CN104602297B - 基于压缩感知的无线传感器网络监测方法及系统 - Google Patents

基于压缩感知的无线传感器网络监测方法及系统 Download PDF

Info

Publication number
CN104602297B
CN104602297B CN201510038865.1A CN201510038865A CN104602297B CN 104602297 B CN104602297 B CN 104602297B CN 201510038865 A CN201510038865 A CN 201510038865A CN 104602297 B CN104602297 B CN 104602297B
Authority
CN
China
Prior art keywords
monitoring
compressed sensing
sensor
sensor nodes
monitored
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
Application number
CN201510038865.1A
Other languages
English (en)
Other versions
CN104602297A (zh
Inventor
马强
朱彤
刘克彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WUXI QINGHUA INFORMATION SCIENCE AND TECHNOLOGY NATIONAL LABORATORY INTERNET OF THINGS TECHNOLOGY CENTER
Original Assignee
WUXI QINGHUA INFORMATION SCIENCE AND TECHNOLOGY NATIONAL LABORATORY INTERNET OF THINGS TECHNOLOGY CENTER
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WUXI QINGHUA INFORMATION SCIENCE AND TECHNOLOGY NATIONAL LABORATORY INTERNET OF THINGS TECHNOLOGY CENTER filed Critical WUXI QINGHUA INFORMATION SCIENCE AND TECHNOLOGY NATIONAL LABORATORY INTERNET OF THINGS TECHNOLOGY CENTER
Priority to CN201510038865.1A priority Critical patent/CN104602297B/zh
Publication of CN104602297A publication Critical patent/CN104602297A/zh
Application granted granted Critical
Publication of CN104602297B publication Critical patent/CN104602297B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开的基于压缩感知的无线传感器网络监测方法及系统。所述方法包括：确定待监测区域中部署的传感器节点的空间相关性，得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵；根据传感器节点的实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据。通过本发明的技术方案，能够节省传感器网络的部署数目和部署难度，有效避免了无线传感器网络的数据拥塞以及数据丢失，提高了无线传感器网络的监测准确性和可靠性。

