CN105208120A - 农田无线传感器网络参数间动态耦合压缩矩阵构建方法 - Google Patents
农田无线传感器网络参数间动态耦合压缩矩阵构建方法 Download PDFInfo
- Publication number
- CN105208120A CN105208120A CN201510609483.XA CN201510609483A CN105208120A CN 105208120 A CN105208120 A CN 105208120A CN 201510609483 A CN201510609483 A CN 201510609483A CN 105208120 A CN105208120 A CN 105208120A
- Authority
- CN
- China
- Prior art keywords
- time
- acquisition
- image data
- sensor node
- data
- 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
- 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
- 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
- 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)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种农田无线传感器网络参数间动态耦合压缩矩阵构建方法,包括以下步骤:无线传感器网络中的任意一个传感器节点获取其任一采集参数的时间序列,所述时间序列为采集参数的一个数据压缩周期的时间序列;从每个时间序列中分别选取一个特征数据,根据所述特征数据和其历史数据获取数据变化率;根据所述数据变化率对所述传感器节点的所有时间序列进行排序形成所述传感器节点的压缩矩阵。本发明通过分析和对比各参数时间序列变化特性,对采集参数进行排序形成压缩矩阵,增强了压缩矩阵内部相邻数据间的耦合性,从而在用如小波压缩方式进行压缩时可以提高数据的压缩效率。
Description
技术领域
本发明涉及一种农田无线传感器网络参数间动态耦合压缩矩阵构建方法。
背景技术
农田无线传感器网络进行农田环境参数信息的采集,具有其自身的特点,首先对于农田环境中的监测的环境参数如空气温湿度,土壤温湿度,光照等信息,当其跟随自然环境变化时,这些参数在空间维度上变化较小,即,位置邻近的几个传感器节点采集的同一参数的数据具有较大的相似性,即数值大小接近且变化率接近,在时间维度上,同一传感器节点的同一采集参数的采集数据的变化较为缓慢,即同一个传感器节点,其同一参数的邻近的几个采集时间点上采集的数据具有较大的相似性。而其中的一些参数如土壤湿度,在农业生产环境中,经常受到人工控制,当这些参数受到人工控制时,受控参数会引起其他相关参数的变化,如进行人工灌溉时,土壤湿度为受控参数,在短时间内数值差别会较大,其他参数的变化比较慢,比如灌溉时,土壤湿度就是受控参数,变化很快,但土壤温度和空气湿度则土壤湿度影响变化较慢,其相邻节点的土壤湿度、土壤温度和空气湿度等也会受到该土壤湿度的影响,只是变化较慢。
针对无线传感器网络数据传输前的处理,现有研究主要集中于数据压缩方面,公开号为CN101350827,发明名称为一种用于无线传感器网络的小波渐进数据压缩方法的专利提出一簇头在接收传感数据的同时进行小波变换,产生小波系数;当小波系数达到一个数据单元后,簇头对其编码压缩并传送编码压缩结果;簇头继续产生的小波系数生成下一个数据单元,如此循环,形成渐进的数据压缩传送。对于计算能力和能量有限的无线传感器而言采用这种方法计算量较大,且这种方法没能充分利用传感器节点采集的各个参数之间的耦合性、同一参数的空间相关性和时间相关性(耦合性),压缩效率不高。
公开号为CN101925091,发明名称为一种基于非阈值的无线传感器网络节点数据压缩方法的专利亦只针对单个传感器节点采集的同一个参数进行压缩,没有考虑同一传感器节点不同参数之间以及邻居节点同一参数的相关性,并且很大程度上是通过损失数据的精度进行数据的压缩;
公开号为CN103327530,发明名称为一种无线传感器网络中的数据传输方法的专利公开了一种数据的压缩方法,在进行数据压缩时充分考虑并且主要依靠各个参数的空间和时间上的相关性,但是其未考虑到农田环境参数在受人工控制时的处理,所以对于受控的人工参数时该种方式压缩方法会使压缩效率不高,不利于农田生产管理人员得到精确的环境数据。
发明内容
本发明提供一种农田无线传感器网络参数间动态耦合压缩矩阵构建方法,使形成的压缩矩阵的各参数之间是按照耦合性进行排序的,从而可以提高数据的压缩效率。
本发明提供一种农田无线传感器网络参数间动态耦合压缩矩阵构建方法,包括以下步骤:
无线传感器网络中的任意一个传感器节点获取其任一采集参数的时间序列,所述时间序列为采集参数的一个数据压缩周期的时间序列;
从任意一个采集节点的每个时间序列中分别选取一个特征数据,根据所述特征数据和其历史数据获取用于表示参数变化特性的数据变化率;
根据所述数据变化率对所述传感器节点的所有时间序列进行排序形成所述传感器节点的压缩矩阵。
