内节点同一时刻的感知数据Xi:
Xi=Si+Ni(i=1,...,N)(1)
其中,Si为节点ni获得的信息数据,观测噪声Ni为独立同分布的高斯随机变量。
事件区域EA中的簇头把感知数据向量XN∈RN进行分布式压缩感知编码,生成观测数据向量YM∈RM并传递给汇聚节点,XN因为空间相关性而呈现k-稀疏性,M=ck(2<c<4)一般小于N,而且相对于事件区域的分布范围,簇头距离汇聚节点一般比较远,从而节省了大量的传输能量。因此,WSN中基于动态分簇的分布式压缩感知方法利用各节点感知数据的空间相关性,以非协作方式,通过对各节点的感知数据向量进行重构,以能量有效的方式满足事件估计的精确度要求。
1.计算WSN中事件驱动的动态分簇的分布范围,
统计学利用变差函数(variogram)对数据相关性进行分析。假设事件源S所在位置为(0,0),WSN中节点n(x,y)、分别位于坐标(x,y)、(xr,yr),其感知数据是S(x,y)、,则变差函数定义为:
其中(x-xr)2+(y-yr)2=r2。假设S(x,y)为各向同性统计过程,协方差C(r)和变差函数γ(r)有如下关系:
由假设可知,γ(r)为同向随机变量,在极坐标中定义节点n(r,θ)的感知数据为S(r,θ),WSN监控区域事件源S触发的事件区域EA内,节点n(0,0)的感知数据S(0,0)和周围节点感知数据有如下相关性:
S(0,0)=I(U=T)Y+I(U=H)∫θ∫r(S(r,θ)+Z)δ(R=r)drδ(Θ=θ|R=r)rdθ(4)
其中:
1)U=H表示S(0,0)由相邻节点n(r,θ)的感知数据S(r,θ)值获得,其概率为1-β;U=T表示S(0,0)由随机变量Y获得,其概率为β。
2)随机变量Y和Z的分布密度函数分别为fY(y)和fZ(z),且它们都与S(r,θ)相互独立。变量Y反应了相邻节点数据存在无关性特征的情况;变量Z反应了在空间相关性情况下,相邻节点数据的差异,实例验证了即:其中均方差σz可由节点历史数据统计求得。
假设事件源S所在位置(0,0)有一虚拟节点n(0,0),其信息数据为S(0,0),事件源S触发的事件区域边界节点n(r,θ)的信息数据S(r,θ)满足|S(r,θ)-S(0,0)|≤μ,其中μ是误差门限,反应了不同位置的信息数据和事件源之间的差异,r是事件区域EA的半径。于是可得:
其中Ψ(σz,μ)是σz,μ的函数,
在各向同性统计过程中,根据节点历史数据统计规律,(6)式可以计算出不同误差门限μ条件下的事件区域EA的半径r,确定了动态分簇的分布范围,从而汇聚节点只需搜集簇分布范围内节点的感知数据,减少了处理数据的能量开销和执行时间。
2.分布式压缩感知的编解码算法
首先,计算基于提升小波变换的小波基Ψ。设XN对应某一时刻簇中节点集合EJ:{n1,...,nN}的感知数据,设λJ=XN(λJ∈RN),根据分布式小波变换算法,根据节点地理位置不同,把EJ:{n1,...,nN}节点集合分裂成EJ-1和OJ-1,对应的感知数据集合分别为λJ,E和λJ,Q,T表示提升小波变换,即:
T(λJ)={λJ-1,γJ-1}
γJ-1=λJ,O-P(λJ,E),λJ-1=λJ,E+U(γJ-1)(7)
其中γJ-1为小波系数集合,λJ-1为尺度系数集合,P为线性预测算子,U为线性更新算子,利用感知数据的空间相关性,λJ,E可以很准确的预测λJ,O,γJ-1只包含很少的信息量。
对λi(i∈{1,...,J})经过J次递归提升小波变换,可得:
TJ(λJ)={λ0,γ0,...,γJ-1}(8)
其中小波系数集合γi(i∈{0,...,J-1})中包含很多非常小的元素,把γi中低于门限值的小波系数清零得到,从而使用具有稀疏结构的对原信号λJ进行精确重构,设T-J(.)为提升小波逆变换。因为预测和更新算子都为线性运算,TJ(.)和T-J(.)都为线性变换,可得:
综上所述,基于小波变换的分布式压缩感知算法表示如下:
Step1:根据公式(6),汇聚节点计算出事件区域EA的分布半径,并通过组播路由方式激活EA中ni(i=1,...,N)节点组成簇,并选出簇头nh(h∈{1,...,N}),汇聚节点传递给簇头随机种子sM:{s1,…,sM}。
Step2:簇头生成观测矩阵Φ=R(sM,τN),其中R(.)为伪随机数发生函数,τN:{τ1,…,τN},τi为ni的编号;
Step3:簇头与簇内节点通信,获得某一时刻EA内节点的感知数据XN=(X1,X2,…,XN)T,运行分布式压缩感知编码算法YM=ΦXN,产生了M(M=ck<N,2≤c≤4)个压缩的观测数据YM=(Y1,Y2,…YM)T。
Step4:簇头将YM传输到汇聚节点。