Description

基于压缩感知的无线传感器网络监测方法及系统
技术领域
本发明涉及无线传感器技术领域，尤其涉及基于压缩感知的无线传感器网络监测方法及系统。
背景技术
随着无线通信技术、传感器技术及嵌入式计算技术的快速发展和日益成熟，无线传感器网络被广泛应用在环境监测、煤矿事故检测、危险境地导航、交通流量监控等诸多与国计民生有着重大联系的场景中。
在这些场景中，为了覆盖理想区域，保证数据的采集准确性，往往需要部署大量的传感器节点。然而，传感器节点的密集部署不仅需要消耗大量的成本和人力物力资源，还存在传感器网络的拥塞和管理困难，甚至导致传感器节点采集的数据无法传回到基站的问题。换句话说，一味增加传感器节点的数量，可能会导致无线传感器网络的监测数据不完备，带来不必要的资源浪费和数据丢失，不是可靠的网络部署理论。
事实表明，无论在室内还是室外，现有技术的无线传感器网络中，传感器节点采集的数据具有很强的空间相关性的。比如说，当森林某处发生火灾的时候，周围的多个传感器节点应该都会显示温度过高；如果煤矿的某个地方发生泄漏，则附近的多个传感器节点都会检测到一氧化碳浓度升高。换句话说，在实际地理位置比较相近的传感器节点，它们采集到的数据往往是可以相互推算出来的。从这个角度来看，现有技术的无线传感器网络的节点部署还相当大的改进空间。
发明内容
本发明的目的在于提出基于压缩感知的无线传感器网络监测方法及系统，能够节省传感器节点的部署数目和部署成本，并保证数据传输的可靠性和准确性。
为达此目的，本发明采用以下技术方案：
一种基于压缩感知的无线传感器网络监测方法，包括：
确定待监测区域中部署的传感器节点的空间相关性，得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵；
根据传感器节点的实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据。
其中，所述确定待监测区域中部署的传感器节点的空间相关性，得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵，包括：
获取待监测区域中部署的传感器节点的读数，根据传感器节点监测对象的扩散传播特性，调整传感器节点的部署位置；
确定调整后的传感器节点的读数的空间相关性，得出调整后的传感器节点的空间相关性矩阵；
根据等值线上传感器节点的读数一致性原则，修正所述空间相关性矩阵得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵。
其中，所述传感器节点监测对象的扩散传播特性为：
将扩散时刻记作t＝0，将扩散起点设为坐标原点，在任意时刻t空间中任一坐标点(x,y,z)的监测对象的浓度记为C(x,y,z,t)，则所述监测对象在单位时间内通过单位法向量面积的流量为：
其中ki(i＝(x,y,z))为扩散系数，grad为浓度梯度，负号代表监测对象由高浓度到低浓度的方向扩散。
其中，所述根据所述实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据，包括：
获取传感器节点的实际监测数据，得到实际监测序列；
由公式y＝Φf计算出与所述实际监测序列对应的所述待监测区域的理论监测数据f；
其中，y是M×1的实际监测序列，Φ是M×N(M<<N)的压缩感知观测矩阵，M为实际部署的传感器节点数目，N为利用M个传感器节点的读数及所述读数的空间相关性恢复出来的传感器数据的数目。
其中，所述传感器节点包括：温度/湿度监测节点和二氧化碳浓度监测节点。
一种基于压缩感知的无线传感器网络监测系统，包括：
观测矩阵学习单元，用于确定待监测区域中部署的传感器节点的空间相关性，得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵；
压缩感知计算单元，用于根据传感器节点的实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据。
其中，所述观测矩阵学习单元包括：