优选的,所述根据所述数据变化率对所述传感器节点的所有时间序列进行排序形成所述传感器节点的压缩矩阵具体包括:
判断所有时间序列中是否存在数据变化率大于第一变化率阈值的时间序列;
若存在,按照第一规则对所有时间序列排序形成所述传感器节点的压缩矩阵;
若不存在,按照第二规则对所有时间序列排序形成所述传感器节点的压缩矩阵。
优选的,所述按照第一规则对所有时间序列排序形成所述传感器节点的压缩矩阵具体包括:
判断数据变化率大于第一变化率阈值的时间序列的数量;
当所述数量为一时,将该数据变化率对应的时间序列作为压缩矩阵的首列,其余时间序列按照数据变化率由大到小的顺序依次排序形成所述传感器节点的压缩矩阵;
当所述数量大于等于二时,根据预设周期和所述数据变化率获取第一时间序列集合中各时间序列的主变量系数;所述第一时间序列为数据变化率大于第一变化率阈值的各时间序列形成的数据集合;所述预设周期大于采集时间间隔;
将主变量系数最大的时间序列作为首列首列、第一时间序列中的其余时间序列按照数据变化率由大到小的顺序依次排列在首列之后形成压缩矩阵的前半部,第二时间序列集合中各时间序列随机排序形成压缩矩阵的后半部,所述压缩矩阵前半部和压缩矩阵后半部共同构成所述传感器节点的压缩矩阵,其中,所述第二时间序列集合为数据变化率小于等于第一变化率阈值的时间序列形成的数据集合。
优选的,所述按照第二规则对所有时间序列排序形成所述传感器节点的压缩矩阵具体包括:
根据各时间序列中的各采集数据和其历史数据获取各时间序列的自然状态数据变化率;
将所有时间序列按照所述自然状态数据变化率由大到小的顺序依次排序形成所述传感器节点的压缩矩阵。
优选的,通过下式获取所述数据变化率
其中,bps(t)为传感器节点p的采集参数s的数据变化率,ps(t)为传感器节点p的采集参数s的采集时间点t的采集数据,p′s(t-k)为传感器节点p的采集参数s的采集时间点t的采集数据在预设周期前的相当值,ps(t-1)和p′s(t-1)分别为传感器节点p的采集参数s的采集时间点t的采集数据的前一相邻采集数据和相邻采集数据的采集时间点的相当值,p′s(t-1-k)为传感器节点p的采集参数s的采集时间点t的采集数据的前一相邻采集数据的所述预设周期前的相当数据值p′s(t-2)为传感器节点p的采集参数s的采集时间点t的采集数据的前面第二个采集时间点的相当值,k为所述预设周期的采集点数;
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
优选的,通过下式获取所述主变量系数
其中,kr为在第一时间序列集合中的第r个时间序列中,对所述第r个时间序列中每个采集数据分别计算数据变化率时,从当前采集数据向前统计、数据变化率连续大于所述第一变化率阈值的采集数据的个数;λ、γ均为预设值,m为所述第一时间序列集合中时间序列的个数,j为所述第一时间序列集合中各时间序列的序号,br为所述第一时间序列集合中第r个时间序列的数据变化率,bj为所述第一时间序列集合中的第j个时间序列的数据变化率。
优选的,通过下式获取所述自然状态数据变化率
为传感器节点p的采集参数s的自然状态数据变化率,i为传感器节点p的采集参数s的采集时间点的序数,l为传感器节点p的采集参数s在一个数据压缩周期内的最大采集时间点数,p′s(-i)为传感器节点p的采集参数s在第i个采集时间点的相当值,p′s(-i-1)为传感器节点p的采集参数s在第-i-1个采集时间点的相当值,ps(-i-2)为传感器节点p的采集参数s在第-i-2个采集时间点的采集数据;
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
进一步地,在所述无线传感器网络中的任意一个传感器节点获取其任一采集参数的时间序列之后,从每个时间序列中分别选取一个特征数据之前,所述方法还包括:
根据每个时间序列中任一采集数据和其历史数据获取所述采集参数的时间异常阈值和时间序列中每个采集数据的第一幅度变化率;
当所述采集数据和其邻居采集数据均为第一幅度变化率大于等于所述时间幅度异常阈值的时间异常数据时,用所述采集数据所属时间序列中距离所述采集数据最近的时间非异常数据替代所述时间异常数据;其中,所述邻居采集数据为所述采集数据所属传感器节点的邻居节点中与所述采集数据为同一采集参数的同一采集时间点的采集数据,所述时间非异常数据为第一幅度变化率小于所述时间异常阈值的采集数据;
或,在所述无线传感器网络中的任意一个传感器节点获取其任一采集参数的时间序列之后,从每个时间序列中分别选取一个特征数据之前,所述方法还包括:
根据每个时间序列中任一采集数据和其历史数据获取所述采集参数的时间异常阈值和时间序列中每个采集数据的第一幅度变化率;
当所述采集数据为第一幅度变化率大于等于所述时间幅度异常阈值的时间异常数据时,若所述采集数据的邻居采集数据为时间非异常数据,根据所述采集数据、所述采集数据的历史数据、邻居采集数据和邻居采集数据的历史数据获取所述采集参数的空间异常阈值和所述采集数据的第二幅度变化率;其中,所述邻居采集数据为所述采集数据所属传感器节点的邻居节点中与所述采集数据为同一采集参数的同一采集时间点的采集数据,所述时间非异常数据为第一幅度变化率小于所述时间异常阈值的采集数据;
当所述第二幅度变化率大于等于所述空间异常阈值时,用所述采集数据所属时间序列中距离所述采集数据最近的时间非异常数据替代所述时间异常数据。
