CN104302017B - 一种传感器网络中针对小波数据压缩的预处理方法 - Google Patents
一种传感器网络中针对小波数据压缩的预处理方法 Download PDFInfo
- Publication number
- CN104302017B CN104302017B CN201410487474.3A CN201410487474A CN104302017B CN 104302017 B CN104302017 B CN 104302017B CN 201410487474 A CN201410487474 A CN 201410487474A CN 104302017 B CN104302017 B CN 104302017B
- Authority
- CN
- China
- Prior art keywords
- mrow
- data
- node
- msub
- leader cluster
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/565—Conversion or adaptation of application format or content
- H04L67/5651—Reducing the amount or size of exchanged application data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
一种传感器网络中针对小波数据压缩的预处理方法，包括簇成员节点行为和簇头节点行为；该簇成员节点行为主要包括：簇成员节点将K个感知数据的样本均值与样本标准差作为自己所处环境的近似数据特征；利用样本均值变化的程度来衡量环境的变化程度；将相应地样本均值告知簇头节点；而该簇头节点行为主要包括：利用簇成员节点的样本均值信息，簇头节点建立并维护一个簇成员节点的顺序索引；簇头节点获得所有簇成员节点的数据后根据顺序索引生成一个数据向量；在该数据上进行离散小波变换，并将所获得的近似系数与部分细节系数发送到基站；利用小波逆变换，基站由近似系数、部分细节系数和相应的簇成员节点顺序索引完成对簇内各个节点感知数据的重构。
Description
技术领域
本发明涉及计算机网络技术领域里的无线传感器网络领域中的数据处理领域，特别是涉及一种传感器网络中针对小波数据压缩的预处理方法。
背景技术
为了获得对环境的充分监测，通常传感器网络节点分布比较密集，网内产生大量冗余度较大的原始感知数据。大量冗余数据的传输会大大降低传感器网络的监测性能。因此，必须对原始数据进行网内数据处理，降低数据之间的冗余性，减少网内的数据传输量，以延长传感器网络工作时间。
相对于傅里叶分析，小波是一种新的时频分析工具，可同时表征信号的时域和频域行为，且具有多分辨分析特性。利用小波对信号进行不同尺度的处理时，信号的统计特性仍能得到保持。目前，离散小波变换(Discrete Wavelet Transform，简称DWT)在数字图像处理、编码理论、传感器网络等领域中都得到了广泛的应用。原始数据编码后往往数据量仍较大，DWT能将离散的原始数据信息变换为一系列的小波系数(近似系数与细节系数)，这些系数可以通过合适的编码被高效地压缩。如果去除部分细节系数，DWT仍能利用余下的系数重构出满足误差限的近似数据。
簇是传感器网络进行网内数据处理的常用架构。通常，簇内成员节点将各自的数据传输给簇头节点，簇头节点利用DWT对簇内数据(可视为一个离散信号)进行小波处理，并将近似系数与部分细节系数传输给基站Sink。基站Sink利用所获得的系数进行信号重构，获得相应的近似数据。由小波的特性可知，处理的离散信号越平滑，其小波变换后的能量分布越集中，越有利于系数的压缩。因此，簇头节点所要处理的簇内数据越平滑，其小波压缩效果将越好。
所以，急需一种简单有效的数据预处理方法，以获得较平滑的待处理数据，优化传感器网络中小波数据压缩的性能。
发明内容
本发明的目的在于提出一种传感器网络中针对小波数据压缩的预处理方法，进一步改善基于小波的网内数据压缩效率和重构精度，且该方法可与传感器网络中任何基于簇的小波数据处理的算法结合使用，能有效提高原有算法的性能。
本发明的目的是采用以下技术方案来实现的。本发明提供一种传感器网络中针对小波数据压缩的预处理方法，包括簇成员节点行为和簇头节点行为；该簇成员节点行为主要包括：簇成员节点将K个感知数据的样本均值与样本标准差作为自己所处环境的近似数据特征；利用样本均值变化的程度来衡量环境的变化程度；将相应地样本均值告知簇头节点；而该簇头节点行为主要包括：利用簇成员节点的样本均值信息，簇头节点建立并维护一个簇成员节点的顺序索引；簇头节点获得所有簇成员节点的数据后根据顺序索引生成一个数据向量；在该数据上进行离散小波变换，并将所获得的近似系数与部分细节系数发送到基站Sink；利用小波逆变换，基站Sink由所得系数和相应的簇成员节点顺序索引完成对簇内各个节点感知数据的重构。
