CN105025498A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN105025498A CN105025498A CN201510310067.XA CN201510310067A CN105025498A CN 105025498 A CN105025498 A CN 105025498A CN 201510310067 A CN201510310067 A CN 201510310067A CN 105025498 A CN105025498 A CN 105025498A
- Authority
- CN
- China
- Prior art keywords
- node
- data
- bunch
- leader cluster
- cluster node
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0076—Distributed coding, e.g. network coding, involving channel coding
-
- 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)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明涉及一种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,针对当前研究方案在探索无线传感器网络感知数据时间和空间相关性时存在的重建误差和计算复杂度不够低等性能缺陷问题,融合网络编码与压缩感知理论提出了一个分簇式空时压缩方法,对感知数据空时相关性进行了深度挖掘,通过设计恰当的网络编码系数和观测矩阵元素,将网络编码和压缩感知理论融合统一到实数域,保证了数据重建是可行的并具有高成功率,通过构建传感器节点(簇头节点)独立编码、汇聚节点联合解码思想,使得在保证相同压缩增益的情况下,本方法压缩数据的重建具有更低的重建误差,同时对时间和空间相关性进行循序渐进分步式的探索保证了重建过程的低复杂度。
Description
技术领域
本发明涉及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,属于无线通信网络、无线传感器网络技术领域。
背景技术
无线传感器网络中,传感节点感知数据(时间序列)往往具有时间相关性,同时在同一时间点邻近的节点往往因为监控同一区域同一现象而使得观测到的数据具有空间相关性。挖掘传感器网络数据的时间和空间相关性能有效地减少网络中冗余数据传输的数量,即可有效减少网络能量消耗延长网络的生命周期,因此如何挖掘传感器网络数据的空时相关性已成为一个研究热点。然而因为传感器节点具有能量和计算能力有限等特殊性,使得一般理论难以应用在传感器网络中。幸运的是压缩感知理论把其绝大部分计算压力转移到汇聚节点,并可有效挖掘数据的相关性,使其非常适合应用在传感器网络中。采用压缩感知理论,汇聚节点只需要接收一小部分观测信息就可以以很高的概率重建出原始信息,能够极大地延长传感器网络生命周期。网络编码理论允许中间节点对接收到的数据包做编码操作,而不是简单的转发接收到的数据包。该编码方式能够有效地改善网络负载均衡、提高数据传输秘密性,同时通过丰富传输路径能有效提高网络的健壮性。这些网络编码优点促使其与压缩感知理论融合可有效地延长传感器网络生命周期和提高传输信息的秘密性。当前,融合网络编码与压缩感知用于挖掘无线传感器网络感知数据的相关性已成为一个非常有吸引力的课题。
当前已提出的用于解决无线传感器网络中数据空时相关性的方案可大致分成如下三类:
第一类方案只考虑挖掘传感数据的空间相关性或时间相关性,尽管该类方案从一定程度上减少了网络的传输次数,具有简单、效率高等特性,但毕竟只考虑空时相关性中的一类属性,没能充分地挖掘数据的全部相关性。
第二类方案研究了基于联合稀疏模型(Joint Sparsity Model-JSM)的空时相关性,该类方案中数据的空间和时间相关性被融合在一起考虑,特点是把时间和空间序列感知数据转换到一个一维向量里,尽管感知数据的空时相关性都得到了有效挖掘,但该类方案采样数据重建过程中计算复杂度非常高。
第三类方案也同时考虑了感知数据的空时相关性,与第二类方案最大的区别在于其把空间和时间相关性区别开来考虑,该类方案的主要思想是首先各个传感节点任意压缩采样时间序列数据,然后压缩观测空间序列数据,达到探索感知数据空时相关性的目的。该类方案的特点是简单易于执行,但该类方案压缩采样数据的重建精度不够高,特别是当距离较远节点间感知数据偏差较大时,重建精度更加不理想。
发明内容
针对上述技术问题,本发明所要解决的技术问题是提供一种通过融合网络编码和压缩感知理论来实现感知数据相关性的挖掘,同时能够降低网络数据传输开销、提高数据重建精度和延长网络生命周期的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。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种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,传感网络包括一个汇聚节点和至少一个按预设距离划分获得的簇,其中,各个簇分别包括一个簇头节点和至少一个传感器节点,簇头节点为其所在簇中传感器剩余电量最多的传感器节点;所述传感网络分簇式空时压缩方法包括如下步骤:
步骤001.各个簇中的各个传感器节点分别按时间维度采集其对应的原始环境数据,其中,时间维度上的原始环境数据在预设的标准正交基Ψ上是可压缩的;各个簇中的各个传感器节点在按时间维度采集其对应原始环境数据过程中,采用同一个预设的n*N阶传感器节点观测矩阵Φ针对时间维度的原始环境数据进行压缩采样,各个簇中各个传感器节点分别获得对应的各个压缩采样数据,各个簇中各个传感器节点并分别将其所获得的各个压缩采样数据对应上传至其所在簇的簇头节点;其中,预设的传感器节点观测矩阵Φ任意取自于一个N*N单位矩阵中的部分,且该预设的传感器节点观测矩阵Φ的行数n小于列数N;
步骤002.各个簇中的簇头节点分别针对其所在簇中各个传感器节点上传的压缩采样数据,分别采用预设与各个簇相一一对应的m*M阶簇头节点观测矩阵Φ'i进行空间维度的数据压缩,各个簇中的簇头节点分别获得对应的各个本簇压缩数据;其中,在空间维度上各个簇中的簇头节点所接收到的压缩采样数据在预设的标准正交基Ψ'i上是可压缩的,Ψ'i表示第i个簇头节点所对应预设的标准正交基;Φ'i为传感网络中第i个簇头节点所对应的簇头节点观测矩阵,簇头节点观测矩阵中的元素符合独立零均值的高斯分布,1≤i≤I,I为传感网络中簇的数量,M为对应簇中传感器节点的数量,m大于等于1,且m小于对应簇中的M;
步骤003.各个簇中的簇头节点分别针对其获得的各个本簇压缩数据,分别设置编码系数bt(e,k),并根据编码系数bt(e,k)分别针对各个本簇压缩数据进行线性网络编码,各个簇头节点分别获得对应其所在簇的各个本簇压缩编码数据;其中,bt(e,k)表示在时隙t,簇头节点针对其获得的第k个本簇压缩数据设置的编码系数,e表示簇头节点所对应下一跳簇头节点的数据发送链路,k∈{1,2,…,m},且当t>1时,bt(e,k)=0;
步骤004.分别针对各个簇中的簇头节点进行如下操作,分别判断簇头节点是否接收到其它簇头节点组播发送来的簇数据,是则簇头节点针对接收到其它簇头节点组播所发送来的簇数据,设置编码系数at(e,e'),并根据编码系数at(e,e')针对该接收到的簇数据进行线性网络编码,簇头节点获得对应的其它簇编码数据,并将对应的各个本簇压缩编码数据和其它簇编码数据相结合构成对应簇头节点的簇数据;否则将对应的各个本簇压缩编码数据构成对应簇头节点的簇数据;其中,at(e,e')表示在时隙t,簇头节点针对由接收链路e'所接收到上一跳簇头节点发送的簇数据设置的编码系数,且at(e,e')符合独立零均值的高斯分布;
步骤005.分别针对各个簇中的簇头节点进行如下操作,判断以簇头节点为中心、一跳范围内位于汇聚节点方向的各个节点中是否存在汇聚节点,是则该簇头节点将其簇数据发送至汇聚节点;否则该簇头节点向位于汇聚节点方向、一跳范围内的各个簇头节点进行组播其簇数据,接收到其它簇头结点组播发送来簇数据的簇头节点按照步骤004进行执行,然后再执行步骤005,直至簇数据被发送至汇聚节点;
步骤006.汇聚节点针对接收到的簇数据进行实时解码,获得传感网络中各个传感器节点的原始环境数据。
作为本发明的一种优选技术方案:所述步骤006中,汇聚节点针对接收到的簇数据,采用联合解码的方式进行实时解码,获得传感网络中各个传感器节点的原始环境数据;其中包括如下过程,汇聚节点接收到来自于各个簇头节点的簇数据,构成数据U,如下所示:
其中,Φ'为所述传感网络中所有簇头节点分别所对应簇头节点观测矩阵的总矩阵,Ω表示所述传感网络中用于线性网络编码的编码系数矩阵,Y'表示所述传感网络中各个簇头节点所接收来自于其簇内部各个传感器节点的压缩采样数据,1≤l≤n,y'i,l表示所述传感网络中第i个簇头节点在第l个时间维度上所接收到来自于其簇内部各个传感器节点的压缩采样数据,Ψ'为所述传感网络中总共I个簇头节点分别对应的标准正交基Ψ'i组成的分块对角矩阵,Y'可通过分块对角矩阵Ψ'的分解获得相应的系数矩阵θ';
汇聚节点根据所接收到的数据U、Ω和已知的Φ'及Ψ',通过压缩感知重建算法求解出对应的Y';再根据传感器节点观测矩阵Φ、标准正交基Ψ和Y',通过压缩感知重建算法获得所述传感网络中各个传感器节点的原始环境数据。
作为本发明的一种优选技术方案:所述压缩感知重建算法为压缩采样匹配追踪算法。
作为本发明的一种优选技术方案:所述预设的标准正交基Ψ为预设的离散余弦变换矩阵Ψ;所述预设的标准正交基Ψ'i为预设的离散余弦变换矩阵Ψ'i。
作为本发明的一种优选技术方案:所述步骤005之后、步骤006之前,还包括步骤005-1:所述汇聚节点针对接收到的各个簇数据,对具有相关性的数据进行冗余数据过滤,更新接收到的各个簇数据。
本发明所述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采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明设计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,针对当前研究方案在探索无线传感器网络感知数据时间和空间相关性时存在的重建误差和计算复杂度不够低等性能缺陷问题,融合网络编码与压缩感知理论提出了一个分簇式空时压缩方法,对感知数据空时相关性进行了深度挖掘,通过设计恰当的网络编码系数和观测矩阵元素,将网络编码和压缩感知理论融合统一到实数域,保证了数据重建是可行的,并具有高成功率;
