CN103781116A - 一种基于分布式存储的无线传感网的数据融合方法 - Google Patents

Abstract

本发明公开了一种分布式存储的无线传感网的数据融合方法，在空域和时域上联合应用压缩感知技术，各节点在向其邻居节点广播数据之前，对所获得的数据进行了压缩，节点间收发的数据为矢量形式，最终所有节点各个时隙的数据由二维压缩感知数学模型恢复。本发明采样数据量与总数据量之间的比值显著减少，恢复信号与原始信号间的均方误差显著降低，减少了数据扩散过程中的收发数据量，提高了网络能效。

Description

一种基于分布式存储的无线传感网的数据融合方法

技术领域：

本发明涉及一种基于分布式存储的无线传感网的数据融合方法，属于无线通信技术领域。 

背景技术：

无线传感网中的传感器节点是由电池供电的。在大多数情况下，其工作环境恶劣且节点数量很大，很难更换电池，使网络能量受到较大限制，数据收发则是网络能量的主要开销。而传感器节点的部署和时域采样一般非常密集，致使相邻节点和相邻时隙的采样数据有很大的相关性，造成大量数据冗余，增加通信能耗。数据融合是一种能够有效解决上述问题的多源数据处理技术，其基本思想分为两个层次，其一为在数据采集过程中，利用传感节点自身的计算和存储能力，对数据进行处理；其二为将来自多个不同节点的数据做进一步的处理，以消除冗余，减少节点收发数据量。因此，高效的数据融合技术对提高通信效率和能量效率，延长网络寿命至关重要。 

近年来提出的分布式存储的无线传感网得到了广泛关注，相对于传统的有中心的无线传感网，它取消了所有源节点向汇聚节点传输数据的过程，取而代之的是节点间以概率广播的方式扩散数据。其数据融合采用的是网络编码与压缩感知相结合的方案，具体的处理方式有：可压缩的数据存储(CStorage)，已发表于Proc.2011IEEE GLOBECOM，该方案结合了随机线性网络编码和压缩感知算法，随机线性网络编码的应用减少了数据扩散过程需要的时间和产生的冗余，压缩感知利用了网络节点间数据的相关性，减少了收发数据量；基于分布式存储的可压缩网络编码(CNCDS)，已发表于IEEE Trans.Wire.Commu，vol.PP，no.99，pp.1-13，Sep.2013，该方案是CStorage的改进，通过优化数据包的结构，提高了继而用于压缩感知算法的测量矩阵的行相关性，进一步减少了收发数据量，提高 了网络能效。以上两种方案在数据扩散过程中对其进行编码，并存储编码系数，节点下标及编码结果，进而通过访问部分节点，提取其存储数据，利用压缩感知的数学模型，恢复所有节点的原始感知数据。 

上述方案利用了各传感节点采样数据间的相关性，大大减少了收发的数据量，实现了数据的高效传输，但是忽略了每个节点相邻时隙采样数据的相关性，在各个时隙上以相同方式重复数据扩散，导致不必要的能量开销。 

发明内容：

本发明的目的在于弥补上述方案存在的不足，提出一种在空时二维上联合应用压缩感知的数据融合技术，称为空时可压缩网络编码(ST-CNC)。该方法去除数据空域和时域上相关性，减少冗余和收发数据量，提高了网络能效。 

本发明应用于分布式存储的无线传感网中，现有方案充分利用了空域上各节点间数据的相关性，却忽视了时域上各时隙间数据的相关性，因此，可以提出一种在空时二维上对数据进行压缩的数据融合技术，该方法结合网络编码与二维数据的压缩感知，以减少网络冗余和收发数据量。分布式存储的无线传感网中的空时二维数据融合方法可以表示为以下步骤： 

①生成随机矩阵D，作为时域测量矩阵，其维数为M_T×N_T，N_T为所取的时隙总数，M_T为时域采样点数； 

②设全网有N个节点i，i＝1，2，..N，各节点i形成各自的初始化数据包，每个初始化数据包由三个域构成，第一个域为随机系数

第二个域为节点下标i；第三个域为随机系数、时域测量矩阵和节点获取矢量的乘积

其中，X是维数为N×N_T的二维矩阵，表示全网节点在各时隙上获取的数据，X(i，：)是指X的第i行，表示节点i在各时隙的数据； 

③随机选择S个节点作为源节点； 

④源节点j寻找其所有邻居节点，设节点q为所有邻居节点的其中之一，当邻居节点q第二个域与源节点j第二个域无交集，即满足判断条件r(q).a₂∩r(j).a₂=φ，则进行数据包广播，即该接收节点q进行如下操作： 

