CN102075970A - 利用循环重构对无线传感器网络稀疏事件进行检测的方法 - Google Patents

Abstract

本发明公开了利用循环重构对无线传感器网络稀疏事件进行检测的方法：(1)用所有节点的初始数据构成初始向量并进行非相关映射，得到观测向量；(2)根据加权矩阵执行加权基追踪重构，得到重构数据向量；(3)对重构数据向量进行门限判决，大于门限值的元素重设为1，小于门限值的元素重设为0，得到恢复数据向量；(4)比较初始向量和恢复数据向量的元素值并判断是否发生漏警或虚警；(5)判断执行步骤(2)所述的加权基追踪重构次数是否达到预设值：若达到，则执行步骤(7)，否则根据步骤(4)的判断结果调整加权矩阵的参数；(6)利用调整后的加权矩阵参数w_i更新加权矩阵W并返回执行步骤(2)；(7)结束所述稀疏事件检测方法。

Description

利用循环重构对无线传感器网络稀疏事件进行检测的方法

技术领域

本发明涉及一种利用循环重构对无线传感器网络稀疏事件进行检测的方法。

背景技术

压缩感知(Compressed Sensing)是近几年来的一项新兴信号处理技术，其核心思想是将数据采样和压缩合并进行，首先采集信号的非自适应线性投影(测量值)，然后根据相应的重构算法由测量值复原信号。压缩感知有两个方面的基本要求：信号的稀疏性，观测基(观测矩阵)与变换基(变换矩阵)的非相关性。对于自然界的任何信号，均存在一个特定的表示空间，使得该信号在此空间具有稀疏性。经相关理论证明，随机矩阵，即元素为随机数的矩阵，与固定的变换基具有很好的非相关性。

压缩感知的数学原理为：设长度为N的矢量信号X在正交变换基Ψ上的变换系数是稀疏的，即：原始信息X为一维N×1向量，X∈R^N，存在一个N×N变换矩阵Ψ，X＝ΨP，其中P亦为一维N×1向量，使得P具有稀疏性。信号的稀疏性是指若向量中非零项的个数为K，K＜N，则称该向量是K-稀疏。

用与变换基Ψ不相关的观测矩阵Φ对原始信息进行线性变换，观测矩阵Φ为一个M×N的矩阵，Φ∈R^M×N(M＜＜N)，并得到观测信号集合Y，即

Y＝ΦX，

$Y=\mathrm{\ΦX}=\mathrm{\Φ\ΨP}=\widetilde{\mathrm{\Φ}}P,$

故Y为一维M×1向量。在已知

的条件下，可利用优化求解方法从Y中精确地或高概率地重构信号P，继而恢复出原始信号X。

压缩感知技术的最大优点在于能以远低于奈奎斯特采样率的采样速率进行采样，大大减少信号在数据采集和传输过程中消耗的资源和能量。相对于常规的先采样后压缩的分布式信源编码方法，压缩感知的优势在于不需要被处理信号的任何先验信息，且不需要控制信息交换。

无线传感器网络(Wireless Sensor Network，WSN)是通过无线通信的方式形成的一个多跳的且有可能自组织的网络系统，由部署在一定检测区域内的大量微型传感器节点组成，主要功能为协作地感知、采集和处理网络覆盖区域的监测信息，并发送给观察中心(汇聚节点)。一般来说，无线传感器网络中包含大量的广泛分布的节点，故需要传输、分析和处理大量的数据。

在噪声和干扰环境中检测突出事件是无线传感器网络的一个重要的应用。诸如假设检验等传统的检测方法，重点在于检测事件的统计特征并使误差最小化，这些方法需要考虑噪声的特性。简单假设检验方法的计算复杂度较低，但是它在干扰环境中受影响很大。根据压缩感知和无线传感器网络的特性，压缩感知技术被用于无线传感器网络中，网络的汇聚中心只需要使用一部分奈奎斯特采样速率，就能以较高概率恢复原始信号。在无线传感器网络中，活跃的节点仅占到全部节点的很小一部分，而网络中会发生事件的节点数更是远远低于节点总数目，因此在无线传感器网络中检测稀疏事件的问题可以归结为压缩感知问题。对基于压缩感知的事件检测，目前研究已经证实，可靠检测信号所需的观测数目要明显低于传统的信号重构所需，如果有一定先验信息，如知道稀疏域上可能发生事件的位置，那么通过利用这些先验信息，检测结果可以更精确，同时抗干扰能力更强。

