CN105916174A - 基于锯齿形扫描的自适应空间压缩方法 - Google Patents

Abstract

本发明公开了一种基于锯齿形扫描的自适应空间压缩方法，包括步骤：各个簇中各网格内的每个传感器节点分别采集原始环境数据并将其所得采集原始数据上传至簇头节点；簇头节点获得二维原始数据矩阵，及进行离散余弦变换获得二维变换矩阵；簇头节点进行锯齿形扫描，将二维变换矩阵变换为一维向量；针对所得一维向量进行自适应空间压缩，获得压缩数据向量；簇头节点将所得压缩数据向量向距离汇聚节点更近的簇头节点传输；所述汇聚节点针对簇头节点所传输的深度压缩数据向量进行数据重构，获得各个传感器节点的原始环境数据。本发明可实现感知数据空间相关性的深度挖掘，并能降低网络数据传输开销、提高数据重建精度以实现延长传感器网络生命周期。

Description

基于锯齿形扫描的自适应空间压缩方法

技术领域

本发明涉及一种基于锯齿形扫描的自适应空间压缩方法，属于无线通信网络的技术领域。

背景技术

由于无线传感器网络能监测、管理多种智能服务中的状态信息，使其重要性大大增加。目前无线传感器网络已经应用于多个领域，其中包括军事、工业、环境监测以及医疗服务等。

然而，无线传感器网络中传感节点电池容量较小的问题限制了无线传感器网络的应用。将节点回收并部署新节点、以及对其充电的思路显然是不现实的。所以，如何延长无线传感器网络的寿命成为一个重要的问题。众所周知，无线传感器网络有用以下两个共识。第一，数据传输占据节点能量消耗的绝大部分。当数量巨大的传输信息汇集到汇聚节点时，汇聚节点将承受巨大数据处理压力。更加严重的在于，较一般中继节点而言，汇聚节点附近的中继节点能量消耗速度更快。当这些节点能量耗尽时，整个无线传感器网络传输也将随之中断。第二，传感器节点采集的感知数据存在着一定程度的相关性。由此，可以以一定方法对感知数据进行压缩。通过挖掘信号之间空间相关性，不仅可以减少信号传输次数，而且也节省了整个无线传感器网络的能量消耗。如上研究提供了本方案压缩无线传感器网络中传输数据的可能性。随着传输信号数量的减少，网络拥塞也大为减轻。

目前现有技术中，与本文类似的用以解决无线传感器网络中数据空间相关性的方案如下：

利用CS(压缩感知)技术对无线传感器网络中传输信号空间相关性进行挖掘，而CS技术的应用前提要求原始采集信号在某些域内具有一定相关性。这一特性限制了CS应用范围的扩展。与之类似，基于优化CS技术的空间压缩方案能提高汇聚节点的重构精度。该方案要求原始信号需要转化为一长向量。虽然，该方案充分、深入地挖掘了无线传感器网络中感知信号的空间相关性，但其计算复杂度相当高。

利用哈夫曼与串表压缩算法实现无损文本数据压缩。由于文本信息都是由字母组成的有限集构成，而无线传感器网络中感知数据都是连续值，所以以上两种压缩方案不能直接应用于无线传感器网络中。

对无线传感器网络信号引入经典图像信号压缩中的离散余弦变换。以离散余弦变换为基础，构建一种多层压缩网络模型，并提出缩减锯齿形扫描方案。该方案技术简单，但其重构精度较低，并且该方案的压缩率也不高。

因此，现有技术的方案在挖掘无线传感器网络感知数据空间相关性的过程中，存在重建误差较高，无法有效实现感知数据空间相关性的高效挖掘以有效提高数据重建精度。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于锯齿形扫描的自适应空间压缩方法，解决无线传感器网络中空域压缩方案存在的缺陷，无法有效实现感知数据空间相关性的挖掘问题，能够降低传感器网络数据传输开销、提高数据重建精度从而达到延长网络生命周期的目的。

本发明具体采用以下技术方案解决上述技术问题：

基于锯齿形扫描的自适应空间压缩方法，该方法基于的传感网络包括一个汇聚节点和至少一个由l×l个方形网格构成的簇，其中l为正整数；所述各个簇均包括若干个传感器节点和一个由所在簇中传感性能最强传感器节点所确定的簇头节点；所述方法包括步骤：