本发明的目的还可采用以下技术措施进一步实现。
前述的传感器网络中针对小波数据压缩的预处理方法，其中该簇成员节点行为包括以下步骤：
步骤11：簇成员节点vi获得第一个采样数据si(1)，并将其发送至簇头节点；
步骤12：初始时，设置为簇成员节点的第一个采样数据，设置为初始标准差σinitial，即
步骤13：N_S为采样时刻，初始值为1，N_S＝N_S+1；
步骤14：簇成员节点vi采集第N_S时刻的数据si(N_S)，并将其发送至簇头节点；
步骤15：如果N_S为K的倍数，则按照公式(1)计算新的样本均值按照公式(2)计算样本均值变化程度MV；如果MV不小于1，则利用更新按照公式(3)更新样本标准差并将值通知簇头节点；
步骤16：跳转至步骤13。
前述的传感器网络中针对小波数据压缩的预处理方法，其中每个簇成员节点可使用不同的K值，同时也可根据实际监测情况变化K值。
前述的传感器网络中针对小波数据压缩的预处理方法，其中当环境数据变化频繁时，适当减小K值；而当环境数据变化缓慢时，适当增加K值。
前述的传感器网络中针对小波数据压缩的预处理方法，其中该簇头节点行为包括以下步骤：
步骤21：在时刻1，簇头节点CHi收集其簇成员节点Mem＝{CMj|j＝1,2,…,m}的感知数据，得到数据序列并用Si(1)来初始化即
步骤22：将Si(1)降序排列，获得相应的数据序列S_si(1)和节点顺序索引Pi，如式(4)所示，并将Pi发送至基站Sink；
步骤23：对数据序列S_si(1)执行离散小波变换，得到近似小波系数cAi(1)和细节小波系数cDi(1)；
步骤24：将cAi(1)和cDi(1)进行零化、编码操作后得压缩数据Data_Ci，并将Data_Ci发送到基站Sink；
步骤25：N_S为采样时刻，初始值为1，N_S＝N_S+1；
步骤26：簇头节点CHi收集其簇成员节点Mem＝{CMj|j＝1,2,…,m}在N_S时刻的感知数据，得到在N_S时刻簇内数据序列
步骤27：如果接收到了来自于簇成员节点CMj(j＝1,2,…,m)的或者簇头节点CHi自己的样本均值发生了更新，则簇头节点CHi更新样本均值列表并将降序排序，获得新的节点顺序索引Qi，如式(5)所示，之后根据公式(6)计算簇成员节点顺序的变化程度OV(Order Varying)；如果OVi≥Threshold_P，则簇头节点CHi更新Pi，即Pi＝Qi，并将Pi发送给基站Sink；
步骤28：根据Pi将簇内数据序列Si(N_S)排序，得到排序后的数据序列
步骤29：按照步骤23、24对数据序列S_si(N_S)进行操作；
步骤30：跳转至步骤25。
借由上述技术方案，本发明的一种传感器网络中针对小波数据压缩的预处理方法至少具有下列优点及有益效果：
(1)在固定数据压缩率下，借由本发明，能够提高传感器网络内数据的重构精度；
(2)在固定数据重构精度下，借由本发明，能够有效提高数据的压缩性能，大大减少传感器网络内数据传输量，节省网络耗能，延长网络正常工作时间。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
图1：为本发明的簇成员节点行为的流程图。
图2：为本发明的簇头节点行为的流程图。
图3：为数据压缩率的比较图。
图4：为数据重构精度的比较图。
图5：为数据压缩率变化时的网络节点平均耗能图。
图6：为MSE变化时的网络节点平均耗能图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种传感器网络中针对小波数据压缩的预处理方法的具体实施方式、结构、特征及其功效，详细说明如后。
本发明的一种传感器网络中针对小波数据压缩的预处理方法，核心主要有两点：一点是根据簇成员节点的顺序索引，调整待处理数据的顺序，以改善待处理数据的平滑性；另一点是确定簇成员节点的样本均值和簇成员节点顺序索引的更新时机，在获得较好数据平滑性的同时，尽量减少额外的耗能。
其中，本发明包括两部分：簇成员节点行为1和簇头节点行为2。该簇成员节点行为1主要包括：簇成员节点将K个感知数据的样本均值与样本标准差作为自己所处环境的近似数据特征；利用样本均值变化的程度来衡量环境的变化程度；将相应地样本均值告知簇头节点。而该簇头节点行为2主要包括：利用簇成员节点的样本均值信息，簇头节点建立并维护一个簇成员节点的顺序索引；簇头节点获得所有簇成员节点的数据后根据顺序索引生成一个数据向量；在该数据上进行离散小波变换，并将所获得的近似系数与部分细节系数发送到基站Sink；利用小波逆变换，基站Sink由所得系数和相应的簇成员节点顺序索引完成对簇内各个节点感知数据的重构。
