CN103974268B - 精细粒度可调的低延时传感器网络数据传输方法 - Google Patents
精细粒度可调的低延时传感器网络数据传输方法 Download PDFInfo
- Publication number
- CN103974268B CN103974268B CN201310032923.0A CN201310032923A CN103974268B CN 103974268 B CN103974268 B CN 103974268B CN 201310032923 A CN201310032923 A CN 201310032923A CN 103974268 B CN103974268 B CN 103974268B
- Authority
- CN
- China
- Prior art keywords
- node
- data
- transmission
- sensor network
- signal
- 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.)
- Expired - Fee Related
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明提供一种精细粒度可调的低延时传感器网络数据传输方法,该方法根据信号强度等量纲确定无线器网络的拓扑结构,定义网络中的叶节点为传感节点,而其它非叶节点为传输节点,传输节点与其相连的传感节点或传输节点组成子网络;传感节点负责感知环境物理或化学量,并将数据汇聚至传输节点;传输节点兼具传感节点的功能,对其它节点传输来的信号做解析、插值同步和变换压缩,最终交织合成为一个数据流。数据流随传感器网络带宽自适应调整,保证系统的正常运行。本方法所提出的方法具有计算量低、延时低的特点,可根据传感器网络的带宽限制和节点个数,灵活的调整数据精度,从而有效增加系统可容纳的最大节点数,降低感知信号在网络中传输的延时。
Description
技术领域
本发明涉及无线传感技术领域,具体地,涉及一种精细粒度可调的低延时传感器网络数据传输方法。
背景技术
近年来,基于无线传感器的传感器网络的应用日益广泛。随着传感器网络规模的扩大,所需传输的数据量也显著增加,而无线传感器的带宽有限,所以数据必须被压缩才能有效传输。由于功耗限制,传感器芯片的计算能力十分有限,所以必须采用低复杂度的算法实现数据的压缩和重组。此外,数据压缩必须具有一定的适应性,即具有一定的粒度,以自适应性的最大程度利用无线网络信道的能力。
中国发明专利CN101795501A公开了一种传感器网络物理信号协同压缩感知系统及感知方法,该专利设计了重构节点用于收集来自感知节点的随机映射值及统计量,完成随机映射至矩阵的归一化,并基于压缩感知重建算法实现物理信号重构;中国发明专利CN102006626A公开了一种基于哈夫曼编码和随机优化策略的传感网络数据压缩方法;中国发明专利CN101909330A(公开于2010年12月8)公开了一种基于近优分簇与局部虚拟坐标的传感器网络数据压缩方法,该专利通过调节字典大小来调控数据恢复精度;中国发明专利CN102164395A公开了基于压缩感知的无线传感器网络全局信息本地获取方法,该方法采用观测矩阵投影实现压缩和gossip传输协议实现高效传输;中国发明专利CN102202349A公开了一种基于自适应最优消零的无线传感器网络数据压缩方法,该方法引入无损的自适应最优消零算法,自适应地寻找最优位数因子对递增排列的感知数据序列进行消零运算和编码;中国发明专利CN101932012A基于最优阶估计与分布式分簇的传感器网络数据压缩方法;中国发明专利CN102394718A公开了一种传感网络数据压缩编码/解码方法,该方法将各采样数据与参考数据做差,得到相应的游程长度数据,再对各相对游程长度数据进行编码;中国发明专利CN101925091A公开了一种基于非阈值的无线传感器网络节点数据压缩方法,该方法对在一段时间内无线传感器网络节点所采集时间序列数据流有效地进行分段折线压缩;中国发明专利CN101848529A公开了一种无线传感器网络的多重主成分分析数据压缩方法,该方法采用多重主成分分析数据的压缩方法,在无线传感器网络的多层路由上迭代使用主成分风行进行数据压缩;中国发明专利CN102752798A公开了一种无线传感器网络数据无损压缩的方法,该方法对数据差值序列和原始数据初值进行自适应Rice编码,然后通过无线网络传输至汇聚终端;中国发明专利CN101350827A(公开于2009年1月21)公开了一种用于无线传感器网络的小波渐进数据压缩方法。
