CN103280084B

CN103280084B - 一种多参数实时监测的数据采集方法

Info

Publication number: CN103280084B
Application number: CN201310145930.1A
Authority: CN
Inventors: 张小栓; 肖新清; 张健; 齐林
Original assignee: China Agricultural University
Current assignee: China Agricultural University
Priority date: 2013-04-24
Filing date: 2013-04-24
Publication date: 2015-12-02
Anticipated expiration: 2033-04-24
Also published as: CN103280084A

Abstract

本发明公开了一种多参数实时监测的数据采集方法，该方法采用最新的压缩感知技术，首先采用随机矩阵对各传感器节点所采集的多种传感参数进行观测编码，然后通过无线传输至远程实时数据监控端。在监控端收到数据时，通过构造能够对传感数据进行稀疏表示的双正交小波变换矩阵，构建数据重构模型，最终采用正交匹配追踪(OMP)算法完成多传感数据的高精度重构。本发明能够以少量的观测数实现对传感数据的高精度重构，适用于无线传感器网络中节点资源有限，数据传输量大的情况，有效的延长了传感器网络生命周期，提高了多参数监测时的无线传输效率及其鲁棒性，进一步增强了系统监测的实时性。

Description

一种多参数实时监测的数据采集方法

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领域，具体涉及一种多参数实时监测的数据采集方法。

背景技术

近年来，无线传感器网络在物联网实时监测中得到了广泛应用。在这些应用中，尤其是在多参数实时监测过程中，每个传感器节点都会采集大量数据，但传感器节点的处理能力、存储空间、通信带宽及能量等资源非常有限，无法像传统的信息系统那样处理和存储大量数据。同时，大量数据的传输使节点能量过多消耗，缩短节点的寿命。因此需要寻找高效的数据信息传输技术以尽可能地降低网络能耗并延长节点寿命，降低存储量以适应自身有限的存储空间。

压缩感知理论(CS,CompressSensing)作为一种新的信息获取方法，最初用于解决图像信号的采集和处理问题。该理论指出信号只要能够在某一个合适的正交基稀疏性表示，信号就可以通过远低于奈奎斯特采样率的频率获取全局观测值，即能以较低的采样频率采样信号，并且可以通过适当的重构算法以高概率、高精度从观测值中重构原始信号。

将压缩感知理论应用于无线传感器网络，能够减少数据传输量，提高传输效率，降低成本和能耗。但在实际的应用中，还存在如下问题：采集的传感数据往往并不是稀疏的，这就无法很好的重构传感数据；另外，采集的传感数据的维度N往往都比较大，并不适用于稍小规模的实时监测网络。

发明内容

本发明的目的是提供一种多参数实时监测的数据采集方法，通过构造双正交小波变换矩阵实现传感数据的稀疏表示，降低数据采集维度，减少数据传输量，降低成本与能耗，进一步提高系统传输的实时性。

为达到上述目的，本发明的具体技术方案如下：

一种多参数实时监测的数据采集方法，其关键在于按照以下步骤进行：

步骤（1）：传感器节点按照设定的周期获取传感数据x，其中x为各个传感器节点所获取传感数据组成的N维向量，x＝[x₁,x₂…,x_N]^T，在获取数据的同时，需要判断所获取的数据是否异常，异常数据需舍弃并重新采集该数据；

步骤（2）：采用M×N的随机高斯矩阵Φ对传感数据进行观测编码，即：y＝Φx，将N

维向量的传感数据转化为M维，其中M＜N，实现传感数据的压缩编码，最后通过无线传输；

步骤（3）：远程监控端完成数据的接收，准备对观测数据进行重构；

步骤（4）：构造N×N的双正交小波变换矩阵Ψ，实现传感数据的稀疏表示；

步骤（5）：建立数据重构模型：

y＝ΦΨθ

其中θ是基变换系数，x是K-稀疏信号，即：x＝Ψθ，也就是传感数据稀疏表示后的稀疏程度，即稀疏表示后存在的非零数据个数，信号越稀疏，重构精度就越高；

步骤（6）：采用正交匹配追踪(OMP)算法求解得到最优逼近系数

该步骤的基本思路是在迭代过程中找到信号稀疏表示的K个关键分量，即每一次迭代，算法从恢复矩阵Τ＝ΦΨ中找到与观测向量余量最相似的列，记录该关键分量在恢复矩阵中相应的列以及位置，通过最小二乘法确定相应的稀疏系数。最后去除恢复矩阵对观测向量余量部分的贡献，并更新观测向量剩余值。每次迭代获得一个关键分量，K次迭代后获得相应的最小化稀疏解。