调整模块，用于获取待监测区域中部署的传感器节点的读数，根据传感器节点监测对象的扩散传播特性，调整传感器节点的部署位置；
学习模块，用于确定调整后的传感器节点的读数的空间相关性，得出调整后的传感器节点的空间相关性矩阵；
修正模块，用于根据等值线上传感器节点的读数一致性原则，修正所述空间相关性矩阵得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵。
其中，所述传感器节点监测对象的扩散传播特性为：
将扩散时刻记作t＝0，将扩散起点设为坐标原点，在任意时刻t空间中任一坐标点(x,y,z)的监测对象的浓度记为C(x,y,z,t)，则所述监测对象在单位时间内通过单位法向量面积的流量为：
其中ki(i＝(x,y,z))为扩散系数，grad为浓度梯度，负号代表监测对象由高浓度到低浓度的方向扩散。
其中，所述根据所述实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据，包括：
获取传感器节点的实际监测数据，得到实际监测序列；
由公式y＝Φf计算出与所述实际监测序列对应的所述待监测区域的理论监测数据f；
其中，y是M×1的实际监测序列，Φ是M×N(M<<N)的压缩感知观测矩阵，M为实际部署的传感器节点数目，N为利用M个传感器节点的读数及所述读数的空间相关性恢复出来的传感器数据的数目。
其中，所述传感器节点包括：温度/湿度监测节点和二氧化碳浓度监测节点。
实施本发明实施例，具有如下有益效果：
本发明实施例确定待监测区域中部署的传感器节点的空间相关性，得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵；根据传感器节点的实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据，其中所述待监测区域中传感器节点可为随机部署的。本方案通过获得待检测区域中实际监测位置上传感器节点的较少的监测序列，利用训练好的无线传感器网络的压缩感知观测矩阵得出待检测区域中理论监测位置上的读数。节省了传感器网络的部署数目和部署难度，有效避免了无线传感器网络的数据拥塞以及数据丢失，提高了无线传感器网络的监测准确性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例的基于压缩感知的无线传感器网络监测方法的流程示意图。
图2是本发明第二实施例的基于压缩感知的无线传感器网络部署装置的结构示意图。
具体实施方式
下面结合本发明的附图对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1对本发明的第一实施例进行说明。
图1是本发明第一实施例的基于压缩感知的无线传感器网络监测方法流程图，详述如下：
步骤S101，确定待监测区域中部署的传感器节点的空间相关性，得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵。
在第一实施例中，待监测区域中传感器节点可为随机部署的，无论在室内还是室外部署的传感器网络，其中的传感器节点的传感数据具有很强的空间相关性的。即实际地理位置相近的传感器节点，它们采集到的数据往往是可以相互推算出来的。例如，当森林某处发生火灾的时候，周围的传感器节点应该都会显示温度过高；如果煤矿的某个地方发生泄漏，则附近的传感器都会检测到一氧化碳浓度升高。
压缩感知(Compressive Sensing,CS)，又称压缩采样，压缩传感。它作为一个新的采样理论，它通过开发信号的稀疏特性，在远小于Nyquist采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号。