步骤001.各个簇中各网格内的每个传感器节点分别采集原始环境数据并将其所获得的采集数据上传至所在簇的簇头节点；

步骤002.各个簇中的簇头节点分别根据接收的同一时隙内所采集的原始数据获得二维原始数据矩阵，再分别对其所得二维原始数据矩阵进行离散余弦变换获得二维变换矩阵；

步骤003.各个簇中的簇头节点分别针对其所得二维变换矩阵进行锯齿形扫描，将二维变换矩阵变换为一维向量；

步骤004.针对各个簇中的簇头节点所得一维向量进行自适应空间压缩，获得压缩数据向量；具体步骤包括：所述簇头节点从后向前依次遍历检测一维向量中元素，当检测到一维向量中元素小于所设置的门限值δ，则将该元素删除；同时，记录该元素对应的序号i，并将序号i添加到删除元素序号集合I中；

步骤005.各个簇中的簇头节点将所得压缩数据向量向距离汇聚节点更近的簇头节点传输；所述距离汇聚节点更近的簇头节点针对所接收压缩数据向量执行所述步骤004至步骤005获得深度压缩数据向量并传输，其中在步骤004中设置用于替换门限值δ的门限值δ'，且所述门限值δ'大于门限值δ；

步骤006.所述汇聚节点针对簇头节点所传输的深度压缩数据向量进行数据重构，包括补零、逆锯齿形扫描及逆余弦变换操作，以获得各个传感器节点的原始环境数据。

进一步地，作为本发明的一种优选技术方案：所述步骤001还包括根据网格内传感器节点采集原始环境数据上传情况确定采集原始数据，即：

当网格内只上传一个传感器节点所采集原始环境数据时，则直接将其作为采集原始数据；

当网格内上传若干个传感器节点所采集原始环境数据时，则将网格内全部传感器节点所采集原始环境数据的均值作为采集原始数据；

当网格内不存在上传的传感器节点所采集原始环境数据时，则将相邻网格内全部传感器节点所采集原始环境数据的均值作为采集原始数据。

进一步地，作为本发明的一种优选技术方案：所述步骤002中将二维原始数据矩阵的DCT系数设置于二维变换矩阵的左上角。

进一步地，作为本发明的一种优选技术方案：所述步骤003中锯齿形扫描采用“之”字形扫描。

进一步地，作为本发明的一种优选技术方案：所述步骤006中对簇头节点所传输的深度压缩数据向量进行数据重构，具体为：

所述汇聚节点针对接收到的各个簇的深度压缩数据向量，根据删除元素序号集合中的各个元素序号i，对元素序号i对应位置进行补零，恢复出重构变换向量；

对所得重构变换向量进行逆锯齿型扫描，获得重构变换矩阵；

对所得重构变换矩阵进行逆余弦变换操作，获得各个传感器节点的原始环境数据。

本发明采用上述技术方案，能产生如下技术效果：

(1)本发明设计基于锯齿形扫描的自适应空间压缩方法，通过引入基于经验门限的自适应压缩方法ASCA以实现提高无线传感器网络适应环境能力，通过对感知数据空间相关性的深度挖掘并设计恰当基于经验的门限值δ，将原始数据矩阵相应的变换矩阵中较小元素删除，保证了压缩后的变换矩阵重建原始数据矩阵是可行的，并具有高重构精度。

(2)本发明设计基于锯齿形扫描的自适应空间压缩方法中，通过构建一个距离分层网络进行多层数据压缩操作的网络架构，保证相同压缩率的情况下，与其它具有相同压缩率的空间压缩方法相比，本方法压缩数据的重建具有更低的重建误差；通过对原始感知数据进行分层式压缩，使其与缩减型锯齿形扫描空间压缩方法RZS相比具有更高的压缩率。

(3)本发明设计基于锯齿形扫描的自适应空间压缩方法中，通过对感知数据空间相关性进行深入的挖掘，使得本发明方法在相同重构效果的情况下，取得相当可观的压缩率，进一步延长了整个网络生命周期，并减轻了网络拥塞；通过选取基于经验的压缩门限，使本方法获得自适应特性。