(2)本发明设计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中,通过构建传感器节点(簇头节点)进行独立编码,汇聚节点进行联合解码模型使得在保证相同压缩增益的情况下,与其它具有相同计算复杂度的空时压缩方法相比,本方法压缩数据的重建具有更低的重建误差;并且,基于对时间和空间相关性进行循序渐进分步式的探索,使得与基于联合稀疏模型(JSM)的空时压缩方法相比,本发明设计技术方案在重建过程具有更低的计算复杂度;
(3)本发明设计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中,通过对感知数据空时相关性深入的挖掘,使得本发明方法具有相当可观的压缩增益,加之设计簇头节点采用的网络编码操作使得整个网络负载更加均衡,进一步延长了网络生命周期;同时由于传输的信息不再是明文,使得传输信息具有潜在的安全优势。
附图说明
图1是本发明设计的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的数据流方向;
图2是本发明设计的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的流程示意图;
图3表示本发明设计方法与当前其它两类方法在数据重建误差方面的比较,其中Clusteredspatio-temporal表示本发明所提出的方法;
图4表示本发明设计方法与当前其它两类方法在压缩增益上的比较,其中Clusteredspatio-temporal表示本发明所提出的方法。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
如图1和图2所示,本发明设计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在实际应用过程当中,传感网络包括一个汇聚节点和数个传感器节点,将所有传感器节点按预设距离划分获得各个簇,其中,各个簇中至少包括两个传感器节点,选择其中剩余电量最多的传感器节点作为簇头节点;所述传感网络分簇式空时压缩方法在实际应用中,具体包括如下步骤:
步骤001.各个簇中的各个传感器节点分别按时间维度采集其对应的原始环境数据,其中,时间维度上的原始环境数据在预设的离散余弦变换矩阵Ψ上是可压缩的,这里,设计传感网络中总共划分获得4个簇,各个簇中分别有1个簇头节点和10个传感器节点,各个传感器节点在时间维度上分别有500个原始环境数据,这里,即N的取值为500;同时将空间和时间维度的原始环境数据设置成s和w可压缩信号数据,s和w分别取值5和60;各个簇中的各个传感器节点在按时间维度采集其对应原始环境数据过程中,采用同一个预设的n*500阶传感器节点观测矩阵Φ针对时间维度的原始环境数据进行压缩采样,n取值范围为2w至4.5w,各个簇中各个传感器节点分别获得对应的各个压缩采样数据,各个簇中各个传感器节点并分别将其所获得的各个压缩采样数据对应上传至其所在簇的簇头节点;其中,预设的传感器节点观测矩阵Φ任意取自于一个500*500单位矩阵中的部分,且该预设的传感器节点观测矩阵Φ的行数n小于列数500;
步骤002.各个簇中的簇头节点分别针对其所在簇中各个传感器节点上传的压缩采样数据,分别采用预设与各个簇相一一对应的m*M阶簇头节点观测矩阵Φ'i进行空间维度的数据压缩,各个簇中的簇头节点分别获得对应的各个本簇压缩数据;其中,在空间维度上各个簇中的簇头节点所接收到的压缩采样数据在预设的离散余弦变换矩阵Ψ'i上是可压缩的,Ψ'i表示第i个簇头节点所对应预设的离散余弦变换矩阵;Φ'i为传感网络中第i个簇头节点所对应的簇头节点观测矩阵,簇头节点观测矩阵中的元素符合独立零均值的高斯分布,1≤i≤I,I为传感网络中簇的数量,基于上述实施例,这里I为4,即1≤i≤4,M为对应簇中传感器节点的数量,即M=10,m大于等于1,且m小于对应簇中的M,即1≤m<10,基于此,在实际过程中,设计m=6,则上述过程为:各个簇中的簇头节点分别针对其所在簇中各个传感器节点上传的压缩采样数据,分别采用预设与各个簇相一一对应的6*10阶簇头节点观测矩阵Φ'i进行空间维度的数据压缩,各个簇中的簇头节点分别获得对应的各个本簇压缩数据;
步骤003.各个簇中的簇头节点分别针对其获得的各个本簇压缩数据,分别设置编码系数bt(e,k),并根据编码系数bt(e,k)分别针对各个本簇压缩数据进行线性网络编码,各个簇头节点分别获得对应其所在簇的各个本簇压缩编码数据;其中,bt(e,k)表示在时隙t,簇头节点针对其获得的第k个本簇压缩数据设置的编码系数,e表示簇头节点所对应下一跳簇头节点的数据发送链路,k∈{1,2,…,m},且当t>1时,bt(e,k)=0;
步骤004.分别针对各个簇中的簇头节点进行如下操作,分别判断簇头节点是否接收到其它簇头节点组播发送来的簇数据,是则簇头节点针对接收到其它簇头节点组播所发送来的簇数据,设置编码系数at(e,e'),并根据编码系数at(e,e')针对该接收到的簇数据进行线性网络编码,簇头节点获得对应的其它簇编码数据,并将对应的各个本簇压缩编码数据和其它簇编码数据相结合构成对应簇头节点的簇数据;否则将对应的各个本簇压缩编码数据构成对应簇头节点的簇数据;其中,at(e,e')表示在时隙t,簇头节点针对由接收链路e'所接收到上一跳簇头节点发送的簇数据设置的编码系数,且at(e,e')符合独立零均值的高斯分布;