优选的,通过下式获得所述时间异常阈值
其中,
M时为时间异常阈值,为传感器节点p的采集参数s的采集数据的第一幅度变化率,i为传感器节点p的采集参数s的采集时间点的序数,l1为一预设的正整数,p′s(-i)为传感器节点p的采集参数s在第i个采集时间点的相当值,p′s(-i-1)为传感器节点p的采集参数s在第-i-1个采集时间点的相当值,ps(-i-2)为传感器节点p的采集参数s在第-i-2个采集时间点的采集数据,θ为一预设值,取值范围为(0,1);
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
优选的,通过下式获得所述空间异常阈值
其中,
M空为空间异常阈值,apsqs为传感器节点p的采集参数s的时间异常数据的第二幅度变化率,i为传感器节点p的采集参数s的采集时间点的序数,l2为一预设的正整数,p′s(-i)为传感器节点p的采集参数s在第-i个采集时间点的相当值,p′s(-i-1)为传感器节点p的采集参数s在第-i-1个采集时间点的相当值,qs(-i)为传感器节点q的采集参数s在第-i个采集时间点的采集数据,qs(-i-1)为传感器节点q的采集参数s在第-i-1个采集时间点的采集数据,σ为一预设值,取值范围为(0,1)。所述传感器节点q是传感器节点p的邻居节点;
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
由上述技术方案可知,本发明通过特征数据和其历史数据的关系对采集参数进行排序形成压缩矩阵,即形成的压缩矩阵的各参数之间是按照耦合性进行排序的,从而在用如小波压缩方式进行压缩时可以提高数据的压缩效率。
附图说明
图1为本发明一实施例提供的农田无线传感器网络参数间动态耦合压缩矩阵构建方法的流程图;
图2为本发明一实施例提供的农田无线传感器网络参数间动态耦合压缩矩阵构建方法中的参数为受控参数时建立压缩矩阵的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1示出了本发明一实施例提供的农田无线传感器网络参数间动态耦合压缩矩阵构建方法的流程图。
如图1所示,本实施例的一种农田无线传感器网络参数间动态耦合压缩矩阵构建方法,包括以下步骤:
S1、无线传感器网络中的任意一个传感器节点获取其任一采集参数的时间序列,所述时间序列为采集参数的一个数据压缩周期的时间序列;
S2、从每个时间序列中分别选取一个特征数据,根据所述特征数据和其历史数据获取用于表示参数变化特性的数据变化率;
S3、根据所述数据变化率对所述传感器节点的所有时间序列进行排序形成所述传感器节点的压缩矩阵。
优选的,优选的,通过下式获取所述数据变化率
其中,bps(t)为传感器节点p的采集参数s的数据变化率,ps(t)为传感器节点p的采集参数s的采集时间点t的采集数据,p′s(t-k)为传感器节点p的采集参数s的采集时间点t的采集数据在预设周期前的相当值,ps(t-1)和p′s(t-1)分别为传感器节点p的采集参数s的采集时间点t的采集数据的前一相邻采集数据和相邻采集数据的采集时间点的相当值,p′s(t-1-k)为传感器节点p的采集参数s的采集时间点t的采集数据的前一相邻采集数据的所述预设周期前的相当数据值p′s(t-2)为传感器节点p的采集参数s的采集时间点t的采集数据的前面第二个采集时间点的相当值,k为所述预设周期的采集点数;
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
本发明通过特征数据和其历史数据的关系对采集参数进行排序形成压缩矩阵,即形成的压缩矩阵的各参数之间是按照耦合性进行排序的,从而在用如小波压缩方式进行压缩时可以提高数据的压缩效率。
可通过上述方法对整个农田无线传感器网络的每个传感器节点形成压缩矩阵。
所述特征数据最好为在数据压缩时间点前距离所述数据压缩时间点最近的一个采集数据。该数据最能反映采集参数是否为受控参数。
优选的,S3、所述根据所述数据变化率对所述传感器节点的所有时间序列进行排序形成所述传感器节点的压缩矩阵具体包括:
S31、判断所有时间序列中是否存在数据变化率大于第一变化率阈值的时间序列;
S311、若存在,按照第一规则对所有时间序列排序形成所述传感器节点的压缩矩阵;
S312、若不存在,按照第二规则对所有时间序列排序形成所述传感器节点的压缩矩阵。
参照图2,优选的,所述S311、按照第一规则对所有时间序列排序形成所述传感器节点的压缩矩阵具体包括:
由于参数受控时数据变化较快,所以S3111、判断数据变化率大于第一变化率阈值的时间序列的数量;这样的采集参数认为是受控参数;
S3111a、当所述数量为一时,当所述数量为一时,将该数据变化率对应的时间序列作为压缩矩阵的首列,其余时间序列按照数据变化率由大到小的顺序依次排序形成所述传感器节点的压缩矩阵;此时认为其余采集参数与该受控参数的耦合性弱,比如受控参数为土壤湿度,而CO2的浓度不易受土壤湿度影响,则将土壤湿度放在首列,CO2的浓度放在后面形成压缩矩阵;
S3111b、当所述数量大于等于二时,根据预设周期和所述数据变化率获取第一时间序列集合中各时间序列的主变量系数;所述第一时间序列为数据变化率大于第一变化率阈值的各时间序列形成的数据集合;所述预设周期大于采集时间间隔;