因此，本方法与其他相关压缩方法相比，针对多变的部署环境其自适应能力更强。不仅如此，相同压缩率情况下，本方法压缩数据的恢复具有更高的重建精度。

附图说明

图1是本发明设计的基于锯齿形扫描的自适应空间压缩方法的网络平面图。

图2是本发明设计的基于锯齿形扫描的自适应空间压缩方法的网络立体图，其中1层为感知层，2层为传输层，3层为汇聚层。

图3是本发明设计的基于锯齿形扫描的自适应空间压缩方法的流程示意图。

图4表示本发明设计方法与RZS方法在数据重建精度方面的比较示意图。

图5表示本发明设计方法与RZS方法在压缩率为0.84时，重构数据与原始数据的比较的示意图。

具体实施方式

下面结合说明书附图对本发明的实施方式进行描述。

如图1，本发明设计一个基于锯齿形扫描的自适应空间压缩方法，该方法在实际应用过程当中，结合分层式传感器网络模型，所述模型如图2所示，其中1层为感知层，2层为传输层，3层为汇聚层。所述分层式传感器网络模型的传感网络包括一个汇聚节点和至少一个由l×l个方形网格构成的簇，其中l为正整数，各个簇分别包括一个簇头节点和多个传感器节点，且簇头节点为其所在簇中性能最强的传感器节点；所述传感器节点分布于感知层1层，所述簇头节点分布于传输层的2层，所述汇聚节点分布在汇聚层的3层。如图3所示，基于的传感网络中包括第1至第n个簇，各簇的簇头节点和传感器节点按照分簇式空间压缩方法进行数据传输，所述自适应传感网络分簇式空间压缩方法，具体包括如下步骤：

步骤001.各个簇中各网格内的各个传感器节点分别采集其对应的原始环境数据，其中，将每个簇都设为一正方形区域，每块区域包含l×l个网格，其中l为一正整数，且所述多个传感器节点均匀或不均匀分布于簇的网格中，即网格中传感器节点的数量不定；网格中各个传感器节点分别将其所获得的采样数据对应上传至其所在簇的簇头节点。

在此过程中，还包括根据网格内传感器节点所获得采集原始环境数据上传情况确定采集原始数据。各簇中的各传感器节点在采集其对应原始环境数据过程中，由于其中各个网格中的传感器节点数量具有随机性，本方案针对各网格部署传感器节点不定的问题，列出如下三类情况进行说明：第一种针对其包含一个传感器节点的理想情况，即当网格内只上传一个传感器节点所采集原始环境数据时，则直接将其采集原始环境数据作为采集原始数据；第二种对网格中包含多个传感器节点的情况，即当网格内上传若干个传感器节点所采集原始环境数据时，则将网格内全部传感器节点所采集原始环境数据的均值作为采集原始数据；第三种是网格中不包含传感器节点的情况，即当网格内不存在上传的传感器节点所采集原始环境数据时，则采集相邻网格内全部传感器节点所采集原始环境数据的均值作为采集原始数据。

由此根据上述原始数据采集方案，各个簇中各个传感器节点分别将其所获得的采集原始数据上传至其所在簇的簇头节点。

步骤002.各个簇中的簇头节点分别根据接收的同一时隙内所采集的原始数据获得对应簇的二维原始数据矩阵，并分别对其所得二维原始数据矩阵进行离散余弦变换，获得二维变换矩阵。从而得到与原始数据矩阵相对应的变换矩阵，离散余弦变换将原始数据矩阵的DCT系数主要集聚在变换的左上角，这种特性提供本方案数据压缩的可能性。

步骤003.各个簇中的簇头节点分别针对其所得二维变换矩阵进行锯齿形扫描，将二维变换矩阵变换为一维向量。各个簇中的簇头节点进行锯齿形扫描，优选地，从二维变换矩阵的左上角开始对其进行“之”字形扫描，直至二维变换矩阵的最末元素，将二维变换矩阵变换为一维向量。

步骤004.针对各个簇中的簇头节点所得一维向量进行自适应空间压缩，获得压缩数据向量。其分别针对各个簇中的簇头节点得到的一维向量，进行自适应空间压缩，具体地包括：根据簇内节点采集信号之间相关性与压缩率要求，设置一个基于经验的门限值δ，簇头节点从后往前遍历检测一维向量中各个元素，一旦检测到某个元素小于门限值δ，则将该元素删除；当压缩率达到规定要求后，停止扫描；同时，记录该元素对应的序号i，并将i添加到删除元素序号集合I中。