步骤005.分别针对各个簇中的簇头节点进行如下操作,判断以簇头节点为中心、一跳范围内位于汇聚节点方向的各个节点中是否存在汇聚节点,是则该簇头节点将其簇数据发送至汇聚节点;否则该簇头节点向位于汇聚节点方向、一跳范围内的各个簇头节点进行组播其簇数据,接收到其它簇头结点组播发送来簇数据的簇头节点按照步骤004进行执行,然后再执行步骤005,直至簇数据被发送至汇聚节点;
步骤005-1:所述汇聚节点针对接收到的各个簇数据,对具有相关性的数据进行冗余数据过滤,更新接收到的各个簇数据;
步骤006.汇聚节点针对接收到的簇数据,采用联合解码的方式进行实时解码,获得传感网络中各个传感器节点的原始环境数据;其中包括如下过程,汇聚节点接收到来自于各个簇头节点的簇数据,构成数据U,如下所示:
其中,Φ'为所述传感网络中所有簇头节点分别所对应簇头节点观测矩阵的总矩阵,Ω表示所述传感网络中用于线性网络编码的编码系数矩阵,Y'表示所述传感网络中各个簇头节点所接收来自于其簇内部各个传感器节点的压缩采样数据,1≤l≤n,y'i,l表示所述传感网络中第i个簇头节点在第l个时间维度上所接收到来自于其簇内部各个传感器节点的压缩采样数据,Ψ'为所述传感网络中总共I=4个簇头节点分别对应的离散余弦变换矩阵Ψ'i组成的分块对角矩阵,Y'可通过分块对角矩阵Ψ'的分解获得相应的系数矩阵θ';
汇聚节点根据所接收到的数据U、Ω和已知的Φ'及Ψ',通过压缩采样匹配追踪算法(CoSaMP)求解出对应的Y';再根据传感器节点观测矩阵Φ、离散余弦变换矩阵Ψ和Y',通过压缩采样匹配追踪算法获得所述传感网络中各个传感器节点的原始环境数据,即实施例中40*500个原始环境数据。
上述技术方案设计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,针对当前研究方案在探索无线传感器网络感知数据时间和空间相关性时存在的重建误差和计算复杂度不够低等性能缺陷问题,融合网络编码与压缩感知理论提出了一个分簇式空时压缩方法,对感知数据空时相关性进行了深度挖掘,通过设计恰当的网络编码系数和观测矩阵元素,将网络编码和压缩感知理论融合统一到实数域,保证了数据重建是可行的,并具有高成功率;还有,通过构建传感器节点(簇头节点)进行独立编码,汇聚节点进行联合解码模型使得在保证相同压缩增益的情况下,与其它具有相同计算复杂度的空时压缩方法相比,本方法压缩数据的重建具有更低的重建误差;并且,基于对时间和空间相关性进行循序渐进分步式的探索,使得与基于联合稀疏模型(JSM)的空时压缩方法相比,本发明设计技术方案在重建过程具有更低的计算复杂度;不仅如此,通过对感知数据空时相关性深入的挖掘,使得本发明方法具有相当可观的压缩增益,加之设计簇头节点采用的网络编码操作使得整个网络负载更加均衡,进一步延长了网络生命周期;同时由于传输的信息不再是明文,使得传输信息具有潜在的安全优势。
基于上述本发明设计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在实际过程中的应用,如图3所示本发明设计方法(Clustered spatio-temporal)相较于空间维度压缩方案(Spatial)和一般空时压缩方案(Spatio-temporal),在数据重建误差(Relativerecovery error)方面的比较,显示本发明设计方法(Clustered spatio-temporal)在数据重建误差(Relative recovery error)的误差比其他两类方法要低的多;还有,如图4所示本发明设计方法(Clustered spatio-temporal)相较于空间维度压缩方案(Spatial)和一般空时压缩方案(Spatio-temporal),在压缩增益(Compression gain)上的比较,显示本发明设计方法(Clustered spatio-temporal)具有良好的压缩增益,充分挖掘了感知数据的空时相关性。不仅如此,结合图3和图4所示结果可知,本发明设计方法(Clustered spatio-temporal)在保持与其他空时压缩方法相同压缩增益和计算复杂度的情况下,具有更低的重建误差,同时本发明设计方法具有比基于联合稀疏模型(JSM)空时压缩方法更低的计算复杂度。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种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,其特征在于:传感网络包括一个汇聚节点和至少一个按预设距离划分获得的簇,其中,各个簇分别包括一个簇头节点和至少一个传感器节点,簇头节点为其所在簇中传感器剩余电量最多的传感器节点;所述传感网络分簇式空时压缩方法包括如下步骤:
步骤001.各个簇中的各个传感器节点分别按时间维度采集其对应的原始环境数据,其中,时间维度上的原始环境数据在预设的标准正交基Ψ上是可压缩的;各个簇中的各个传感器节点在按时间维度采集其对应原始环境数据过程中,采用同一个预设的n*N阶传感器节点观测矩阵Φ针对时间维度的原始环境数据进行压缩采样,各个簇中各个传感器节点分别获得对应的各个压缩采样数据,各个簇中各个传感器节点并分别将其所获得的各个压缩采样数据对应上传至其所在簇的簇头节点;其中,预设的传感器节点观测矩阵Φ任意取自于一个N*N单位矩阵中的部分,且该预设的传感器节点观测矩阵Φ的行数n小于列数N;
步骤002.各个簇中的簇头节点分别针对其所在簇中各个传感器节点上传的压缩采样数据,分别采用预设与各个簇相一一对应的m*M阶簇头节点观测矩阵Φ'i进行空间维度的数据压缩,各个簇中的簇头节点分别获得对应的各个本簇压缩数据;其中,在空间维度上各个簇中的簇头节点所接收到的压缩采样数据在预设的标准正交基Ψ′i上是可压缩的,Ψ′i表示第i个簇头节点所对应预设的标准正交基;Φ′i为传感网络中第i个簇头节点所对应的簇头节点观测矩阵,簇头节点观测矩阵中的元素符合独立零均值的高斯分布,1≤i≤I,I为传感网络中簇的数量,M为对应簇中传感器节点的数量,m大于等于1,且m小于对应簇中的M;
步骤003.各个簇中的簇头节点分别针对其获得的各个本簇压缩数据,分别设置编码系数bt(e,k),并根据编码系数bt(e,k)分别针对各个本簇压缩数据进行线性网络编码,各个簇头节点分别获得对应其所在簇的各个本簇压缩编码数据;其中,bt(e,k)表示在时隙t,簇头节点针对其获得的第k个本簇压缩数据设置的编码系数,e表示簇头节点所对应下一跳簇头节点的数据发送链路,k∈{1,2,…,m},且当t>1时,bt(e,k)=0;
步骤004.分别针对各个簇中的簇头节点进行如下操作,分别判断簇头节点是否接收到其它簇头节点组播发送来的簇数据,是则簇头节点针对接收到其它簇头节点组播所发送来的簇数据,设置编码系数at(e,e'),并根据编码系数at(e,e')针对该接收到的簇数据进行线性网络编码,簇头节点获得对应的其它簇编码数据,并将对应的各个本簇压缩编码数据和其它簇编码数据相结合构成对应簇头节点的簇数据;否则将对应的各个本簇压缩编码数据构成对应簇头节点的簇数据;其中,at(e,e')表示在时隙t,簇头节点针对由接收链路e'所接收到上一跳簇头节点发送的簇数据设置的编码系数,且at(e,e')符合独立零均值的高斯分布;
步骤005.分别针对各个簇中的簇头节点进行如下操作,判断以簇头节点为中心、一跳范围内位于汇聚节点方向的各个节点中是否存在汇聚节点,是则该簇头节点将其簇数据发送至汇聚节点;否则该簇头节点向位于汇聚节点方向、一跳范围内的各个簇头节点进行组播其簇数据,接收到其它簇头结点组播发送来簇数据的簇头节点按照步骤004进行执行,然后再执行步骤005,直至簇数据被发送至汇聚节点;
步骤006.汇聚节点针对接收到的簇数据进行实时解码,获得传感网络中各个传感器节点的原始环境数据。
2.根据权利要求1所述一种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,其特征在于:所述步骤006中,汇聚节点针对接收到的簇数据,采用联合解码的方式进行实时解码,获得传感网络中各个传感器节点的原始环境数据;其中包括如下过程,汇聚节点接收到来自于各个簇头节点的簇数据,构成数据U,如下所示:
其中,Φ'为所述传感网络中所有簇头节点分别所对应簇头节点观测矩阵的总矩阵,Ω表示所述传感网络中用于线性网络编码的编码系数矩阵,Y'表示所述传感网络中各个簇头节点所接收来自于其簇内部各个传感器节点的压缩采样数据,1≤l≤n,y′i,l表示所述传感网络中第i个簇头节点在第l个时间维度上所接收到来自于其簇内部各个传感器节点的压缩采样数据,Ψ'为所述传感网络中总共I个簇头节点分别对应的标准正交基Ψ′i组成的分块对角矩阵,Y'可通过分块对角矩阵Ψ'的分解获得相应的系数矩阵θ';
汇聚节点根据所接收到的数据U、Ω和已知的Φ'及Ψ',通过压缩感知重建算法求解出对应的Y';再根据传感器节点观测矩阵Φ、标准正交基Ψ和Y',通过压缩感知重建算法获得所述传感网络中各个传感器节点的原始环境数据。
3.根据权利要求2所述一种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,其特征在于:所述压缩感知重建算法为压缩采样匹配追踪算法。
4.根据权利要求1所述一种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,其特征在于:所述预设的标准正交基Ψ为预设的离散余弦变换矩阵Ψ;所述预设的标准正交基Ψ′i为预设的离散余弦变换矩阵Ψ′i。
5.根据权利要求1所述一种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,其特征在于:所述步骤005之后、步骤006之前,还包括步骤005-1:所述汇聚节点针对接收到的各个簇数据,对具有相关性的数据进行冗余数据过滤,更新接收到的各个簇数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510310067.XA CN105025498B (zh) | 2015-06-08 | 2015-06-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510310067.XA CN105025498B (zh) | 2015-06-08 | 2015-06-08 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105025498A true CN105025498A (zh) | 2015-11-04 |