(1)将源节点j向接收节点q发送的接收数据包的第一个域和第二个域分别与接收节点q形成的初始数据包的第一个域和第二个域合并， 

r(q).a₁=[r(q).a₁,r(j).a₁]，r(q).a₂=[r(q).a₂,r(j).a₂]； 

(2)将接收数据包的第三个域与接收节点q形成的初始数据包的第三个域相加，r(q).a₃＝r(q).a₃+r(j).a₃； 

(3)对接收节点q的初始数据包的三个域进行更新； 

⑤接收节点q继续寻找其邻居节点，并以概率P_f向其邻居节点转发其接收数据包，转发过程同步骤④； 

⑥在数据扩散过程完成后，汇聚节点随机访问M个节点，记作(q₁，q₂，…q_M)，提取其各自的数据包； 

⑦根据各数据包三个域的存储，对全网各节点各时隙数据进行恢复。 

步骤⑦所有节点各个时隙数据恢复，具体如下： 

i.假设接收节点q的数据包为： 

r(q).a2＝[q，j，k]， 

其中，X(：，j)是指X的第j列，表示在时隙j上各节点的数据； 

ii利用接收节点q的数据包第一个域r(q).a₁的数据和第二个域r(q).a₂的数据，构建空域测量矩阵Φ，即Φ的第q行为

其中： 

其访问的M个节点确定了Φ的M行，同时由第三个域的数据得到测量值y，y＝(r(q₁).a₃ ^T，r(q₂).a₃ ^T，…，r(q_M).a₃ ^T)^T； 

iii.结合时域测量矩阵D，建立二维压缩感知数学模型 

$y=(\mathrm{\Φ}\⊗D)x,$

x为X矩阵按行优先顺序向量化结果。 

iv.用凸优化理论求解x即可对全网节点各时隙数据进行恢复。 

步骤②中所述的第一个域为随机系数

是以等概率出现的+1或-1。 

与现有的数据融合技术相比，本发明的创新点在于在时域上引入了压缩感知，传输数据为压缩后的矢量，实现了空时二维数据的联合压缩，提高了恢复的准确性，同时进一步去除数据冗余，减少收发数据量，提高网络的能量效率。 

本发明的有益效果在于以下几个方面： 

1)采样数据量与总数据量之间的比值显著减少； 

2)恢复信号与原始信号间的均方误差显著降低； 

3)减少了数据扩散过程中的收发数据量，提高了网络能效。 

附图说明：

图1为无线传感网的基本结构示意图； 

图2为所提出的的数据融合算法流程图； 

图3为各种数据融合方法在采用相同参数时，发送数据量的比较； 

图4为各种数据融合方法在采用相同参数时，接收数据量的比较。 

具体实旖方式：

本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。 

①生成高斯随机矩阵D，作为时域的测量矩阵，其维数为M_T×N_T，N_T＝10为所取的时隙总数，M_T＝5为时域采样点数。 

②设全网有N个节点，N＝1000，各节点形成自己的初始化数据包，如节点i为r(i)，由三个域构成，其一r(i).a₁为随机系数是以等概率出现的+1或-1；其二r(i).a₂中存储的是节点下标i；其三r(i).a₃为随机系数，测量矩阵和节 点获取矢量的乘积

其中，X是二维矩阵，其维数为N×N_T，表示全网节点在各时隙上获取的数据，X(i，：)，即X的第i行，表示节点i在各时隙的数据，X(:，j)，即X的第j列，表示在时隙j上各节点的数据。 

③随机选择S＝M个节点作为源节点，M为汇聚节点随机访问的节点数。 

④源节点j寻找其所有邻居节点，设节点q为所有邻居节点的其中之一，当邻居节点q第二个域与源节点j第二个域无交集，即满足判断条件r(q).a₂∩r(j).a₂=φ，则进行数据包广播，即该接收节点q进行如下操作： 

(1)将源节点j向接收节点q发送的接收数据包的第一个域和第二个域分别与接收节点q形成的初始数据包的第一个域和第二个域合并， 

r(q).a₁=[r(q).a₁,r(j).a₁]，r(q).a₂=[r(q).a₂,r(j).a₂]； 

(2)将接收数据包的第三个域与接收节点q形成的初始数据包的第三个域相加，r(q).a₃＝r(q).a₃+r(j).a₃； 

(3)对接收节点q的初始数据包的三个域进行更新； 

⑤接收节点q继续寻找其邻居节点，并以概率P_f＝0.24向其邻居节点转发其接收数据包，转发过程同步骤④； 

⑥在数据扩散过程完成后，汇聚节点随机访问M个节点，记作(q₁，q₂，…q_M)，提取其中的数据包，本实施例中访问160到200个节点，即M取值为160到200； 

⑦根据各数据包三个域的存储，对全网各节点各时隙数据进行恢复。 

3、根据第2步所述的分布式存储的无线传感网的数据融合方法，其特征在于，步骤⑦所有节点各个时隙数据恢复，具体如下： 

i.假设接收节点q的数据包为： 

r(q).a2＝[q，j，k]， 

其中，X(：，j)是指X的第j列，表示在时隙j上各节点的数据； 

ii利用接收节点q的数据包第一个域r(q).a₁的数据和第二个域r(q).a₂的数据，构建空域测量矩阵Φ，即Φ的第q行为

其中： 

其访问的M个节点确定了Φ的M行，同时由第三个域的数据得到测量值y，y＝(r(q₁).a₃ ^T，r(q₂).a₃ ^T，…，r(q_M).a₃ ^T)^T； 

iii.结合时域测量矩阵D，建立二维压缩感知数学模型 

$y=(\mathrm{\Φ}\⊗D)x,$

x为X矩阵按行优先顺序向量化结果。 

iv.用凸优化理论求解x即可对全网节点各时隙数据进行恢复。 

与现有的数据融合技术相比，本发明的创新点在于在时域上引入了压缩感知，传输数据为压缩后的矢量，实现了空时二维数据的联合压缩，提高了恢复的准确性，同时进一步去除数据冗余，减少收发数据量，提高网络的能量效率。 