步骤005.各个簇中的簇头节点将所得压缩数据向量向距离汇聚节点更近的簇头节点传输；所述距离汇聚节点更近的簇头节点收集到对应压缩数据向量后，针对所接收压缩数据向量执行步骤004至步骤005以获得深度压缩数据向量并传输，其中在步骤004中设置用于替换门限值δ的门限值δ'，在自适应空间压缩过程中，所述门限值δ'大于门限值δ，利用一个较大的门限值δ'对接收信号空间相关性进行深度挖掘。

步骤006.所述汇聚节点针对距离汇聚节点更近的簇头节点所传输的深度压缩数据向量，进行数据重构，即按照步骤001至步骤005的压缩过程进行逆向操作，包括补零、逆锯齿形扫描及逆余弦变换操作，以获得各个传感器节点的原始环境数据。

具体地，汇聚节点针对接收到的深度压缩数据向量获得各个簇的压缩数据向量，根据删除元素序号集合中的元素序号，对删除元素的序号i对应位置进行“补零”，恢复出重构变换向量；再对补零操作后得到重构变换向量进行逆锯齿型扫描，从而得到重构变换矩阵；在此基础上对所得重构变换矩阵进行逆余弦变换操作，从而实现实时信号重构，获得传感网络中各个传感器节点的原始环境数据。

上述汇聚节点针对接收到的各个簇的压缩数据向量，采用“补零”+逆压缩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，接收数据Y的构成，如下所示：

Y＝(V₁ ^(c),V₂ ^(c),...,V_α ^(c))

其中，V^(c)＝[M^(T)(1,1),M^(T)(1,2),M^(T)(2,1),...]为所述传感网络中，距离汇聚节点更近的簇头节点作为中继节点向汇聚节点传输的空间压缩信号。除此之外，接收数据还包括删除元素序号集合I,汇聚节点根据集合I中各压缩向量中删除元素的位置，将V^(R)中各压缩向量V_i ^(c)进行补零操作。再对各压缩向量V_i ^(c)进行逆压缩操作，操作具体步骤联合逆锯齿形扫描与逆离散余弦变换操作，获得所述传感网络中各个传感器节点的原始环境数据。

由此，通过引入基于经验门限的自适应压缩方法以实现提高无线传感器网络适应环境能力，通过对感知数据空间相关性进行了深度挖掘，将原始数据矩阵相应的变换矩阵中较小元素删除，保证了通过压缩后的变换矩阵重建原始数据矩阵是可行的，并具有高重构精度。

为了验证本发明的自适应空间压缩方法可实现对感知数据空间相关性的深度挖掘和高精度重构，下列举一个验证例进行说明。

该验证例的方法基于的合分层式传感器网络模型，每个簇都设为一正方形区域，每块区域包含5×5个网格，即l为5。这里，设计传感网络中总共划分获得1个簇，各个簇中分别有1个簇头节点和多个传感器节点，多个传感器节点不均匀的布置于24个感知网格中。实际应用中，所述自适应空间压缩方法具体步骤如下：

步骤001.24个传感器节点分别采集原始环境数据并将其所获得采集原始数据上传至所在簇的簇头节点，得到原始感知矩阵M。

$M=\left[\begin{array}{ccccc}1.1& 1.2& 1.05& 1& 1.09\\ 1.09& 1.21& 1.07& 1.02& 1.04\\ 1.05& 1.23& 1.06& 1.01& 1.01\\ 1.08& 1.19& 1.03& 1.08& 1.02\\ 1.102& 1.18& 1.04& 1.04& 1.03\end{array}\right]$

步骤002.各个簇中的簇头节点针对其所在簇中同一时隙内所上传的采集原始数据获得二维原始数据矩阵并进行离散余弦变换。各个簇中的簇头节点分别获得对应的本簇原始数据矩阵的二维变换矩阵M^(T)。

$M^{\left(T\right)}=\left[\begin{array}{ccccc}5.404& 0.2054& -0.0321& -0.1928& -0.1412\\ 0.0179& -0.000195& 0.0156& -0.0548& 0.036\\ 0.016& -0.0118& 0.0559& 0.0125& 0.0265\\ -8.99e-5& -0.0198& 0.0114& 0.0092& -0.0207\\ -0.0154& 0.0104& -0.0071& -0.0369& 0.0107\end{array}\right]$