上述技术针对无线传感器网络中的数据压缩进行研究,主要采用非投影矩阵设计、字典设计、数据统计和小波变换等方法对传感器数据进行压缩。这些方法的计算量较大,且需要通过一定时间段的数据进行学习及分析才能实现,当无线传感器的计算能力较弱或对系统采集数据的延时有较高要求时,上述专利内容的应用将受到极大限制。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种精细粒度可调的低延时传感器网络数据传输方法,本发明的计算复杂度低,数据传输延迟低,适用于节点计算能力低,系统实时性要求高的场合。
根据本发明的一个方面,提供一种精细粒度可调的低延时传感器网络数据传输方法,包括以下步骤:
步骤一:无线传感器网络中的所有节点进行互联通信,根据信号强度等量纲确定无线器网络的拓扑结构,定义网络中的叶节点为传感节点,而其它非叶节点为传输节点,传输节点与其相连的传感节点或传输节点组成子网络;
步骤二:传输节点与其相关联的叶节点通信,确定通信子网各节点传感器的采样频率,最终确定通信子网中的最高采样率,然后该传输节点将改变属性,对上传传输节点表现为叶节点;
步骤三:传输节点按照子网中的最大采样率对各路采样信号进行插值,实现重采样;
步骤四:传输节点对多路输入信号进行重排、预测压缩和重组,组成采样数据块,并与上行传输节点通信,确定整个系统所能承受的最大采样延时,根据采样延时决定采样数据块数据以列向量或块的形式传输;
步骤五:系统级测试传输速率及采样误差是否满足系统运行要求,若满足,系统正常运行,否则,返回步骤四。
优选地,步骤三中采用线性插值计算在时域或频域实现重采样。
优选地,步骤四具体为:
首先,采用预测编码对采样数据流进行压缩处理,将采样数据流切分成大小相等的数据单元,若干个数据单元构成一个时隙,在一个时隙内的第一个数据单元被作为基准信号单元,时隙内的后继数据单元均与基准信号单元相对比,将它们的差值信号作为预测残差信号,并对预测残差信号进行改变换DCT变换量化;
其次,上述步骤生成传感器网络的基本数据流,将采样数据流与基本数据流进行差值运算,对基准信号差值改变换DCT变换;
之后,传输节点对基准信号及预测残差信号采用粗量化,产生基本层,即粗粒度数据;对基准信号差值采用细量化,产生增强层,即细粒度数据;
最后,根据信道实际带宽,适应性裁剪传输流,保证基本层传输,舍弃部分增强层,保证系统的正常运行。
优选地,改变换DCT变换为逻辑左移位DCT系数变换,采用补零左移位DCT系数操作代替量化以降低传输节点运算复杂度。
优选地,基准信号的变换为补零左移4位;预测残差信号的变换为补零左移2位;基准信号差值的变换为补零左移2位,预测残差差值的变换为补零左移1位。
优选地,步骤四和步骤五之间还包括:
上传传输节点在接受到传输节点传输的数据后,采用数据左移和反DCT变换恢复出基本层和增强层,并将其叠加恢复出子网中所有节点的采样值,并与自身其他传感节点数据做类似于该传输节点的处理,再将新的合成数据流传送至更高层的上传传输节点。
优选地,无线传感器网络中的各节点均采用STM32W108射频芯片,且片内固化WSN网络议栈。
优选地,无线传感器网络的拓扑结构采用树状拓扑结构。
与现有技术相比,本发明具有如下的有益效果:本发明的方法根据信号强度等量纲确定无线器网络的拓扑结构,定义网络中的叶节点为传感节点,而其它非叶节点为传输节点,传输节点与其相连的传感节点或传输节点组成子网络;传感节点负责感知环境物理或化学量,并将数据汇聚至传输节点;传输节点兼具传感节点的功能,对其它节点传输来的信号做解析、插值同步和变换压缩,最终交织合成为一个数据流。数据流随传感器网络带宽自适应调整,保证系统的正常运行。本发明所提出的方法具有计算量低、延时低的特点,可根据传感器网络的带宽限制和节点个数,灵活的调整数据精度,从而有效增加系统可容纳的最大节点数,降低感知信号在网络中传输的延时,特别适用于节点计算能力低,系统实时性要求高的场合。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明精细粒度可调的低延时传感器网络数据传输方法的流程原理图;
图2为本发明精细粒度可调的低延时传感器网络数据传输方法应用的网络拓扑结构图;
图3为本发明实施例的重采样图像排列示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
请参阅图1,一种精细粒度可调的低延时传感器网络数据传输方法,包括以下步骤:
步骤一:无线传感器网络中的所有节点进行互联通信,根据信号强度等量纲确定无线器网络的拓扑结构,定义网络中的叶节点为传感节点,而其它非叶节点为传输节点,传输节点与其相连的传感节点或传输节点组成子网络。
步骤二:传输节点与其相关联的叶节点通信,确定通信子网各节点传感器的采样频率,最终确定通信子网中的最高采样率,然后该传输节点将改变属性,对上传传输节点表现为叶节点。
步骤三:传输节点按照子网中的最大采样率对各路采样信号进行插值,实现重采样。
该步骤具体采用线性插值计算在时域或频域实现重采样。
步骤四:传输节点对多路输入信号进行重排、预测压缩和重组,组成采样数据块,并与上行传输节点通信,确定整个系统所能承受的最大采样延时,根据采样延时决定采样数据块数据以列向量或块的形式传输。具体为:
首先,采用预测编码对采样数据流进行压缩处理,将采样数据流切分成大小相等的数据单元,若干个数据单元构成一个时隙,在一个时隙内的第一个数据单元被作为基准信号单元,时隙内的后继数据单元均与基准信号单元相对比,将它们的差值信号作为预测残差信号,并对预测残差信号进行改变换DCT变换量化;
其次,上述步骤生成传感器网络的基本数据流,将采样数据流与基本数据流进行差值运算,对基准信号差值改变换DCT变换;
之后,传输节点对基准信号及预测残差信号采用粗量化,产生基本层,即粗粒度数据;对基准信号差值采用细量化,产生增强层,即细粒度数据;
最后,根据信道实际带宽,适应性裁剪传输流,保证基本层传输,舍弃部分增强层,保证系统的正常运行。
上传传输节点在接受到传输节点传输的数据后,采用数据左移和反DCT变换恢复出基本层和增强层,并将其叠加恢复出子网中所有节点的采样值,并与自身其他传感节点数据做类似于该传输节点的处理,再将新的合成数据流传送至更高层的上传传输节点。
步骤五:系统级测试传输速率及采样误差是否满足系统运行要求,若满足,系统正常运行,否则,返回步骤四。
以上所述的改变换DCT变换为逻辑左移位DCT系数变换,采用补零左移位DCT系数操作代替量化以降低传输节点运算复杂度。具体地,基准信号的变换为补零左移4位;预测残差信号的变换为补零左移2位;所述基准信号差值的变换为补零左移2位,预测残差差值的变换为补零左移1位。
以下同时结合图2、图3,对本发明的精细粒度可调的低延时传感器网络数据传输方法进行详细说明。
本发明采用STM32W108射频芯片作为核心器件,该芯片即可以作为传感节点又可以作为传输节点。每个节点在片内固化了WSN网络议栈,内嵌协议栈有三种分别是ZigBeePRO,ZigBee RF4CE,和Simplified MAC,在应用开发过程中,安装的第三方工具有IAREWARM集成开发环境、仿真器。
组建完整的Zigbee网络有两个步骤:第一步协调器初始化一个网络;第二步是路由器或终端逐步加入网络。节点加入网络又有两种方法,一种是子设备通过使用MAC层的连接进程加入网络,另一种是子设备通过与一个先前指定的父设备直接加入网络。在本发明中,采用前者动态组建网络。Zigbee网络层支持星状、树状和网络拓扑结构,在本实施例中,采用树状拓扑建构,拓扑结构图如图2所示。
所有的节点被分为三类:根节点(co-ordinator),传输节点(Router)和终端节点(end device)。为方便描述,假设所建立的无线传感网络拓扑结构如图2所示。End device1和end device 2为传感的叶节点,router1既是传感节点又是传输节点,router2是router1的上传传输节点。
组网完成后,Router1向其子节点End device1和end device 2查询它们所配置的采样率sample-rate1和sample-rate2。假设Router1的自身采样率为sample-rate3。由Enddevice1、end device 2和Router1所组成的子网的采样率sample-rate=maximum(sample-rate1,sample-rate2,sample-rate3)。假设End device1的采样率最高,则在Router1内对该子网以End device1的采样时刻和采样频率为基准,对End device2和Router1的采样信号进行重采样,使得三路信号采样率均为sample-rate1。重采样方法可以在时域或频域实现,本实例中采用线性插值计算。
