CN102970707A - 基于压缩感知的无线传输数据丢失恢复方法 - Google Patents
基于压缩感知的无线传输数据丢失恢复方法 Download PDFInfo
- Publication number
- CN102970707A CN102970707A CN2012105578396A CN201210557839A CN102970707A CN 102970707 A CN102970707 A CN 102970707A CN 2012105578396 A CN2012105578396 A CN 2012105578396A CN 201210557839 A CN201210557839 A CN 201210557839A CN 102970707 A CN102970707 A CN 102970707A
- Authority
- CN
- China
- Prior art keywords
- data
- wireless
- transmission
- compressed sensing
- wireless sensor
- 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
Images
Landscapes
- Arrangements For Transmission Of Measured Signals (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明主要针对无线数据传输数据丢失的问题,结合应用数学领域的最新理论,提出了一种基于压缩感知的无线传输数据丢失恢复方法。该方法将采集到的无线传感器节点的数据在无线传输之前采用随机矩阵进行编码,然后再经无线传感器节点发射信号进行无线传输,在基站当数据采集仪接收到数据包之后,采用算法进行数据重构,恢复原始数据,即使在传输的过程中有数据丢包,则仍然可以完全恢复丢失的数据包。这样可以避免因数据丢包需重复发送而造成的传输网络拥堵,极大的增加了无线数据传输的鲁棒性与传输速度。
Description
技术领域
本发明涉及无线数据传输网络领域,具体而言,是一种基于压缩感知的无线传输数据丢失恢复方法。
背景技术
近年来,随着微机电系统(Micro-Electro-Mechanism-System,简称MEMS)、无线通信、信息网络与数字集成电路等技术的迅速发展,低成本、低功耗以及多功能的传感器在各个领域得到广泛应用。这些微型的传感器节点集成了数据感知、处理与传输等功能,通过节点间的相互协作,组成一个自组织网络,即无线传感器网络(Wireless Sensor Networks,简称WSN)。无线传感网络被称为是21世纪最重要的技术之一,WSN最主要的任务就是监测物理环境,并将节点感知的信息高效、准确地转发到基站。这种数据交互模式将真实的物理世界和逻辑的信息世界融合在一起,深刻地改变了人与自然的交互方式。无线传感器网络广泛地应用于网络通讯,资源勘探,环境监测,军事防御,灾难恢复,医疗护理等等。
在无线传感网络中,最重要的就是数据的无线传输技术,相比与有线的数据传输方法,无线网络去掉了施工时间长、投资大且繁琐的连接导线,从而省去了导线的安装和校准工作;去掉了原有用于连接导线和传感器的仪器设备,减少了经费投入,无线传输网络有标准作基础,功能强,轻易安装,组网灵活,即插即用的网络连接,可移动性等优点,提供了不受限制的应用。无线数据传输已逐渐成为一种重要的数据传输方式。总之,无线数据传输不仅可以作为有线数据传输的补充及延伸,而且还可以与有线网络环境互为备份。在某种非凡环境下,无线数据传输是主要的甚至唯一的可行的传输方式。
在有线网络中丢包率非常低,而对于无线传输网络,数据丢包是较普遍的事,美国麻省理工的校园无线网络丢包率在2%左右,而在一辆快速行驶的火车上,丢包率会上升至5%左右。当丢包率升高以后,随之而来的延迟和重传会令网络传输性能大幅下降。这就是无线网络在隔了一堵墙或者在一列高速行驶的列车上会变得缓慢的原因之一。
在土木工程领域的长期的结构健康监测中,无线传感器与无线传感网络是结构健康监测未来的发展趋势,因其不仅可以提供与传统有线传感器类似的功能,而且可以用无线传感器嵌入的处理器与程序进行数据自动处理。相比有线的传感器,无线传感器可以大量节省布线成本的与传感器安装费用。传统有线的数据采集方式不存在数据丢失问题,然而无线传感器在数据无线传输过程中会丢失数据。无线传感器数据丢失会影响数据分析的结果,通过数值模拟和实验研究了数据丢失的影响,结果表明0.5% 的数据丢失相当于在功率谱估计时的5%的噪声干扰。此外,数据丢失会直对模态分析引入额外的误差,因此也会影响结构的健康诊断。
无线传输数据丢包其主要原因可以归结为无线电的干扰,如其它电子设备以与无线传感器相同频率工作,天气的原因如下雨、闪电等,无线传感器安装位置不合适、无线天线方向不合适,无线数据长距离传输,以及还有硬件等问题。因此各个领域的在实际工程应用中,需要迫切解决数据无线传输的丢包问题。