Step5:汇聚节点生成相同的观测矩阵Φ=R(sM,τN),并通过式(9),获得小波基Ψ变换矩阵,运行分布式压缩感知解码算法:
WSN监控区域内的事件源S会触发分布在事件区域EA(Event Area)的节点ni(i=1,...,N)获得信息数据Si(i=1,...,N),事件区域内的节点动态形成簇,并由簇头负责收集簇内各节点的感知数据。事件区域EA中的簇头把感知数据向量XN∈RN进行分布式压缩感知编码,生成观测数据向量YM∈RM并传递给汇聚节点,XN因为空间相关性而呈现k-稀疏性,M=ck(2<c<4)一般小于N,而且相对于事件区域的分布范围,簇头距离汇聚节点一般比较远,从而节省了大量的传输能量。汇聚节点通过对各节点的感知数据向量进行重构,以能量有效的方式满足事件估计的精确度要求。
当无线传感器网络需要主动感知监控区中某一区域的物理量,或者无线传感器网络监控区域中预定的事件出现,无线传感器网络中节点探测到目标,并通知汇聚节点,无线传感器网络中基于动态分簇的分布式压缩感知方法具体实施如下:
1.根据监控区域数据场空间相关特性和应用要求的失真度,汇聚节点计算出事件区域的分布半径:
确定了动态分簇的分布范围,并通过组播路由方式激活簇中ni(i=1,...,N)节点,并确定簇头nh(h∈{1,...,N}),汇聚节点传递给簇头随机种子sM:{s1,…,sM}。
2.簇头生成观测矩阵Φ=R(sM,τN),其中R(.)为伪随机数发生函数,τN:{τ1,…,τN},τi为ni的编号;
3.簇头与簇内节点通信,获得某一时刻簇内节点的感知数据XN=(X1,X2,…,XN)T,运行分布式压缩感知编码算法YM=ΦXN,产生了M(M=ck<N,2≤c≤4)个压缩的观测数据YM=(Y1,Y2,…YM)T。
4.簇头将YM传输到汇聚节点。
5.汇聚节点生成相同的观测矩阵Φ=R(sM,τN),并通过递归提升小波变换和逆变换:
TJ(λJ)={λ0,γ0,…,γJ-1}
获得小波基Ψ变换矩阵,运行分布式压缩感知解码算法:
Claims (1)
1.一种无线传感器网络中基于动态分簇的分布式压缩感知方法,其特征在于该方法包括以下步骤:
1)当无线传感器网络需要主动感知监控区中某一区域的物理量,或者无线传感器网络监控区域中预定的事件出现,无线传感器网络中节点探测到目标,通知汇聚节点,
2)汇聚节点根据应用所要求误差门限和数据相关性模型,计算出事件区域的分布半径,确定动态分簇的分布范围;事件区域分布的半径计算如下:
其中,在空间相关性情况下,相邻节点数据的差异,其均方差为σz,σz可由节点历史数据统计求得,μ是误差门限,反应了不同位置的感知数据和事件源之间的差异,r是事件区域的半径,参数c影响数据相关性的强弱,λ反映了数据相关性随距离变化的快慢,参数c和λ取决于监控区域数据场空间相关特性;Ψ是小波基变换矩阵;
汇聚节点通过组播路由方式激活簇中所有节点,并确定簇头,汇聚节点传递给簇头随机种子,
3)簇头利用伪随机数发生函数和随机种子生成观测矩阵Φ;
4)簇头与簇内节点通信,获得某一时刻簇内节点的N个感知数据向量XN,运行分布式压缩感知编码算法YM=ΦXN,产生M个压缩的观测数据向量YM;M<N;
5)簇头将M个压缩后的观测数据传输到汇聚节点;
6)汇聚节点生成相同的观测矩阵,并通过递归提升小波变换和逆变换,获得小波基变换矩阵Ψ,运行分布式压缩感知解码算法:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010167542 CN101841932A (zh) | 2010-05-10 | 2010-05-10 | 无线传感器网络中基于动态分簇的分布式压缩感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010167542 CN101841932A (zh) | 2010-05-10 | 2010-05-10 | 无线传感器网络中基于动态分簇的分布式压缩感知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101841932A true CN101841932A (zh) | 2010-09-22 |
Family
ID=42744940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010167542 Pending CN101841932A (zh) | 2010-05-10 | 2010-05-10 | 无线传感器网络中基于动态分簇的分布式压缩感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101841932A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102123278A (zh) * | 2010-12-10 | 2011-07-13 | 北京邮电大学 | 基于分布式压缩感知技术的信源编码的方法 |