步骤003.各个簇中的簇头节点分别针对其获得二维变换矩阵进行锯齿形扫描。从变换矩阵的左上角开始对其进行“之”字形扫描，直至矩阵的最末元素，将二维变换矩阵变换为一维向量v∈R^1×25，所述一维向量如下：

v＝[5.404,0.2054,0.0179,0.016,-0.000195,-0.0321,-0.1928,0.0156,-0.0118,-8.99e-5,

-0.0154,-0.0198,0.0559,-0.0548,-0.1412,0.036,0.0125,0.0114,0.0104,-0.0071,0.0092,

0.0265,-0.0207,-0.0369,0.0107]

步骤004.针对各个簇中的簇头节点得到的一维向量v∈R^1×25，进行自适应空间压缩步骤，根据簇内节点采集信号之间相关性与压缩率要求，设置一个基于经验的门限值δ＝0.0002，簇头节点从后往前遍历检测变换向量中所有元素，一旦检测到某个元素小于门限值δ，则将该元素删除，同时，记录该元素对应的序号i，例如序号i为5、10，并将这些元素对应的i添加到删除元素序号集合I中；

步骤005.分别针对各个簇中的簇头节点进行如下操作，簇头节点继续将压缩数据向量向距离汇聚节点更近的簇头节点传输。距离汇聚节点更近的簇头节点收集到对应压缩数据向量后，对其继续进行步骤004-步骤005的操作获得深度压缩数据向量，这里在自适应空间压缩过程中，需要更换一个较大的门限值δ'＝0.0093，并将删除元素的对应序号i，例如i为20,21添加进集合I中，通过分层压缩对接收信号空间相关性进行深度挖掘。

步骤006.所述汇聚节点针对接收到距离汇聚节点更近的簇头节点所传输的深度压缩数据向量，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；

汇聚节点针对接收到的深度压缩数据向量获得各个簇数据，根据删除元素序号集合I中的所有删除元素的序号即：5、10、20、21，进行“补零”，恢复出重构变换向量v^(R),其元素为：

v^(R)＝[5.404,0.2054,0.0179,0.016,0,-0.0321,-0.1928,0.0156,-0.0118,0,

-0.0154,-0.0198,0.0559,-0.0548,-0.1412,0.036,0.0125,0.0114,0.0104,0,0,

0.0265,-0.0207,-0.0369,0.0107]

再对“补零”操作后得到的向量进行逆锯齿型扫描，从而得到重构变换矩阵M^(R)，其构成为：

$M^{\left(R\right)}=\left[\begin{array}{ccccc}5.404& 0.2054& -0.0321& -0.1928& -0.1412\\ 0.0179& 0& 0.0156& -0.0548& 0.036\\ 0.016& -0.0118& 0.0559& 0.0125& 0.0265\\ 0& -0.0198& 0.0114& 0& -0.0207\\ -0.0154& 0.0104& 0& -0.0369& 0.0107\end{array}\right]$

在此基础上对重构变换矩阵M^(R)进行逆余弦变换操作，从而实现实时信号重构，获得传感网络中各个传感器节点的原始环境数据。

上述技术方案设计的基于锯齿形扫描的自适应空间压缩方法，通过引入基于经验门限的自适应压缩方法ASCA以实现提高无线传感器网络适应环境能力。通过对感知数据空间相关性的深度挖掘并设计恰当基于经验的门限值δ，将原始数据矩阵相应的变换矩阵中较小元素删除，保证了通过压缩后的变换矩阵重建原始数据矩阵是可行的，并具有高重构精度。且构建分层网络进行多层数据压缩操作的网络架构，保证相同压缩率的情况下，与其它具有相同的压缩率的空间压缩方法相比，本方法压缩数据的重建具有更低的重建误差；

以及本发明建立对原始感知数据进行分层式压缩，使其与RZS空间压缩方法相比，本发明设计技术方案在相同的误差率条件下，具有更高的压缩率；不仅如此，通过对感知数据空间相关性的深入挖掘，本发明方法能够提高感知数据压缩率，减少数据传输量，进一步延长了网络生命周期，减轻了网络拥塞。且通过压缩门限的选取，获得自适应特性。