然而，目前关于将压缩感知用于无线传感器网络稀疏事件检测的技术还存在缺陷。在噪声存在的环境中，如何在没有先验信息的基础上，快速的确定检测方案，使检测结果更加准确，同时能够抑制噪声影响，目前还没有解决。在一个实际网络中，某些特殊位置的节点由于本质上的原因更有可能发生事件，比如火灾，地震等，然而这些都是事先不可预知的。故通过压缩感知技术，在没有先验信息的基础上实现对网络中稀疏事件的准确检测现成为亟待解决的问题。

发明内容

本发明的目的是提供一种利用循环重构对无线传感器网络稀疏事件进行检测的方法。

本发明实现其目的所采取的技术方案是：其利用循环重构对无线传感器网络稀疏事件进行检测的方法如下：

所述无线传感器网络中包含N个传感器节点，各节点的编号分别为1，2，3...N，其中K个节点的初始数据为1的概率大于等于0.5且为定值，该K个节点的初始数据为1的概率互不相同，K/N≤0.1；其余节点的初始数据始终为0；其中，初始数据为1代表该节点有事件发生，初始数据为0代表该节点没有事件发生。

对所述无线传感器网络进行稀疏事件检测包括如下步骤：

(1)用所述无线传感器网络当前状态下的所有节点的初始数据X(i)构成N×1的初始向量X，其中，X(i)表示编号为i的节点的初始数据；用高斯矩阵Φ对该初始向量X进行如式(1)所示的非相关映射，得到观测向量Y，

Y＝ΦX                   (1)

(2)利用如式(2)所示的加权矩阵W对观测向量Y执行如式(3)所示的加权基追踪重构，得到重构数据向量

W＝diag(w₁，w₂，…w_N)                      (2)

$\hat{X}=\arg \underset{\hat{X}}{\min }{\left|\right|W\hat{X}\left|\right|}_{l1}s.t.Y=\mathrm{\Φ}\hat{X}---\left(3\right)$

式(2)，w_i表示编号为i的节点进行加权基追踪重构的加权矩阵参数，且w_i的初始值为1；初始值在说明书的具体实施方式部分详细的解释

(3)按如下方法对重构数据向量

的各元素进行门限判决：

若重构数据向量的元素大于0.5，则将该元素重设为1；否则，将该元素重设为0；

利用重设后的所有元素组成恢复数据向量

；

(4)将对应同一节点的初始向量X的元素值与恢复数据向量

的元素值进行比较并判断是否发生漏警或虚警：若初始向量元素值为1且恢复数据向量元素值为0，则认为对该节点发生漏警；若初始向量元素值为0且恢复数据向量元素值为1，则认为对该节点发生虚警；

(5)判断执行步骤(2)所述的加权基追踪重构次数是否达到预设值：若达到，则执行步骤(7)；否则，根据步骤(4)的判断结果，利用式(4)调整加权矩阵参数w_i，

式(4)中，

表示编号为i的节点的重构数据，

表示编号为i的节点的恢复数据；

(6)利用调整后的加权矩阵参数w_i更新加权矩阵W并返回执行步骤(2)；

(7)结束所述稀疏事件检测方法。

与现有技术相比，本发明的优点在于：

在噪声存在的环境中，本发明在没有先验信息的基础上，通过对经过非相关映射得到的观测数据进行循环基追踪重构，并根据重构恢复结果反馈到重构过程从而调整加权矩阵，使得那些有事件发生的节点更容易被检测出来，同时没有事件发生的节点更不容易被误判断为有事件发生。本发明在相对快速的确定检测方案的同时，在一定程度上降低了漏警概率，即检测能力提升，并控制噪声可能带来的虚警概率，抑制了噪声的影响。因此本发明可以以较高的准确率检测无线传感器网络中的稀疏事件。

