CN102130743A - 一种大规模无线传感器网络中数据釆集方法 - Google Patents

Abstract

本发明公开了一种大规模无线传感器网络中数据釆集方法,该方法基于分布式压缩传感(CS)理论，利用密集分布的传感器网络中传感器读数的空间相关性，根据CS压缩采样原理利用托普利兹(Toeplitz)矩阵实现数据采集，通过查询

个传感器保证近最优化恢复，且其重构误差与最优K项逼近相媲美，通过使用”主动”算法，实现在不引入过多的预处理成本的前提下，降低通信代价，缓解了无线传感器网络的“能量空洞效应”。

Description

一种大规模无线传感器网络中数据釆集方法

技术领域：

本发明属于一种无线传感器网络数据采集领域，具体是一种无线传感器网络中基于分布式压缩传感（CS）理论的数据采集方法。

背景技术：

 随着无线通信技术的迅猛发展，通过无线网络提供实时的高品质数据服务的需求变得日益强烈。无线传感器网络 (WSN: Wireless Sensor Network)是目前国内外学者研究无线通信网络的前沿热点之一，也是未来信息领域的主流技术，在军事、工农业控制、生物医疗、环境监测等诸多领域有着广阔的应用前景。目前，无线传感器网络研究的一个重要方面是在能量严重受限的微型节点上如何实现简单的环境数据(如温度、湿度、光强等)采集、传输与处理。然而，随着监测环境的日趋复杂多变，由这些传统传感器网络所获取的简单数据愈加不能满足人们对监测等的全面需求，迫切需要将信息量丰富的图像、视频等多媒体引入到以传感器网络为基础的各种应用中，实现更精准信息的监测，特别是实现不可及场所的信号监测。在一些传统电缆很难延伸到的偏僻区域，有线监控更是无能为力。如工厂车间的加工过程和库存的跟踪;医疗领域的诊断成像、药物投放和患者监视;建筑自动化中安全系统的监视;煤矿井下人员的无线定位和实时监控，利用无线传感器技术可实现安全监测和预警的技术突破。

由于无线传感器网络的能量、处理能力等的限制，在无线传感器网络上要进行有效的图像等多媒体通信仍然存在许多挑战。能量有效性或能量效率是决定一个无线传感器网络生命长短的最重要因素，传感器节点往往是依靠电池供能，电池容量有限，由于传感器节点一般在恶劣、复杂环境中工作，在应用中难以更换和补充能量，使无线传感器网络每个传感器节点的资源和能力都非常有限。基于无线传感器网络的图像通信系统的能量主要是消耗在传输和处理过程，传输能量消耗主要由发射机功率决定。处理能量消耗主要由源编码、信道编码及基带处理决定。因此，研究有效的联合编码方法以提高传输效率和质量、减小能量开销，在无线传感器网络的实际应用中具有重要意义。因此，

目前的奈奎斯特采样定理等获得广泛地应用，但它们是为在足够通信带宽情况下传输窄带信号而设计的，它是根据信号的频域带宽特性对信号进行采样。而在无线通信环境下带宽受限，且由于密集分布的无线传感网采集数据的空间相关性的影响, 奈奎斯特采样定理不是最优采样定理。当被压缩的数据通过无线信道传输时，很小的数据量会对节点的寿命带来较大的影响。

在信号采集、通信量问题、能量空洞等问题中，分布式压缩传感（CS）原理是一种重要且有效的方法，它最早由Donoho和Candes于2004年提出，并首先证明了该理论的正确性。近几年来，CS算法被广大工程师、数学家和物理学家等进行了广泛的研究，如                                                

模算法及其推广，降低CS理论恢复算法；结合数据的空间结构概念的推广，提出一些基于小规模无线传感器网络的CS理论新算法;同时CS理论还应用到了图像从低分辨率到高分辨率的扩展。但将托普利兹矩阵应用于分布式大规模无线传感器网络的信号采集，目前还未见报道。

发明内容：

本发明根据实际大型传感器网络的需求，针对传感器网络采集数据的空间相关性，进行分布式压缩传输信号，并结合压缩传感（CS）的实际特点，采用托普利兹（Toeplitz）矩阵为传感矩阵进行分布式的压缩处理，在数据融合中心（SINK）节点应用压缩传感(CS)的解码方法恢复原始的N维信号以实现高效、可靠的信号采集和传输。

基于分布式压缩传感（CS）理论进行数据采集，利用

（1）将托普利兹(Toeplitz)矩阵应用到大规模无线传感器网络数据采集中，所述Toeplitz矩阵作为随机矩阵可以降低测量值M，即M＝2*N/log N，同时对于有N个节点的大规模无线传感器网络，在一次数据采集过程中，N个数据采集节点仅有M个工作，其余的节点停止工作,从而节省能量，延长传感器网络寿命；

