CN105791190A - 多参数实时监测的数据传输方法及系统 - Google Patents

Abstract

本发明公开了一种多参数实时监测的数据传输方法及系统，涉及信息处理与数据传输技术领域，本发明通过构造双正交小波变换矩阵实现了传感数据的稀疏表示，满足压缩感知的信号稀疏性条件，通过采用正交匹配追踪(OMP)算法实现了数据的高精度重构，同时降低了原始传感数据的采集维度，进一步增强了系统的实时性，另外，能够有效的减少数据传输量，降低传输成本与能耗，有效的延长了传感器网络的生命周期，提高了多参数监测时的无线传输效率及其鲁棒性。

Description

多参数实时监测的数据传输方法及系统

技术领域

本发明涉及信息处理与数据传输技术领域，特别涉及一种多参数实时监测的数据传输方法及系统。

背景技术

近年来，无线传感器网络在物联网实时监测中得到了广泛应用。在这些应用中，尤其是在多参数实时监测过程中，每个传感器节点都会采集大量数据，但传感器节点的处理能力、存储空间、通信带宽及能量等资源非常有限，无法像传统的信息系统那样处理和存储大量数据。同时，大量数据的传输使节点能量过多消耗，缩短节点的寿命。因此需要寻找高效的数据信息传输技术以尽可能地降低网络能耗并延长节点寿命，降低存储量以适应自身有限的存储空间。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种多参数实时监测的数据传输方法及系统。

依据本发明的一个方面，提供了一种多参数实时监测的数据传输方法，所述方法包括：

汇聚节点获取传感数据，所述传感数据为各传感器节点采集的传感参数所组成的N维向量，所述N为不小于2的整数；

所述汇聚节点采用M×N的随机高斯矩阵对所述传感数据x进行观测编码，以使所述传感数据从N维转化为M维，并将转化后的传感数据通过无线传输至远程监控点，所述M为大于0且小于N的整数；

所述远程监控点接收所述转化后的传感数据，并构造能够对所述传感数据进行稀疏表示的双正交小波变换矩阵；

所述远程监控点根据所述双正交小波变换矩阵构建数据重构模型，并根据所述数据重构模型基于正交匹配追踪算法对传感数据进行重构，以获得重构后的传感数据。

可选地，所述双正交小波变换矩阵为N×N的双正交小波变换矩阵Ψ。

可选地，所述数据重构模型为：

y＝ΦΨθ

其中，y为所述转化后的传感数据，Φ为所述随机高斯矩阵，θ为基变换系统，x＝Ψθ，x为稀疏信号。

可选地，所述根据所述数据重构模型基于正交匹配追踪算法通过下式对传感数据进行重构，以获得重构后的传感数据，

$\hat{x}=\mathrm{\Ψ}\widehat{\mathrm{\θ}},$

其中，为基于正交匹配追踪算法针对argmin||θ||₁所计算出的最优逼近系数，为重构后的传感数据。

可选地，所述传感参数为温度、湿度、SO₂含量、电流或电压。

依据本发明的另一个方面，提供了一种多参数实时监测的数据传输系统，所述系统包括：传感器节点、汇聚节点和远程监控点；

所述汇聚节点，用于获取传感数据，所述传感数据为各传感器节点采集的传感参数所组成的N维向量，所述N为不小于2的整数；

所述汇聚节点，还用于采用M×N的随机高斯矩阵对所述传感数据x进行观测编码，以使所述传感数据从N维转化为M维，并将转化后的传感数据通过无线传输至所述远程监控点，所述M为大于0且小于N的整数；

所述远程监控点，用于接收所述转化后的传感数据，并构造能够对所述传感数据进行稀疏表示的双正交小波变换矩阵；

所述远程监控点，还用于根据所述双正交小波变换矩阵构建数据重构模型，并根据所述数据重构模型基于正交匹配追踪算法对传感数据进行重构，以获得重构后的传感数据。

可选地，所述双正交小波变换矩阵为N×N的双正交小波变换矩阵Ψ。

可选地，所述数据重构模型为：

y＝ΦΨθ

其中，y为所述转化后的传感数据，Φ为所述随机高斯矩阵，θ为基变换系统，x＝Ψθ，x为稀疏信号。

可选地，所述远程监控点根据所述数据重构模型基于正交匹配追踪算法通过下式对传感数据进行重构，以获得重构后的传感数据，

$\hat{x}=\mathrm{\Ψ}\widehat{\mathrm{\θ}},$

其中，为基于正交匹配追踪算法针对argmin||θ||₁所计算出的最优逼近系数，为重构后的传感数据。

可选地，所述传感参数为温度、湿度、SO₂含量、电流或电压。

本发明通过构造双正交小波变换矩阵实现了传感数据的稀疏表示，满足压缩感知的信号稀疏性条件，通过采用正交匹配追踪(OMP)算法实现了数据的高精度重构，同时降低了原始传感数据的采集维度，进一步增强了系统的实时性，另外，能够有效的减少数据传输量，降低传输成本与能耗，有效的延长了传感器网络的生命周期，提高了多参数监测时的无线传输效率及其鲁棒性。