下面介绍本发明使用的符号：
CR(Compression Rate)：假设一个原始数据和一个小波系数分别需要Data1和Data2个字节来编码表示，则压缩率其中，n_O、n_C分别为原始数据和小波系数的个数。
MSE(Mean Squared Error)：设原始信号为s＝(s1,s2,…,sn)，对其进行小波压缩后再进行重构，相应的重构信号为r＝(r1,r2,…,rn)，则重构信号关于原始信号的均方误差为
Es：设信号为s＝(s1,s2,…,sn)，则它的能量为
Pi/Qi：节点的顺序索引。
Threshold_P：节点顺序变化阈值，为[0,1]中的一个值。
K：用于计算样本均值的样本个数。
具体的参阅图1和图2所示，图1为本发明的簇成员节点行为的流程图，图2为本发明的簇头节点行为的流程图。
详细的，该簇成员节点，不妨记为vi，行为1包括以下步骤：
簇成员节点vi维持两个参数，即样本均值和样本标准差对于某个簇成员节点vi，其工作流程如图1所示，初始时，设置为节点第一个采样数据，设置为初始标准差σinitial(可由经验获得)，之后每收集到K个数据，vi就计算新的样本均值并根据公式(2)计算它的样本均值变化程度MV(Mean Varying)，以此近似地度量环境变化的大小；具体如下：
步骤11：簇成员节点vi获得第一个采样数据si(1)，并将其发送至簇头节点；
步骤12：初始时，设置为簇成员节点的第一个采样数据，设置为初始标准差σinitial(可由经验获得)，即
步骤13：N_S为采样时刻，初始值为1，N_S＝N_S+1；
步骤14：簇成员节点vi采集第N_S时刻的数据si(N_S)，并将其发送至簇头节点；
步骤15：如果N_S为K的倍数，则按照公式(1)计算新的样本均值按照公式(2)计算样本均值变化程度MV(Mean Varying)，以此近似地度量vi周围环境变化的大小；如果MV不小于1，则利用更新按照公式(3)更新样本标准差并将值通知簇头节点；
步骤16：跳转至步骤13。
其中，每个簇成员节点可使用不同的K值，同时也可根据实际监测情况变化K值，例如：当环境数据变化频繁时，可适当减小K值，使簇头节点能够更好地平滑簇内数据，更有利于簇内数据的小波处理，但会增加节点的额外通知开销；当环境数据变化缓慢时，可适当地增加K值，在获得较好地平滑簇内数据的同时，减少簇成员节点的样本均值更新和簇头节点的节点顺序索引更新的开销。
而该簇头节点行为2包括以下步骤：
对于任意一个簇，不妨假设其簇头节点为CHi且有m个簇成员节点Mem＝{CMj|j＝1,2,…,m}。为了能够生成较平滑的离散信号，CHi维持两个域：样本均值列表和节点顺序索引Pi＝{Pi(j)∈Mem∪{CHi}|j＝1,2,…,m+1}。
对于某个簇头节点CHi，其工作流程如图2所示，初始时簇头节点对簇内所有节点的感知数据进行降序排列，同时初始化并将相应的节点顺序索引记录在Pi中。当接收到成员节点的样本均值更新消息时，簇头节点CHi更新并对进行降序排列，获得新的节点顺序索引Qi。为了确定是否需要更新簇内数据的处理顺序，簇头节点CHi比较Pi和Qi，根据公式(6)计算节点顺序的变化程度OV(Order Varying)。如果OVi≥Threshold_P，则表明在簇内节点的新的近似数据特性下，有必要使用新的节点顺序来平滑待处理的簇内数据，因此，簇头节点CHi更新Pi，同时告知基站Sink新的数据处理顺序；否则，簇头节点CHi认为新的节点顺序并不会改善待处理簇内数据的平滑性或改善不多，若启用新的数据处理顺序，则数据压缩性能并不能得到改进或改进不显著，而且还会增加节点顺序索引的更新耗能。收集完簇成员节点的数据之后，簇头节点CHi按照节点顺序索引Pi对数据进行排序，之后再进行小波数据压缩处理。具体如下：
步骤21：在时刻1，簇头节点CHi收集它的簇成员节点的感知数据，得到数据序列并用Si(1)来初始化即
步骤22：将Si(1)降序排列，获得相应的数据序列S_si(1)和节点顺序索引Pi，如式(4)所示，并将Pi发送至(通知)基站Sink；
步骤23：对数据序列S_si(1)执行离散小波变换，得到近似小波系数cAi(1)和细节小波系数cDi(1)；
步骤24：将cAi(1)和cDi(1)进行零化、编码操作后得压缩数据Data_Ci，并将Data_Ci发送到(通知)基站Sink；
步骤25：N_S为采样时刻，初始值为1，N_S＝N_S+1；
步骤26：簇头节点CHi收集它的簇成员节点Mem＝{CMj|j＝1,2,…,m}在N_S时刻的感知数据，得到在N_S时刻簇内数据序列