发明内容
本发明主要针对无线数据传输数据丢失的问题,结合应用数学领域的最新理论,提出了一种基于压缩感知的无线传输数据丢失恢复方法。该方法将采集到的无线传感器节点的数据在无线传输之前采用随机矩阵进行编码,然后再经无线传感器节点发射信号进行无线传输,在基站当数据采集仪接收到数据包之后,采用算法进行数据重构,恢复原始数据,即使在传输的过程中有数据丢包,则仍然可以完全恢复丢失的数据包。这样可以避免因数据丢包需重复发送而造成的传输网络拥堵,极大的增加了无线数据传输的鲁棒性与传输速度。
本发明采用如下技术:
将式(3)代入(2)中,可得
l 1算法是压缩采样中的经典算法,在线性规划和凸优化问题求解中也经常用到。此外,基矩阵选择也不仅仅局限于正交基,冗余原子库(非正交基通常称作原子,由非正交基组成的集合称为原子库)同样也可以进行变换,而且还可以获得更加稀疏的变换结果。
数据在无线传输过程中难免会受噪声影响,另外绝对稀疏的信号时很少的,大部分信号可以认为是近似稀疏。因此考虑如下的数学模型:
考虑噪声影响的丢失数据恢复的问题就变成了鲁棒压缩问题,也即
原始信号可以通过下式求解得到:
丢失数据恢复的方法流程可以总结为:
第一步:在无线传感器节点,将采集得到的原始数据长度为n信号转换成长度为m (m=n)的信号,。其中矩阵中独立同分布的元素为满足均值为0,方差为的高斯分布的随机数;或为满足独立同分布的为服从对称伯努利分布的的数等。然后无线传感器节点内的将数据y无线传输至基站。
第二步:在基站,数据采集仪接收到的数据中有个数据点丢失,得到数据;
第四步:建立如式(7)所示的数据重构模型;
丢失数据恢复算法的流程可用图1表示。
上述步骤中,无线传感器节点可为加速度传感器节点或速度传感器节点或位移传感器节点。而无线传感器节点采集的数据可以为加速度或速度或位移。
上述基于压缩感知的无线传输数据丢失的恢复方法可在土木健康监测领域应用,尤其是桥梁健康监测领域应用。
附图说明
图1所示为丢失数据恢复算法流程图;
图2所示为无线传感器数据丢失;
图3a-3h 所示为随机数据丢包10%情况下的恢复结果,其中
图3a为原始信号;
图3b为转换后的数据y;
图3c为基站接收到的数据;
图3e为10%数据丢失下的原始数据;
图3f为图3e局部放大;
图4所示为数据随机丢失情况下丢失率与重构误差的关系;
图5a-5f所示为数据连续丢失10%情况下的恢复结果,其中
图5a为原始信号;
图5b为转换后的数据y;
图5d为10%数据丢失下的原始数据;
图6 为数据连续丢失情况下丢失率与重构误差的关系;
图7a-7d为桥梁结构现场实测无线加速度数据随机丢失10%情况下的恢复结果,其中
图7a为原始信号;
图7b为10%数据随机丢失下的原始数据;
图8a-8d为桥梁结构现场实测无线加速度数据连续丢失10%情况下的恢复结果,其中
图8a为原始信号;
图8b为10%数据随机丢失下的原始数据;
图8d为10%噪声下的恢复结果,误差。
具体实施方式
实施例1:
无线传感器与传感网络,数据以包的形式在网络里传输,每个数据包包含多个采样点数据。在本次测试采用某桥的现场无线传感器测试数据,采样频率为100Hz,总共采集 35组数据,其中只有7组数据无数据丢失,其它的均有数据丢失且最大丢失率达20.22%。在无线传感器中,所有的数据包都有对应的编号,因此如果有数据包丢失,通过编号可以在基站很清楚的检测到数据丢包的情况。通过现场测试的数据分析,无线传感器的数据丢包模式主要为随机丢包与连续丢包两种。图2给出了一段典型的数据,其中包含了随机丢包与连续丢包的情况。
恢复整体数据的重构误差为
在考虑10%数据随机丢失情况下,研究分析方法的计算过程。数据恢复结果如图3a-3h所示。图3a是无线传感器节点的原始数据x。通过均值为零、方差为1的高斯分布产生测量矩阵,再利用将原始信号x在无线传感器节点内转换成y,如图3b所示,将y从节点无线传输至基站。因为为服从0均值方差为1的高斯分布,所以图3b中的y看上去像白噪声。图3c为有数据丢失的向量,图3d是局部丢失数据部分的放大图,从中可以看出有数据丢失的情况。如果原始数据在无线传输过程中有10%数据随机丢失,则其结果如图3e所示,图3f给出了局部放大的图,从中可以看出有数据丢失的情况。数据恢复的结果如图3g所示,正交基取Haar小波基,数据的重构误差为。考虑在数据无线传输过程中的噪声对数据y的影响,对y加5%随机白噪声,则在5%随机数据丢包情况下的数据恢复结果如图3h所示,图3a比较可以看出,即使在噪声影响下,丢失数据的恢复精度也较高。 从图中可以看出,恢复数据的精度较高、误差较小。
为研究数据丢失率与重构误差的关系,考虑数据丢失率 ,考虑数据包随机丢失情况,数据丢失率与重构误差 () 的关系如图4所示。从图4可以看出,重构误差随着数据丢失率的增加而增加,但数据丢失恢复后的结果所造成的重构误差远小于数据丢失给原始信号带来的误差,因此方法可以较好的应用于实际无线传感器与传感网络的数据传输。