重采样后的数据格式如图3所示。n个通道的数据channel1…channeln被馈入传输节点。这些信道中的采样数据按照时刻t0到tn对齐。某一个时刻的所有通道采样数据被串接为一个列向量vector,数个vector可以做成一个传输数据块。传输节点router1向router2传输数据的最小单元为一个一维的vector。与传输一维vector相比,以2维块形式传输数据的压缩效率及传输效率更高。传感器网络建立时,系统将采样延时要求广播给所有的传输节点及叶节点。传输节点在做数据传输时,根据信号延时要求,减去多跳时延,求取传输节点所允许的采样信号发送时延。假设采样间隔为1ms,传输节点毗邻根节点,且有10个叶节点,系统允许的采样延时为1秒忽略传输时间及系统传输接受解码时间,则最大传输数据块有100个vector组成。
为进一步降低数据量,本实例采用变换加量化的方式对数据进行压缩。鉴于整数DCT(离散余弦)变换的计算量低,变换效率,我们采用改变换DCT对向量数据或块数据进行变换,对DCT系数做逻辑左移操作,变换后的信号能量主要集中在少数几个DCT系数上。在使用中,采用有损压缩,如标量量化,进一步降低数据量。
在本实例中,除变换压缩策略外,还引入预测编码提高压缩效率。采用预测编码时,图3所示的采样数据流被切分成大小相等的数据单元,数据单元可以是vector或block。若干个数据单元构成一个时隙。在一个时隙内的第一个数据单元被作为基准信号单元,时隙内的后继数据单元均与基准信号单元相对比,它们的差值信号,即残差信号,被DCT变换及量化。
基准信号及预测残差信号的幅度不同,所以DCT变换后的能量级别也不同,所以需要采用不同的量化系数进行量化。在本例中,采用补零左移位操作代替量化以降低传输节点运算复杂度。对于基准信号,移位位数为4位;对于预测残差信号的移位位数为2位。
上述步骤生成传感器网络的基本数据流,该数据流的码率低,采样信号精确度低,粒度粗。由于传感器采样数据具多样性,所以产生的基本数据流的带宽可能小于传输节点的上传能力或其上传传输节点的接受能力。在本案例中,采用更精细粒度的数据,即增强层补偿粗粒度数据的误差。精细粒度层的处理对象是采样数据流与基本数据流的差值,所采用的变换及量化策略与基本层大致相同,即对差值信号进行整数DCT变换,再通过移位实现数据压缩。与基本层不同的是对于基准信号差值的变换,采用补零左移2位,而对预测残差差值变换,采用补零左移1位。
移位后,多数基准信号及预测残差信号的DCT系数将被置零。非零DCT系数主要集中在低频段。采用游程编码,从低频向高频扫描。基本层包括基准信号基本层和预测信号基本层被优先传输,在本实施方案下,基本层能可靠完全传输。随后传输增强层数据,增强层数据采用低频至高频扫描,逐块传输方式。当传输节点带宽在时间间隙内不能完全传输完增强层时,舍弃部分增强层数据,而保证下一个时间间隙内的基本层数据传输。
无线传输网络建立后,时隙长度固定不变。在本实例中,时隙长度为1min。时隙的交替可以增强系统的抗干扰能力,避免传输中产生的误码的影响。
作为Router1上传传输节点的Router2,在接受到Router1传输的数据后,采用数据左移和反DCT变换恢复出基本层和增强层,并将其叠加恢复出Router1子网中所有节点的采样值,并与自身其他感知节点数据做类似于Router1节点的处理,再将新的合成数据流传送至更高层的上传传输节点。
最后,系统级测试传输速率及采样误差是否满足系统运行要求,若满足,系统正常运行,否则,调整量化策略、参数。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (7)
1.一种精细粒度可调的低延时传感器网络数据传输方法,其特征在于,包括以下步骤:
步骤一:无线传感器网络中的所有节点进行互联通信,根据包含信号强度在内的量纲确定无线器网络的拓扑结构,定义网络中的叶节点为传感节点,而其它非叶节点为传输节点,传输节点兼具传感节点的功能,传输节点与其相连的传感节点或传输节点组成通信子网;
步骤二:传输节点与其相关联的叶节点通信,确定通信子网中各节点的传感器的采样频率,最终确定通信子网中的最高采样率,然后该传输节点将改变属性,对上传传输节点表现为叶节点;
步骤三:传输节点按照通信子网中的最高采样率对各路采样信号进行插值得到多路输入信号,实现重采样;
步骤四:传输节点对多路输入信号进行重排、预测压缩和重组,组成采样数据块,并与上行传输节点通信,确定整个系统所能承受的最大采样延时,根据采样延时决定采样数据块数据以列向量或块的形式传输;
步骤五:判断系统级测试传输速率及采样误差是否满足系统运行要求,若满足,系统正常运行,否则,返回步骤四;
步骤四具体为:
首先,采用预测编码对多路输入信号进行压缩处理,将多路输入信号切分成大小相等的数据单元,若干个数据单元构成一个时隙,在一个时隙内的第一个数据单元被作为基准信号单元,时隙内的后继数据单元均与基准信号单元相对比,将它们的差值信号作为预测残差信号,并对预测残差信号进行改变换DCT变换量化;
其次,上述步骤生成传感器网络的基本数据流,将多路输入信号与基本数据流进行差值运算得到基准信号差值和预测残差差值,对基准信号差值改变换DCT变换;
之后,传输节点对基准信号及预测残差信号采用粗量化,产生基本层,即粗粒度数据;对基准信号差值和预测残差差值采用细量化,产生增强层,即细粒度数据;
最后,根据信道实际带宽,适应性裁剪传输流,保证基本层传输,舍弃部分增强层,保证系统的正常运行。
2.根据权利要求1所述的精细粒度可调的低延时传感器网络数据传输方法,其特征在于,步骤三中采用线性插值计算在时域或频域实现重采样。
3.根据权利要求1所述的精细粒度可调的低延时传感器网络数据传输方法,其特征在于,所述改变换DCT变换为逻辑左移位DCT系数变换。
4.根据权利要求3所述的精细粒度可调的低延时传感器网络数据传输方法,其特征在于,所述基准信号的变换为补零左移4位;所述预测残差信号的变换为补零左移2位;所述基准信号差值的变换为补零左移2位,所述预测残差差值的变换为补零左移1位。
5.根据权利要求4所述的精细粒度可调的低延时传感器网络数据传输方法,其特征在于,步骤四和步骤五之间还包括:
上传传输节点在接收到传输节点传输的数据后,采用数据左移和反DCT变换恢复出基本层和增强层,并将其叠加恢复出通信子网中所有节点的采样值,并与自身其他传感节点数据做类似于该传输节点的处理,再将新的合成数据流传送至更高层的上传传输节点。
6.根据权利要求1所述的精细粒度可调的低延时传感器网络数据传输方法,其特征在于,所述无线传感器网络中的各节点均采用STM32W108射频芯片,且片内固化WSN网络议栈。
7.根据权利要求1所述的精细粒度可调的低延时传感器网络数据传输方法,其特征在于,所述无线传感器网络的拓扑结构采用树状拓扑结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310032923.0A CN103974268B (zh) | 2013-01-29 | 2013-01-29 | 精细粒度可调的低延时传感器网络数据传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310032923.0A CN103974268B (zh) | 2013-01-29 | 2013-01-29 | 精细粒度可调的低延时传感器网络数据传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103974268A CN103974268A (zh) | 2014-08-06 |
CN103974268B true CN103974268B (zh) | 2017-09-29 |
Family
ID=51243205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310032923.0A Expired - Fee Related CN103974268B (zh) | 2013-01-29 | 2013-01-29 | 精细粒度可调的低延时传感器网络数据传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103974268B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105025498B (zh) * | 2015-06-08 | 2018-08-21 | 南京邮电大学 | 基于网络编码与压缩感知的传感网络分簇式空时压缩方法 |
CN105007599B (zh) * | 2015-07-01 | 2018-07-17 | 湘潭大学 | 一种基于连通度分簇的数据压缩收集方法 |
CN105630733B (zh) * | 2015-12-24 | 2017-05-03 | 中国科学院计算技术研究所 | 分形树中向量数据回传处理单元的装置、方法、控制装置及智能芯片 |
CN105680988B (zh) * | 2015-12-31 | 2018-10-02 | 中山大学 | 一种延迟可调的编码方法 |
CN108347709B (zh) * | 2017-01-21 | 2020-07-24 | 中山大学 | 一种超低功耗溯源系统的自适应数据传输方法及系统 |