基于上述本发明设计基于锯齿形扫描的自适应空间压缩方法在实际过程中的应用，如图4所示,本发明设计方法相较于缩减型锯齿形扫描方法RZS，在数据重建精度方面的比较，显示本发明设计方法在数据重建精度的误差比缩减型锯齿形扫描方法RZS要高的多，且压缩率下降时，其稳定性更好；以及如图5所示，结合原始信号可以得出，本发明设计方法相较于减型锯齿形扫描方法RZS，在压缩率为0.84的条件下，显示本发明设计方法具有更好的重构精度，充分挖掘了感知数据的空间相关性。不仅如此，结合图4和图5所示结果可知，本发明设计方法在保持与其他空间压缩方法相同压缩率的情况下，具有更高的重建精度。

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.基于锯齿形扫描的自适应空间压缩方法，其特征在于，该方法基于的传感网络包括一个汇聚节点和至少一个由l×l个方形网格构成的簇，其中l为正整数；所述各个簇均包括若干个传感器节点和一个由所在簇中性能最强的传感器节点所确定的簇头节点；所述方法包括：

步骤001.各个簇中各网格内的每个传感器节点分别采集原始环境数据并将其所采集的原始数据上传至所在簇的簇头节点；

步骤002.各个簇中的簇头节点分别根据接收的同一时隙内所采集的原始数据获得对应簇的二维原始数据矩阵，再分别对其所得二维原始数据矩阵进行离散余弦变换获得二维变换矩阵；

步骤003.各个簇中的簇头节点分别针对其所得二维变换矩阵进行锯齿形扫描，将二维变换矩阵变换为一维向量；

步骤004.针对各个簇中的簇头节点所得一维向量进行自适应空间压缩，获得压缩数据向量；具体步骤包括：所述簇头节点从后向前依次遍历检测一维向量中元素，当检测到一维向量中元素小于所设置的门限值δ，则将该元素删除；同时，记录该元素对应的序号i，并将序号i添加到删除元素序号集合I中；

步骤005.各个簇中的簇头节点将所得压缩数据向量向距离汇聚节点更近的簇头节点传输；所述距离汇聚节点更近的簇头节点针对所接收压缩数据向量执行所述步骤004至步骤005获得深度压缩数据向量并传输，其中在步骤004中设置用于替换门限值δ的门限值δ'，且所述门限值δ'大于门限值δ；

步骤006.所述汇聚节点针对簇头节点所传输的深度压缩数据向量进行数据重构，包括补零、逆锯齿形扫描及逆余弦变换操作，以获得各个传感器节点的原始环境数据。

2.根据权利要求1所述基于锯齿形扫描的自适应空间压缩方法，其特征在于：所述步骤001还包括根据网格内传感器节点采集原始环境数据上传情况确定采集原始数据，即：

当网格内只上传一个传感器节点所采集原始环境数据时，则直接将其作为采集原始数据；

当网格内上传若干个传感器节点所采集原始环境数据时，则将网格内全部传感器节点所采集原始环境数据的均值作为采集原始数据；

当网格内不存在上传的传感器节点所采集原始环境数据时，则将相邻网格内全部传感器节点所采集原始环境数据的均值作为采集原始数据。

3.根据权利要求1所述基于锯齿形扫描的自适应空间压缩方法，其特征在于：所述步骤002中将二维原始数据矩阵的DCT系数设置于二维变换矩阵的左上角。

4.根据权利要求1所述基于锯齿形扫描的自适应空间压缩方法，其特征在于：所述步骤003中锯齿形扫描采用“之”字形扫描。

5.根据权利要求1所述基于锯齿形扫描的自适应空间压缩方法，其特征在于：所述步骤006对簇头节点所传输的深度压缩数据向量进行数据重构，具体为：

所述汇聚节点针对接收到的各个簇的深度压缩数据向量，根据删除元素序号集合中的各个元素序号i，对元素序号i对应位置进行补零，恢复出重构变换向量；

对所得重构变换向量进行逆锯齿型扫描，获得重构变换矩阵；

对所得重构变换矩阵进行逆余弦变换操作，获得各个传感器节点的原始环境数据。