CN101925091B - 一种基于非阈值的无线传感器网络节点数据压缩方法 - Google Patents
一种基于非阈值的无线传感器网络节点数据压缩方法 Download PDFInfo
- Publication number
- CN101925091B CN101925091B CN2010101947104A CN201010194710A CN101925091B CN 101925091 B CN101925091 B CN 101925091B CN 2010101947104 A CN2010101947104 A CN 2010101947104A CN 201010194710 A CN201010194710 A CN 201010194710A CN 101925091 B CN101925091 B CN 101925091B
- Authority
- CN
- China
- Prior art keywords
- data
- wireless sensor
- sensor network
- time series
- node
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- Arrangements For Transmission Of Measured Signals (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线传感器网路节点数据压缩技术领域,尤其涉及一种基于非阈值的无线传感器网络节点数据压缩方法,本发明方法在保证用户所要求数据压缩比或数据重构精度的前提下,对在一段时间内无线传感器网络节点所采集时间序列数据流有效地进行分段折线压缩,降低了传感器节点的能耗,延长网络生命周期;由于其基于非阈值的特点,使得用户无需具备监测对象的任何先验知识,即可进行数据的有效压缩,适用于各类具有不同波动特征的时间序列数据的压缩,可广泛地应用于需要长期监测的无线传感器网络节点数据的压缩。
Description
技术领域
本发明涉及一种基于非阈值的无线传感器网络节点数据压缩方法,属于无线传感器网络节点数据压缩方法技术领域。
背景技术
无线传感器网络是当前在国际上备受关注的、涉及多学科高度交叉、知识高度集成的前沿热点研究领域。传感器技术、微机电系统、现代网络和无线通信等技术的进步,推动了无线传感器网络的产生和发展,无线传感器网络扩展了人们信息获取能力,将客观世界的物理信息同传输网络连接在一起,在下一代网络中将为人们提供最直接、最有效、最真实的信息,具有十分广阔的应用前景,可广泛地应用于军事国防、工农业生产、城市管理、生物医疗、环境检测、抢险救灾、危险区域远程控制等领域,已经引起了许多国家学术界和工业界的高度重视,被认为是对21世纪产生巨大影响力的技术之一。
由于无线传感器网络节点体积微小,通常携带能量十分有限的电池,在很多情况下更换电池代价过高,通信开销常常比计算开销高几个数量级,传输1bit数据所消耗的能量大约相当于之行1000条CPU指令;现有的无线传感器网络节点处理数据的方法是:将所有的采集数据值发送给网关Sink节点,这样需要的通信开销大,发送大量数据需要较多的能量,不仅浪费了通信的带宽和自身的能量,也会使大量数据包进入无线网络,产生拥塞,并使整个网络的能量急剧减少,使信息收集的效率大大降低。因此,无线传感器网络节点数据压缩是目前无线传感器网络监测技术中不可或缺的一种数据处理方法,但现有的无线传感器网络节点数据压缩方法的压缩比较小,通信开销和能量开销大,信息收集效率低。
发明内容
本发明的目的是解决上述现有无线传感器网络节点处理数据的方法中将所有采集数据值发送给网关sink节点而导致通信开销和能量开销大、信息收集效率低的缺陷,而提供一种无线网络传感器节点数据压缩的方法,从而减小无线传感器网络节点发送数据时的通信开销和能量开销、提高信息收集效率。
本发明的目的是通过以下技术方案实现的:
一种基于非阈值的无线传感器网络节点数据压缩方法,包含以下步骤:
步骤一:无线传感器网络当前级的节点在一段时间内采集的时间序列数据组成时间序列数据集合,表示为D={d1,d2,d3,…,di,di+1,…,dn},集合D中的元素di表示节点在第i时刻所采集的数据,i为1,2,……,n;
步骤二:无线传感器网络节点计算时间序列数据集合D中的每一个元素di的边缘幅度,形成边缘幅度集合E(D)={e1,e2,e3,…,ei,ei+1,…,en},其中ei为di的边缘幅度;
步骤三:无线传感器网络节点计算边缘幅度集合E(D)中的每一个元素ei的边缘强度集合W(D)={w1,w2,w3,…,wi,wi+1,…,wn},其中di的边缘强度记为wi;
步骤四:根据设定的数据压缩比,计算边缘点的个数N,并计算在同等边缘强度下的时间序列数据集合D与其分段折线表示之间的拟合误差E,根据拟合误差E值,从大到小依次选出N个拟合误差E值对应的数据集合D的值作为边缘点;
步骤五:利用选取的N个边缘点对时间序列数据集合D进行分段折线压缩,无线传感器网络节点将选取的边缘点发送到上一级节;
步骤六:上一级节点将接收到的边缘点作为采集的时间序列数据;
步骤七:重复步骤一~步骤六,直至上一级节点为Sink网关节点时完成数据压缩。
进一步地,本发明的技术方案中一种基于非阈值的无线传感器网络节点数据压缩方法的步骤二中求解时间序列数据集合D中的每一个元素di的边缘幅度ei的计算公式为:
ei=∑(di+t*(di+t-di))
其中1≤i≤n,-u≤t≤u,u表示对时间序列数据集合D的检测窗口长度,检测窗口以第i时刻为中心,*为离散卷积运算,卷积后序列累积求和作为di的边缘幅度ei.
