CN105338602A - 一种基于虚拟mimo的压缩数据收集方法 - Google Patents

Abstract

本发明公开了一种基于虚拟MIMO的压缩数据收集方法，结合了压缩感知和MIMO传输技术，依据能量最优原则对网络的分簇数目、压缩测量矩阵的稀疏率和压缩比、参与协作传输的节点数目以及远程传输时调制的星座图大小进行联合优化，从而能够以低能耗实现压缩数据收集。本发明能降低数据收集过程中的传输能耗和丢包率，从而能提高无线传感网的数据收集效率，延长网络的生存周期。

Description

一种基于虚拟MIMO的压缩数据收集方法

技术领域

本发明属于无线传输技术领域，具体是一种应用于无线传感网络中的基于虚拟MIMO的能量有效压缩数据收集方法。

背景技术

众所周知无线传感器网络中的传感器节点一般采用体积很小的嵌入式设备，单个节点携带的电池电量有限。而无线传感器网络的应用通常面向一些大规模的监控领域，需要收集海量的监测数据，因此如何降低节点能耗实现无线传感器网络数据的有效收集是当前急需解决的关键问题。

压缩感知技术恰好提供了一种数据获取的新方法，通过对稀疏信号进行简单的压缩投影，能够大大降低信号的维数，即能够极大地对数据进行压缩。在接收端利用合适的信号重建算法可以高概率的重建原始信号。对于一些监测数据本身非稀疏但在某个表示基上稀疏的情况采用稀疏变换以保障信号的稀疏性。可以看到压缩感知技术对于发端数据的压缩测量是非常简单和节能的，而将信号处理的复杂度转移到了接收端，这一特点与无线传感器网络节点能耗受限而数据汇聚端SINK处理能力强的特性相一致。

而现有的基于分簇网络的压缩感知数据收集方法，簇内节点通过单跳路由将压缩测量数据传输给簇头节点，但簇间通信仍然采用基于树的多跳路由方法。这将带来以下问题：

1.路由跳数多会造成数据传输过程中的丢包率增加、网络延迟相应增大；

2.无线传感网具有高的环境交互性，无线传感网应用环境的多样性造成传播信道的复杂性，仅依靠单个节点的传输能力无法克服复杂环境的影响同时做到最大程度的节省通信开销。

发明内容

本发明是为了解决现有无线传感网络数据收集过程中传输的能量代价过大，传输丢包率高易出错的问题，提供一种基于虚拟MIMO的压缩数据收集方法，以期能降低数据收集过程中的传输能耗和丢包率，从而能提高无线传感网的数据收集效率，延长网络的生存周期。

本发明为解决技术问题采用如下技术方案：

本发明一种基于虚拟MIMO的压缩数据收集方法，是应用在由N个传感器节点和一个数据汇聚端SINK构成的无线传感网络中；所述N个传感器节点分别用于获取监测数据并经由其它传感器节点采用调制方式发送给所述数据汇聚端SINK；所述数据汇聚端SINK接收所述N各传感器节点的监测数据并发送至远程网络；其特点是按如下步骤进行：

步骤1、根据所述无线传感网络监测区域的覆盖范围，获得所述N个传感器节点到所述数据汇聚端SINK的平均距离；

步骤2、利用式(1)建立不同传输距离下的虚拟MIMO的压缩数据收集能耗模型E_total：

$E_{total}=\underset{i=1}{\overset{n_c}{\Σ}}(E_i^{local}+E_i^{long})---\left(1\right)$

式(1)中，E_total表示所述无线传感网络的总通信能耗，n_c为所述无线传感网络的分簇个数，表示第i个分簇内的各节点与所述第i个分簇内的簇头节点间的本地通信能耗之和，表示所述第i个分簇内的虚拟MIMO天线阵列与所述数据汇聚端SINK的协作远程通信能耗；

步骤3、利用式(2)对所述压缩数据收集能耗模型E_total进行优化，获得联合优化结果(β,ρ,n_c,M_t,b)：

(β,ρ,n_c,M_t,b)＝argminE_total(β,ρ,n_c,M_t,b)(2)

式(2)中，β表示所述压缩测量过程中测量矩阵的稀疏率；ρ表示所述压缩测量过程中的压缩比；M_t表示所述虚拟MIMO天线阵列所包含的传感器节点个数；b表示所述调制过程中的星座图大小；