压缩感知理论的核心思想主要包括两点。第一个是信号的稀疏结构。传统的Shannon信号表示方法只开发利用了最少的被采样信号的先验信息，即信号的带宽。但是，现实生活中很多广受关注的信号本身具有一些结构特点。相对于带宽信息的自由度，这些结构特点是由信号的更小的一部分自由度所决定。换句话说，在很少的信息损失情况下，这种信号可以用很少的数字编码表示。所以，在这种意义上，这种信号是稀疏信号(或者可压缩信号)。另外一点是不相关特性。稀疏信号的有用信息的获取可以通过一个非自适应的采样方法将信号压缩成较小的样本数据来完成。理论证明压缩感知的采样方法只是一个简单的将信号与一组确定的波形进行相关的操作。这些波形要求是与信号所在的稀疏空间不相关的。压缩感知方法抛弃了当前信号采样中的冗余信息。它直接从连续时间信号变换得到压缩样本，然后在数字信号处理中采用优化方法处理压缩样本。压缩感知所代表的基本思路：从尽量少的数据中提取尽量多的信息，毫无疑问是一种有着极大理论和应用前景的想法。它是传统信息论的一个延伸，但是又超越了传统的压缩理论，成为了一门崭新的子分支。
本发明实施例中，部署传感器节点，以及得出无线传感器网络的压缩感知观测矩阵的过程可包括：线下学习过程、在线检测过程和反馈修正过程。具体说明如下。
1)线下学习过程。在该过程中，主要目的是训练随机部署的传感器节点的压缩感知观测矩阵Φ。训练方法分为两个步骤：(a)获取待监测区域中部署的传感器节点的读数，根据传感器节点监测对象的扩散传播特性，调整传感器节点的部署位置，确定调整后的传感器节点的读数的空间相关性，得出调整后的传感器节点的空间相关性矩阵。通过学习的过程，可以确定部署的传感器节点的数量，根据压缩感知理论，可以随机的在待监测区域部署传感器节点，然后根据传感器节点的实际测量值进行部署位置的微调。在现有的学术成果中，对于各类气体浓度、温度/湿度等传感数据都有较为成熟的扩散传播理论。具体来说，气体扩散可以看成在无穷空间有连续点源导致的扩散过程，能够由二阶抛物型偏微分方程描述放射性气体扩散过程中浓度变化规律。扩散出来的气体匀速向四周散开，这样经过任意时刻，扩散的气体围成一个球，且距球心位置不同的地方浓度值不同。将扩散时刻记作t＝0，将扩散起点设为坐标原点，在任意时刻t空间中任一坐标点(x,y,z)的监测对象的浓度记为C(x,y,z,t)，则所述监测对象在单位时间内通过单位法向量面积的流量为：
其中ki(i＝(x,y,z))为扩散系数，grad为浓度梯度，负号代表监测对象由高浓度到低浓度的方向扩散。(b)由于部署的环境不同，会导致传播理论的失准。比如说，在森林以及城市中，二氧化碳的传播模型是截然不同的，所以需要根据实际测试结果对学习结果进行矫正。矫正的主要依据来源于现有系统已经测试的数据值和变化关系。
2)在线检测过程。在扩散理论中，会有若干条等值线。在等值线上的传感器节点的数据读数在精度条件下应当满足一致性。利用这个特性，可在每条等值线上至少放两个传感器，用来调整实际等值线以及验证读数准确性。另外，传感器节点的微调准则需满足：一是保证在学习好的测量矩阵条件下，利用观测到的传感器读数，可以非零的推测出每一个理论监测位置的数据；二是不造成网络拥塞，以保证数据能够正常传回基站。
3)反馈修正过程。在每一次测量过后，如果发现等值线偏差，或者是其他的理论性偏差，都需要根据实际测量值对已经得到的空间相关性矩阵进行修正，进而对压缩感知观测矩阵进行修正，可重新刻画等值线，调整传感器节点部署位置。即在本发明实施例中，根据传感器节点的实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据之前，还包括：根据等值线上传感器节点的读数一致性原则，对传感器节点的位置进行调整。
步骤S102，根据传感器节点的实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据。
在本发明实施例中，通过部署好的无线传感器网络监测待监测区域时，首先需获取网络中的传感器节点的实际监测数据，得到实际监测序列y；然后可由公式y＝Φf计算出与所述实际监测序列对应的所述待监测区域的理论监测数据f；其中，y是M×1的实际监测序列，Φ是M×N(M<<N)的压缩感知观测矩阵，M为实际部署的传感器节点数目，N为用户希望利用M个传感器节点的读数及所述读数的空间相关性恢复出来的传感器数据的数目。
