CN103269525A - 物联网系统的多传感器数据分布式压缩方法及其装置 - Google Patents

Abstract

本发明公开物联网系统的多传感器数据分布式压缩方法及装置。该方法基于物联网的分簇有限自组网组网方式，将整个传感器区域分成多个事件区域，每个事件区域为一个簇；从簇中选出节点作为簇首，根据感知信息数据和稀疏向量而获得小波基矩阵，还根据簇首节点生成观测矩阵，最后，根据小波基矩阵和观测矩阵及OMP算法重构数据。采用分布式压缩的方法对物联网系统的多传感器数据进行压缩，所以，不仅不会因为冗余信息多而增大网络负载，而且，数据丢失率大大降低；再者，由于采用了分布式压缩方法，所以，对可压缩的信号可通过远低于Nyquist标准的方式进行数据采样，仍能够精确地恢复出原始信号，极大的拓宽了可压缩的信号的范围。

Description

物联网系统的多传感器数据分布式压缩方法及其装置

技术领域

本发明涉及物联网系统的多传感器数据技术，尤其涉及面向物联网系统的多传感器数据分布式压缩方法。

背景技术

物联网是继计算机、互联网之后的信息产业第三次浪潮，是信息产业领域未来竞争的制高点和产业升级的核心驱动力，其应用已渗透到工业、农业等广泛领域。在农业物联网应用中，通常是有多采样任务要求，多传感数据的融合处理是关键技术之一。在多传感数据处理方面，目前已取得了一定的研究成果，但还存在一些不足：1)、当前的信号采样是在Nyquist定理指导下进行的，对于信号的采样，被采样的信号速率必须达到信号宽带的两倍以上才能精确恢复出原始的模拟信号，随着通信的迅速发展，信号的带宽越来越大，这也就给信号采样带来了巨大的挑战；2)、对信号的压缩一般在信号采样后，采用这一方式，会导致大量采样得到的数据被抛弃，浪费了宝贵的采样资源，同时由于数据的丢失，会导致丢包率现象严重；3)、农业物联网中，对信号群的融合处理是需要解决的重要问题，尤其在面向精准农业的应用中，物联网系统中的前段无线传感器网络节点常连接多种传感器，在距离较近的节点簇中，往往监测到相似甚至相同的信息，若不进行数据融合，这些冗余信息将大大增加网络的负载。

发明内容

本发明解决的问题是现有的物联网系统的多传感器数据压缩方法对网络的负载大、丢包率严重和采样信号的速率必须达到信号带宽的两倍以上的问题。

为解决上述问题，本发明提供一种物联网系统的多传感器数据分布式压缩方法，该方法采用分簇有限自组网的组网方式，包括如下步骤：S1)、根据变差函数确定事件区域的分布范围而将整个监控区域分成多个事件区域；S2)、将每一个事件区域范围内的节点构成一个簇，从簇中选出节点作为簇首，簇首收集该事件区域内各个节点的感知信息数据，根据感知信息数据和稀疏向量而获得小波基矩阵Ψ；S3)、根据簇首节点生成观测矩阵Φ；S4)、根据事件区域内的所有节点的感知数据向量X_N和观测矩阵Φ获得观测数据向量Y_M，根据式Y_M＝ΦΨθ，采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ^*，然后根据式

重构所述感知数据。

作为进一步方案，所述变差函数是：

该变差函数的估计模型取

本发明还公开物联网系统的多传感器数据分布式压缩装置，该装置包括处理模块、小波基矩阵生成模块、观测矩阵生成模块和重构模块，其中，所述处理模块将整个传感器区域分成多个事件区域，根据变差函数确定事件区域的分布范围；所述小波基矩阵生成模块将每一个事件区域范围内的节点构成一个簇，从簇中选出节点作为簇首，用一个簇首收集一个事件区域内各个节点的感知信息数据，根据感知信息数据和稀疏稀疏向量而获得小波基矩阵Ψ；所述观测矩阵生成模块根据簇首节点生成观测矩阵Φ；所述重构模块根据事件区域内的所有节点的感知数据向量X_N和观测矩阵Φ获得观测数据向量Y_M，根据式Y_M＝ΦΨθ，采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ^*，然后根据式