附图说明

图1为本发明利用循环重构对无线传感器网络稀疏事件进行检测的方法的主要流程示意图；

图2为在信噪比(SNR)为10的条件下观察循环重构的事件检测误差来验证本发明所公开方法的性能的仿真结果图。

图3为在信噪比(SNR)为20的条件下观察循环重构的事件检测误差来验证本发明所公开方法的性能的仿真结果图。

具体实施方式

在本发明中，所述网络中包含N个传感器节点，根据无线传感器网络规模的大小不同N的取值可在几十到几万之间。各传感器节点的编号分别为1，2，3...N且各节点的编号互不相同，其中K个节点的初始数据为1的概率大于等于0.5且为定值，该K个节点的初始数据为1的概率互不相同，K/N≤0.1；其余节点的初始数据始终为0。在本发明中，初始数据为1代表该节点有事件发生，初始数据为0代表该节点没有事件发生。参照实际无线传感器网络，不同节点发生事件的概率和它们的本质属性有关，因此有某些特定的节点很有可能会发生事件，并且这些节点发生事件的概率也各不相同。网络节点的初始信息在不同的时刻可能会有细微不同，这体现在某些可能发生事件的节点在该时刻没有发生事件，但是在长期看来发生事件的节点满足相同的分布。

具体地说，如图1所示，本发明利用循环重构对无线传感器网络稀疏事件进行检测的方法的步骤为：

(1)用所述无线传感器网络当前状态下的所有节点的初始数据X(i)构成N×1的初始向量X，其中，X(i)表示编号为i的节点的初始数据；用高斯矩阵Φ对该初始向量X进行如式(1)所示的非相关映射，得到观测向量Y，

Y＝ΦX                       (1)

(2)利用如式(2)所示的加权矩阵W对观测向量Y执行如式(3)所示的加权基追踪重构，得到重构数据向量

W＝diag(w₁，w₂，…w_N)                    (2)

$\hat{X}=\arg \underset{\hat{X}}{\min }{\left|\right|W\hat{X}\left|\right|}_{l1}s.t.Y=\mathrm{\Φ}\hat{X}---\left(3\right)$

式(2)中，w_i表示编号为i的节点进行加权基追踪重构的加权矩阵参数，且w_i的初始值为1；即初始时W为单位矩阵，此时加权基追踪重构等同于普通基追踪重构。

(3)按如下方法对重构数据向量

的各元素进行门限判决：

若重构数据向量的元素大于0.5，则将该元素重设为1；否则，将该元素重设为0；

利用重设后的所有元素组成恢复数据向量

(4)将对应同一节点的初始向量X的元素值与恢复数据向量

的元素值进行比较并判断是否发生漏警或虚警：若初始向量元素值为1且恢复数据向量元素值为0，则认为对该节点发生漏警；若初始向量元素值为0且恢复数据向量元素值为1，则认为对该节点发生虚警；

(5)判断执行步骤(2)所述的加权基追踪重构次数是否达到预设值。本发明中，预设值一般可取K值大小。若加权基追踪重构次数达到预设值，则执行步骤(7)；否则，根据步骤(4)的判断结果，利用式(4)调整加权矩阵参数w_i，

式(4)中，

表示编号为i的节点的重构数据，

表示编号为i的节点的恢复数据；

(6)利用调整后的加权矩阵参数w_i更新加权矩阵W并返回执行步骤(2)；

(7)结束本发明的稀疏事件检测方法。

综上，本发明基于压缩感知的稀疏事件检测方法首先应满足观测矩阵和稀疏变换矩阵的非相关性。在本发明涉及的无线传感器网络中，节点数据只可能取0或者1，并且只有极少数节点可取数据1，其余节点的数据始终为0，因此初始节点数据本身就满足了稀疏性，因此它的稀疏变换基可以认为是单位矩阵。而本发明取观测矩阵为高斯矩阵，由于高斯矩阵和单位矩阵不相关，所以观测矩阵和稀疏变换矩阵的非相关性得到满足。

在满足压缩感知对观测矩阵和稀疏变换矩阵之间的非相关性要求前提下，在恢复时通过对可能有事件发生的位置和可能没事件发生的位置分配不同的权重，有助于得到更准确的结果。在本发明涉及的无线传感器网络中，由于没有先验信息，所以如何对每个节点分配权重一开始是未知的。但本发明首先对所有的节点分配相同的权重(权重矩阵的参数都是1，即相当于没加权重矩阵)，对观测结果执行加权基追踪重构，然后根据检测结果，对发生漏警的位置降低相应的权重(这样在重构时该位置的事件更容易被选出)，对发生虚警的位置增加相应的权重(这样在重构时该位置的噪声更不容易被错误的当作事件而被选出)，因此本发明在提高检测能力的同时，也抑制了噪声对检测结果的影响。