WO2021237870A1 (zh) * | 2020-05-27 | 2021-12-02 | 深圳市大疆创新科技有限公司 | 数据编码方法、数据解码方法、数据处理方法、编码器、解码器、系统、可移动平台与计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101044762A (zh) * | 2004-10-15 | 2007-09-26 | 弗劳恩霍夫应用研究促进协会 | 用中间层残留值预测产生并解码视频序列的设备和方法 |
CN101350827A (zh) * | 2008-07-02 | 2009-01-21 | 湖南大学 | 用于无线传感器网络的小波渐进数据压缩方法 |
CN101437239A (zh) * | 2008-12-11 | 2009-05-20 | 吉林大学 | 基于线性预测滤波的实时传感器信号网络传输方法 |
CN101511099A (zh) * | 2009-04-01 | 2009-08-19 | 南京邮电大学 | 基于时间序列预测模型的无线传感器网络数据采集方法 |
CN101621514A (zh) * | 2009-07-24 | 2010-01-06 | 北京航空航天大学 | 网络数据的压缩方法、网络系统和融合中心设备 |
CN101883109A (zh) * | 2010-06-29 | 2010-11-10 | 上海大学 | 有损网络中大规模三维数据实时传输方法 |
CN101909330A (zh) * | 2010-07-27 | 2010-12-08 | 杭州电子科技大学 | 基于近优分簇与局部虚拟坐标的传感器网络数据压缩方法 |
CN102165699A (zh) * | 2008-09-26 | 2011-08-24 | 高通股份有限公司 | 使用变换域对数压缩扩展来进行信号处理的方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6915239B2 (en) * | 2001-01-19 | 2005-07-05 | International Business Machines Corporation | Method and apparatus for opportunistic decision support from intermittent interconnected sensors and data archives |
CN100477788C (zh) * | 2003-09-16 | 2009-04-08 | 富士通微电子株式会社 | 图像处理显示装置和图像处理显示方法 |
-
2013
- 2013-01-29 CN CN201310032923.0A patent/CN103974268B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101044762A (zh) * | 2004-10-15 | 2007-09-26 | 弗劳恩霍夫应用研究促进协会 | 用中间层残留值预测产生并解码视频序列的设备和方法 |
CN101350827A (zh) * | 2008-07-02 | 2009-01-21 | 湖南大学 | 用于无线传感器网络的小波渐进数据压缩方法 |
CN102165699A (zh) * | 2008-09-26 | 2011-08-24 | 高通股份有限公司 | 使用变换域对数压缩扩展来进行信号处理的方法和装置 |
CN101437239A (zh) * | 2008-12-11 | 2009-05-20 | 吉林大学 | 基于线性预测滤波的实时传感器信号网络传输方法 |
CN101511099A (zh) * | 2009-04-01 | 2009-08-19 | 南京邮电大学 | 基于时间序列预测模型的无线传感器网络数据采集方法 |
CN101621514A (zh) * | 2009-07-24 | 2010-01-06 | 北京航空航天大学 | 网络数据的压缩方法、网络系统和融合中心设备 |
CN101883109A (zh) * | 2010-06-29 | 2010-11-10 | 上海大学 | 有损网络中大规模三维数据实时传输方法 |