S3112b、将主变量系数最大的时间序列作为首列首列、第一时间序列中的其余时间序列按照数据变化率由大到小的顺序依次排列在首列之后形成压缩矩阵的前半部,第二时间序列集合中各时间序列随机排序形成压缩矩阵的后半部,所述压缩矩阵前半部和压缩矩阵后半部共同构成所述传感器节点的压缩矩阵,其中,所述第二时间序列集合为数据变化率小于等于第一变化率阈值的时间序列形成的数据集合。
比如,可通过下式获取所述主变量系数
其中,kr为在第一时间序列集合中的第r个时间序列中,对所述第r个时间序列中每个采集数据分别计算数据变化率时,从当前采集数据向前统计、数据变化率连续大于所述第一变化率阈值的采集数据的个数;λ、γ均为预设值,m为所述第一时间序列集合中时间序列的个数,j为所述第一时间序列集合中各时间序列的序号,br为所述第一时间序列集合中第r个时间序列的数据变化率,bj为所述第一时间序列集合中的第j个时间序列的数据变化率。
比如对于传感器节点p的参数s的时间序列为
ps={ps(0),ps(-1),…,ps(-m)},
首先对于ps(0),调用公式
通过计算大于采集时间间隔的一个预设周期的数据变化可以获得更精确的受控参数,从而使压缩矩阵中的排序的耦合性更准确。
优选的,所述S312、按照第二规则对所有时间序列排序形成所述传感器节点的压缩矩阵具体包括:
S3121、根据各时间序列中的任一采集数据和其历史数据获取各时间序列的自然状态数据变化率;
S3122、将所有时间序列按照所述自然状态数据变化率由大到小的顺序依次排序形成所述传感器节点的压缩矩阵。
优选的,通过下式获取所述自然状态数据变化率
为传感器节点p的采集参数s的自然状态数据变化率,i为传感器节点p的采集参数s的采集时间点的序数,l为传感器节点p的采集参数s在一个数据压缩周期内的最大采集时间点数,p′s(-i)为传感器节点p的采集参数s在第i个采集时间点的相当值,p′s(-i-1)为传感器节点p的采集参数s在第-i-1个采集时间点的相当值,ps(-i-2)为传感器节点p的采集参数s在第-i-2个采集时间点的采集数据;
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
无论是自然状态还是受控状态,采集数据的变化都是一个平滑过渡的过程,而异常数据的分布往往具有随机性,且异常数据的存在会影响后续的数据处理、浪费有限的能量,对异常数据的忽视首先会导致在压缩过程中对其他数据的影响,如小波变换的压缩方式中,异常数据的存在直接影响小波分析的影响压缩和重构的效果,所以,进一步地,在所述S1、无线传感器网络中的任意一个传感器节点获取其任一采集参数的时间序列之后,S2、从每个时间序列中分别选取一个特征数据之前,所述方法还包括:
S4、根据每个时间序列中任一采集数据和其历史数据获取所述采集参数的时间异常阈值和时间序列中每个采集数据的第一幅度变化率;
S5、当所述采集数据和其邻居采集数据均为第一幅度变化率大于等于所述时间幅度异常阈值的时间异常数据时,用所述采集数据所属时间序列中距离所述采集数据最近的时间非异常数据替代所述时间异常数据;其中,所述邻居采集数据为所述采集数据所属传感器节点的邻居节点中与所述采集数据为同一采集参数的同一采集时间点的采集数据,所述时间非异常数据为第一幅度变化率小于所述时间异常阈值的采集数据;
或者,在所述S1、无线传感器网络中的任意一个传感器节点获取其任一采集参数的时间序列之后,S2、从每个时间序列中分别选取一个特征数据之前,所述方法还包括:
S6、根据每个时间序列中任一采集数据和其历史数据获取所述采集参数的时间异常阈值和时间序列中每个采集数据的第一幅度变化率;
S7、当所述采集数据为第一幅度变化率大于等于所述时间幅度异常阈值的时间异常数据时,若所述采集数据的邻居采集数据为时间非异常数据,根据所述采集数据、所述采集数据的历史数据、邻居采集数据和邻居采集数据的历史数据获取所述采集参数的空间异常阈值和所述采集数据的第二幅度变化率;其中,所述邻居采集数据为所述采集数据所属传感器节点的邻居节点中与所述采集数据为同一采集参数的同一采集时间点的采集数据,所述时间非异常数据为第一幅度变化率小于所述时间异常阈值的采集数据;
S8、当所述第二幅度变化率大于等于所述空间异常阈值时,用所述采集数据所属时间序列中距离所述采集数据最近的时间非异常数据替代所述时间异常数据。
优选的,通过下式获得所述时间异常阈值
其中,
M时为时间异常阈值,aps为传感器节点p的采集参数s的采集数据的第一幅度变化率,i为传感器节点p的采集参数s的采集时间点的序数,l1为一预设的正整数,p′s(-i)为传感器节点p的采集参数s在第i个采集时间点的相当值,p′s(-i-1)为传感器节点p的采集参数s在第-i-1个采集时间点的相当值,ps(-i-2)为传感器节点p的采集参数s在第-i-2个采集时间点的采集数据,θ为一预设值,取值范围为(0,1);
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
θ为一预设值,取值范围为(0,1)。其中l1的大小与数据采集时间间隔和各采集数据的平均变化率有关,平均变化率越快,l1的值应选取的越小,反之,l1的值应选取的越大,平均变化率快时,选取的数据数量越少,得到的结果越精确,而平均变化率慢时,选取的数据数量越多,得到的结果越精确,θ的大小与时间距离有关:距离待判断的数据采集时间点的时间越长,θ越小。之所以采用上述公式的就计算结果作为时间异常阈值是因为增加与待判断的数据采集时间点距离更近的采集点的权值。