CN102291739A (zh) * | 2011-08-16 | 2011-12-21 | 哈尔滨工业大学 | 基于压缩感知及博弈论的无线传感器网络稀疏事件检测方法 |
CN102594904A (zh) * | 2012-03-04 | 2012-07-18 | 浙江大学 | 对无线传感器网络异常事件进行分布式检测的方法 |
CN102932847A (zh) * | 2012-10-26 | 2013-02-13 | 重庆邮电大学 | 基于稀疏表示分类器的分布式压缩感知数据分类方法 |
CN103067965A (zh) * | 2013-01-05 | 2013-04-24 | 无锡赛睿科技有限公司 | 一种基于压缩感知的无线传感器网络管理方法与系统 |
CN103139863A (zh) * | 2013-03-11 | 2013-06-05 | 山东大学 | 无线传感器网络动态簇机制的目标跟踪和耗能优化方法 |
CN103198638A (zh) * | 2013-04-27 | 2013-07-10 | 上海交通大学 | 基于无线传感器执行器网络的铁路桥梁结构健康监测系统 |
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 |
CN103269525A (zh) * | 2013-05-11 | 2013-08-28 | 嘉兴市宏联电子科技有限公司 | 物联网系统的多传感器数据分布式压缩方法及其装置 |
CN103280084A (zh) * | 2013-04-24 | 2013-09-04 | 中国农业大学 | 一种多参数实时监测的数据采集方法 |
CN103839075A (zh) * | 2014-02-24 | 2014-06-04 | 西安电子科技大学 | 一种基于联合稀疏表示的sar图像分类方法 |
CN104168603A (zh) * | 2013-05-15 | 2014-11-26 | 上海交通大学 | 基于压缩感知技术的具有高能效的数据采集树的构造方法 |
CN104270829A (zh) * | 2014-09-10 | 2015-01-07 | 湘潭大学 | 一种基于压缩感知的井下数据采集及处理方法 |
CN104618947A (zh) * | 2015-02-03 | 2015-05-13 | 中国人民解放军信息工程大学 | 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 |
CN104703262A (zh) * | 2015-03-20 | 2015-06-10 | 湘潭大学 | 基于压缩感知的分簇式数据收集方法 |
CN105025498A (zh) * | 2015-06-08 | 2015-11-04 | 南京邮电大学 | 基于网络编码与压缩感知的传感网络分簇式空时压缩方法 |
CN106604211A (zh) * | 2016-12-19 | 2017-04-26 | 南京邮电大学 | 一种基于传感器网络的分层式自适应空时压缩方法 |
CN106651391A (zh) * | 2016-11-30 | 2017-05-10 | 深圳凯达通光电科技有限公司 | 一种基于物联网和云计算的农产品安全追溯系统 |
CN107196738A (zh) * | 2017-04-25 | 2017-09-22 | 湘潭大学 | 一种基于L_p动态范数的压缩感知数据收集方法 |
CN107786959A (zh) * | 2017-10-18 | 2018-03-09 | 北京京航计算通讯研究所 | 在无线传感器网络中基于自适应测量的压缩数据收集方法 |
CN108173620A (zh) * | 2016-12-08 | 2018-06-15 | 南京海道普数据技术有限公司 | 基于压缩网络编码的wsn异常数据发现系统实现方法 |
CN108494758A (zh) * | 2018-03-14 | 2018-09-04 | 南京邮电大学 | 感知大数据层次感知压缩编码方法 |
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 |