所述数据压缩方法的步骤三中求解边缘点强度的计算公式为:
其中1≤i≤n,u是步骤二中时间序列数据集合D的检测窗口长度,p(k)的计算公式为:
所述的数据压缩方法步骤四中所述的时间序列数据集合D与其分段折线表示之间的拟合误差E计算方法为:
首先计算时间序列数据集合D的分段折线:DL=<f1(d1,dt1),f2(dt1+1,dt2),...,fN(dN-1,dn)>,
然后计算数据集合D的拟合序列为DL c=(d1 c,d2 c,...,dn c),
再计算拟合误差E,计算公式为:
其中di c的计算公式为
式中dk、dj是边缘点,di是dk、dj之间一点,0<k<i<j≤n
所述的数据压缩方法中边缘点的个数N的计算公式为:
η=(1-N/n)×100%,N=n×(1-η)
式中,η为给定的数据压缩比,n为时间序列数据集合D的长度。
采用本发明所述的技术方案所产生的有益效果:
本发明提供的基于非阈值的无线传感器网络节点数据压缩方法在节点层针对单个节点在一段时间内采集数据的所形成的整个时间序列近似为多个分段折线,用精简的近似表示来代替原始的时间序列数据,计算方法简单、计算时间复杂度低、拟合误差小,压缩精度较高,从而降低传感器节点的能耗,延长网络生命周期;
由于采用的是基于非阈值的数据压缩方法,使得用户无需具备监测对象的任何先验数据,能够适用于各类不同数据波动特征的时间序列,对于需要长期监测的无线传感器网络,无需获取监测对象的先验数据,一次监测即可获得所需监测数据,从而节省了人力、物力、财力,大大降低了工业成本。
附图说明
图1是本发明的数据压缩方法流程图;
图2是本发明的对不同时间序列数据集在不同压缩比下拟合误差对照图;
图3是本发明的对时间序列数据集的近似为多个线性分段的拟合对照图;
图4是本发明的重构时间序列数据集与原始的时间序列数据集对照效果图。
具体实施方式
下面以具体实施例结合附图对本发明作进一步说明:
如图1所示,为本发明一种基于非阈值的无线传感器网络节点数据压缩方法,首先,无线传感器网络当前级的节点在一段时间内采集的时间序列数据组成时间序列数据集合,表示为D={d1,d2,d3,…,di,di+1,…,dn},集合D中的元素di表示节点在第i时刻所采集的数据,i为1,2,……,n;无线传感器网络节点计算时间序列数据集合D中的每一个元素di的边缘幅度,形成边缘幅度集合E(D)={e1,e2,e3,…,ei,ei+1,…,en},其中ei为di的边缘幅度;无线传感器网络节点计算边缘幅度集合E(D)中的每一个元素ei的边缘强度集合W(D)={w1,w2,w3,…,wi,wi+1,…,wn},其中di的边缘强度记为wi;
然后,根据设定的数据压缩比,计算边缘点的个数N,并计算在同等边缘强度下的时间序列数据集合D与其分段折线表示之间的拟合误差E,根据拟合误差E值,从大到小依次选出N个拟合误差E值对应的数据集合D的值作为边缘点;利用选取的N个边缘点对时间序列数据集合D进行分段折线压缩,无线传感器网络节点将选取的边缘点发送到上一级节;再将上一级节点将接收到的边缘点作为采集的时间序列数据;
最后,上述步骤,直至上一级节点为Sink网关节点时完成数据压缩。
在节点层针对单个节点在一段时间内采集数据的所形成的整个时间序列近似为多个线性分段,用精简的近似表示来代替原始的时间序列数据,分段线性表示方法利用直线段来近似表示时间序列的局部波动,忽略一些细微的变化,具有时间多解析,很好地压缩数据并消除了噪声。
求解时间序列数据集合D中的每一个元素di的边缘幅度ei的计算公式为:
ei=∑(di+t*(di+t-di))
其中1≤i≤n,-u≤t≤u,u表示对时间序列数据集合D的检测窗口长度,检测窗口以第i时刻为中心,*为离散卷积运算,卷积后序列累积求和作为di的边缘幅度ei.