附图说明

图1是本发明一种实施方式的多参数实时监测的数据传输方法的流程图；

图2是传感器节点的部署示意图；

图3是汇聚节点的硬件电路图；

图4是原始温度与重构后温度的对比曲线图；

图5是原始温度与重构后温度的绝对误差曲线图；

图6是原始相对湿度与重构后相对湿度的对比曲线图；

图7是原始相对湿度与重构后相对湿度的绝对误差曲线图；

图8是本发明一种实施方式的多参数实时监测的数据传输系统的结构示意图。

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。

压缩感知理论(CS，CompressSensing)作为一种新的信息获取方法，最初用于解决图像信号的采集和处理问题。该理论指出信号只要能够在某一个合适的正交基稀疏性表示，信号就可以通过远低于奈奎斯特采样率的频率获取全局观测值，即能以较低的采样频率采样信号，并且可以通过适当的重构算法以高概率、高精度从观测值中重构原始信号。

将压缩感知理论应用于无线传感器网络，能够减少数据传输量，提高传输效率，降低成本和能耗。但在实际的应用中，还存在如下问题：采集的传感数据往往并不是稀疏的，这就无法很好的重构传感数据；另外，采集的传感数据的维度N往往都比较大，并不适用于稍小规模的实时监测网络，鉴于这些问题，本实施方式提供了一种多参数实时监测的数据传输方法，参照图1，所述方法包括：

S101：汇聚节点获取传感数据，所述传感数据为各传感器节点采集的传感参数所组成的N维向量，所述N为不小于2的整数；

在具体实现中，各传感器节点按照设定的周期获取传感参数，并将获取的传感参数发送给汇聚节点，所述汇聚节点将接收到的传感参数组成传感数据x，所述传感数据x为各传感器节点获取传感数据所组成的N维向量，x＝[x₁,x₂…,x_N]^T，当然，考虑到数据异常的问题，在获取数据的同时，需要判断所获取的数据是否异常，若是异常数据，则舍弃并重新采集该数据。

S102：所述汇聚节点采用M×N的随机高斯矩阵对所述传感数据x进行观测编码，以使所述传感数据从N维转化为M维，并将转化后的传感数据通过无线传输至远程监控点，所述M为大于0且小于N的整数；

观测编码的公式可采用：y＝Φx(其中，Φ为随机高斯矩阵，y为转换后的传感数据)，将N维向量的传感数据转化为M维，以实现传感数据的压缩编码，再通过无线传输。

S103：所述远程监控点接收所述转化后的传感数据，并构造能够对所述传感数据进行稀疏表示的双正交小波变换矩阵；

为保证重构效果，在具体实现中，所述双正交小波变换矩阵为N×N的双正交小波变换矩阵Ψ。

S104：所述远程监控点根据所述双正交小波变换矩阵构建数据重构模型，并根据所述数据重构模型基于正交匹配追踪算法对传感数据进行重构，以获得重构后的传感数据。

为保证重构的准确度，在具体实现中，所述数据重构模型为：

y＝ΦΨθ

其中，y为所述转化后的传感数据，Φ为所述随机高斯矩阵，θ为基变换系统，x＝Ψθ，x为稀疏信号，所述稀疏信号也就是传感数据稀疏表示后的稀疏程度，即稀疏表示后存在的非零数据个数，信号越稀疏，重构精度就越高，本实施方式中，所述稀疏信号为K-稀疏信号。

为进一步提高重构的精确度和效率，在具体实现中，所述根据所述数据重构模型基于正交匹配追踪算法通过下式对传感数据进行重构，以获得重构后的传感数据，

$\hat{x}=\mathrm{\Ψ}\widehat{\mathrm{\θ}},$

其中，为基于正交匹配追踪算法针对argmin||θ||₁所计算出的最优逼近系数，为重构后的传感数据。

正交匹配追踪算法的思路是：在迭代过程中找到信号稀疏表示的K个关键分量，即每一次迭代，算法从恢复矩阵Τ＝ΦΨ中找到与观测向量余量最相似的列，记录该关键分量在恢复矩阵中相应的列以及位置，通过最小二乘法确定相应的稀疏系数。最后去除恢复矩阵对观测向量余量部分的贡献，并更新观测向量剩余值。每次迭代获得一个关键分量，K次迭代后获得相应的最小化稀疏解。