步骤4、所述数据汇聚端SINK将存储所述联合优化结果(β,ρ,n_c,M_t,b)，并根据所述稀疏率β和压缩比ρ产生所述压缩测量矩阵，并获得测量权值，所述数据汇聚端SINK将联合优化的优化参数(M_t,b)和所述压缩测量矩阵的测量权值广播给N个传感器节点；

步骤5、根据所述分簇个数n_c对所述无线传感网络进行分簇，产生n_c个簇头节点并由簇头节点分别广播告知其它传感器节点；

步骤6、所述N个传感器节点分别接收簇头位置信息、联合优化的优化参数(M_t,b)以及测量权值并进行存储；

步骤7、所述无线传感网络中的N-n_c个传感器节点分别根据自身到n_c个簇头节点的距离，选择最近的簇头节点后分别加入所选择的簇头节点中，并将自身的位置信息和剩余能量告知给所加入的簇头节点，从而形成n_c个分簇；

步骤8、所述第i个分簇内的簇头节点对所述第i个分簇内的其它传感器节点的剩余能量进行排序，选择剩余能量最高的前M_t个传感器节点形成第i个分簇的虚拟MIMO天线阵列；

步骤9、所述第i个分簇内的所有传感器节点将所收集到的监测数据进行压缩测量后按时序分别发送给各自的簇头节点；

步骤10、所述n_c个簇头节点将所述接收到的压缩后的监测数据执行加法运算后通过各自的虚拟MIMO天线阵列发给所述数据汇聚端SINK；

步骤11、所述数据汇聚端SINK对所接收到所述压缩后的测量数据后进行数据重构，以恢复出所有传感器节点的监测数据，从而完成数据的收集；

步骤12、所述数据汇聚端SINK收集完所有传感器节点的数据后发送至远程网络。

本发明所述的基于虚拟MIMO的压缩数据收集方法的特点也在于：

所述步骤10中的n_c个簇头节点是根据所述测量矩阵的维度对所接收到的压缩后的测量数据进行加法运算处理后再发送给所述虚拟MIMO天线阵列。

本发明结合了压缩感知和MIMO传输技术，依据能量最优原则对网络的分簇数目、压缩测量矩阵的稀疏率和压缩比、参与协作传输的节点数目以及远程传输时调制的星座图大小进行联合优化，从而能够以低能耗实现压缩数据收集。与现有技术相比，本发明的有益技术效果体现在：

1.本发明的数据收集方案采用了压缩测量和虚拟MIMO的传输技术，建立压缩数据收集的能耗模型，并在具有较强信息处理能力的数据汇聚端SINK对能耗进行联合优化，依据优化结果产生压缩测量的测量矩阵、形成分簇和每个分簇内的虚拟MIMO传输阵列。相比于现有的基于压缩感知的数据收集方案，本发明的数据压缩测量和传输是一个联合整体，以联合优化的方式使得所有传感器节点的压缩测量和传输都能够以低的能量代价进行，同时采用虚拟MIMO天线阵列传输压缩数据，能够利用多天线的分集增益克服了复杂环境的影响提高传输性能，减少了路由跳数，实现了无线传感网中高效的压缩数据收集，提高了无线传感网的网络生存周期。

2.本发明所采用的压缩数据收集的能耗模型，综合考虑了五个通信过程；能耗模型中忽略了压缩测量过程中的乘法运算、簇头节点接收数据之后的加法运算的能耗和分簇形成过程中的能耗，而数据汇聚端SINK因为体积不受限，能量也不受限，不需要对这部分能耗进行优化。因此本发明建立的能耗模型忽略了一些能够忽略的能量计算环节，简化了能耗表达式。

3.本发明通过对能耗模型进行联合优化，和现有的基于虚拟MIMO传输技术的能耗优化模型相比，本发明在进行能量优化时，考虑了压缩测量矩阵的稀疏率β和压缩比ρ的影响。设定低的稀疏率β，传感器节点获得的压缩数据中非零元素变少，需要发送给簇头节点的数据量也就变小，相应的通信能耗也会降低，但根据压缩感知理论测量矩阵的稀疏率β设置过低，会造成压缩后有效值太少，使得数据汇聚端SINK在进行重构时达不到精度要求。压缩比ρ越小，压缩率越高，压缩测量矩阵的规模变小，传感器节点获得的压缩数据总量会变小，相应的通信能耗也会变小，但同样根据压缩感知理论，设置过小的压缩比会造成对原始数据的测量不充分，重构达不到精度要求。通过联合优化，最终找到一组最优的稀疏率β和压缩比ρ的组合，从而产生压缩测量矩阵Φ。因此在能量优化时结合稀疏率β，压缩比ρ，分簇个数，虚拟MIMO天线阵列所包含的传感器节点个数，调制过程中的星座图大小五个参数进行联合优化，确保满足重构精度同时使得数据收集能耗最小。