求解边缘点强度的计算公式为:
其中1≤i≤n,u是步骤二中时间序列数据集合D的检测窗口长度,p(k)的计算公式为:
时间序列数据集合D与其分段折线表示之间的拟合误差E计算采用以下公式计算:
首先计算时间序列数据集合D的分段折线:DL=<f1(d1,dt1),f2(dt1+1,dt2),...,fN(dN-1,dn)>,然后计算数据集合D的拟合序列为DL c=(d1 c,d2 c,...,dn c),
再计算拟合误差E,计算公式为:
其中di c的计算公式为
式中dk、dj是边缘点,di是dk、dj之间一点,0<k<i<j≤n
边缘点的个数N确定的方法为:
η=(1-N/n)×100%,N=n×(1-η)
式中,η为给定的数据压缩比,n为时间序列数据集合D的长度。
在图2中,给出了本发明的对不同时间序列数据集在不同压缩比下拟合误差对照图。实验数据采用美国加州大学伯克利分校的无线传感器网络节点每隔31秒采集的实验室环境温度(T)、光照强度(L)、湿度(H)及节点的电源电压(V)共4种不同数据波动特征的时间序列数据集,图2中的数据线,表示温度数据在不同压缩比下拟合误差,表示光照数据在不同压缩比下拟合误差,表示湿度数据在不同压缩比下拟合误差,表示电压数据在不同压缩比下拟合误差,采集的每个时间序列数据集长度为5000个点,设时间序列数据集的检测窗口长度u=4;由于数据集中各时间序列不同属性,序列值相差很大,为便于对比,在采用线性分段算法之前首先对时间序列做规范化处理,将序列值规范化到[0,1]之间.规范化公式如下:
根据拟合误差为评价标准得出实验结果表1中考察本发明对不同时间序列数据集在不同压缩比75%、80%、85%、90%、95%下拟合误差,实验结果表1表明,算法能够适用于各类不同数据波动特征的时间序列,且拟合误差都比较小,随着压缩比的提高,拟合误差没有明显放大,拟合效果较为稳定。
表1本发明在不同数据集和不同压缩比下的拟合误差
在图3中,给出本发明在对压缩比为85%时间序列数据集的近似为多个线性分段的拟合对照图。图3中·表示原始数据序列点di,□表示选取数据序列的边缘点。从图中可以看出,多个分段折线相连能有效地拟合整个时间序列数据集的变化趋势,达到了很好的压缩效果;
图4是本发明在对压缩比为85%的重构时间序列数据集与原始的时间序列数据集对照图,图中·表示原始数据序列点di,口表示重构的数据序列点di c,从图中可以看出,,在保证用户所要求数据压缩比或数据重构精度的前提下,上一级节点或网络中的Sink网关节点根据接收到边缘点采用线性插补方法,可以重构被压缩的时间序列数据集合,极大地减少了信息的发送量,从而更好地降低传感器节点的能耗,延长网络生命周期。
本发明的基于非阈值的无线传感器网络节点数据压缩方法,无线传感器网络中的数据压缩方法可在不同层级进行,如节点层、路由层、网关层等层进行,在节点层针对单个节点在一段时间内采集数据所形成的整个时间序列近似为多个线性分段,用精简的近似表示来代替原始的时间序列数据,压缩效果好,从而降低了传感器节点的通信开销和能量消耗,延长网络生命周期;由于其基于非阈值的特点,使得用户无需具备监测对象的任何先验知识,可广泛地应用于需要长期监测的无线传感器网络。
Claims (1)
1.一种基于非阈值的无线传感器网络节点数据压缩方法,其特征在于包含以下步骤:
步骤一:无线传感器网络当前级的节点在一段时间内采集的时间序列数据组成时间序列数据集合,表示为D={d1,d2,d3,…,di,di+1,…,dn},集合D中的元素di表示节点在第i时刻所采集的数据,i为1,2,……,n;
步骤二:无线传感器网络节点计算时间序列数据集合D中的每一个元素di的边缘幅度,形成边缘幅度集合E(D)={e1,e2,e3,…,ei, ei+1,…,en},其中ei为 di的边缘幅度,边缘幅度ei的计算公式为:
ei=∑(di+t*(di+t-di))
其中1≤i≤n,-u≤t≤u,u表示对时间序列数据集合D的检测窗口长度,检测窗口以第i时刻为中心,*为离散卷积运算,卷积后序列累积求和作为di的边缘幅度ei;
步骤三:无线传感器网络节点计算边缘幅度集合E(D)中的每一个元素ei的边缘强度集合W(D)={w1,w2,w3,…,wi,wi+1,…,wn},其中ei的边缘强度记为wi;
步骤四:根据设定的数据压缩比,计算边缘点的个数N,并计算在同等边缘强度下的时间序列数据集合D与其分段折线表示之间的拟合误差E,根据拟合误差E值,从大到小依次选出N个拟合误差E值对应的数据集合D的值作为边缘点;所述的时间序列数据集合D与其分段折线表示之间的拟合误差E计算方法为:
首先计算时间序列数据集合D的分段折线:DL=<f1(d1,dt1),f2(dt1+1,dt2),…,fN(dN-1,dn)>,
然后计算数据集合D的拟合序列为DL c=(d1 c,d2 c,…,dn c),
再计算拟合误差E,计算公式为:
其中di c的计算公式为:
式中dk、dj是边缘点,di是dk、dj之间一点,0<k<i<j≤n;
所述边缘点的个数N的计算公式为:
式中,η为给定的数据压缩比,n为时间序列数据集合D的长度;
步骤五:利用选取的N个边缘点对时间序列数据集合D进行分段折线压缩,无线传感器网络节点将选取的边缘点发送到上一级节点;
步骤六:上一级节点将接收到的边缘点作为采集的时间序列数据;