优选的，在本发明第一实施例中，部署的传感器节点包括：温度/湿度监测节点和二氧化碳浓度监测节点。
现有技术中，在待检测区域理论上需要部署包含1200个传感器节点的无线传感器网络，其中1100个是用来监测温度/湿度等环境参数，另外100个是用来监测二氧化碳浓度，才能实现待检测区域的全面监控。然而这样的无线传感器网络的数据回收率为85％，网络数据传输效率低，有数据丢失现象。
利用发明第一实施例的基于压缩感知技术的无线传感器网络监测方法，将网络规模缩小到了752+67的组合，即随机部署752个传感器节点用来监测温度/湿度等参数，67个传感器节点用来监测二氧化碳浓度。利用发明第一实施例的基于压缩感知技术的无线传感器网络监测方法，规模缩小的无线传感器网络的数据回收率为95％，得到的监测区域的监测数据的准确率达到96％，并且网络的传输效率高，没有数据丢失现象。
通过本发明第一实施例，通过获得待检测区域中实际监测位置上传感器节点的较少的监测序列，利用训练好的无线传感器网络的压缩感知观测矩阵得出待检测区域中理论监测位置上的读数。节省了传感器网络的部署数目和部署难度，有效避免了无线传感器网络的数据拥塞以及数据丢失，提高了无线传感器网络的监测准确性和可靠性。
以下为本发明实施例提供的基于压缩感知的无线传感器网络监测系统的实施例。系统实施例与上述的方法实施例属于同一构思，系统实施例中未详尽描述的细节内容，可以参考上述方法实施例。
图2示出了本发明第二实施例的基于压缩感知的无线传感器网络监测系统的结构示意图，下面进行详细说明。
请参见图2，所述无线传感器网络监测系统包括：观测矩阵学习单元210、压缩感知计算单元220.下面对各单元进行具体说明。
所述观测矩阵学习单元210，用于确定待监测区域中部署的传感器节点的空间相关性，得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵。
本实施例中，待监测区域中传感器节点可为随机部署的，所述观测矩阵学习单元210具体包括：调整模块，用于获取待监测区域中部署的传感器节点的读数，根据传感器节点监测对象的扩散传播特性，调整传感器节点的部署位置；学习模块，用于确定调整后的传感器节点的读数的空间相关性，得出调整后的传感器节点的空间相关性矩阵；修正模块，用于根据等值线上传感器节点的读数一致性原则，修正所述空间相关性矩阵得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵。其中，所述传感器节点监测对象的扩散传播特性包括：
将扩散时刻记作t＝0，将扩散起点设为坐标原点，在任意时刻t空间中任一坐标点(x,y,z)的监测对象的浓度记为C(x,y,z,t)，则所述监测对象在单位时间内通过单位法向量面积的流量为：
其中ki(i＝(x,y,z))为扩散系数，grad为浓度梯度，负号代表监测对象由高浓度到低浓度的方向扩散。
所述压缩感知计算单元220，用于根据传感器节点的实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据。
在本实施例中，具体通过获取传感器节点的实际监测数据，得到实际监测序列；然后由公式y＝Φf计算出与所述实际监测序列对应的所述待监测区域的理论监测数据f；
其中，y是M×1的实际监测序列，Φ是M×N(M<<N)的压缩感知观测矩阵，M为实际部署的传感器节点数目，N为利用M个传感器节点的读数及所述读数的空间相关性恢复出来的传感器数据的数目。
通过上述第二实施例，通过获得待检测区域中实际监测位置上传感器节点的较少的监测序列，利用训练好的无线传感器网络的压缩感知观测矩阵得出待检测区域中理论监测位置上的读数，节省了传感器网络的部署数目和部署难度，有效避免了无线传感器网络的数据拥塞以及数据丢失，提高了无线传感器网络的监测准确性和可靠性。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利要求范围，因此，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，仍属本发明所涵盖的范围。