4.本发明依据稀疏率β和压缩比ρ产生压缩测量矩阵，测量矩阵的每一列向量值对应一个传感器节点的测量权值，只有测量权值为非零时传感器节点需要向簇头节点发送数据，其余测量权值为零时传感器节点因为压缩测量后值为零，不需要向簇头节点发送数据。因此依据稀疏率β，β＜＜1产生的测量矩阵使得传感器节点的大部分测量权值为零，使得在每一轮的数据收集过程中传感器节点需要向簇头节点发送的数据大大减少，大大降低了节点的通信能耗。

5.本发明所有的传感器节点对优化参数和测量权值进行接收并存储，因为以上采用的测量矩阵为稀疏矩阵，测量权值大部分元素为零，相比于传统的采用密集测量矩阵进行压缩的方法，可以大大降低了所需的存储器单元。

6.本发明根据联合优化结果，形成分簇和虚拟MIMO传输阵列进行虚拟MIMO传输，而现有的压缩数据收集方法，一类采用不分簇的多跳路由策略传输数据，一类采用分簇的多跳路由策略传输数据，但无论采用哪类路由策略，现有方法在传输过程中均使用单天线的传输技术，一方面需要很多的路由跳数才能到达SINK端，增加丢包率，另一方面单天线的传输能力有限，在复杂应用环境下受衰落影响，传输性能差且消耗能量大，本发明采用的虚拟MIMO传输是利用多个传感器节点形成一个虚拟的MIMO传输阵列，利用多天线的增益降低了传输能耗，提高了传输性能。

7.本发明对压缩测量和虚拟MIMO传输进行联合优化，获得压缩参数和传输参数的一组最优组合(β,ρ,n_c,M_t,b)，相比于现有的数据收集方案没有考虑到两者的整体性，只针对传输过程进行优化的方式，本发明采用的方法具有更低的能量消耗。

8.本发明簇头节点是根据所述测量矩阵的维度对所接收到的压缩数据进行加法运算处理后再发送给所述虚拟MIMO天线阵列，现有的虚拟MIMO传输技术中簇头节点要将接收到的来自于各传感器节点的数据进行数据融合去除大量冗余数据后再发送给虚拟MIMO阵列，融合过程是一个数据处理过程有一定的能量消耗，而本发明中即使采用了虚拟MMO传输技术，由于结合了压缩感知测量，簇头节点不需要数据融合过程，只要根据测量矩阵的维度对接收到的数据进行加法运算处理，因此簇头的数据处理简单，这部分的能量消耗可以忽略，此外由压缩测量矩阵维度决定加法运算维度，因此相比于现有的虚拟MIMO传输技术，本发明中簇头需要发送的数据量更小。

附图说明

图1为本发明的数据收集网络模型；

图2为本发明系的系统结构图；

图3为本发明的虚拟MIMO压缩数据收集方案时序分配图；

图4为现有技术中虚拟MIMO传输系统结构图；

图5为节点部署在网络外部时本发明与现有单天线压缩收集方法的能效比较图；

图6为节点部署在网络中心时本发明与现有单天线压缩收集方法的能效比较图。

具体实施方式

本实施例中，一种基于虚拟MIMO(MultipleInputMultipleOutput)的压缩数据收集方法，是应用在由N个传感器节点和一个数据汇聚端SINK构成的无线传感网络中；在数据汇聚端SINK建立能耗模型并进行多参数联合优化获得数据压缩收集的各项优化参数(β,ρ,n_c,M_t,b)和压缩测量矩阵Φ；N个传感器节点分别用于获取监测数据并经过压缩测量矩阵的压缩测量后获得压缩数据；压缩数据经由其它传感器节点依据所述数据压缩收集的各项优化参数形成虚拟MIMO阵列采用调制方式发送给所述数据汇聚端SINK；数据汇聚端SINK接收所述压缩数据，对压缩数据进行重构以恢复N个传感器节点的监测数据并发送至远程网络；参照图2所示的数据收集方案的系统结构，本发明所提出的虚拟MIMO压缩数据收集方案分为三个阶段，各阶段具体的时序分配图参照图3：

