CN102802199A - 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 - Google Patents

Abstract

本发明公开一种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，通过对压缩感知中测量矩阵构建方式的改变，采用二维随机矩阵来代替高斯随机矩阵，并对原有的测量矩阵进行分块运算，用坐标位置矩阵来确定稀疏二维矩阵中元素值为1的位置，使得还原矩阵的维数大大降低，同时将原有的矩阵乘法转换为矩阵加法运算，提高了运算速度，其显著效果是：通过算法改进，使得压缩感知算法能够在实际应用中得以实时，满足一般无线传感器节点较小内存的要求，减小计算量，解决了传感器存储溢出以及计算时间较长的问题，提高了系统数据监测的实时性。

Description

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

技术领域

本发明属于无线传感器网络中的信息处理与数据传输技术，具体地说，是一种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。

背景技术

近年来，无线传感器网络在实时监测领域得到了较多的应用。在这些应用中，通常使用能耗少，计算能力低的传感器节点来采集数据。而大规模无线传感器网络中，每个节点的能源(一般均靠电池供电)是受限的，上诉应用面临能耗和传输带宽受限问题。

参考文献：Donoho D.L，Compressed sensing，Technical Report，StanfordUniversity，2004.提出了一种压缩感知理论(Compressive Sensing，CS)，它是基于信号处理、小波分析和计算、统计学等相关理论而研究提出的一种全新的信息获取模式，它能够在减少采样数的情况下精确或高概率精确重建原始信号。压缩感知在获取信号的同时，对数据进行适当的压缩，使其采样频率低于奈奎斯特抽样频率，这样仅仅通过很少的采样值，就可以精确的重构信号，同时又节省了大量的采样和存储资源。

将压缩感知应用于无线传感器网络，可以减少传感器数量，降低成本和能耗。但在实际应用中，却面临如下问题：根据压缩感知理论，在无线传感器端进行压缩处理数据时，需要形成的测量矩阵过大，超出无线传感器端存储器容量；第二步在需要进行测量矩阵和原始信号的相乘运算，算法的时间复杂度较高。

发明内容

本发明的目的是提供一种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，通过重新构建稀疏二维矩阵来满足传感器节点内存需求，降低数据处理的复杂度，提高系统的实时性能。

为达到上述目的，本发明的具体技术方案如下：

一种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，其关键在于按照以下步骤进行：

步骤(1)：无线传感器节点按照预定周期获取传感器数据x，所述传感器数据x＝[x(1)，x(2)，...，x(N)]^T为一个N维向量，这里的传感器数据x是经过小波变换处理后的数据，预定周期可以根据每一轮传输数据长度N的大小来确定；

步骤(2)：设置循环计数器D＝1，最大循环值为D_m，抽样值为M，其中，抽样值M＝4S，S为传感器数据x中非零数据的个数，D_m的大小等于测量矩阵的分块数且保证

为整数；

通常抽样值M的大小是根据小波变换后传感器数据x的稀疏度确定的，而传感器数据x的稀疏度即为N维数据通过小波变换提取关键数据后的非零数据的个数。

步骤(3)：随机生成1×N维的坐标位置矩阵E_D＝[E_D1，…，E_Di，…，E_DN]，其中E_Di表示坐标位置矩阵E_D中第i列的元素值，i＝1，2，…，N，且E_Di为[1，K]之间的正整数， $K=\frac{M}{D_m};$

该步骤的主要思路是将原有M×N维的测量矩阵，分成D_m块，每块即为K×N维的分块矩阵，理论中使用的测量矩阵通常为高斯随机矩阵，矩阵构建比较复杂，这里构建的是一个随机二维矩阵，矩阵中的元素不是1就是0，且相对于M×N维的测量矩阵来说，K×N维的分块矩阵中每一列只设置有1个1，其位置随机布置，即E_Di为[1，K]之间的一个正整数，这样原有的M×N维的测量矩阵即可用D_m×N维的坐标位置矩阵来表述。

步骤(4)：设置计数器j＝1；

步骤(5)：计算输出数据

且i∈(E_Di＝j)，即将坐标位置矩阵E_D中元素值为j的那列相对应的传感器数据向量x中的元素求和；

该步骤的主要思路是：将原有的矩阵乘法运算变为加法运算，在压缩感知算法中，需要用M×N维的测量矩阵与N维的传感器数据x相乘，从而得到M维的输出数据，而对于高斯随机矩阵来说，乘法运算比较复杂，但是步骤(3)中构建的是一个二维随机矩阵，矩阵中的元素值不是0就是1，乘法运算实际上属于加法运算，因此将元素值为1的位置相对应的传感器数据向量x中的元素相加即可。

步骤(6)：判断计数器j是否小于K：

如果j不小于K，则进入步骤(7)；

如果j小于K，则设置计数器j＝j+1，返回步骤(5)；

步骤(7)：判断计数器D是否小于最大循环值D_m：

如果D小于D_m，则设置D＝D+1，返回步骤(3)；

如果D不小于D_m，则进入步骤(8)；

由于步骤(3)到步骤(6)是针对每个分块矩阵做处理，而本算法总共设置有D_m块，因此需要通过步骤(7)循环D_m次。

步骤(8)：生成输出数据Y，其中

$Y=[y_{11},...,y_{1j},...,y_{1K},y_{21}...,y_{2j},...,y_{2K},...y_{D_{m}1},...,y_{D_{m}j},...,y_{D_{m}K}]$ 为一个M维的行向量，通过步骤(3)到步骤(7)，整个算法循环了D_m×K次，即得到了M维输出数据Y；