CN105025498B CN105025498B (zh) | 2018-08-21 |
Family
ID=54415117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510310067.XA Active CN105025498B (zh) | 2015-06-08 | 2015-06-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105025498B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105682171A (zh) * | 2016-03-09 | 2016-06-15 | 北京航空航天大学 | 基于时空相关性分簇的无线传感器网络压缩数据收集方法 |
CN105846960A (zh) * | 2016-04-22 | 2016-08-10 | 中国矿业大学 | 一种分布式实时监控信源的数据压缩编码与可靠传输方法 |
CN105916174A (zh) * | 2016-04-08 | 2016-08-31 | 南京邮电大学 | 基于锯齿形扫描的自适应空间压缩方法 |
CN105979548A (zh) * | 2016-04-14 | 2016-09-28 | 西安电子科技大学 | 无线传感网中基于时空压缩网络编码的数据传输方法 |
CN106604211A (zh) * | 2016-12-19 | 2017-04-26 | 南京邮电大学 | 一种基于传感器网络的分层式自适应空时压缩方法 |
CN106992842A (zh) * | 2017-04-17 | 2017-07-28 | 中山大学 | 基于网络编码与压缩感知的多元域数据恢复方法 |
CN107634818A (zh) * | 2016-07-18 | 2018-01-26 | 英特尔Ip公司 | 使用上下文冗余的解码设备和方法 |
CN108173620A (zh) * | 2016-12-08 | 2018-06-15 | 南京海道普数据技术有限公司 | 基于压缩网络编码的wsn异常数据发现系统实现方法 |
CN108319600A (zh) * | 2017-01-16 | 2018-07-24 | 华为技术有限公司 | 一种数据挖掘方法及装置 |
CN108494758A (zh) * | 2018-03-14 | 2018-09-04 | 南京邮电大学 | 感知大数据层次感知压缩编码方法 |
CN108521635A (zh) * | 2018-03-29 | 2018-09-11 | 南京邮电大学 | 基于空时压缩的传感网络分簇优化方法 |
CN108924808A (zh) * | 2018-09-27 | 2018-11-30 | 山东理工大学 | 基于rbs同步机制的水下声学无线传感器网络节点动态定位方法 |
CN109005112A (zh) * | 2018-08-28 | 2018-12-14 | 武汉大学 | 一种工业无线传感网络的分簇方法及装置 |
CN109743727A (zh) * | 2018-12-26 | 2019-05-10 | 南京邮电大学 | 基于雾计算的高效隐私保护感知大数据收集方法 |
CN110418108A (zh) * | 2019-07-12 | 2019-11-05 | 南京理工大学 | 基于cs理论的无人值守区域监测系统 |
CN111064705A (zh) * | 2019-11-22 | 2020-04-24 | 国网河北省电力有限公司经济技术研究院 | 适用于高级量测体系的数据压缩采集与传输方法 |
US20220416944A1 (en) * | 2019-11-20 | 2022-12-29 | Victoria Link Limited | Method of performing a distributed task over a network |
CN116527525A (zh) * | 2023-05-05 | 2023-08-01 | 国网湖南省电力有限公司 | 基于边缘计算的设备数据采集方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101841932A (zh) * | 2010-05-10 | 2010-09-22 | 南京邮电大学 | 无线传感器网络中基于动态分簇的分布式压缩感知方法 |
CN103974268A (zh) * | 2013-01-29 | 2014-08-06 | 上海携昌电子科技有限公司 | 精细粒度可调的低延时传感器网络数据传输方法 |
-
2015
- 2015-06-08 CN CN201510310067.XA patent/CN105025498B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101841932A (zh) * | 2010-05-10 | 2010-09-22 | 南京邮电大学 | 无线传感器网络中基于动态分簇的分布式压缩感知方法 |