一.预备阶段：

步骤1、根据所述无线传感网络监测区域的覆盖范围，获得N个传感器节点到所述数据汇聚端SINK的平均距离，如图1所示的网络模型图画出了其中一种位置关系，即数据汇聚端SINK在无线传感网络的外部，在具体实现时也可以采用另一种位置关系，即数据汇聚端SINK在无线传感网络的中心；

步骤2、利用式(1)建立不同传输距离下的虚拟MIMO的压缩数据收集能耗模型E_total：

$E_{total}=\underset{i=1}{\overset{n_c}{\Σ}}(E_i^{local}+E_i^{long})---\left(1\right)$

式(1)中，E_total表示无线传感网络的总通信能耗，n_c为无线传感网络的分簇个数，表示第i个分簇内的各节点与第i个分簇内的簇头节点间的本地通信能耗之和，表示第i个分簇内的虚拟MIMO天线阵列与数据汇聚端SINK的协作远程通信能耗；

在预备阶段，本发明提出了一种“基于压缩感知和虚拟MIMO传输的联合能量优化模型”，

式(1)的能耗模型，综合考虑了以下五个过程的能量消耗：

过程一：所有传感器节点将测量数据发送给各自的簇头节点；

过程二：簇头节点接收簇内传感器节点的数据；

过程三：各个分簇内簇头节点发送数据给虚拟MIMO传输阵列；

过程四：各个分簇内组成虚拟MIMO天线阵列的M_t个传感器节点接收来自于簇头节点的数据；

过程五：各分簇内虚拟MIMO传输阵列发送数据到数据汇聚端SINK；

过程一到过程四需要的总能耗称为本地通信能耗之和，过程五需要的能耗称为协作远程通信能耗。能耗模型中忽略了压缩测量过程中的乘法运算、簇头节点接收数据之后的加法运算的能耗和分簇形成过程中的能耗，是因为这三部分的能耗值相比于发送和接收数据过程消耗的能耗非常小，可以忽略。而数据汇聚端SINK因为体积不受限，能量也不受限，不需要对这部分能耗进行优化。

对于式(1)中各部分的求解如下：

式(1)中第i个分簇内本地通信能耗之和包含发送机前端功率放大器的发送能量消耗和接收、发送机的其它电路模块的能量消耗，发送机前端功率放大器的发送能量消耗我们简称之为传输能耗，用上标tran加以区分，表示为接收、发送机的其它电路模块的能量消耗，我们简称之为电路能耗，用上标elc加以区分，表示为对于协作远程通信采用相同的表示方法，因此本地通信能耗之和和协作远程通信能耗均可以表示为传输能耗和电路能耗的和：

$E_i^{local}=E_i^{loc\_tran}+E_i^{loc\_elc}---\left(2\right)$

$E_i^{long}=E_i^{lon\_tran}+E_i^{lon\_elc}---\left(3\right)$

因为本地通信包含了四个过程，过程一和过程三是发送数据的过程，存在传输能耗和发送机的电路能耗，我们分别计算。首先计算本地通信传输能耗，本地通信传输能耗为过程一的传输能耗和过程三的传输能耗之和，

$E_i^{loc\_tran}=E_i^{loc\_tran\_s}+E_i^{loc\_tran\_c}---\left(4\right)$

节点发送天线上前端功率放大器的能耗定义为传输能耗。根据本地通信的特点，节点距离短、信道为一平方衰落的加性白高斯噪声信道，通信方式采用传统的单天线传输和接收方式，调制方式采用二进制相移键控BPSK。

过程一的传输能耗为传感器节点需要的发送功率P_i ^loc_tran_s和传输数据所需要的平均时间T_i ^on_loc的乘积，那么第i个簇内的过程一的传输能耗可计算为：

$E_i^{loc\_tran\_s}=\underset{i=1}{\overset{N_i-1}{\Σ}}{P}_i^{loc\_tran\_s}\×T_i^{on\_loc\_s}---\left(5\right)$