优选的,通过下式获得所述空间异常阈值
其中,
其中,
M空为空间异常阈值,为传感器节点p的采集参数s的时间异常数据的第二幅度变化率,i为传感器节点p的采集参数s的采集时间点的序数,l2为一预设的正整数,p′s(-i)为传感器节点p的采集参数s在第-i个采集时间点的相当值,p′s(-i-1)为传感器节点p的采集参数s在第-i-1个采集时间点的相当值,qs(-i)为传感器节点q的采集参数s在第-i个采集时间点的采集数据,qs(-i-1)为传感器节点q的采集参数s在第-i-1个采集时间点的采集数据,σ为一预设值,取值范围为(0,1)。所述传感器节点q是传感器节点p的邻居节点;
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
σ为一预设值,取值范围为(0,1)。其中,l2的大小与数据采集时间间隔和数据的平均变化率有关,平均变化率越快,l2的值应选取的越小,反之,l2的值应选取的越大,平均变化率快时,选取的数据数量越少,得到的结果越精确,而平均变化率慢时,选取的数据数量越多,得到的结果越精确,σ的大小与两传感器节点之间的距离相关,取值范围是(0,1)。两传感器节点之间的距离越大,σ应越大。
上述方法可以去除采集数据中的异常数据,去除异常点能够降低异常数据在数据压缩和重构过程中对其它非异常数据的影响,不会导致信号重建时正常数据的偏差,从而可以提供准确的监测结果。而用所述采集数据所属时间序列中距离所述采集数据最近的时间非异常数据替代所述时间异常数据可以保证压缩矩阵的完整性,从而保证传输的数据的完整性和真实性。
通过下面例子说明本发明的方法。
某个传感器节点i在采集时间点t采集的M个参数在完成的排序为:
I(t)=[i1(t)i2(t)i3(t)…iM(t)]
则传感器节点i存储的采集时间点t-T到时刻t的M×(T+1)阶压缩矩阵记为
其中,u+1为一个数据压缩周期内的最大采集时间点数。
通过本发明方法形成的压缩矩阵I(t-u,t)的每一行、每一列的数据(每一列为一个采集参数的时间序列)之间存在耦合性,并且每一行中的各采集数据之间按照参数间耦合性强弱依次排列,此处设排在越前面的采集参数之间的耦合性越强。
接下来对压缩矩阵I(t-u,t)进行二维离散小波变换,得到一组小波系数w(1)(I(t-u,t))。这组系数包括4个频率子带:低频子带,参数间高频子带,时间序列高频子带,对角高频子带。
由于原始矩阵I(t-u,t)在列方向具有相关性以及在行方向的由强到弱的相关性,经过小波变换后获得的小波系数具有相关性特性,这一特性有利于小波系数的进一步分解和压缩,即有利于提高数据的压缩效果。
当环境参数间的耦合关系发生变化,矩阵I(t-u,t)中各参数的排列顺序发生变化,即压缩矩阵结构发生变化。
本文中所有公式中的-i中的-i表示的就是第i个采集时间点。
本文中的历史采集数据指的是某一采集数据对应的采集参数的时间序列中该采集数据的采集时间点之前的采集数据。
本领域普通技术人员可以理解:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (10)
1.一种农田无线传感器网络参数间动态耦合压缩矩阵构建方法,其特征在于,包括以下步骤:
无线传感器网络中的任意一个传感器节点获取其任一采集参数的时间序列,所述时间序列为采集参数的一个数据压缩周期的时间序列;
从每个时间序列中分别选取一个特征数据,根据所述特征数据和其历史数据获取用于表示参数变化特性的数据变化率;
根据所述数据变化率对所述传感器节点的所有时间序列进行排序形成所述传感器节点的压缩矩阵。
2.根据权利要求1所述的农田无线传感器网络参数间动态耦合压缩矩阵构建方法,其特征在于,所述根据所述数据变化率对所述传感器节点的所有时间序列进行排序形成所述传感器节点的压缩矩阵具体包括:
判断所有时间序列中是否存在数据变化率大于第一变化率阈值的时间序列;
若存在,按照第一规则对所有时间序列排序形成所述传感器节点的压缩矩阵;
若不存在,按照第二规则对所有时间序列排序形成所述传感器节点的压缩矩阵。
3.根据权利要求2所述的农田无线传感器网络参数间动态耦合压缩矩阵构建方法,其特征在于,所述按照第一规则对所有时间序列排序形成所述传感器节点的压缩矩阵具体包括:
判断数据变化率大于第一变化率阈值的时间序列的数量;
当所述数量为一时,将该数据变化率对应的时间序列作为压缩矩阵的首列,其余时间序列按照数据变化率由大到小的顺序依次排序形成所述传感器节点的压缩矩阵;
当所述数量大于等于二时,根据预设周期和所述数据变化率获取第一时间序列集合中各时间序列的主变量系数;所述第一时间序列为数据变化率大于第一变化率阈值的各时间序列形成的数据集合;所述预设周期大于采集时间间隔;
将主变量系数最大的时间序列作为首列、第一时间序列中的其余时间序列按照数据变化率由大到小的顺序依次排列在首列之后形成压缩矩阵的前半部,第二时间序列集合中各时间序列随机排序形成压缩矩阵的后半部,所述压缩矩阵前半部和压缩矩阵后半部共同构成所述传感器节点的压缩矩阵,其中,所述第二时间序列集合为数据变化率小于等于第一变化率阈值的时间序列形成的数据集合。
4.根据权利要求1所述的农田无线传感器网络参数间动态耦合压缩矩阵构建方法,其特征在于,所述按照第二规则对所有时间序列排序形成所述传感器节点的压缩矩阵具体包括:
根据各时间序列中的各采集数据和其历史数据获取各时间序列的自然状态数据变化率;
将所有时间序列按照所述自然状态数据变化率由大到小的顺序依次排序形成所述传感器节点的压缩矩阵。
5.根据权利要求1-4中任一项所述的农田无线传感器网络参数间动态耦合压缩矩阵构建方法,其特征在于,通过下式获取所述数据变化率
其中,bps(t)为传感器节点p的采集参数s的数据变化率,ps(t)为传感器节点p的采集参数s的采集时间点t的采集数据,p′s(t-k)为传感器节点p的采集参数s的采集时间点t的采集数据在预设周期前的相当值,ps(t-1)和p′s(t-1)分别为传感器节点p的采集参数s的采集时间点t的采集数据的前一相邻采集数据和相邻采集数据的采集时间点的相当值,p′s(t-1-k)为传感器节点p的采集参数s的采集时间点t的采集数据的前一相邻采集数据的所述预设周期前的相当数据值p′s(t-2)为传感器节点p的采集参数s的采集时间点t的采集数据的前面第二个采集时间点的相当值,k为所述预设周期的采集点数;
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
6.根据权利要求3所述的农田无线传感器网络参数间动态耦合压缩矩阵构建方法,其特征在于,通过下式获取所述主变量系数
其中,kr为在第一时间序列集合中的第r个时间序列中,对所述第r个时间序列中每个采集数据分别计算数据变化率时,从当前采集数据向前统计、数据变化率连续大于所述第一变化率阈值的采集数据的个数;λ、γ均为预设值,m为所述第一时间序列集合中时间序列的个数,j为所述第一时间序列集合中各时间序列的序号,br为所述第一时间序列集合中第r个时间序列的数据变化率,bj为所述第一时间序列集合中的第j个时间序列的数据变化率。
7.根据权利要求4所述的农田无线传感器网络参数间动态耦合压缩矩阵构建方法,其特征在于,通过下式获取所述自然状态数据变化率
为传感器节点p的采集参数s的自然状态数据变化率,i为传感器节点p的采集参数s的采集时间点的序数,l为传感器节点p的采集参数s在一个数据压缩周期内的最大采集时间点数,p′s(-i)为传感器节点p的采集参数s在第i个采集时间点的相当值,p′s(-i-1)为传感器节点p的采集参数s在第-i-1个采集时间点的相当值,ps(-i-2)为传感器节点p的采集参数s在第-i-2个采集时间点的采集数据;
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
8.根据权利要求1-7中任一项所述的农田无线传感器网络参数间动态耦合压缩矩阵构建方法,其特征在于,在所述无线传感器网络中的任意一个传感器节点获取其任一采集参数的时间序列之后,从每个时间序列中分别选取一个特征数据之前,所述方法还包括:
根据每个时间序列中任一采集数据和其历史数据获取所述采集参数的时间异常阈值和时间序列中每个采集数据的第一幅度变化率;
当所述采集数据和其邻居采集数据均为第一幅度变化率大于等于所述时间幅度异常阈值的时间异常数据时,用所述采集数据所属时间序列中距离所述采集数据最近的时间非异常数据替代所述时间异常数据;其中,所述邻居采集数据为所述采集数据所属传感器节点的邻居节点中与所述采集数据为同一采集参数的同一采集时间点的采集数据,所述时间非异常数据为第一幅度变化率小于所述时间异常阈值的采集数据;
或,在所述无线传感器网络中的任意一个传感器节点获取其任一采集参数的时间序列之后,从每个时间序列中分别选取一个特征数据之前,所述方法还包括:
根据每个时间序列中任一采集数据和其历史数据获取所述采集参数的时间异常阈值和时间序列中每个采集数据的第一幅度变化率;
当所述采集数据为第一幅度变化率大于等于所述时间幅度异常阈值的时间异常数据时,若所述采集数据的邻居采集数据为时间非异常数据,根据所述采集数据、所述采集数据的历史数据、邻居采集数据和邻居采集数据的历史数据获取所述采集参数的空间异常阈值和所述采集数据的第二幅度变化率;其中,所述邻居采集数据为所述采集数据所属传感器节点的邻居节点中与所述采集数据为同一采集参数的同一采集时间点的采集数据,所述时间非异常数据为第一幅度变化率小于所述时间异常阈值的采集数据;
当所述第二幅度变化率大于等于所述空间异常阈值时,用所述采集数据所属时间序列中距离所述采集数据最近的时间非异常数据替代所述时间异常数据。
9.根据权利要求8所述的农田无线传感器网络参数间动态耦合压缩矩阵构建方法,其特征在于,通过下式获得所述时间异常阈值
其中,
M时为时间异常阈值,为传感器节点p的采集参数s的采集数据的第一幅度变化率,i为传感器节点p的采集参数s的采集时间点的序数,l1为一预设的正整数,p′s(-i)为传感器节点p的采集参数s在第i个采集时间点的相当值,p′s(-i-1)为传感器节点p的采集参数s在第-i-1个采集时间点的相当值,ps(-i-2)为传感器节点p的采集参数s在第-i-2个采集时间点的采集数据,θ为一预设值,取值范围为(0,1);
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
10.根据权利要求8所述的农田无线传感器网络参数间动态耦合压缩矩阵构建方法,其特征在于,通过下式获得所述空间异常阈值
其中,