CN101909330A (zh) * | 2010-07-27 | 2010-12-08 | 杭州电子科技大学 | 基于近优分簇与局部虚拟坐标的传感器网络数据压缩方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103974268A (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103974268B (zh) | 精细粒度可调的低延时传感器网络数据传输方法 | |
Shen et al. | Transform-based distributed data gathering | |
Kaddachi et al. | Low power hardware-based image compression solution for wireless camera sensor networks | |
CN101706763B (zh) | 一种串行和解串行的方法及装置 | |
CN101742313A (zh) | 基于压缩感知技术的分布式信源编码的方法 | |
CN105025498A (zh) | 基于网络编码与压缩感知的传感网络分簇式空时压缩方法 | |
Nasri et al. | Energy-efficient wavelet image compression in wireless sensor network | |
CN103327326A (zh) | 基于压缩感知和信道自适应的sar图像传输方法 | |
Lu et al. | Compressed robust transmission for remote sensing services in space information networks | |
CN107277064A (zh) | 一种基于流媒体技术的实时地震数据传输系统及传输方法 | |
Zeinali et al. | Impact of compression and aggregation in wireless networks on smart meter data | |
CN102572427A (zh) | 基于压缩感知的多描述图像编码和解码方法 | |
Pham et al. | Performances of multi-hops image transmissions on IEEE 802.15. 4 Wireless Sensor Networks for surveillance applications | |
CN107437976B (zh) | 一种数据处理方法及设备 | |
Ebrahim et al. | A comprehensive review of distributed coding algorithms for visual sensor network (VSN) | |
CN108062041A (zh) | 一种针对电力无线业务的RaptorQ编码参量动态调整方法及装置 | |
Akter et al. | Hardware implementations of an image compressor for mobile communications | |
CN102769744B (zh) | 一种卫星图像的编码方法 | |
WO2022001822A1 (zh) | 获取神经网络的方法和装置 | |
CN102629893B (zh) | 多描述分层编码的信息发送方法及装置 | |
CN101917608B (zh) | 视频轨迹的可伸缩传输方法 | |
Scaglione | Routing and data compression in sensor networks: Stochastic models for sensor data that guarantee scalability | |
Ying | An energy-efficient compression algorithm for spatial data in wireless sensor networks | |
CN207022038U (zh) | 一种基于流媒体技术的实时地震数据传输系统 | |
Sofi et al. | Data compression in wireless visual sensor networks using wavelets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170929 Termination date: 20190129 |