式(5)中N_i为第i个簇内的传感器节点数目，本数据收集方案采用的是随机的稀疏测量矩阵，压缩测量矩阵中非零元素的位置是随机选取的，仅仅通过测量矩阵的稀疏率β和压缩比ρ限制其行权重和列权重。稀疏率β定义为压缩测量矩阵中非零元素的个数与所有元素的总个数的比值；压缩比ρ定义为压缩测量矩阵的行数目M与无线传感网中传感器数目N的比值，压缩测量矩阵表示为Φ，其维数为M×N，因非零元素位置的随机性对于每一次压缩测量数据的获取，分配到非零测量权值的节点的分布也具有随机性，但压缩测量矩阵列权重为l＝βM，即测量矩阵的每一行中非零元素的值有l个，M取决于压缩测量的压缩比。传感器节点根据分配的测量权值进行压缩测量，当测量值为非零时，传感器节点需要向簇头节点发送数据，因此根据测量矩阵的稀疏率，每轮数据收集过程中，单个传感器节点需要传输的数据量为βρN比特，且采用BPSK传输时，系统带宽B和码速率值相等，因此：

$T_i^{on\_loc\_s}=\mathrm{\β}\frac{\mathrm{\ρ}N}{B}---\left(6\right)$

本地通信传感器节点需要的发送功率P_i ^loc_tran_s＝(1+α)P_{r_loc}G_{t_loc}，P_{r_loc}为满足一定接收误码率条件下的接收功率，G_{t_loc}为本地功率增益因子，α表示射频功率放大器的效用参数，ξ表示射频功率放大器的漏极效率参数，b为调制信号的星座大小，η表示调制信号的峰均比PAR(PeaktoAverageRate)，以上参数的具体定义可参考文献《无线传感器网络中一种基于分簇的能量高效虚拟MIMO传输策略》中所述。

过程三的传输能耗的计算不同于参考文献《无线传感器网络中一种基于分簇的能量高效虚拟MIMO传输策略》的处理，进行了压缩测量后，簇头节点接收到来自簇内感知节点的数据为压缩后的数据，没有冗余，不需要进行数据融合处理，簇头节点改为执行M维加法后，将数据广播给簇内的协作节点，本过程中每一轮数据收集中簇头节点广播M比特的数据给形成虚拟MIMO天线阵列的M_t个协作节点，因此发送数据需要的时间因此本地通信过程三簇头节点到形成虚拟MIMO天线阵的协作节点的传输能耗表示为：

$E_i^{loc\_tran\_c}=P_i^{loc\_tran\_c}\×T_i^{on\_loc\_c}=P_i^{loc\_tran\_c}\×\frac{\mathrm{\ρ}N}{B}---\left(7\right)$

式(7)中P_i ^loc_tran_c为簇头节点需要的发送功率，具体定义方式和前文所述过程一中本地通信传感器节点需要的发送功率P_i ^loc_tran_s定义相同。

接下来计算本地通信的电路能耗本地通信的过程一和过程三存在发送机电路能耗，本地通信的过程二和过程四是数据接收过程，存在接收机的电路能耗，过程一和过程二为一对发送和接收过程，过程三和过程四为一对发送和接收过程，式(2)中本地通信的电路能耗表示为这两对发送接收过程电路能耗之和：

$E_i^{loc\_elc}=E_i^{loc\_elc\_sc}+E_i^{loc\_elc\_cs}---\left(8\right)$

式(8)中，为过程一的发送机电路消耗和过程二的接收机电路消耗之和，为过程三的发送机电路消耗和过程四的接收机电路消耗之和。

$E_i^{loc\_elc\_sc}=\underset{i=1}{\overset{N_i-1}{\Σ}}(P_{ct}+P_{cr})\×\mathrm{\β}\frac{\mathrm{\ρ}N}{B}---\left(9\right)$

$E_i^{loc\_elc\_cs}=(P_{ct}+M_t{P}_{cr})\×\frac{\mathrm{\ρ}N}{B}---\left(10\right)$

式(9)和(10)中，P_ct和P_cr分别为ρN比特数据的发送和接收分别需要的发送机电路功率和接收机电路功率消耗，定义方法可以参考文献《无线传感器网络中一种基于OSTBC的的高效协作传输技术》中关于这两个参数的定义，但是参考文献对于发送和接收机电路的工作时间的定义是基于数据融合的模型给出的，本发明的不同之处在于能量模型是基于一轮数据收集过程建立的，根据压缩测量模型，数据收集过程中簇头节点接收到的数据没有冗余，不需要数据融合步骤，仅仅依靠简单的加法运算，需要发送的数据量为ρN比特。