实施例2:
无线传感器与传感网络,在无线传输过程中的数据丢失是难以预测的,可能会发生数据连续丢包,这种情况下对数据分析带来更大的困难。以10%数据连续丢包为例,恢复的结果如图5a-5f 所示,图5a为原始信号,图5b为转换后的信号,图5c为基站接收到的数据。假设原始数据从801-1,101的数据点丢失,如图5d所示。数据恢复的结果如图5e,重构误差。即使5% 噪声干扰下,丢失数据的恢复结果仍然很好,重构误差较小,如图5f所示。
同样为研究数据随机丢失情况下,丢失率与重构误差的关系,考虑数据丢失率 ,数据丢失率与重构误差 () 的关系如图6所示。从图6可以看出,但数据连续丢包的情况下,数据丢失恢复后的结果所造成的重构误差仍然远小于数据丢失给原始信号带来的误差,因此进一步说明方法的有效性。
实施例3:
以某桥梁结构现场测试的振动响应无线加速度传感器的数据为例,对方法进行验证,数据采样频率为100Hz。原始加速度振动响应数据如图7a所示。10%加速度数据随机丢失后的原始数据如图7b,10%加速度数据随机丢失后恢复之后的结果如图7c所示,重构误差为,可以看出丢失加速度数据的恢复结果较好。考虑在无线传输过程中的10%噪声干扰,恢复结果如图7d所示,误差为,即使在较大的噪声干扰下,丢失的加速度数据仍然可以较好的恢复。
Claims (6)
1.一种基于压缩感知的无线传输数据丢失的恢复方法,该方法为采集无线传感器节点的数据,将上述采集的数据在无线传输之前采用随机矩阵进行编码,然后再经无线传感器节点发射信号进行无线传输,在基站当数据采集仪接收到数据包之后采用算法进行数据重构,恢复原始数据。
2.根据权利要求1所述的基于压缩感知的无线传输数据丢失的恢复方法,按照以下步骤实现:
第一步:在无线传感器节点,将采集得到长度为n的原始数据 转换成长度为m 的信号,,其中m=n,矩阵中独立同分布的元素为满足均值为0,方差为的高斯分布的随机数;或为满足独立同分布的为服从对称伯努利分布的数,然后在无线传感器节点内,将数据y无线传输至基站;
第四步:建立数据重构模型
第五步:采用l 1线性优化的方法求解
。
3.根据权利要求1-2所述的基于压缩感知的无线传输数据丢失的恢复方法,其特征在于所述无线传感器节点为加速度传感器节点或速度传感器节点或位移传感器节点。
4. 根据权利要求1-3所述的基于压缩感知的无线传输数据丢失的恢复方法,其特征在于采集无线传感器节点的数据为加速度或速度或位移。
5.根据权利要求1-4所述的基于压缩感知的无线传输数据丢失的恢复方法,其应用于土木健康监测领域。
6.根据权利要求1或2所述的基于压缩感知的无线传输数据丢失的恢复方法,其应用于桥梁健康监测领域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105578396A CN102970707A (zh) | 2012-12-20 | 2012-12-20 | 基于压缩感知的无线传输数据丢失恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105578396A CN102970707A (zh) | 2012-12-20 | 2012-12-20 | 基于压缩感知的无线传输数据丢失恢复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102970707A true CN102970707A (zh) | 2013-03-13 |
Family
ID=47800505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105578396A Pending CN102970707A (zh) | 2012-12-20 | 2012-12-20 | 基于压缩感知的无线传输数据丢失恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102970707A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103997403A (zh) * | 2014-05-13 | 2014-08-20 | 李惠 | 基于压缩感知的无线传感器数据传输嵌入式监测系统 |
CN104345340A (zh) * | 2013-07-29 | 2015-02-11 | 中国石油化工股份有限公司 | 一种地震数据规则化中抖动稀疏采样方法 |
CN105407272A (zh) * | 2015-10-29 | 2016-03-16 | 中国空气动力研究与发展中心设备设计及测试技术研究所 | 一种延长高速相机拍摄时长的方法 |
CN106060848A (zh) * | 2016-05-25 | 2016-10-26 | 中国人民解放军信息工程大学 | 一种有损链路下压缩感知数据收集方法及装置 |