（2）在数据传输中采用“主动”算法，数据采集节点j中的

时，数据采集节点传输数据

到数据融合中心（SINK）节点，SINK节点再应用压缩传感(CS)的解码方法恢复原始的N维信号。

所述分布式压缩传感（CS）具体步骤如下：

步骤1 由数据融合中心（SINK）节点产生服从高斯分布的三元托普利兹（Toeplitz）矩阵，然后从N个数据采集节点中随机选出M个数据采集节点，向每个选中的数据采集节点发送一个Toeplitz矩阵行向量

重复

，数据节点j中的

时，数据采集节点j经过路由节点r传输数据

到SINK节点， SINK节点接收到数据

，即y＝

，SINK节点利用CS理论恢复算法重构数据。

步骤2 由数据融合中心（SINK）节点产生服从高斯分布的三元Toeplitz矩阵，向每个数据采集节点发送一个Toeplitz矩阵行向量

重复

，数据节点j中的

时，数据采集节点j经过路由节点r传输数据到SINK节点，SINK节点接收到数据

，即y＝

，SINK节点利用CS理论恢复算法重构数据。

在利用无线传感器网络进行数据传输的情况下，数据采集节点能量受限，处理能力受限，要求低功耗；无线传感网带宽有限，网络环境不稳定，而数据融合中心 (SINK)能量相对不受限制。因此本发明在无线传感器网络的数据采集节点端仅用最简单的编码处理，而在能量相对不受限的传感器网络的接收端数据融合中心(SINK)进行非线性数据恢复。对数据采集节点采取“主动”算法，将采集的信息发送给SINK节点。这样，避免了不必要的信息堵塞，降低了信息传输量，实现高效率、可靠的信息传输。

上述步骤1 主要适用于特征不稳定的环境，步骤2 主要适用于特征稳定的环境。

附图说明：

图1为“送”算法示意图

图2为传感网信息传输流程图

图3为信息采集流程图

具体实施方式：

实施例1：

大规模无线传感器网络中分布式CS理论应用的方法，数据融合中心（SINK）节点根据采集数据的特征生成服从N（0,1）高斯分布的托普利兹（Toeplitz）矩阵， 由SINK节点根据全局信息随机选择M个传感器发送Toeplitz矩阵行向量

，数据节点j中的

时，数据采集节点j经过路由节点r传输数据

到SINK节点，SINK节点利用贪婪迭代算法重建数据。当下次采集开始时，SINK节点仍然需要生成服从N（0,1）分布的Toeplitz矩阵，如图1、2、3所示。

实施例2：

大规模无线传感器网络中分布式CS理论应用的方法，SINK节点根据采集数据的特征生成服从N（0,1）分布的Toeplitz矩阵， SINK节点根据全局信息随机选择M个传感器发送Toeplitz矩阵行向量

，采集节点j将Toeplitz矩阵行向量

存储在节点中，数据采集结束后数据节点j中的

时，数据采集节点j经过路由节点r传输数据

到SINK节点，SINK节点利用贪婪迭代算法重建数据。当采集的数据特征发生变化时，SINK节点才需要重新生成服从N（0,1）分布的Toeplitz矩阵，如图1、2、3所示。

SINK节点接收到的信号可以表示为

，其中

，

，为整个无线传感网的Toeplitz矩阵，u为整个无线传感网的采集的原始信号。

Claims (2)

1.一种大规模无线传感器网络中数据釆集方法，其特征在于基于分布式压缩传感（CS）理论进行数据采集:

（1）将托普利兹(Toeplitz)矩阵应用到大规模无线传感器网络数据采集中，所述Toeplitz矩阵作为随机矩阵可以降低测量值M，即M＝2*N/log N，同时对于有N个节点的大规模无线传感器网络，在一次数据采集过程中，N个数据采集节点仅有M个工作，其余的节点停止工作,从而节省能量，延长传感器网络寿命；

（2）在数据传输中采用“主动”算法，数据采集节点j中的                                                时，数据采集节点传输数据

到数据融合中心（SINK）节点，SINK节点再应用压缩传感的解码方法恢复原始的N维信号。

2.如权利要求1所述一种大规模无线传感器网络中数据釆集方法，其特征在于所述分布式压缩传感（CS）具体步骤如下：

步骤1 由数据融合中心（SINK）节点产生服从高斯分布的三元Toeplitz矩阵，然后从N个数据采集节点中随机选出M个数据采集节点，向每个选中的数据采集节点发送一个Toeplitz矩阵行向量

重复

，数据节点j中的时，数据采集节点j经过路由节点r传输数据

到SINK节点， SINK节点接收到数据，即y＝

，SINK节点利用CS理论恢复算法重构数据；

步骤2 由数据融合中心（SINK）节点产生服从高斯分布的三元Toeplitz矩阵，向每个数据采集节点发送一个Toeplitz矩阵行向量

重复

，数据节点j中的

时，数据采集节点j传输数据

经过路由节点r到SINK节点，SINK节点接收到数据，即y＝

，SINK节点利用CS理论恢复算法重构数据。

Images