Claims (8)

1.一种基于压缩感知的无线传感器网络监测方法，其特征在于，包括：
确定待监测区域中部署的传感器节点的空间相关性，得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵；
根据传感器节点的实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据；
其中，所述确定待监测区域中部署的传感器节点的空间相关性，得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵，包括：
获取待监测区域中部署的传感器节点的读数，根据传感器节点监测对象的扩散传播特性，调整传感器节点的部署位置；
确定调整后的传感器节点的读数的空间相关性，得出调整后的传感器节点的空间相关性矩阵；
根据等值线上传感器节点的读数一致性原则，修正所述空间相关性矩阵得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵。
2.如权利要求1所述基于压缩感知的无线传感器网络监测方法，其特征在于，所述传感器节点监测对象的扩散传播特性为：
将扩散时刻记作t＝0，将扩散起点设为坐标原点，在任意时刻t空间中任一坐标点(x,y,z)的监测对象的浓度记为C(x,y,z,t)，则所述监测对象在单位时间内通过单位法向量面积的流量为：
<mrow> <mover> <mi>q</mi> <mo>&amp;RightArrow;</mo> </mover> <mo>=</mo> <mo>-</mo> <msub> <mi>k</mi> <mi>i</mi> </msub> <mo>.</mo> <mi>g</mi> <mi>r</mi> <mi>a</mi> <mi>d</mi> <mi>C</mi> </mrow>
其中ki(i＝(x,y,z))为扩散系数，grad为浓度梯度，负号代表监测对象由高浓度到低浓度的方向扩散。
3.如权利要求1所述基于压缩感知的无线传感器网络监测方法，其特征在于，所述根据所述实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据，包括：
获取传感器节点的实际监测数据，得到实际监测序列；
由公式y＝Φf计算出与所述实际监测序列对应的所述待监测区域的理论监测数据f；
其中，y是M×1的实际监测序列，Φ是M×N(M<<N)的压缩感知观测矩阵，M为实际部署的传感器节点数目，N为利用M个传感器节点的读数及所述读数的空间相关性恢复出来的传感器数据的数目。
4.如权利要求1所述基于压缩感知的无线传感器网络监测方法，其特征在于，所述传感器节点包括：温度/湿度监测节点和二氧化碳浓度监测节点。
5.一种基于压缩感知的无线传感器网络监测系统，其特征在于，包括：
观测矩阵学习单元，用于确定待监测区域中部署的传感器节点的空间相关性，得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵；
压缩感知计算单元，用于根据传感器节点的实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据；
其中，所述观测矩阵学习单元包括：
调整模块，用于获取待监测区域中部署的传感器节点的读数，根据传感器节点监测对象的扩散传播特性，调整传感器节点的部署位置；
学习模块，用于确定调整后的传感器节点的读数的空间相关性，得出调整后的传感器节点的空间相关性矩阵；
修正模块，用于根据等值线上传感器节点的读数一致性原则，修正所述空间相关性矩阵得出所述传感器节点组成的无线传感器网络的压缩感知观测矩阵。
6.如权利要求5所述基于压缩感知的无线传感器网络监测系统，其特征在于，所述传感器节点监测对象的扩散传播特性为：
将扩散时刻记作t＝0，将扩散起点设为坐标原点，在任意时刻t空间中任一坐标点(x,y,z)的监测对象的浓度记为C(x,y,z,t)，则所述监测对象在单位时间内通过单位法向量面积的流量为：
<mrow> <mover> <mi>q</mi> <mo>&amp;RightArrow;</mo> </mover> <mo>=</mo> <mo>-</mo> <msub> <mi>k</mi> <mi>i</mi> </msub> <mo>.</mo> <mi>g</mi> <mi>r</mi> <mi>a</mi> <mi>d</mi> <mi>C</mi> </mrow>
其中ki(i＝(x,y,z))为扩散系数，grad为浓度梯度，负号代表监测对象由高浓度到低浓度的方向扩散。
7.如权利要求5所述基于压缩感知的无线传感器网络监测系统，其特征在于，所述根据所述实际监测数据、所述压缩感知观测矩阵得出待监测区域的理论监测数据，包括：
获取传感器节点的实际监测数据，得到实际监测序列；
由公式y＝Φf计算出与所述实际监测序列对应的所述待监测区域的理论监测数据f；
其中，y是M×1的实际监测序列，Φ是M×N(M<<N)的压缩感知观测矩阵，M为实际部署的传感器节点数目，N为利用M个传感器节点的读数及所述读数的空间相关性恢复出来的传感器数据的数目。
8.如权利要求5所述基于压缩感知的无线传感器网络监测系统，其特征在于，所述传感器节点包括：温度/湿度监测节点和二氧化碳浓度监测节点。
CN201510038865.1A 2015-01-26 2015-01-26 基于压缩感知的无线传感器网络监测方法及系统 Expired - Fee Related CN104602297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510038865.1A CN104602297B (zh) 2015-01-26 2015-01-26 基于压缩感知的无线传感器网络监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510038865.1A CN104602297B (zh) 2015-01-26 2015-01-26 基于压缩感知的无线传感器网络监测方法及系统