重构所述感知数据。

作为具体的方案，所述物联网采用分簇结构与有限自组网的组织方式，簇内采用星型与链型相结合的网络结构，簇首之间采用网状自组网的组网方式。

与现有技术相比，本发明具有以下优点：

由于本发明将整个传感器区域分成多个事件区域；接着，将每个事件区域内的节点构成簇，从簇中选出节点作为簇首，根据感知信息数据和稀疏向量而获得小波基矩阵，还根据簇首节点生成观测矩阵，最后，根据小波基矩阵和观测矩阵及OMP算法重构数据，采用分布式压缩的方法对物联网系统的多传感器数据进行压缩，将把对单个信号的压缩采样扩展到了对信号群的压缩采样，这样，1)、簇首对簇内各节点数据进行采样和压缩，不会因为冗余信息多而增大网络负载；2)各事件区域内的节点构成一个簇，并从簇中选取节点作为簇首，这样，簇首完成对这些数据的采样，同时对采样数据进行压缩，然后将采样和压缩的数据传输至汇聚节点，汇聚节点(sink节点)也承担部分压缩功能，在整个过程中，将采样和压缩同时进行，数据丢失率大大降低；3)、由于采用了分布式压缩方法，所以，对可压缩的信号可通过远低于Nyquist标准的方式进行数据采样，仍能够精确地恢复出原始信号，极大的拓宽了可压缩的信号的范围。

附图说明

图1是本发明物联网系统的多传感器数据分布式压缩方法的流程图；

图2是本发明物联网系统的多传感器数据分布式压缩方法的事件区域的示意图；

图3是本发明物联网的网络结构；

图4是本发明物联网系统的多传感器数据分布式压缩方法的压缩模型。

具体实施方式

为详细说明本发明的技术内容、构造特征、所达成目的及功效，下面将结合实施例并配合附图予以详细说明。

请参阅图1至图4，本发明物联网系统的多传感器数据分布式压缩方法的步骤如下：

S1)、根据变差函数确定事件区域的分布范围而将整个监控区域分成多个事件区域。如图2和图3所示，所述物联网采用分簇结构与有限自组网的组织方式，簇内采用星型与链型相结合的网络结构，簇首之间采用网状自组网的组网方式。在该步骤中，假设事件源S所处的位置处有一个虚拟的节点为n(0，0)，该节点的信息数据为S(0，0)，在事件源S所触发的事件区域的边界节点n(r，θ)感知的信息数据S(r，θ)符合条件|S(r，θ)-S(0，0)|≤μ，μ是误差门限，它用来表示处于不同位置的节点的感知数据信息与事件源S的差异，r代表事件区域EA的分布半径(也即事件分布范围)。则，可以定义如下的变差函数

$\mathrm{\γ}\left(r\right)=\frac{1}{2}E\left[{(S(r,\mathrm{\θ})-S\left(\mathrm{0,0}\right))}^2\right]=\frac{1}{2}E\left[Z^2\right]=\frac{1}{2}{\∫}_{-\mathrm{\μ}}^{\mathrm{\μ}}{z}^2\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_z}{e}^{-\frac{z^2}{{{2\mathrm{\σ}}_z}^2}}\mathrm{dz}$

$=\frac{1}{2}{{\mathrm{\σ}}_z}^2\mathrm{erf}\left(\frac{\mathrm{\μ}}{\sqrt{2}{\mathrm{\σ}}_z}\right)-\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_z}{e}^{-\frac{z^2}{{2\mathrm{\σ}}^2}}$

$=\mathrm{\ψ}({\mathrm{\σ}}_z,\mathrm{\μ})$

变差函数γ(r)有很多种估计模型，本发明中采用估计模型取参数c表示的是数据之间相关性的强弱程度，参数λ反映的是数据相关性随着距离变化的快慢程度，这两个参数取决于监控区域内数据场的空间相关特性。将

代入上式的结果如下：

$c(1-e^{-\mathrm{\λ}{t}^2})=\mathrm{\ψ}({\mathrm{\σ}}_z,\mathrm{\μ})\⇒r={\left[\frac{1}{\mathrm{\λ}}\left(\frac{c}{c-\mathrm{\ψ}({\mathrm{\σ}}_z,\mathrm{\μ})}\right)\right]}^{\frac{1}{2}}$