步骤27：如果接收到了来自于簇成员节点CMj(j＝1,2,…,m)的或者簇头节点CHi自己的样本均值发生了更新，则簇头节点CHi更新样本均值列表并将降序排序，获得新的节点顺序索引Qi，如式(5)所示，之后根据公式(6)计算簇成员节点顺序的变化程度OV(Order Varying)；如果OVi≥Threshold_P，则簇头节点CHi更新Pi，即Pi＝Qi，并将Pi发送给基站Sink；
步骤28：根据Pi将簇内数据序列Si(N_S)排序，得到排序后的数据序列
步骤29：按照步骤23、24对数据序列S_si(N_S)进行操作；
步骤30：跳转至步骤25。
值得说明的是，Threshold_P为节点顺序变化阈值，由应用要求来指定。如果节点顺序变化值OVi≥Threshold_P，则表明在簇内节点的新的近似数据特性下，有必要使用新的节点顺序来平滑待处理的簇内数据，因此，簇头节点CHi更新Pi，同时告知基站Sink新的数据处理顺序；否则，簇头节点CHi认为新的节点顺序并不会改善待处理数据的平滑性或改善不多，若启用新的数据处理顺序，则数据压缩性能CR不能得到改进或改进不显著，而且还会增加节点顺序索引的更新耗能，因此，此时簇头节点CHi不更新节点顺序索引，仍采用旧的节点顺序来改善待处理簇内数据的平滑性。
另外，为了验证本发明的有效性，利用仿真工具Matlab对本发明进行了仿真(四组)。由于本发明的目的在于提升传感器网络中基于小波数据压缩的算法的精度与压缩效果，因此将本发明(简记为DSPS：Data-Smoothness based Preprocessing Strategy)与不对待处理数据进行平滑性预处理而直接进行小波数据处理的算法(称为一般小波算法CWA：Common Wavelet based Algorithm)进行比较。
在120m×60m的区域内模拟部署512个节点，生成8个簇，每个簇的节点数为64，簇内的小波数据处理在簇头节点进行，主要仿真参数如表1所示。在仿真实验中，主要比较本发明(DSPS)与CWA在不同的小波数据处理下的性能：(1)相同MSE要求下的平均CR；(2)相同CR要求下的平均MSE；(3)节点平均能耗。
表1 主要实验参数
实施例1，将重构数据的误差要求设置为MSE，并从10变化到100，统计平均数据压缩率，仿真结果如图3所示，具体的，在相同的重构数据误差要求下，本发明DSPS利用db1、db2、coif1和bior2.2小波所获得的数据压缩率均低于CWA利用这些小波所获得的数据压缩率，具有较好的数据压缩效果。此外，在db1、db2、coif1和bior2.2小波之中，不论是本发明还是CWA，在本次实验环境下，db1小波对数据的压缩较优。
实施例2，将数据压缩率从0.1变化到0.9，分别统计不同小波数据处理下两种方案的网络平均MSE，仿真结果如图4所示，具体的，在db1、db2、coif1和bior2.2小波下，当数据压缩率固定为0.1时，本发明DSPS获得的MSE均远小于CWA获得的MSE；且随着数据压缩率的增大，虽然本发明与CWA的MSE差距逐渐减小，但本发明的数据重构精确性仍优于CWA。
实施例3，将数据压缩率从0.1变化到0.9，分别统计不同小波数据处理下两种方案的网络节点平均耗能，仿真结果如图5所示，具体的，在相同的数据压缩率下，不论采用何种小波，本发明DSPS的耗能比CWA的耗能多，但是能耗的增加量非常小，并且能够获得比CWA更为精确的数据(图4所示)。这是因为，在相同的数据压缩率下，本发明与CWA具有相同的数据传输耗能，但相对于CWA，本发明有两方面的额外耗能：(1)簇成员节点均值更新时的耗能和(2)簇头节点的节点顺序索引更新时的耗能。这两方面的耗能被本发明合理控制，使得在相同的数据压缩率下，本发明相对于CWA的能耗增加不多。
实施例4，将MSE从10变化到100，分别统计不同小波数据处理下两种方案的网络节点平均耗能，仿真结果如图6所示，具体的，在相同重构精度要求下，对于db1、db2、coif1和bior2.2小波，本发明DSPS导致的节点平均能耗均低于CWA导致的节点平均能耗。这是因为，虽然本发明需要实施例3中所述的两方面的额外能耗，但是本发明比CWA具有更优的数据压缩性能，因此本发明总的节点平均能量开销比CWA的总的节点平均能量开销小。
总的来说，借由本发明，在固定数据压缩率下，能够提高传感器网络内数据的重构精度；而在固定数据重构精度下，能够有效提高数据的压缩性能，大大减少传感器网络内数据传输量，节省网络耗能，延长网络正常工作时间。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (3)