Publications (2)

Publication Number Publication Date
CN104602297A CN104602297A (zh) 2015-05-06
CN104602297B true CN104602297B (zh) 2018-02-09

Family

ID=53127704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510038865.1A Expired - Fee Related CN104602297B (zh) 2015-01-26 2015-01-26 基于压缩感知的无线传感器网络监测方法及系统

Country Status (1)

Country Link
CN (1) CN104602297B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105656692B (zh) * 2016-03-14 2019-05-24 南京邮电大学 无线传感网络中基于多示例多标记学习的区域监测方法
CN106203374B (zh) * 2016-07-18 2018-08-24 清华大学深圳研究生院 一种基于压缩感知的特征识别方法及其系统
CN108076508B (zh) * 2017-12-21 2021-03-26 儒安物联科技集团有限公司 从时空双维度扩展无线传感网的低功耗方法
CN111898317A (zh) * 2020-07-29 2020-11-06 上海交通大学 基于任意位置压缩感知的自适应偏差管道模态分析方法
CN112836180B (zh) * 2021-04-19 2021-07-23 北京瑞莱智慧科技有限公司 传感数据确定方法、装置、电子设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102547903A (zh) * 2012-01-18 2012-07-04 北京航空航天大学 一种基于压缩感知的无线传感器网络骨干节点选择方法
CN103368578A (zh) * 2013-07-01 2013-10-23 中国农业大学 基于压缩感知的分布式无线传感器网络节点信号采样方法
CN103716809A (zh) * 2013-12-30 2014-04-09 中国人民解放军重庆通信学院 一种用于ir-uwb无线传感器网络数据的二维压缩感知方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102547903A (zh) * 2012-01-18 2012-07-04 北京航空航天大学 一种基于压缩感知的无线传感器网络骨干节点选择方法
CN103368578A (zh) * 2013-07-01 2013-10-23 中国农业大学 基于压缩感知的分布式无线传感器网络节点信号采样方法
CN103716809A (zh) * 2013-12-30 2014-04-09 中国人民解放军重庆通信学院 一种用于ir-uwb无线传感器网络数据的二维压缩感知方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Distributed Data Aggregation for Sparse Recovery in Wireless Sensor Networks;Shuangjiang Li, Hairong Qi;《Distributed Computing in Sensor Systems (DCOSS), 2013 IEEE International Conference on》;20130523;全文 *
无线传感器网络中基于空间相关性的分布式压缩感知;胡海峰，杨震;《南京邮电大学学报（自然科学版）》;20091215;全文 *

Also Published As

Publication number Publication date
CN104602297A (zh) 2015-05-06

Similar Documents

Publication Publication Date Title
CN104602297B (zh) 基于压缩感知的无线传感器网络监测方法及系统
CN110567510A (zh) 大气污染监测方法、系统、计算机设备和存储介质
CN108106979B (zh) 一种基于modis和机器学习模型融合的pm2.5反演方法
CN110514785B (zh) 传感器数据在线校准方法、装置、电子设备及存储介质
CN111242404B (zh) 一种强降雨诱发洪灾事件的极端性评估方法及系统
CN110087207B (zh) 无线传感器网络缺失数据重建方法
CN108375363B (zh) 天线方位角偏转核查方法、装置、设备及介质
CN110633818B (zh) 一种配电网台风风灾预警方法及系统
CN105355021B (zh) 基于ZigBee的远程无线抄表系统及其性能检测方法
CN107923749B (zh) 用于检测地面位置变化的系统和方法
CN109902666B (zh) 一种基于二维otsu的电网山火潜在火点识别方法
CN110210774B (zh) 滑坡风险评价方法及系统
CN110263876A (zh) 一种雨声信号降噪处理方法和系统
CN114492984A (zh) 粉尘浓度的时空分布预测方法、装置、设备和存储介质
CN114077798A (zh) 估算小尺度区域大气污染物网格浓度的方法
CN203825644U (zh) 一种基于图像识别输电线路的雾等级的系统
CN115238245B (zh) 污染物监测方法、装置、存储介质及电子设备
CN107831699A (zh) 一种智能数据采集分析方法和系统
CN106920198A (zh) 用于污染物溯源的设备和方法
CN113917093B (zh) 一种基于无线网络的空气质量监控系统
CN107609280B (zh) 一种时间区间的确定方法以及终端
CN105913365A (zh) 一种环境监测gis信息传输单元
CN109061719B (zh) 一种预测地震的方法
CN113064893A (zh) 数据处理的方法及相关装置
CN112598763B (zh) 一种区域地表温度场的时间过程模拟方法及系统

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

Granted publication date: 20180209

CF01 Termination of patent right due to non-payment of annual fee