CN107171771A (zh) * | 2017-07-20 | 2017-09-15 | 哈尔滨工业大学 | 结构健康监测无线传感器数据丢失无损恢复嵌入式算法 |
CN108897640A (zh) * | 2018-06-11 | 2018-11-27 | 上海交通大学 | 群智感知中错误位置数据的检测系统及方法 |
CN109189773A (zh) * | 2018-08-21 | 2019-01-11 | 北京睦合达信息技术股份有限公司 | 一种数据修复方法及装置 |
CN109391931A (zh) * | 2018-11-01 | 2019-02-26 | 北京京航计算通讯研究所 | 应用于应急处置的高可靠性数据传输系统 |
CN113220936A (zh) * | 2021-06-04 | 2021-08-06 | 黑龙江广播电视台 | 基于随机矩阵编码和简化卷积网络的视频智能推荐方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101795501A (zh) * | 2009-10-30 | 2010-08-04 | 中国科学院上海微系统与信息技术研究所 | 传感器网络物理信号协同压缩感知系统及感知方法 |
CN102130743A (zh) * | 2010-10-11 | 2011-07-20 | 安徽大学 | 一种大规模无线传感器网络中数据釆集方法 |
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 |
-
2012
- 2012-12-20 CN CN2012105578396A patent/CN102970707A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101795501A (zh) * | 2009-10-30 | 2010-08-04 | 中国科学院上海微系统与信息技术研究所 | 传感器网络物理信号协同压缩感知系统及感知方法 |
CN102130743A (zh) * | 2010-10-11 | 2011-07-20 | 安徽大学 | 一种大规模无线传感器网络中数据釆集方法 |
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 |
Non-Patent Citations (3)
Title |
---|
OU J P: "Structural Health Monitoring in mainland China: Review and Future Trends", 《STRUCTURAL HEALTH MONITORING》 * |
马坚伟: "压缩感知及其应用: 从稀疏约束到低秩约束优化", 《信号处理》 * |
鲍跃全: "结构健康监测的数据压缩采样与损伤识别融合方法", 《中国博士学位论文全文数据库工程科技II辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104345340A (zh) * | 2013-07-29 | 2015-02-11 | 中国石油化工股份有限公司 | 一种地震数据规则化中抖动稀疏采样方法 |
CN103997403A (zh) * | 2014-05-13 | 2014-08-20 | 李惠 | 基于压缩感知的无线传感器数据传输嵌入式监测系统 |
CN105407272A (zh) * | 2015-10-29 | 2016-03-16 | 中国空气动力研究与发展中心设备设计及测试技术研究所 | 一种延长高速相机拍摄时长的方法 |
CN106060848B (zh) * | 2016-05-25 | 2019-10-18 | 中国人民解放军信息工程大学 | 一种有损链路下压缩感知数据收集方法及装置 |
CN106060848A (zh) * | 2016-05-25 | 2016-10-26 | 中国人民解放军信息工程大学 | 一种有损链路下压缩感知数据收集方法及装置 |
CN107171771A (zh) * | 2017-07-20 | 2017-09-15 | 哈尔滨工业大学 | 结构健康监测无线传感器数据丢失无损恢复嵌入式算法 |
CN108897640A (zh) * | 2018-06-11 | 2018-11-27 | 上海交通大学 | 群智感知中错误位置数据的检测系统及方法 |
CN108897640B (zh) * | 2018-06-11 | 2021-08-27 | 上海交通大学 | 群智感知中错误位置数据的检测系统及方法 |
CN109189773A (zh) * | 2018-08-21 | 2019-01-11 | 北京睦合达信息技术股份有限公司 | 一种数据修复方法及装置 |