1.一种传感器网络中针对小波数据压缩的预处理方法，其特征在于其包括簇成员节点行为和簇头节点行为；
该簇成员节点行为主要包括：簇成员节点将K个感知数据的样本均值与样本标准差作为自己所处环境的近似数据特征，其中K为用于计算样本均值的样本个数；利用样本均值变化的程度来衡量环境的变化程度；将相应地样本均值告知簇头节点；
而该簇头节点行为主要包括：利用簇成员节点的样本均值信息，簇头节点建立并维护一个簇成员节点的顺序索引；簇头节点获得所有簇成员节点的数据后根据顺序索引生成一个数据向量；在该数据上进行离散小波变换，并将所获得的近似系数与部分细节系数发送到基站；利用小波逆变换，基站由所获得的近似系数、部分细节系数和相应的簇成员节点顺序索引完成对簇内各个节点感知数据的重构。
2.根据权利要求1所述的传感器网络中针对小波数据压缩的预处理方法，其特征在于其中该簇成员节点行为包括以下步骤：
步骤11：簇成员节点vi获得第一个采样数据si(1)，并将其发送至簇头节点；
步骤12：初始时，设置为簇成员节点的第一个采样数据，设置为初始标准差σinitial，即
步骤13：N_S为采样时刻，初始值为1，N_S＝N_S+1；
步骤14：簇成员节点vi采集第N_S时刻的数据si(N_S)，并将其发送至簇头节点；
步骤15：如果N_S为K的倍数(Mod(N_S,K)＝＝0)，则按照公式(1)计算新的样本均值按照公式(2)计算样本均值变化程度MV；如果MV不小于1，则利用更新按照公式(3)更新样本标准差并将值通知簇头节点；
<mrow>
<msubsup>
<mover>
<mi>&mu;</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>K</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>N</mi>
<mo>_</mo>
<mi>S</mi>
<mo>-</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>_</mo>
<mi>S</mi>
</mrow>
</munderover>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>M</mi>
<mi>V</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msubsup>
<mover>
<mi>&mu;</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mover>
<mi>&mu;</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mover>
<mi>&sigma;</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>K</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>N</mi>
<mo>_</mo>
<mi>S</mi>
<mo>-</mo>
<mi>K</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>_</mo>
<mi>S</mi>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>&mu;</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤16：跳转至步骤13；
其中K为用于计算样本均值的样本个数。
3.根据权利要求1所述的传感器网络中针对小波数据压缩的预处理方法，其特征在于其中该簇头节点行为包括以下步骤：
步骤21：在时刻1，簇头节点CHi收集其簇成员节点Mem＝{CMj|j＝1,2,…,m}的感知数据，得到数据序列并用Si(1)来初始化即
步骤22：将Si(1)降序排列，获得相应的数据序列S_si(1)和节点顺序索引Pi，如式(4)所示，并将Pi发送至基站；
步骤23：对数据序列S_si(1)执行离散小波变换，得到近似小波系数cAi(1)和细节小波系数cDi(1)；
步骤24：将cAi(1)和cDi(1)进行零化、编码操作后得压缩数据Data_Ci，并将Data_Ci发送到基站；
步骤25：N_S为采样时刻，初始值为1，N_S＝N_S+1；
步骤26：簇头节点CHi收集其簇成员节点Mem＝{CMj|j＝1,2,…,m}在N_S时刻的感知数据，得到在N_S时刻簇内数据序列