可理解的是，所述传感参数为温度、湿度、SO₂含量、电流或电压，当然，还可为其他的参数，本实施方式对此不加以限制。

本实施方式通过构造双正交小波变换矩阵实现了传感数据的稀疏表示，满足压缩感知的信号稀疏性条件，通过采用正交匹配追踪(OMP)算法实现了数据的高精度重构，同时降低了原始传感数据的采集维度，进一步增强了系统的实时性，另外，能够有效的减少数据传输量，降低传输成本与能耗，有效的延长了传感器网络的生命周期，提高了多参数监测时的无线传输效率及其鲁棒性。

下面通过具体实施例对本发明作进一步说明。

以冷库恒温0℃试验测试的无线温湿度传感器数据为例，如图2所示为传感器节点的部署示意图，传感器节点部署在冷库内，协调器布置在冷库外。图3所示为汇聚节点的硬件电路图，采用的是TI公司的低功耗片上系统CC2530用于数据的采集与处理，以及射频前端CC2591用于增强系统的传输距离。

本实施例应用于冷库内温湿度数据采集关键在于按照以下步骤进行：

步骤(1)：传感器节点采集冷库内不同区域的温湿度参数，设定传感器每间隔1min采集一次，汇聚节点则每4min上传一次数据，构建N各为32维的温度、湿度数据向量。

步骤(2)：采用M×N的随机高斯矩阵Φ对传感数据进行观测编码，即：y＝Φx，将N维向量的传感数据转化为M维，其中M＜N，实现传感数据的压缩编码，本例设定观测值M为16。汇聚节点最终将收到温湿度数据各16个，网络数据传输量减少至一半，最后通过无线传输。

步骤(3)：远程监控点完成数据的接收，准备对观测数据进行重构；

步骤(4)：远程监控点构造N×N的双正交小波变换矩阵Ψ，实现传感数据的稀疏表示；

步骤(5)：远程监控点建立数据重构模型：

y＝ΦΨθ

其中θ是基变换系数，x是K-稀疏信号，即：x＝Ψθ，也就是传感数据稀疏表示后的稀疏程度，即稀疏表示后存在的非零数据个数，信号越稀疏，重构精度就越高；

步骤(6)：远程监控点采用正交匹配追踪(OMP)算法求解得到最优逼近系数

该步骤的基本思路是在迭代过程中找到信号稀疏表示的K个关键分量，即每一次迭代，算法从恢复矩阵Τ＝ΦΨ中找到与观测向量余量最相似的列，记录该关键分量在恢复矩阵中相应的列以及位置，通过最小二乘法确定相应的稀疏系数。最后去除恢复矩阵对观测向量余量部分的贡献，并更新观测向量剩余值。每次迭代获得一个关键分量，K次迭代后获得相应的最小化稀疏解。

步骤(7)：远程监控点根据稀疏表示公式计算得到重构后的传感数据实现对传感数据的后续处理。

图4为原始温度(即对应图中的“Original”)与重构后温度(即对应图中的“Recovery”)的对比曲线图；图5为原始温度与重构后温度的绝对误差曲线图；图6为原始相对湿度(即对应图中的“Original”)与重构后相对湿度(即对应图中的“Recovery”)的对比曲线图；图7为原始相对湿度与重构后相对湿度的绝对误差曲线图。从图中可以看出，本发明能很好的重构温度与相对湿度，其中温度最大绝对误差|T_r-T_o|为0.025℃，最大相对重构误差值为2.27％，相对湿度最大绝对误差|H_r-H_o|为0.05％，最大相对重构误差值为0.024％，能够很好的满足实际应用要求。

通过具体实施例进一步说明本发明采用双正交小波变换稀疏表示方法及正交匹配追踪(OMP)重构算法能够实现数据的高精度重构；本发明能有效的降低原始传感数据的采集维度，减少数据传输量，有助于进一步增强系统的实时性，提高数据传输效率。

图8是本发明一种实施方式的多参数实时监测的数据传输系统的结构示意图；参照图8，所述系统包括：传感器节点、汇聚节点和远程监控点；

所述汇聚节点，用于获取传感数据，所述传感数据为各传感器节点采集的传感参数所组成的N维向量，所述N为不小于2的整数；

所述汇聚节点，还用于采用M×N的随机高斯矩阵对所述传感数据x进行观测编码，以使所述传感数据从N维转化为M维，并将转化后的传感数据通过无线传输至所述远程监控点，所述M为大于0且小于N的整数；