根据该事件区域r可以将监控区域分为多个事件区域。

S2)、将每一个事件区域范围内的节点构成一个簇，从簇中选出节点作为簇首，用簇首收集该事件区域内各个节点的感知信息数据，根据感知信息数据和稀疏向量而获得小波基矩阵Ψ。在该步骤中，在应用所要求的误差门限范围内，计算得到事件区域EA的分布范围后，每一个事件区域范围中的节点n_i(i＝1，2，…，N)组成一个簇，并从簇中选出节点n_h(h∈{1，2，…，N})作为簇首，簇首负责收集事件区域有EA范围内各个节点的感知数据信息X_i：

X_i＝S_i+N_i，i＝1，2，…，N

其中，S_i是节点n_i的感知数据信息，N_i为观测噪声。定义X_i为同一时刻各个传感器节点的感知数据信息，同时定义向量感知数据向量

X_N＝(X₁，X₂，…，X_N)^T∈R^N

表示事件区域EA中N个节点的感知数据信息。假设感知数据向量X_N对应的是事件区域EA中的节点集合E_J：{n₁，n₂，…，n_N}在同一时刻的感知数据，令λ_J＝X_N(λ_J∈R^N)，将节点集合E_J：{n₁，n₂，…，n_N}裂为两个集合：偶数集E_J-1和奇数集O_J-1，它们所对应的感知信息数据集合分别是λ_J，h和λ_J，O，用T来表示提升小波变换。对λ_i(i∈{1，2，…，J})进行J次递归提升小波变换，可以得到：

T^J(λ_J)＝{λ₀，γ₀，γ₁，…，γ_J-1}

利用

对原始信号λ_J进行精确重建，令T^-J(·)为提升小波逆变换。由于预测算子和更新算子都属于线性运算，因此T^J(·)和T^-J(·)都属于线性变换，可以得到：

$T^{-J}=({\mathrm{\λ}}_0,{\widehat{\mathrm{\γ}}}_0,{\widehat{\mathrm{\γ}}}_1,\·\·\·,{\widehat{\mathrm{\γ}}}_{J-1})={\widehat{\mathrm{\γ}}}_J\≈{\mathrm{\λ}}_J\⇔\mathrm{\ψ\θ}\≈{\mathrm{\λ}}_J=X_N$

其中，稀疏向量 $\mathrm{\&theta;}=({\mathrm{\&lambda;}}_0,{\widehat{\mathrm{\&gamma;}}}_0,{\widehat{\mathrm{\&gamma;}}}_1,\&CenterDot;\&CenterDot;\&CenterDot;,{\widehat{\mathrm{\&gamma;}}}_{J-1}),$ ${\left|\right|{\mathrm{\&lambda;}}_0\left|\right|}_0+\underset{i=0}{\overset{J-1}{\mathrm{\&Sigma;}}}{\left|\right|{\widehat{\mathrm{\&gamma;}}}_i\left|\right|}_0=k<N,$ 因此，只要得到了事件区域EA中各个节点的拓扑结构，就可以求出感知数据向量X_N的小波变换基矩阵Ψ，且X_N在Ψ上是k稀疏的。

S3)、根据簇首节点生成观测矩阵Φ。在该步骤中，簇首节点n_h生成观测矩阵Φ＝R(s_M，τ_N)，其中s_M：{s₁，s₂，…，s_M}，s_M是Sink节点(汇聚节点)传递给簇首节点的数据信息；τ_N：{τ₁，τ₂，…，τ_N}，τ_i是普通节点n_i的编号。

S4)、根据事件区域内的所有节点的感知数据向量X_N和观测矩阵Φ获得观测数据向量Y_M，根据式Y_M＝ΦΨθ，采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ^*，然后根据式

重构所述感知数据。如图3所示，在该步骤中，簇首节点与簇内各个节点进行通信，获得同一时刻事件区域EA范围内所有节点的感知数据向量X_N＝(X₁，X₂，…，X_N)^T，簇首节点获得采样数据后，然后运行基于小波变换的分布式压缩编码算法(簇首节点采集数据和压缩编码算法均可以采用成熟技术，在此不再赘述)得到测量值向量Y_N＝ΦX_N，通过压缩编码将N维的感知数据向量X_N＝(X₁，X₂，…，X_N)^T换成了M维的观测数据向量Y_M＝(Y₁，Y₂，…，Y_M)^T。根据式Y_M＝ΦΨθ(也就是运行解码算法，min||θ||₁subject to Y_M＝ΦΨθ)，采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ^*，然后根据式精确重构感知数据。