结合图对本优选实施例做说明： 

图1是分布式无线传感网的结构示意图，曲线内表示网络覆盖区域，网络节点分为传感器节点和汇聚节点，传感器节点用于感知获取数据，汇聚节点用于采集传感器处理的结果，通信系统指互联网或卫星系统，将数据传输给远端用户。处理节点用于数据的恢复。 

图2是提出的ST-CNC方案的过程描述。 

图3和图4表示在相同的数据源和网络参数下，CNCDS，ICStorage和本发明提出的ST-CNC三种数据融合方案中发送和接收数据量的比较，其中，ICStorage方案，仅对CStorage做少许改进，即令中间节点不仅转发接收的数据包，也转发本身数据包，因为CStorage虽然可以成功恢复网络中节点感知的数据，但是其收发数据量过大，为了使比较更有意义，我们采用ICStorage方案。可以看出，发送数据量远小于接收数据量，因为在概率转发中，接收数据并不总 是被转发，同时，相比于ICStorage，CNCDS方案，本发明所提出的ST-CNC方案大幅减少了发送和接收数据量，其中，比CNCDS减少了50％。 

Claims (4)

1.一种分布式存储的无线传感网的数据融合方法，其特征在于，在空域和时域上联合应用压缩感知技术，各节点在向其邻居节点广播数据之前，对所获得的数据进行了压缩，节点间收发的数据为矢量形式，最终所有节点各个时隙的数据由二维压缩感知数学模型恢复。 

2.根据权利要求1所述的分布式存储的无线传感网的数据融合方法，其特征在于，该方法具体包括如下步骤： 

①生成随机矩阵D，作为时域测量矩阵，其维数为M_T×N_T，N_T为所取的时隙总数，M_T为时域采样点数； 

②设全网有N个节点i,i=1,2,...N，各节点i形成各自的初始化数据包，每个初始化数据包由三个域构成，第一个域为随机系数

第二个域为节点下标i；第三个域为随机系数、时域测量矩阵和节点获取矢量的乘积

其中，X是维数为N×N_T的二维矩阵，表示全网节点在各时隙上获取的数据，X(i,:)是指X的第i行，表示节点i在各时隙的数据； 

③随机选择S个节点作为源节点； 

④源节点j寻找其所有邻居节点，设节点q为所有邻居节点的其中之一，当邻居节点q第二个域与源节点j第二个域无交集，即满足判断条件r(q).a₂∩r(j).a₂=φ，则进行数据包广播，即该接收节点q进行如下操作： 

(1)将源节点j向接收节点q发送的接收数据包的第一个域和第二个域分别与接收节点q形成的初始数据包的第一个域和第二个域合并， 

r(q).a₁=[r(q).a₁,r(j).a₁]，r(q).a₂=[r(q).a₂,r(j).a₂]； 

(2)将接收数据包的第三个域与接收节点q形成的初始数据包的第三个域相加，r(q).a₃=r(q).a₃+r(j).a₃； 

(3)对接收节点q的初始数据包的三个域进行更新； 

⑤接收节点q继续寻找其邻居节点，并以概率P_f向其邻居节点转发其接收数据包，转发过程同步骤④； 

⑥在数据扩散过程完成后，汇聚节点随机访问M个节点，记作(q₁,q₂,…q_M)，提取其各自的数据包； 

⑦根据各数据包三个域的存储，对全网各节点各时隙数据进行恢复。 

3.根据权利要求2所述的分布式存储的无线传感网的数据融合方法，其特征在于，步骤⑦所有节点各个时隙数据恢复，具体如下： 

i.假设接收节点q的数据包为：

r(q).a2＝[q，j，k]， 

其中，X(：，j)是指X的第j列，表示在时隙j上各节点的数据； 

ii利用接收节点q的数据包第一个域r(q).a₁的数据和第二个域r(q).a₂的数据，构建空域测量矩阵Φ，即Φ的第q行为

其中： 

其访问的M个节点确定了Φ的M行，同时由第三个域的数据得到测量值y，y＝(r(q₁).a₃ ^T，r(q₂).a₃ ^T，…，r(q_M).a₃ ^T)^T； 

iii.结合时域测量矩阵D，建立二维压缩感知数学模型 

x为X矩阵按行优先顺序向量化结果。 

iv.用凸优化理论求解x即可对全网节点各时隙数据进行恢复。 

4.根据权利要求2所述的分布式存储的无线传感网的数据融合方法，其特征在于，步骤②中所述的第一个域为随机系数

是以等概率出现的+1或-1。 

Images