步骤七:重复步骤一~步骤六,直至上一级节点为Sink网关节点时完成数据压缩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101947104A CN101925091B (zh) | 2010-07-29 | 2010-07-29 | 一种基于非阈值的无线传感器网络节点数据压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101947104A CN101925091B (zh) | 2010-07-29 | 2010-07-29 | 一种基于非阈值的无线传感器网络节点数据压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101925091A CN101925091A (zh) | 2010-12-22 |
CN101925091B true CN101925091B (zh) | 2013-04-03 |
Family
ID=43339651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101947104A Expired - Fee Related CN101925091B (zh) | 2010-07-29 | 2010-07-29 | 一种基于非阈值的无线传感器网络节点数据压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101925091B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102630092A (zh) * | 2012-03-01 | 2012-08-08 | 浙江工商大学 | 一种融入小波变换和主成分的农业无线传感数据流压缩方法 |
CN102801426B (zh) * | 2012-06-08 | 2015-04-22 | 深圳信息职业技术学院 | 一种时序数据拟合及压缩方法 |
CN103795420B (zh) * | 2014-02-10 | 2017-04-05 | 南京邮电大学 | 一种基于分段的sbr多属性数据压缩方法 |
CN105451019B (zh) * | 2015-11-25 | 2018-04-27 | 中国地质大学(武汉) | 一种面向无线视频传感器网络的图像压缩传输方法 |
CN105491614A (zh) * | 2016-01-22 | 2016-04-13 | 中国地质大学(武汉) | 基于二次混合压缩的无线传感网异常事件检测方法及系统 |
CN106572093B (zh) * | 2016-10-31 | 2019-04-26 | 北京科技大学 | 一种无线传感器阵列数据压缩方法及系统 |
CN106850826A (zh) * | 2017-02-23 | 2017-06-13 | 上海喆之信息科技有限公司 | 一种医疗院外远程管理系统 |
CN107273851B (zh) * | 2017-06-15 | 2018-11-27 | 泰州市龙泽环境科技有限公司 | 一种指纹传感系统 |
CN107049286A (zh) * | 2017-06-15 | 2017-08-18 | 深圳市创艺工业技术有限公司 | 电子健康检测、存储系统 |
CN107179699B (zh) * | 2017-06-15 | 2020-07-21 | 众业建设集团有限公司 | 智能家居家电系统 |
CN110602178B (zh) * | 2019-08-26 | 2021-11-26 | 杭州电子科技大学 | 一种基于边缘压缩计算处理温度传感器数据的方法 |
CN111641632A (zh) * | 2020-05-28 | 2020-09-08 | 青岛铁木真软件技术有限公司 | 数据压缩方法、系统、设备和存储介质 |
CN115150767B (zh) * | 2022-09-06 | 2022-12-13 | 湖南智警公共安全技术研究院有限公司 | 一种基于边缘计算的无线传感网络数据传输方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350827A (zh) * | 2008-07-02 | 2009-01-21 | 湖南大学 | 用于无线传感器网络的小波渐进数据压缩方法 |
CN101420740A (zh) * | 2008-12-05 | 2009-04-29 | 清华大学 | 一种用于无线传感器网络降低能耗的压缩判决方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007034428A2 (en) * | 2005-09-20 | 2007-03-29 | Maxtech Networks Ltd | Real time peer to peer network |
-
2010
- 2010-07-29 CN CN2010101947104A patent/CN101925091B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350827A (zh) * | 2008-07-02 | 2009-01-21 | 湖南大学 | 用于无线传感器网络的小波渐进数据压缩方法 |
CN101420740A (zh) * | 2008-12-05 | 2009-04-29 | 清华大学 | 一种用于无线传感器网络降低能耗的压缩判决方法 |
Non-Patent Citations (2)
Title |
---|
无线传感器网络中基于小波的自适应多模数据压缩算法;朱铁军等;《通信学报》;20090331;第30卷(第3期);第48-53页 * |