综上所述，由于本发明采用物联网分簇有限自组网的组网方式，将整个传感器区域分成多个事件区域；接着，将每个事件区域内的节点构成一个簇，从簇中选出节点作为簇首，根据感知信息数据和稀疏向量而获得小波基矩阵，还根据簇首节点生成观测矩阵，最后，根据小波基矩阵和观测矩阵及OMP算法重构数据，在簇首获取簇中各节点的数据过程中进行采集和压缩，而且，还在簇首将数据传输给汇聚节点的过程中压缩数据，然后，在汇聚节点后通过解码而重构出数据，这样，采用分布式压缩的方法对物联网系统的多传感器数据进行压缩，将把对单个信号的压缩采样扩展到了对信号群的压缩采样，这样，1)、不会因为冗余信息多而增大网络负载；2)各事件区域内的节点构成一个簇，并从簇中选取节点作为簇首，这样，簇首完成对这些数据的采样，同时对采样数据进行压缩，然后将采样和压缩的数据传输至汇聚节点，汇聚节点(sink节点)也承担部分压缩功能，在整个过程中，将采样和压缩同时进行，数据丢失率大大降低；3)、由于采用了分布式压缩方法，所以，对可压缩的信号可通过远低于Nyquist标准的方式进行数据采样，仍能够精确地恢复出原始信号，极大的拓宽了可压缩的信号的范围。

以上述方法的技术思路为基础，本发明还公开一种物联网系统的多传感器数据分布压缩装置，该装置包括处理模块、小波基矩阵生成模块、观测矩阵生成模块和重构模块。所述处理模块将整个传感器区域分成多个事件区域，根据变差函数确定事件区域的分布范围。所述小波基矩阵生成模块将每一个事件区域范围内的节点构成一个簇，从簇中选出节点作为簇首，簇首收集该事件区域内各个节点的感知信息数据，根据感知信息数据和稀疏稀疏向量而获得小波基矩阵Ψ。所述观测矩阵生成模块根据簇首节点生成观测矩阵Φ。所述重构模块根据事件区域内的所有节点的感知数据向量X_N和观测矩阵Φ获得观测数据向量Y_M，根据式Y_M＝ΦΨθ，采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ^*，然后根据式

重构所述感知数据。

Claims (4)

1.物联网系统的多传感器数据分布式压缩方法，其特征是：该压缩方法包括如下步骤：

S1)、根据变差函数确定事件区域的分布范围而将整个监控区域分成多个事件区域；

S2)、将每一个事件区域范围内的节点构成一个簇，从簇中选出节点作为簇首，簇首收集该事件区域内各个节点的感知信息数据，根据感知信息数据和稀疏向量而获得小波基矩阵Ψ；

S3)、根据簇首节点生成观测矩阵Φ；

S4)、根据事件区域内的所有节点的感知数据向量X_N和观测矩阵Φ获得观测数据向量Y_M，根据式Y_M＝ΦΨθ，采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ^*，然后根据式

重构所述感知数据。

2.如权利要求1所述的物联网系统的多传感器数据分布式压缩方法，其特征是：所述变差函数是：该变差函数的估计模型取 $\mathrm{\&gamma;}\left(x\right)=c(1-e^{{-\mathrm{\&lambda;t}}^2}).$

3.物联网系统的多传感器数据分布式压缩装置，其特征是：该装置包括处理模块、小波基矩阵生成模块、观测矩阵生成模块和重构模块，其中，

所述处理模块将整个传感器区域分成多个事件区域，根据变差函数确定事件区域的分布范围；

所述小波基矩阵生成模块将每一个事件区域范围内的节点构成一个簇，从簇中选出节点作为簇首，用一个簇首收集一个事件区域内各个节点的感知信息数据，根据感知信息数据和稀疏稀疏向量而获得小波基矩阵Ψ；

所述观测矩阵生成模块根据簇首节点生成观测矩阵Φ；

所述重构模块根据事件区域内的所有节点的感知数据向量X_N和观测矩阵Φ获得观测数据向量Y_M，根据式Y_M＝ΦΨθ，采用OMP重构算法得到节点的原始感知数据的稀疏小波表示形式θ^*，然后根据式

重构所述感知数据。

4.如权利要求3所述的物联网系统的多传感器数据分布式压缩装置，其特征是：所述物联网采用分簇结构与有限自组网的组织方式，簇内采用星型与链型相结合的网络结构，簇首之间采用网状自组网的组网方式。

Images