CN111309690A (zh) * | 2020-02-05 | 2020-06-19 | 吉林大学 | 一种数控机床g代码数据无损压缩方法 |
CN112055395A (zh) * | 2020-09-09 | 2020-12-08 | 重庆邮电大学 | 基于事件驱动的动态分簇网络的协作传输方法 |
CN113633294A (zh) * | 2021-05-20 | 2021-11-12 | 郑州大学 | 一种基于心电压缩感知转置投影信号的房颤检测方法 |
CN114867059A (zh) * | 2022-05-11 | 2022-08-05 | 重庆科技学院 | 一种基于压缩感知的无线数据安全聚合方法 |
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系统 |
-
2010
- 2010-05-10 CN CN 201010167542 patent/CN101841932A/zh active Pending
Non-Patent Citations (1)
Title |
---|
《南京邮电大学学报》 20091231 胡海峰 无线传感器网络中基于空间相关性的分布式压缩感知 第12-16页 1 第29卷, 第6期 2 * |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102123278A (zh) * | 2010-12-10 | 2011-07-13 | 北京邮电大学 | 基于分布式压缩感知技术的信源编码的方法 |
CN102291739A (zh) * | 2011-08-16 | 2011-12-21 | 哈尔滨工业大学 | 基于压缩感知及博弈论的无线传感器网络稀疏事件检测方法 |
CN102594904A (zh) * | 2012-03-04 | 2012-07-18 | 浙江大学 | 对无线传感器网络异常事件进行分布式检测的方法 |
CN102932847A (zh) * | 2012-10-26 | 2013-02-13 | 重庆邮电大学 | 基于稀疏表示分类器的分布式压缩感知数据分类方法 |
CN102932847B (zh) * | 2012-10-26 | 2015-07-15 | 重庆邮电大学 | 基于稀疏表示分类器的分布式压缩感知数据分类方法 |
CN103067965A (zh) * | 2013-01-05 | 2013-04-24 | 无锡赛睿科技有限公司 | 一种基于压缩感知的无线传感器网络管理方法与系统 |
CN103139863A (zh) * | 2013-03-11 | 2013-06-05 | 山东大学 | 无线传感器网络动态簇机制的目标跟踪和耗能优化方法 |
CN103139863B (zh) * | 2013-03-11 | 2015-07-08 | 山东大学 | 无线传感器网络动态簇机制的目标跟踪和耗能优化方法 |
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 |
CN103237364B (zh) * | 2013-04-19 | 2016-05-25 | 北京邮电大学 | 一种集成的无线传感器网络数据收集机制 |
CN103280084A (zh) * | 2013-04-24 | 2013-09-04 | 中国农业大学 | 一种多参数实时监测的数据采集方法 |
CN103280084B (zh) * | 2013-04-24 | 2015-12-02 | 中国农业大学 | 一种多参数实时监测的数据采集方法 |
CN103198638A (zh) * | 2013-04-27 | 2013-07-10 | 上海交通大学 | 基于无线传感器执行器网络的铁路桥梁结构健康监测系统 |
CN103198638B (zh) * | 2013-04-27 | 2015-11-25 | 上海交通大学 | 基于无线传感器执行器网络的铁路桥梁结构健康监测系统 |
CN103269525A (zh) * | 2013-05-11 | 2013-08-28 | 嘉兴市宏联电子科技有限公司 | 物联网系统的多传感器数据分布式压缩方法及其装置 |
CN104168603B (zh) * | 2013-05-15 | 2017-11-14 | 上海交通大学 | 基于压缩感知技术的具有高能效的数据采集树的构造方法 |
CN104168603A (zh) * | 2013-05-15 | 2014-11-26 | 上海交通大学 | 基于压缩感知技术的具有高能效的数据采集树的构造方法 |