步骤27：如果接收到了来自于簇成员节点CMj(j＝1,2,L,m)的或者簇头节点CHi自己的样本均值发生了更新，则簇头节点CHi更新样本均值列表并将降序排序，获得新的节点顺序索引Qi，如式(5)所示，之后根据公式(6)计算簇成员节点顺序的变化程度OV(Order Varying)；如果OVi≥Threshold_P，则簇头节点CHi更新Pi，即Pi＝Qi，并将Pi发送给基站；
<mrow>
<msub>
<mi>OV</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<munder>
<mi>max</mi>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>j</mi>
<mn>2</mn>
</msub>
<mo>&le;</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</munder>
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>j</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mrow>
<mo>{</mo>
<mrow>
<mo>|</mo>
<msub>
<mi>j</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>j</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤28：根据Pi将簇内数据序列Si(N_S)排序，得到排序后的数据序列
步骤29：按照步骤23、24对数据序列S_si(N_S)进行操作；
步骤30：跳转至步骤25。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410487474.3A CN104302017B (zh) | 2014-09-22 | 2014-09-22 | 一种传感器网络中针对小波数据压缩的预处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410487474.3A CN104302017B (zh) | 2014-09-22 | 2014-09-22 | 一种传感器网络中针对小波数据压缩的预处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104302017A CN104302017A (zh) | 2015-01-21 |
| CN104302017B true CN104302017B (zh) | 2017-10-10 |
Family
ID=52321520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410487474.3A Active CN104302017B (zh) | 2014-09-22 | 2014-09-22 | 一种传感器网络中针对小波数据压缩的预处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104302017B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106231530B (zh) * | 2015-11-23 | 2019-07-09 | 中国人民解放军信息工程大学 | 不可靠无线传感网中压缩感知数据收集方法、装置及系统 |
| CN111711970B (zh) * | 2020-03-27 | 2022-04-01 | 同济大学 | 一种超长线状环形无线网络数据压缩方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103701468A (zh) * | 2013-12-26 | 2014-04-02 | 国电南京自动化股份有限公司 | 基于正交小波包变换与旋转门算法的数据压缩与解压方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8855011B2 (en) * | 2010-07-12 | 2014-10-07 | University Of Southern California | Distributed transforms for efficient data gathering in sensor networks |
-
2014