CN109391931B (zh) * | 2018-11-01 | 2021-03-05 | 北京京航计算通讯研究所 | 应用于应急处置的高可靠性数据传输系统 |
CN109391931A (zh) * | 2018-11-01 | 2019-02-26 | 北京京航计算通讯研究所 | 应用于应急处置的高可靠性数据传输系统 |
CN113220936A (zh) * | 2021-06-04 | 2021-08-06 | 黑龙江广播电视台 | 基于随机矩阵编码和简化卷积网络的视频智能推荐方法、装置及存储介质 |
CN113220936B (zh) * | 2021-06-04 | 2023-08-15 | 黑龙江广播电视台 | 基于随机矩阵编码和简化卷积网络的视频智能推荐方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102970707A (zh) | 基于压缩感知的无线传输数据丢失恢复方法 | |
Cho et al. | Smart wireless sensor technology for structural health monitoring of civil structures | |
CN105181122B (zh) | 机械振动信号数据压缩采集方法 | |
CN107105394B (zh) | 基于无线传感器网络的建筑安全监测系统 | |
Nagayama et al. | Structural health monitoring using smart sensors | |
CN107786959B (zh) | 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 | |
Hu et al. | Spatial correlation-based distributed compressed sensing in wireless sensor networks | |
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 | |
CN102023010B (zh) | 基于mems的小波域多传感器信息融合系统及融合方法 | |
CN110958639A (zh) | 一种目标状态估计方法及系统 | |
CN101848529A (zh) | 一种无线传感器网络的多重主成分分析数据压缩方法 | |
CN104618947A (zh) | 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 | |
WO2017070087A1 (en) | System and method for data compression over a communication network | |
CN104270829B (zh) | 一种基于压缩感知的井下数据采集及处理方法 | |
CN108173620B (zh) | 基于压缩网络编码的wsn异常数据发现系统实现方法 | |
CN102355752B (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 | |
Sim et al. | Decentralized strategies for monitoring structures using wireless smart sensor networks | |
Agarwal et al. | A fuzzy inference-based fault detection scheme using adaptive thresholds for health monitoring of offshore wind-farms | |
CN107271133B (zh) | 一种基于无线传感器网络的风沙监测系统 | |
Putra et al. | Prayitno; Ogiela, MR; Chou, C | |
Phung Cong Phi et al. | Classification of cow’s behaviors based on 3-DoF accelerations from cow’s movements | |
CN112911585A (zh) | 一种无线传感器网络抗毁性增强方法 | |
CN103997403A (zh) | 基于压缩感知的无线传感器数据传输嵌入式监测系统 | |
CN104135730B (zh) | 一种基于压缩感知的无线网络的物理层入侵检测方法 | |
Alfarra et al. | A wireless smart sensor network for flood management optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130313 |