CN103839075B (zh) * | 2014-02-24 | 2017-04-12 | 西安电子科技大学 | 一种基于联合稀疏表示的sar图像分类方法 |
CN103839075A (zh) * | 2014-02-24 | 2014-06-04 | 西安电子科技大学 | 一种基于联合稀疏表示的sar图像分类方法 |
CN104270829A (zh) * | 2014-09-10 | 2015-01-07 | 湘潭大学 | 一种基于压缩感知的井下数据采集及处理方法 |
CN104270829B (zh) * | 2014-09-10 | 2017-08-25 | 湘潭大学 | 一种基于压缩感知的井下数据采集及处理方法 |
CN104618947B (zh) * | 2015-02-03 | 2018-07-03 | 中国人民解放军信息工程大学 | 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 |
CN104618947A (zh) * | 2015-02-03 | 2015-05-13 | 中国人民解放军信息工程大学 | 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 |
CN104703262B (zh) * | 2015-03-20 | 2016-10-26 | 湘潭大学 | 基于压缩感知的分簇式数据收集方法 |
CN104703262A (zh) * | 2015-03-20 | 2015-06-10 | 湘潭大学 | 基于压缩感知的分簇式数据收集方法 |
CN105025498B (zh) * | 2015-06-08 | 2018-08-21 | 南京邮电大学 | 基于网络编码与压缩感知的传感网络分簇式空时压缩方法 |
CN105025498A (zh) * | 2015-06-08 | 2015-11-04 | 南京邮电大学 | 基于网络编码与压缩感知的传感网络分簇式空时压缩方法 |
CN106651391A (zh) * | 2016-11-30 | 2017-05-10 | 深圳凯达通光电科技有限公司 | 一种基于物联网和云计算的农产品安全追溯系统 |
CN108173620A (zh) * | 2016-12-08 | 2018-06-15 | 南京海道普数据技术有限公司 | 基于压缩网络编码的wsn异常数据发现系统实现方法 |
CN108173620B (zh) * | 2016-12-08 | 2020-12-29 | 南京海道普数据技术有限公司 | 基于压缩网络编码的wsn异常数据发现系统实现方法 |
CN106604211B (zh) * | 2016-12-19 | 2019-07-12 | 南京邮电大学 | 一种基于传感器网络的分层式自适应空时压缩方法 |
CN106604211A (zh) * | 2016-12-19 | 2017-04-26 | 南京邮电大学 | 一种基于传感器网络的分层式自适应空时压缩方法 |
CN107196738A (zh) * | 2017-04-25 | 2017-09-22 | 湘潭大学 | 一种基于L_p动态范数的压缩感知数据收集方法 |
CN107786959A (zh) * | 2017-10-18 | 2018-03-09 | 北京京航计算通讯研究所 | 在无线传感器网络中基于自适应测量的压缩数据收集方法 |
CN107786959B (zh) * | 2017-10-18 | 2019-03-19 | 北京京航计算通讯研究所 | 在无线传感器网络中基于自适应测量的压缩数据收集方法 |
CN108494758A (zh) * | 2018-03-14 | 2018-09-04 | 南京邮电大学 | 感知大数据层次感知压缩编码方法 |
CN108494758B (zh) * | 2018-03-14 | 2020-10-27 | 南京邮电大学 | 感知大数据层次感知压缩编码方法 |
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 |
CN111309690A (zh) * | 2020-02-05 | 2020-06-19 | 吉林大学 | 一种数控机床g代码数据无损压缩方法 |
CN111309690B (zh) * | 2020-02-05 | 2022-10-21 | 吉林大学 | 一种数控机床g代码数据无损压缩方法 |