式(1)中，代表的远程能耗计算如下：过程五各分簇内虚拟MIMO传输阵列发送数据到数据汇聚端SINK这一过程因通信距离较远，称为远程通信，如前所述的原因不需要考虑数据汇聚端SINK的接收能耗，为传输能耗和发送机电路能耗之和。传输系统结构如附图4所示，由协作节点构成一个虚拟MIMO天线阵列将数据传输到数据汇聚端SINK。考虑到协作节点到SINK端的距离较远，调制方式采用星座图为b(b≥2)的MQAM调制方式传输数据。远程传输能耗为：

$E_i^{long\_tran}=P_i^{lon\_tran}\×T_i^{on\_lon}---\left(11\right)$

$P_i^{lon\_tran}=(1+\mathrm{\α}){\stackrel{\‾}{E}}_b{R}_b{G}_{t\_lon}---\left(12\right)$

式(12)，中P_i ^lon_tran为虚拟MIMO阵列需要的发送功率，式(12)中各参数定义可以参照参考文献《无线传感器网络中一种基于分簇的能量高效虚拟MIMO传输策略》中对于参数的定义。表示数据汇聚端SINK接收1比特数据需要的平均能量，是(M_t,b)的函数，可表示为R_b表示数据的传输速率，通常取R_b＝bB，G_{t_lon}是远程通信功率增益因子，T_i ^on_lon为第i个分簇的虚拟MIMO阵列在每一轮数据收集过程中的数据发送时间。一轮数据收集过程，每个分簇的虚拟MIMO天线阵列需要发送的数据量最大为M比特，则工作时间R_{b_eff}为加上信道估计需要的一部分训练开销对系统数据传输速率修正后的有效数据传输速率，定义方式参考文献《无线传感器网络中一种基于分簇的能量高效虚拟MIMO传输策略》中关于R_{b_eff}的定义。

远程通信发送机电路能耗计算：单个虚拟MIMO天线阵列的发送机电路功率为：P_i ^lon_elc＝M_tP_ct，第i个分簇内虚拟MIMO天线阵列的发送机电路能耗为：

$E_i^{lon\_elc}=M_t{P}_i^{lon\_elc}\×T_i^{on\_lon}=M_t{P}_{ct}\frac{\mathrm{\ρ}N}{R_{b\_eff}}---\left(13\right)$

步骤3、利用式(14)对所述压缩数据收集能耗模型E_total进行优化，获得联合优化结果(β,ρ,n_c,M_t,b)：

(β,ρ,n_c,M_t,b)＝argminE_total(β,ρ,n_c,M_t,b)(14)

式(14)中，β表示所述压缩测量过程中测量矩阵的稀疏率；ρ表示所述压缩测量过程中的压缩比；M_t表示所述虚拟MIMO天线阵列所包含的传感器节点个数；b表示所述调制过程中的星座图大小；虚拟MIMO的压缩数据收集能耗模型包含了数据压缩测量中所使用不同压缩测量矩阵对总通信能耗E_total的影响，数据压缩和数据的传输是一个完整过程，通过所述步骤3进行数据压缩和传输的联合优化。

基于以上分析，总数据收集能耗可以进一步表示为：

$E_{total}=\underset{i=1}{\overset{n_c}{\Σ}}(E_i^{loc\_tran}+E_i^{loc\_elc}+E_i^{lon\_tran}+E_i^{lon\_elc})---\left(15\right)$

根据式(4)-(7)本地传输能耗与测量矩阵的稀疏率β和压缩比ρ有关，即是关于(β，ρ)的变量。根据式(8)-(10)是关于协作节点数M_t、测量矩阵稀疏率β和压缩比ρ的变量；根据式(11)和(12)，是关于协作节点数M_t、远程通信时调制信号的星座图大小b和压缩比ρ的变量；根据式(14)是关于协作节点数M_t和压缩比ρ的变量。而根据总的能耗算式(15)，数据收集总的能量消耗是关于(β,ρ,n_c,M_t,b)这五个量动态变化的，可以基于总能耗算式对(β,ρ,n_c,M_t,b)这五个变量进行联合优化，具体的联合优化算式如式(14)所示。因本方案是一个压缩数据收集方案，考虑到数据重建的精度，在进行优化时要对测量矩阵的稀疏率β和压缩比ρ的取值范围进行一定的约束。具体的范围应根据传感网络内传感器节点的数量和具体需要监测的对象进行确定，举例说明，假设无线传感网的应用环境中信噪比为20dB，部署传感器节点数目为1024个，那么根据本发明采用数据压缩和重构方法，压缩比的选取在0.3到0.6之间，测量矩阵的稀疏率β在0.01到0.03之间，重构精度都能够满足要求。数据传输时每个簇内要构成一个虚拟天线阵列，分簇数目必须满足2≤n_c≤N/M_t，其它参数满足M_t≥2，b≥2即可，因此式(14)的联合优化问题建模为一个多变量约束优化模型进而得到最优解(β,ρ,n_c,M_t,b)。