步骤(9)：生成还原矩阵E，其中

为一个D_m×N维的矩阵；

步骤(10)：无线传感器节点将输出数据Y和还原矩阵E传送至基站实现数据还原。

作为最优，根据预定周期获取传感器数据x为一个1600维的向量，所述最大循环值D_m＝4。

本发明的显著效果是：通过对压缩感知算法中测量矩阵的改进，使得该算法能够在实际应用中得以实时，满足一般无线传感器节点较小内存的要求，减小计算量，解决了传感器存储溢出以及计算时间较长的问题，提高了系统数据监测的实时性。

附图说明：

图1是本发明的工作流程图。

具体实施方式

下面通过具体实施例对本发明作进一步详细说明。

如图1所示，一种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，其关键在于按照以下步骤进行：

步骤(1)：无线传感器节点按照预定周期获取传感器数据x，所述传感器数据x＝[x(1)，x(2)，...，x(N)]^T为一个N维向量，根据实际情况，这里设置N＝1600；

步骤(2)：设置循环计数器D＝1，最大循环值为D_m，抽样值为M，其中，抽样值M＝4S，S为传感器数据x中非零数据的个数，D_m，的大小等于测量矩阵的分块数且保证

为整数，通过对本轮数据进行处理，发现S＝114，则抽样值M＝4×S＝456，在此设置最大循环值D_m＝4，则K＝114

M的大小等于压缩感知算法中测量矩阵的行数且M能被D_m整除，D_m的大小等于测量矩阵的分块数，作为最优，这里设置，

步骤(3)：随机生成1×N维的坐标位置矩阵E_D＝[E_D1，…，E_Di，…，E_DN]，其中E_Di表示坐标位置矩阵E_D中第i列的元素值，i＝1，2，…，N，且E_Di为[1，K]之间的正整数；

步骤(4)：设置计数器j＝1；

步骤(5)：计算输出数据

且i∈(E_Di＝j)，即将坐标位置矩阵E_D中元素值为j的那列相对应的传感器数据向量x中的元素求和；

步骤(6)：判断计数器j是否小于K：

如果j不小于K，则进入步骤(7)；

如果j小于K，则设置计数器j＝j+1，返回步骤(5)；

步骤(7)：判断计数器D是否小于最大循环值D_m：

如果D小于D_m，则设置D＝D+1，返回步骤(3)；

如果D不小于D_m，则进入步骤(8)；

步骤(8)：生成输出数据Y，其中

$Y=[y_{11},...,y_{1j},...,y_{1K},y_{21}...,y_{2j},...,y_{2K},...y_{D_{m}1},...,y_{D_{m}j},...,y_{D_{m}K}]$ 为一个M维的行向量；

步骤(9)：生成还原矩阵E，其中

为一个D_m×N维的矩阵；

步骤(10)：无线传感器节点将输出数据Y和还原矩阵E传送至基站实现数据还原。

通过对比可以发现，本方法只需传输一个4×1600维的还原矩阵，而原始算法需要传送456×1600维的还原矩阵，而且原始算法需要生成一个456×1600维高斯随机矩阵作为测量矩阵，而本方法是通过重复生成4个1×1600维的坐标位置矩阵来实现的，很明显，占用的内存较少，在数据处理过程中，本方法也将原有的矩阵乘法运算变换为加法运算，降低了运算量，提高了运算速度，实现容易，满足了无线传感器实时监测需求。

Claims (2)

1.一种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，其特征在于按照以下步骤进行：

步骤(1)：无线传感器节点按照预定周期获取传感器数据x，所述传感器数据x＝[x(1)，x(2)，...，x(N)]^T为一个N维向量；

步骤(2)：设置循环计数器D＝1，最大循环值为D_m，抽样值为M，其中，抽样值M＝4S，S为传感器数据x中非零数据的个数，D_m的大小等于测量矩阵的分块数且保证为整数；

步骤(3)：随机生成1×N维的坐标位置矩阵E_D＝[E_D1，…，E_Di，…，E_DN]，其中E_Di表示坐标位置矩阵E_D中第i列的元素值，i＝1，2，…，N，且E_Di为[1，K]之间的正整数；

步骤(4)：设置计数器j＝1；

步骤(5)：计算输出数据

且i∈(E_Di＝j)，即将坐标位置矩阵E_D中元素值为j的那列相对应的传感器数据向量x中的元素求和；

步骤(6)：判断计数器j是否小于K：

如果j不小于K，则进入步骤(7)；

如果j小于K，则设置计数器j＝j+1，返回步骤(5)；

步骤(7)：判断计数器D是否小于最大循环值D_m：

如果D小于D_m，则设置D＝D+1，返回步骤(3)；

如果D不小于D_m，则进入步骤(8)；

步骤(8)：生成输出数据Y，其中

$Y=[y_{11},...,y_{1j},...,y_{1K},y_{21}...,y_{2j},...,y_{2K},...y_{D_{m}1},...,y_{D_{m}j},...,y_{D_{m}K}]$ 为一个M维的行

向量；

步骤(9)：生成还原矩阵E，其中为一个D_m×N维的矩阵；

步骤(10)：无线传感器节点将输出数据Y和还原矩阵E传送至基站实现数据还原。

2.根据权利要求1所述的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，其特征在于：根据预定周期获取传感器数据x为一个1600维的向量，所述最大循环值D_m＝4。

Images