CN112055395A (zh) * | 2020-09-09 | 2020-12-08 | 重庆邮电大学 | 基于事件驱动的动态分簇网络的协作传输方法 |
CN112055395B (zh) * | 2020-09-09 | 2022-03-29 | 重庆邮电大学 | 基于事件驱动的动态分簇网络的协作传输方法 |
CN113633294A (zh) * | 2021-05-20 | 2021-11-12 | 郑州大学 | 一种基于心电压缩感知转置投影信号的房颤检测方法 |
CN114867059A (zh) * | 2022-05-11 | 2022-08-05 | 重庆科技学院 | 一种基于压缩感知的无线数据安全聚合方法 |
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系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yu et al. | Cooperative sensing and compression in vehicular sensor networks for urban monitoring | |
Xia et al. | Quality-aware sparse data collection in MEC-enhanced mobile crowdsensing systems | |
CN105277940A (zh) | 基于信号的数据压缩 | |
Hu et al. | Spatial correlation-based distributed compressed sensing in wireless sensor networks | |
CN102833020A (zh) | 认知无线网络中基于自适应测量的贝叶斯压缩宽带频谱检测方法 | |
Shao et al. | Branchy-GNN: A device-edge co-inference framework for efficient point cloud processing | |
CN106341842A (zh) | 一种无线传感器网络数据的传输方法及装置 | |
CN109661030B (zh) | 无线传感器网络中基于动态网格的未知目标定位算法 | |
CN104519571A (zh) | 一种基于rss的室内定位方法 | |
CN106304191A (zh) | 一种基于分簇结构无线传感器网络的数据接收方法及装置 | |
CN105676178A (zh) | 基于压缩感知和bp神经网络的无线传感器网络定位方法 | |
CN103269525A (zh) | 物联网系统的多传感器数据分布式压缩方法及其装置 | |
CN103605734A (zh) | 基于特征向量的数据传输压缩方法及其系统 | |
Zeng et al. | A framework for analyzing spectrum characteristics in large spatio-temporal scales | |
CN105469445A (zh) | 一种步长可变地图生成方法 | |
CN102253388A (zh) | 基于压缩感知的多无人水下航行器协同探测方法 | |
CN107942377A (zh) | 一种地震数据压缩与重构方法 | |
CN102355752A (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 | |
CN112463877B (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 | |
Pravilovic et al. | Integrating cluster analysis to the ARIMA model for forecasting geosensor data | |
CN105572629A (zh) | 一种适用于任意阵列结构的低运算复杂度的二维测向方法 | |
Zhang et al. | Improved localization algorithm based on proportion of differential RSSI | |
CN102802199B (zh) | 基于压缩感知的无线传感器实时监测系统的数据处理方法 | |
CN105530012A (zh) | 基于压缩感知的小波域稀疏一维油井数据压缩与重构方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20100922 |