步骤4、如图2所示，数据汇聚端SINK将存储所述联合优化结果(β,ρ,n_c,M_t,b)，并根据所述稀疏率β和压缩比ρ产生压缩测量矩阵，并将压缩测量矩阵的元素值定义为压缩测量的测量权值，如在无线传感网的应用环境下，部署传感器节点数目为N个，根据稀疏率β和压缩比ρ产生压缩测量的具体过程如下：首先通过l＝βρN计算得到压缩测量矩阵列权重，l取整数，ρN取整数，那么行权重接着产生一个ρN×N的全零矩阵Φ，在其每一行随机选择r个位置定义为非零权值点，取值交替的定义为1和-1，因非零权值点的位置是随机选取，根据概率关系列向量的权重满足数据汇聚端SINK将联合优化的优化参数(M_t,b)和压缩测量矩阵的测量权值广播给N个传感器节点，即将压缩测量矩阵Φ的非零元素值广播给传感器节点，每个节点存储Φ中的一列向量值作为自身的压缩测量权值。

步骤5、根据所述分簇个数n_c对所述无线传感网络进行分簇，获得n_c个簇头节点并分别广播给其他传感器节点；分簇方法可以采用现有的LEACH(LowEnergyAdaptiveClusteringHierarchy)协议分簇。

步骤6、N个传感器节点分别接收簇头位置信息、联合优化结果的(M_t,b)值以及测量权值进行存储；如图2所示，每个节点存储Φ中的一列向量值作为自身的压缩测量权值。

步骤7、所述无线传感网络中的N-n_c个传感器节点分别根据自身到n_c个簇头节点的距离，选择最近的簇头节点后分别加入所选择的簇头节点中，并将自身的位置信息和剩余能量告知给所加入的簇头节点，从而形成n_c个分簇；

步骤8、所述第i个分簇内的簇头节点对所述第i个分簇内的其他传感器节点的剩余能量进行排序，选择剩余能量最高的前M_t个传感器节点作为第i个分簇的虚拟MIMO天线阵列；

二.数据获取阶段

步骤9、所述第i个分簇内的所有传感器节点将所收集到的监测数据进行压缩测量；压缩测量过程即传感器节点将监测数据乘以各自的压缩测量权值，如图3所示，所有传感器节点的数据获取和压缩过程是通过并行方式进行；

三.数据传输阶段

步骤10、所述第i个分簇内的所有传感器节点将各自的压缩测量值按时序分别发送给自身的簇头节点，n_c个簇头节点将接收到的压缩后的监测数据通过各自的虚拟MIMO天线阵列发给数据汇聚端SINK，其中，n_c个簇头节点是根据所述测量矩阵的维度对所接收到的压缩后的测量数据进行加法运算处理后再发送给所述虚拟MIMO天线阵列。

如图3所示，数据传输阶段分为本地通信和远程通信，如前所述，本地通信包含过程一到过程四，各分簇并可以同时进行为并行过程，数据传输的调制方式采用BPSK；远程通信为过程五，各分簇需按时隙分别向数据汇聚端SINK发送数据，为串行过程，发送采用虚拟的多天线阵列，调制方式采用QAM，调制的星座图大小根据优化参数b确定；为了说明本方案的效果，对于两种网络的部署方式分别作了数据收集实验，如图5和图6所示，横坐标为数据收集的时间，用leach协议运行周期(轮)来表示，纵坐标为存活节点的个数。为了充分体现本方案的性能，我们对SISO(单输入单输出，表示单根天线发射和接收)的压缩数据收集方案的分簇数目也进行了优化。由图5可以看到，数据汇聚端SINK位于无线传感网的外部，虚拟MIMO的数据收集方案第一个死亡节点出现的时间要比SISO方案要迟1000轮，也就是具有更长的网络生存周期。由图6可以看到，数据汇聚端SINK位于无线传感网中心时，本发明的方案在执行10000次收集后节点仍然存活，而单天线的收集方案节点已经全部死亡。