CN103974268A (zh) * | 2013-01-29 | 2014-08-06 | 上海携昌电子科技有限公司 | 精细粒度可调的低延时传感器网络数据传输方法 |
Non-Patent Citations (3)
Title |
---|
CHEN,SIGUANG, ET AL,: "Combining network coding and compressed sensing for error correction in wireless sensor networks", 《INTERNATIONAL JOURNAL OF COMMUNICATIONS SYSTEMS》 * |
丁飞: "基于分布式压缩感知的网络编码技术研究", 《南京邮电大学硕士学位论文》 * |
李亮亮: "基于网络编码和压缩感知的无线传感器网络节能算法研究", 《广西大学硕士学位论文》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105682171A (zh) * | 2016-03-09 | 2016-06-15 | 北京航空航天大学 | 基于时空相关性分簇的无线传感器网络压缩数据收集方法 |
CN105916174A (zh) * | 2016-04-08 | 2016-08-31 | 南京邮电大学 | 基于锯齿形扫描的自适应空间压缩方法 |
CN105916174B (zh) * | 2016-04-08 | 2019-01-29 | 南京邮电大学 | 基于锯齿形扫描的自适应空间压缩方法 |
CN105979548A (zh) * | 2016-04-14 | 2016-09-28 | 西安电子科技大学 | 无线传感网中基于时空压缩网络编码的数据传输方法 |
CN105846960A (zh) * | 2016-04-22 | 2016-08-10 | 中国矿业大学 | 一种分布式实时监控信源的数据压缩编码与可靠传输方法 |
CN107634818A (zh) * | 2016-07-18 | 2018-01-26 | 英特尔Ip公司 | 使用上下文冗余的解码设备和方法 |
CN108173620B (zh) * | 2016-12-08 | 2020-12-29 | 南京海道普数据技术有限公司 | 基于压缩网络编码的wsn异常数据发现系统实现方法 |
CN108173620A (zh) * | 2016-12-08 | 2018-06-15 | 南京海道普数据技术有限公司 | 基于压缩网络编码的wsn异常数据发现系统实现方法 |
CN106604211A (zh) * | 2016-12-19 | 2017-04-26 | 南京邮电大学 | 一种基于传感器网络的分层式自适应空时压缩方法 |
CN106604211B (zh) * | 2016-12-19 | 2019-07-12 | 南京邮电大学 | 一种基于传感器网络的分层式自适应空时压缩方法 |
CN108319600B (zh) * | 2017-01-16 | 2021-01-08 | 华为技术有限公司 | 一种数据挖掘方法及装置 |
CN108319600A (zh) * | 2017-01-16 | 2018-07-24 | 华为技术有限公司 | 一种数据挖掘方法及装置 |
CN106992842A (zh) * | 2017-04-17 | 2017-07-28 | 中山大学 | 基于网络编码与压缩感知的多元域数据恢复方法 |
CN106992842B (zh) * | 2017-04-17 | 2020-04-07 | 中山大学 | 基于网络编码与压缩感知的多元域数据恢复方法 |
CN108494758A (zh) * | 2018-03-14 | 2018-09-04 | 南京邮电大学 | 感知大数据层次感知压缩编码方法 |
CN108494758B (zh) * | 2018-03-14 | 2020-10-27 | 南京邮电大学 | 感知大数据层次感知压缩编码方法 |
CN108521635A (zh) * | 2018-03-29 | 2018-09-11 | 南京邮电大学 | 基于空时压缩的传感网络分簇优化方法 |
CN109005112A (zh) * | 2018-08-28 | 2018-12-14 | 武汉大学 | 一种工业无线传感网络的分簇方法及装置 |
CN108924808A (zh) * | 2018-09-27 | 2018-11-30 | 山东理工大学 | 基于rbs同步机制的水下声学无线传感器网络节点动态定位方法 |
CN109743727A (zh) * | 2018-12-26 | 2019-05-10 | 南京邮电大学 | 基于雾计算的高效隐私保护感知大数据收集方法 |
CN109743727B (zh) * | 2018-12-26 | 2022-06-10 | 南京邮电大学 | 基于雾计算的高效隐私保护感知大数据收集方法 |
CN110418108A (zh) * | 2019-07-12 | 2019-11-05 | 南京理工大学 | 基于cs理论的无人值守区域监测系统 |