步骤（7）：根据稀疏表示公式计算得到重构后的传感数据实现对传感数据的后续处理。

本发明的显著效果是：通过构造双正交小波变换矩阵实现了传感数据的稀疏表示，满足压缩感知的信号稀疏性条件；通过采用正交匹配追踪(OMP)算法实现了数据的高精度重构，同时降低了原始传感数据的采集维度，进一步增强了系统的实时性；本发明能够有效的减少数据传输量，降低传输成本与能耗，有效的延长了传感器网络生命周期，提高了多参数监测时的无线传输效率及其鲁棒性。

附图说明

图1是本发明的工作流程图；

图2是传感器节点部署平面图；

图3是传感器节点硬件电路图；

图4是原始温度与重构后温度的对比曲线图与绝对误差曲线图；

图5是原始相对湿度与重构后相对湿度的对比曲线图与绝对误差曲线图。

具体实施方式

下面通过具体实施例对本发明作进一步说明。

以冷库恒温0℃试验测试的无线温湿度传感器数据为例，如图2所示为无线传感器网络中的节点部署情况，传感器节点部署在冷库内，协调器布置在冷库外。图3所示为传感器节点的硬件电路图，采用的是TI公司的低功耗片上系统CC2530用于数据的采集与处理，以及射频前端CC2591用于增强系统的传输距离。

如图1所示，本发明应用于冷库内温湿度数据采集关键在于按照以下步骤进行：

步骤（1）：传感器节点采集冷库内不同区域的温湿度数据，设定传感器每间隔1min采集一次，传感器节点则每4min上传一次数据，构建N各为32维的温度、湿度数据向量。

步骤（2）：采用M×N的随机高斯矩阵Φ对传感数据进行观测编码，即：y＝Φx，将N维向量的传感数据转化为M维，其中M＜N，实现传感数据的压缩编码，本例设定观测值M为16。协调器最终将收到温湿度数据各16个，网络数据传输量减少至一半，最后通过无线传输。

步骤（5）：建立数据重构模型：

y＝ΦΨθ

如图4和5所示分别为原始温湿度数据与重构后数据的对比曲线及其绝对误差曲线，从图中可以看出，本发明能很好的重构温度与相对湿度，其中温度最大绝对误差|T_r-T_o|为0.025℃，最大相对重构误差值为2.27%，相对湿度最大绝对误差|H_r-H_o|为0.05%，最大相对重构误差值为0.024%，能够很好的满足实际应用要求。

通过具体实施例进一步说明本发明采用双正交小波变换稀疏表示方法及正交匹配追踪（OMP）重构算法能够实现数据的高精度重构；本发明能有效的降低原始传感数据的采集维度，减少数据传输量，有助于进一步增强系统的实时性，提高数据传输效率。

Claims

1.一种多参数实时监测的数据采集方法，其特征在于按照以下步骤进行：

步骤(1)：传感器节点按照设定的周期获取传感数据x，其中x为各个传感器节点所获取传感数据组成的N维向量，x＝[x₁,x₂…,x_N]^T；

步骤(2)：采用M×N的随机高斯矩阵Φ对传感数据进行观测编码，即：y＝Φx，将N维向量的传感数据转化为M维，其中M＜N，实现传感数据的压缩编码，最后通过无线传输；

步骤(3)：远程监控端完成数据的接收，准备对编码数据进行重构；

步骤(4)：构造N×N的双正交小波变换矩阵Ψ，实现传感数据的稀疏表示；

步骤(5)：建立数据重构模型：

y＝ΦΨθ

其中θ是基变换系数，x是K-稀疏信号，即：x＝Ψθ；

步骤(6)：采用正交匹配追踪(OMP)算法求解得到最优逼近系数即通过迭代找到信号稀疏表示的K个关键分量，即每一次迭代，算法从恢复矩阵Τ＝ΦΨ中找到与观测向量余量最相似的列，记录该关键分量在恢复矩阵中相应的列以及位置，通过最小二乘法确定相应的稀疏系数，最后去除恢复矩阵对观测向量余量部分的贡献，并更新观测向量剩余值，每次迭代获得一个关键分量，K次迭代后获得相应的最小化稀疏解；

步骤(7)：根据稀疏表示公式计算得到重构后的传感数据实现对传感数据的后续处理。

2.根据权利要求1所述的多参数实时监测的数据采集方法，其特征在于根据预先设定的周期获取传感数据x，能够以少量的观测值完成对传感数据的高精度重构，并实现实时监测。

3.根据权利要求1所述的多参数实时监测的数据采集方法，其应用于工业、农业实时监测领域，包括环境、温室及冷链物流。