步骤11、所述数据汇聚端SINK对所接收到所述压缩后的测量数据后进行数据重构，以恢复出所有传感器节点的监测数据，从而完成压缩数据的收集，因压缩测量矩阵的形成采用稀疏矩阵，重构方法上采用基于二分图的消息传播类方法。

步骤12、所述数据汇聚端SINK收集完所有传感器节点的数据后发送至远程网络，数据汇聚端SINK根据具体环境选择合适的数据传输方式，如附近部署基站，可通过移动通信网络将收集到的数据发送至远程网络或者服务器。

Claims (2)

1.一种基于虚拟MIMO的压缩数据收集方法，是应用在由N个传感器节点和一个数据汇聚端SINK构成的无线传感网络中；所述N个传感器节点分别用于获取监测数据并经由其它传感器节点采用调制方式发送给所述数据汇聚端SINK；所述数据汇聚端SINK接收所述N各传感器节点的监测数据并发送至远程网络；其特征是按如下步骤进行：

步骤1、根据所述无线传感网络监测区域的覆盖范围，获得所述N个传感器节点到所述数据汇聚端SINK的平均距离；

步骤2、利用式(1)建立不同传输距离下的虚拟MIMO的压缩数据收集能耗模型E_total：

$E_{\mathrm{total}}=\underset{i=1}{\overset{n_c}{\mathrm{\Σ}}}(E_i^{\mathrm{local}}+E_i^{\mathrm{long}})---\left(1\right)$

式(1)中，E_total表示所述无线传感网络的总通信能耗，n_c为所述无线传感网络的分簇个数，表示第i个分簇内的各节点与所述第i个分簇内的簇头节点间的本地通信能耗之和，表示所述第i个分簇内的虚拟MIMO天线阵列与所述数据汇聚端SINK的协作远程通信能耗；

步骤3、利用式(2)对所述压缩数据收集能耗模型E_total进行优化，获得联合优化结果(β,ρ,n_c,M_t,b)：

(β,ρ,n_c,M_t,b)＝argminE_total(β,ρ,n_c,M_t,b)(2)

式(2)中，β表示所述压缩测量过程中测量矩阵的稀疏率；ρ表示所述压缩测量过程中的压缩比；M_t表示所述虚拟MIMO天线阵列所包含的传感器节点个数；b表示所述调制过程中的星座图大小；

步骤4、所述数据汇聚端SINK将存储所述联合优化结果(β,ρ,n_c,M_t,b)，并根据所述稀疏率β和压缩比ρ产生所述压缩测量矩阵，并获得测量权值，所述数据汇聚端SINK将联合优化的优化参数(M_t,b)和所述压缩测量矩阵的测量权值广播给N个传感器节点；

步骤5、根据所述分簇个数n_c对所述无线传感网络进行分簇，产生n_c个簇头节点并由簇头节点分别广播告知其它传感器节点；

步骤6、所述N个传感器节点分别接收簇头位置信息、联合优化的优化参数(M_t,b)以及测量权值并进行存储；

步骤7、所述无线传感网络中的N-n_c个传感器节点分别根据自身到n_c个簇头节点的距离，选择最近的簇头节点后分别加入所选择的簇头节点中，并将自身的位置信息和剩余能量告知给所加入的簇头节点，从而形成n_c个分簇；

步骤8、所述第i个分簇内的簇头节点对所述第i个分簇内的其它传感器节点的剩余能量进行排序，选择剩余能量最高的前M_t个传感器节点形成第i个分簇的虚拟MIMO天线阵列；

步骤9、所述第i个分簇内的所有传感器节点将所收集到的监测数据进行压缩测量后按时序分别发送给各自的簇头节点；

步骤10、所述n_c个簇头节点将所述接收到的压缩后的监测数据执行加法运算后通过各自的虚拟MIMO天线阵列发给所述数据汇聚端SINK；

步骤11、所述数据汇聚端SINK对所接收到所述压缩后的测量数据后进行数据重构，以恢复出所有传感器节点的监测数据，从而完成数据的收集；

步骤12、所述数据汇聚端SINK收集完所有传感器节点的数据后发送至远程网络。

2.根据权利要求1所述的基于虚拟MIMO的压缩数据收集方法，其特征是：所述步骤10中的n_c个簇头节点是根据所述测量矩阵的维度对所接收到的压缩后的测量数据进行加法运算处理后再发送给所述虚拟MIMO天线阵列。