所述远程监控点，用于接收所述转化后的传感数据，并构造能够对所述传感数据进行稀疏表示的双正交小波变换矩阵；

所述远程监控点，还用于根据所述双正交小波变换矩阵构建数据重构模型，并根据所述数据重构模型基于正交匹配追踪算法对传感数据进行重构，以获得重构后的传感数据。

在本发明的一种优选实施例中，所述双正交小波变换矩阵为N×N的双正交小波变换矩阵Ψ。

在本发明的一种优选实施例中，所述数据重构模型为：

y＝ΦΨθ

其中，y为所述转化后的传感数据，Φ为所述随机高斯矩阵，θ为基变换系统，x＝Ψθ，x为稀疏信号。

在本发明的一种优选实施例中，所述远程监控点根据所述数据重构模型基于正交匹配追踪算法通过下式对传感数据进行重构，以获得重构后的传感数据，

$\hat{x}=\mathrm{\Ψ}\widehat{\mathrm{\θ}},$

其中，为基于正交匹配追踪算法针对argmin||θ||₁所计算出的最优逼近系数，为重构后的传感数据。

在本发明的一种优选实施例中，所述传感参数为温度、湿度、SO₂含量、电流或电压。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种多参数实时监测的数据传输方法，其特征在于，所述方法包括：

汇聚节点获取传感数据，所述传感数据为各传感器节点采集的传感参数所组成的N维向量，所述N为不小于2的整数；

所述汇聚节点采用M×N的随机高斯矩阵对所述传感数据x进行观测编码，以使所述传感数据从N维转化为M维，并将转化后的传感数据通过无线传输至远程监控点，所述M为大于0且小于N的整数；

所述远程监控点接收所述转化后的传感数据，并构造能够对所述传感数据进行稀疏表示的双正交小波变换矩阵；

所述远程监控点根据所述双正交小波变换矩阵构建数据重构模型，并根据所述数据重构模型基于正交匹配追踪算法对传感数据进行重构，以获得重构后的传感数据。

2.如权利要求1所述的方法，其特征在于，所述双正交小波变换矩阵为N×N的双正交小波变换矩阵Ψ。

3.如权利要求2所述的方法，其特征在于，所述数据重构模型为：

y＝ΦΨθ

其中，y为所述转化后的传感数据，Φ为所述随机高斯矩阵，θ为基变换系统，x＝Ψθ，x为稀疏信号。

4.如权利要求3所述的方法，其特征在于，所述根据所述数据重构模型基于正交匹配追踪算法通过下式对传感数据进行重构，以获得重构后的传感数据，

$\hat{x}=\mathrm{\Ψ}\widehat{\mathrm{\θ}},$

其中，为基于正交匹配追踪算法针对argmin||θ||₁所计算出的最优逼近系数，为重构后的传感数据。

5.如权利要求1～4中任一项所述的方法，其特征在于，所述传感参数为温度、湿度、SO₂含量、电流或电压。

6.一种多参数实时监测的数据传输系统，其特征在于，所述系统包括：传感器节点、汇聚节点和远程监控点；

所述汇聚节点，用于获取传感数据，所述传感数据为各传感器节点采集的传感参数所组成的N维向量，所述N为不小于2的整数；

所述汇聚节点，还用于采用M×N的随机高斯矩阵对所述传感数据x进行观测编码，以使所述传感数据从N维转化为M维，并将转化后的传感数据通过无线传输至所述远程监控点，所述M为大于0且小于N的整数；

所述远程监控点，用于接收所述转化后的传感数据，并构造能够对所述传感数据进行稀疏表示的双正交小波变换矩阵；

所述远程监控点，还用于根据所述双正交小波变换矩阵构建数据重构模型，并根据所述数据重构模型基于正交匹配追踪算法对传感数据进行重构，以获得重构后的传感数据。

7.如权利要求6所述的系统，其特征在于，所述双正交小波变换矩阵为N×N的双正交小波变换矩阵Ψ。

8.如权利要求7所述的系统，其特征在于，所述数据重构模型为：

y＝ΦΨθ

其中，y为所述转化后的传感数据，Φ为所述随机高斯矩阵，θ为基变换系统，x＝Ψθ，x为稀疏信号。

9.如权利要求8所述的系统，其特征在于，所述远程监控点根据所述数据重构模型基于正交匹配追踪算法通过下式对传感数据进行重构，以获得重构后的传感数据，

$\hat{x}=\mathrm{\Ψ}\widehat{\mathrm{\θ}},$

其中，为基于正交匹配追踪算法针对argmin||θ||₁所计算出的最优逼近系数，为重构后的传感数据。

10.如权利要求6～9中任一项所述的系统，其特征在于，所述传感参数为温度、湿度、SO₂含量、电流或电压。