US20220416944A1 (en) * | 2019-11-20 | 2022-12-29 | Victoria Link Limited | Method of performing a distributed task over a network |
CN111064705A (zh) * | 2019-11-22 | 2020-04-24 | 国网河北省电力有限公司经济技术研究院 | 适用于高级量测体系的数据压缩采集与传输方法 |
CN111064705B (zh) * | 2019-11-22 | 2022-01-28 | 国网河北省电力有限公司经济技术研究院 | 适用于高级量测体系的数据压缩采集与传输方法 |
CN116527525A (zh) * | 2023-05-05 | 2023-08-01 | 国网湖南省电力有限公司 | 基于边缘计算的设备数据采集方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105025498B (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
M Al-Qurabat | A lightweight Huffman-based differential encoding lossless compression technique in IoT for smart agriculture | |
CN103618903B (zh) | 高速低功耗无线传感网络视频压缩采样方法 | |
CN103974268B (zh) | 精细粒度可调的低延时传感器网络数据传输方法 | |
CN104899292A (zh) | 一种面向属性图集的频繁近似子图挖掘方法 | |
CN106992842B (zh) | 基于网络编码与压缩感知的多元域数据恢复方法 | |
Zeinali et al. | Impact of compression and aggregation in wireless networks on smart meter data | |
CN102938685A (zh) | 一种基于变长编码的无线传感器网络数据压缩方法 | |
CN106452666B (zh) | 一种应用于无线传感器网络的轻量级数据压缩方法 | |
CN105916174A (zh) | 基于锯齿形扫描的自适应空间压缩方法 | |
CN109474904B (zh) | 一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法 | |
Hermenier et al. | On the behavior of robust header compression u-mode in channels with memory | |
CN111182488B (zh) | 一种基于时间信道的溯源数据节能传输方法 | |
CN103327530A (zh) | 一种无线传感器网络中的数据传输方法 | |
CN108934029B (zh) | 面向感知大数据重建的加速分布式优化算法 | |
Schmitt et al. | A systematic framework for iterative maximum likelihood receiver design | |
Aziz et al. | Adaptive and efficient compressive sensing based technique for routing in wireless sensor networks | |
Roumy et al. | Optimal matching in wireless sensor networks | |
Alaoui et al. | Energy consumption in wireless sensor networks for network coding structure and ARQ protocol | |
CN105979548A (zh) | 无线传感网中基于时空压缩网络编码的数据传输方法 | |
CN108494758B (zh) | 感知大数据层次感知压缩编码方法 | |
Szalapski et al. | Energy efficient distributed grouping and scaling for real-time data compression in sensor networks | |
Ying | An energy-efficient compression algorithm for spatial data in wireless sensor networks | |
Li et al. | Reliable data transmission in wireless sensor networks with data decomposition and ensemble recovery | |
Li et al. | Decentralized data processing and management in Smart Grid via gossiping |
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 |