- 2014-09-22 CN CN201410487474.3A patent/CN104302017B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103701468A (zh) * | 2013-12-26 | 2014-04-02 | 国电南京自动化股份有限公司 | 基于正交小波包变换与旋转门算法的数据压缩与解压方法 |
Non-Patent Citations (1)
| Title |
|---|
| 传感器网络小波数据压缩算法的设计与实现;林亚平、周四望;《中兴通讯技术》;20091010;第15卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104302017A (zh) | 2015-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105469611B (zh) | 一种短时交通流预测模型方法 | |
| CN102984711A (zh) | 基于单比特压缩感知技术的多用户协作频谱感知方法 | |
| CN108334580A (zh) | 一种结合链接和属性信息的社区发现方法 | |
| CN104506378A (zh) | 一种预测数据流量的装置及方法 | |
| CN109635946A (zh) | 一种联合深度神经网络和成对约束的聚类方法 | |
| CN113469189B (zh) | 一种用电采集数据缺失值填充方法、系统及装置 | |
| CN108924148A (zh) | 一种多源信号协同压缩感知数据恢复方法 | |
| CN101099669A (zh) | 基于最优时频空间结构码的心电数据压缩方法和解码方法 | |
| CN109711278A (zh) | 一种低复杂度的脑电波信号压缩和分类方法 | |
| CN103136239A (zh) | 一种基于张量重建的交通数据丢失恢复方法 | |
| CN101268936A (zh) | 无线心电监护仪的心电压缩方法和解码方法 | |
| CN108989817A (zh) | 一种基于参考帧错位预测的雷达数据压缩方法 | |
| CN102901855B (zh) | 一种特高压直流电晕电流信号去噪方法 | |
| CN110399796A (zh) | 一种基于改进深度学习算法的电能质量扰动识别方法 | |
| CN104302017B (zh) | 一种传感器网络中针对小波数据压缩的预处理方法 | |
| CN105260615B (zh) | 一种粮食消费量预测方法 | |
| CN111861789A (zh) | 基于电流数据整数规划求解的户变关系识别方法及系统 | |
| CN105406872A (zh) | 一种基于eemd的压缩感知方法 | |
| CN105788261A (zh) | 一种基于pca和lzw编码的道路交通空间数据压缩方法 | |
| Pathok et al. | Data compression of ECG signals using error back propagation (EBP) algorithm | |
| CN116306780B (zh) | 一种动态图链接生成方法 | |
| Hsieh et al. | A speed-and power-efficient SPIHT design for wearable quality-on-demand ECG applications | |
| CN108390871A (zh) | 一种基于自回归模型帧预测的雷达数据压缩方法 | |
| CN104318046A (zh) | 增量式的高维数据转换为低维数据的系统及方法 | |
| CN101510943A (zh) | 利用超完备拓扑稀疏编码有效去除图像噪声的方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20150121 Assignee: Luoyang Matrix Software Co.,Ltd. Assignor: LUOYANG INSTITUTE OF SCIENCE AND TECHNOLOGY Contract record no.: X2021980015223 Denomination of invention: A preprocessing method for wavelet data compression in Sensor Networks Granted publication date: 20171010 License type: Common License Record date: 20211216 |