朱铁军等.无线传感器网络中基于小波的自适应多模数据压缩算法.《通信学报》.2009,第30卷(第3期),第48-53页. |
Also Published As
Publication number | Publication date |
---|---|
CN101925091A (zh) | 2010-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101925091B (zh) | 一种基于非阈值的无线传感器网络节点数据压缩方法 | |
Sanislav et al. | Energy harvesting techniques for internet of things (IoT) | |
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 | |
Srbinovski et al. | Energy aware adaptive sampling algorithm for energy harvesting wireless sensor networks | |
CN103298154B (zh) | 一种基于温差电池的无线传感器网络动态能量分配方法 | |
Dziadak et al. | Survey of energy harvesting systems for wireless sensor networks in environmental monitoring | |
CN111371899B (zh) | 适用于大规模分布式光伏的数据采集方法及系统 | |
Wu et al. | Energy-saving measurement in LoRaWAN-based wireless sensor networks by using compressed sensing | |
Chen et al. | Algorithm of data compression based on multiple principal component analysis over the WSN | |
Tao | Advanced Wavelet Sampling Algorithm for IoT based environmental monitoring and management | |
CN106996968A (zh) | 一种基于改进型压缩感知湖泊水质监测系统 | |
CN103428320B (zh) | 基于模型拟合的智能手机功耗评估方法 | |
CN103237364B (zh) | 一种集成的无线传感器网络数据收集机制 | |
CN102843757A (zh) | 无线传感器网络环境监测中基于压缩传感的数据收集方法 | |
Shen et al. | Performance comparison of typical and improved LEACH protocols in wireless sensor network | |
CN105260618B (zh) | 一种基于云模型的储能系统典型曲线挖掘方法 | |
CN109919380A (zh) | 基于指数平均ud-wcma太阳能收集功率的改进预测方法 | |
Peng et al. | Energy-efficient and fault-tolerant evolution models for large-scale wireless sensor networks: A complex networks-based approach | |
CN103096412B (zh) | 延迟容忍网络中带时延约束的数据融合方法 | |
Bari et al. | Energy aware trajectory computation of mobile data collectors in hierarchical sensor networks | |
CN109474904A (zh) | 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 | |
Fang et al. | SAW: A hybrid prediction model for parking occupancy under the environment of lacking real-time data | |
Belghith et al. | Extending the network lifetime of wireless sensor networks using fuzzy logic | |
Li et al. | Multi-Model Fusion Harvested Energy Prediction Method for Energy Harvesting WSN Node | |
Jain et al. | Reliability analysis of wind embedded power generation system for Indian Scenario |
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 |
Granted publication date: 20130403 Termination date: 20140729 |
|
EXPY | Termination of patent right or utility model |