M空为空间异常阈值,为传感器节点p的采集参数s的时间异常数据的第二幅度变化率,i为传感器节点p的采集参数s的采集时间点的序数,l2为一预设的正整数,p′s(-i)为传感器节点p的采集参数s在第-i个采集时间点的相当值,p′s(-i-1)为传感器节点p的采集参数s在第-i-1个采集时间点的相当值,qs(-i)为传感器节点q的采集参数s在第-i个采集时间点的采集数据,qs(-i-1)为传感器节点q的采集参数s在第-i-1个采集时间点的采集数据,σ为一预设值,取值范围为(0,1)。所述传感器节点q是传感器节点p的邻居节点;
p′s(x)为传感器节点p的采集参数s的第x采集时间点的相当值,ps(x)为传感器节点p的采集参数s的时间序列内第x采集时间点的采集数据,ps(x)为传感器节点p的采集参数s的时间序列中的第x采集时间点的采集数据,ps(x-f)为传感器节点p的采集参数s的时间序列内ps(x)之前距离ps(x)最近的非0采集数据;ε为大于0,小于等于0.05的实数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510609483.XA CN105208120B (zh) | 2015-09-22 | 2015-09-22 | 农田无线传感器网络参数间动态耦合压缩矩阵构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510609483.XA CN105208120B (zh) | 2015-09-22 | 2015-09-22 | 农田无线传感器网络参数间动态耦合压缩矩阵构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105208120A true CN105208120A (zh) | 2015-12-30 |
CN105208120B CN105208120B (zh) | 2018-09-11 |
Family
ID=54955543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510609483.XA Active CN105208120B (zh) | 2015-09-22 | 2015-09-22 | 农田无线传感器网络参数间动态耦合压缩矩阵构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105208120B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107621281A (zh) * | 2017-08-25 | 2018-01-23 | 吴世贵 | 一种稻田环境检测控制方法 |
CN108173972A (zh) * | 2018-02-10 | 2018-06-15 | 杭州后博科技有限公司 | 一种减小铁塔数据传输量的方法及系统 |
CN108616970A (zh) * | 2016-12-28 | 2018-10-02 | 中国电信股份有限公司 | 物联网终端休眠周期调节方法、物联网终端和服务器 |
CN110119397A (zh) * | 2019-04-18 | 2019-08-13 | 东南大学 | 一种同时实现数据异常检测及数据压缩的深度学习方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070030816A1 (en) * | 2005-08-08 | 2007-02-08 | Honeywell International Inc. | Data compression and abnormal situation detection in a wireless sensor network |
CN101801006A (zh) * | 2010-01-18 | 2010-08-11 | 北京农业智能装备技术研究中心 | 土壤湿度传感器网络系统及土壤湿度信息的获取方法 |
CN102202349A (zh) * | 2011-05-18 | 2011-09-28 | 杭州电子科技大学 | 基于自适应最优消零的无线传感器网络数据压缩方法 |
-
2015
- 2015-09-22 CN CN201510609483.XA patent/CN105208120B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070030816A1 (en) * | 2005-08-08 | 2007-02-08 | Honeywell International Inc. | Data compression and abnormal situation detection in a wireless sensor network |
CN101801006A (zh) * | 2010-01-18 | 2010-08-11 | 北京农业智能装备技术研究中心 | 土壤湿度传感器网络系统及土壤湿度信息的获取方法 |
CN102202349A (zh) * | 2011-05-18 | 2011-09-28 | 杭州电子科技大学 | 基于自适应最优消零的无线传感器网络数据压缩方法 |
Non-Patent Citations (2)
Title |
---|