经过仿真，本发明公开的利用循环重构对无线传感器网络稀疏事件进行检测的方法可被证实其在对所述无线传感器网络中的数据进行稀疏事件检测时的高效性。针对本发明，仿真可采用matlab软件。仿真中的参数设置如下：传感器节点的总个数N＝1000，网络事件的稀疏性指标K＝50，观测数目M＝200，信噪比SNR分别取10和20。仿真中的参数设置是为了实现本具体实施过程，在其他实施过程中，参数也可被设置为其他相应的满足要求的数值。仿真的性能指标为事件检测结果的漏警概率P_MD＝Pr[D(X)＝H₀|H₁]和虚警概率P_FA＝Pr[D(X)＝H₁|H₀]，其中D(X)是使用本方法对事件进行判决的结果，H₁代表有事件发生，H₀代表没有事件发生，H₀|H₁表示实际有事件发生而检测结果没有事件发生，H₁|H₀表示实际没有事件发生而检测结果有事件发生。漏警概率越小表示检测出事件的能力越强，虚警概率越小表示误差对检测结果的影响越小。仿真过程中，循环周期从1取到50，观察相应的漏警概率和虚警概率变化。仿真结果如图2和图3所示，其中X轴表示循环的次数，Y轴表示事件的检测误差，图2和图3分别代表信噪比为10和20的环境下的检测性能。由图2可以看出，当SNR＝10时，噪声相对较大，漏警概率一开始是个很大的值，约为0.9。而随着循环的进行，漏警概率下降的很快，并在第十次循环时基本达到最低0.09，其后趋于稳定；在图3中，SNR＝20，噪声较小，而漏警概率也是随着循环的进行明显下降并最终趋于0；于此同时两个图中的虚警概率也通过循环重构控制在接近于0的范围并趋于稳定。由此可以看出，利用经由本发明公开的利用循环重构对无线传感器网络稀疏事件进行检测的方法，通过对网络进行循环重构，可以以很低的误差检测出网络中的稀疏事件，故本发明的有效性和高效性得到证实。

Claims (1)

1.一种利用循环重构对无线传感器网络稀疏事件进行检测的方法，其特征是：

所述无线传感器网络中包含N个传感器节点，各节点的编号分别为1，2，3...N，其中K个节点的初始数据为1的概率大于等于0.5且为定值，该K个节点的初始数据为1的概率互不相同，K/N≤0.1；其余节点的初始数据始终为0；其中，初始数据为1代表该节点有事件发生，初始数据为0代表该节点没有事件发生。

对所述无线传感器网络进行稀疏事件检测包括如下步骤：

(1)用所述无线传感器网络当前状态下的所有节点的初始数据X(i)构成N×1的初始向量X，其中，X(i)表示编号为i的节点的初始数据；用高斯矩阵Φ对该初始向量X进行如式(1)所示的非相关映射，得到观测向量Y，

Y＝ΦX               (1)

(2)利用如式(2)所示的加权矩阵W对观测向量Y执行如式(3)所示的加权基追踪重构，得到重构数据向量

W＝diag(w₁，w₂，…w_N)                   (2)

$\hat{X}=\arg \underset{\hat{X}}{\min }{\left|\right|W\hat{X}\left|\right|}_{l1}s.t.Y=\mathrm{\Φ}\hat{X}---\left(3\right)$

式(2)，w_i表示编号为i的节点进行加权基追踪重构的加权矩阵参数，且w_i的初始值为1；

(3)按如下方法对重构数据向量

的各元素进行门限判决：

若重构数据向量的元素大于0.5，则将该元素重设为1；否则，将该元素重设为0；

利用重设后的所有元素组成恢复数据向量

(4)将对应同一节点的初始向量X的元素值与恢复数据向量

的元素值进行比较并判断是否发生漏警或虚警：若初始向量元素值为1且恢复数据向量元素值为0，则认为对该节点发生漏警；若初始向量元素值为0且恢复数据向量元素值为1，则认为对该节点发生虚警；

(5)判断执行步骤(2)所述的加权基追踪重构次数是否达到预设值：若达到，则执行步骤(7)；否则，根据步骤(4)的判断结果，利用式(4)调整加权矩阵参数w_i，

式(4)中，

表示编号为i的节点的重构数据，

表示编号为i的节点的恢复数据；

(6)利用调整后的加权矩阵参数w_i更新加权矩阵W并返回执行步骤(2)；

(7)结束所述稀疏事件检测方法。

Images