FRANCESCO MARCELLONI等: "A Simple Algorithm for data Compression in Wireless Sensor Network", 《IEEE COMMUNICATIONS LETTERS》 * |
王玲等: "基于时间相关性的无线传感器网络数据压缩与优化算法", 《计算机应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616970A (zh) * | 2016-12-28 | 2018-10-02 | 中国电信股份有限公司 | 物联网终端休眠周期调节方法、物联网终端和服务器 |
CN108616970B (zh) * | 2016-12-28 | 2021-05-14 | 中国电信股份有限公司 | 物联网终端休眠周期调节方法、物联网终端和服务器 |
CN107621281A (zh) * | 2017-08-25 | 2018-01-23 | 吴世贵 | 一种稻田环境检测控制方法 |
CN108173972A (zh) * | 2018-02-10 | 2018-06-15 | 杭州后博科技有限公司 | 一种减小铁塔数据传输量的方法及系统 |
CN108173972B (zh) * | 2018-02-10 | 2021-01-19 | 杭州后博科技有限公司 | 一种减小铁塔数据传输量的方法及系统 |
CN110119397A (zh) * | 2019-04-18 | 2019-08-13 | 东南大学 | 一种同时实现数据异常检测及数据压缩的深度学习方法 |
CN110119397B (zh) * | 2019-04-18 | 2023-06-30 | 东南大学 | 一种同时实现数据异常检测及数据压缩的深度学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105208120B (zh) | 2018-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106815971B (zh) | 一种基于rbf神经网络的滑坡灾害预报方法 | |
CN103324980B (zh) | 一种风电场风速预测方法 | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN105208120A (zh) | 农田无线传感器网络参数间动态耦合压缩矩阵构建方法 | |
CN106022529A (zh) | 一种基于高维随机矩阵的配电网异常数据检测方法 | |
CN103605734B (zh) | 基于特征向量的数据传输压缩方法及其系统 | |
CN104751229A (zh) | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 | |
CN105184391A (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
CN112905379B (zh) | 基于自我注意力机制的图自编码器的交通大数据修复方法 | |
CN112033463A (zh) | 一种核动力设备状态评估与预测一体化方法和系统 | |
CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
CN109684314A (zh) | 一种基于空间结构的无线传感器网络缺失值估计方法 | |
CN110087207A (zh) | 无线传感器网络缺失数据重建方法 | |
CN103914740B (zh) | 一种基于数据驱动的输电线路覆冰预测与自校正方法 | |
CN109450405A (zh) | 一种应用于ad采集中的复合式软件滤波方法及系统 | |
CN102707713B (zh) | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 | |
CN106961104A (zh) | 基于数据分析和组合基函数神经网络的风电功率预测方法 | |
CN104112062A (zh) | 基于插值方法的风资源分布的获取方法 | |
CN104392400A (zh) | 一种电力营销缺失数据补全方法 | |
CN114065919A (zh) | 一种基于生成对抗网络的缺失值补全方法及介质 | |
CN107870591A (zh) | 一种基于互联网的地下工程变形远程自动监控控制系统 | |
CN116684878A (zh) | 一种5g信息传输数据安全监测系统 | |
Al-Omary et al. | Prediction of energy in solar powered wireless sensors using artificial neural network | |
Adnan et al. | New Artificial Neural Network and Extended Kalman Filter hybrid model of flood prediction system | |
CN103702282A (zh) | 一种基于迁移压缩感知的多种类多目标被动式定位方法 |
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 |