CN106101101A - 无线传感器网络数据压缩方法和系统 - Google Patents
无线传感器网络数据压缩方法和系统 Download PDFInfo
- Publication number
- CN106101101A CN106101101A CN201610415572.5A CN201610415572A CN106101101A CN 106101101 A CN106101101 A CN 106101101A CN 201610415572 A CN201610415572 A CN 201610415572A CN 106101101 A CN106101101 A CN 106101101A
- Authority
- CN
- China
- Prior art keywords
- section
- data
- region
- structural element
- wireless sensor
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- 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)
- Computer Security & Cryptography (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明涉及一种无线传感器网络数据压缩方法和系统,获取无线传感器网络的节点数据,并根据节点数据进行转换和绘制得到原始信号。利用水平层级切片算法对原始信号进行数学形态学上的切片处理,得到切片数据。对切片数据进行聚类分析,得到原始信号的切片分布曲线。对无线传感器网络采集到的数据的波形进行数学形态学上的处理,在不改变原始数据的前提下将原始数据波形转换成切片分布曲线,降低数据规模,能实现对大规模数据进行无损压缩,提高了应用范围。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种无线传感器网络数据压缩方法和系统。
背景技术
无线传感器网络(Wireless Sensor Network,WSN)是由大量的静止或移动的传感器以自组织和多跳的方式构成的无线网络,以协作地感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息,并最终把这些信息发送给网络的所有者。无线传感器网络广泛应用于军事、航空、防爆、救灾、环境、医疗、保健、家居、工业、商业等领域。
传统的无线传感器网络数据压缩方法主要是基于时空相关性的压缩方法,利用无线传感器网络中不同属性和不同时间段内数据的相关性,从传感器节点产生的数据序列中提取部分序列作为基础信号,基础信号可以体现所有数据分布特性。而对于硬件资源十分有限的无线传感器节点而言,计算复杂度和能耗相对较高,传统的无线传感器网络数据压缩方法计算复杂度和能耗较高,不能压缩大规模的数据,例如图像和视频等,因而应用范围十分有限。
发明内容
基于此,有必要针对上述问题,提供一种可压缩大规模数据的无线传感器网络数据压缩方法和系统。
一种无线传感器网络数据压缩方法,包括以下步骤:
获取无线传感器网络的节点数据,并根据所述节点数据进行转换和绘制得到原始信号;
利用水平层级切片算法对所述原始信号进行数学形态学上的切片处理,得到切片数据;
对所述切片数据进行聚类分析,得到所述原始信号的切片分布曲线。
一种无线传感器网络数据压缩系统,包括:
数据获取转换模块,用于获取无线传感器网络的节点数据,并根据所述节点数据进行转换和绘制得到原始信号;
信号切片处理模块,用于利用水平层级切片算法对所述原始信号进行数学形态学上的切片处理,得到切片数据;
数据聚类分析模块,用于对所述切片数据进行聚类分析,得到所述原始信号的切片分布曲线。
上述无线传感器网络数据压缩方法和系统,获取无线传感器网络的节点数据,并根据节点数据进行转换和绘制得到原始信号。利用水平层级切片算法对原始信号进行数学形态学上的切片处理,得到切片数据。对切片数据进行聚类分析,得到原始信号的切片分布曲线。对无线传感器网络采集到的数据的波形进行数学形态学上的处理,在不改变原始数据的前提下将原始数据波形转换成切片分布曲线,降低数据规模,能实现对大规模数据进行无损压缩,提高了应用范围。
附图说明
图1为一实施例中无线传感器网络数据压缩方法的流程图;
图2为一实施例中利用水平层级切片算法对原始信号进行数学形态学上的切片处理,得到切片数据的流程图;
图3为一实施例中利用结构元素对子图区域进行切除的示意图;
图4为一实施例中对切片数据进行聚类分析,得到原始信号的切片分布曲线的流程图;
图5为一实施例中原始信号的切片分布曲线的示意图;
图6为另一实施例中无线传感器网络数据压缩方法的流程图;
图7为一实施例中无线传感器网络数据压缩系统的结构示意图;
图8为一实施例中信号切片处理模块的结构示意图;
图9为一实施例中数据聚类分析模块的结构示意图;
图10为另一实施例中无线传感器网络数据压缩系统的结构示意图。
具体实施方式
在一个实施例中,一种无线传感器网络数据压缩方法,如图1所示,包括以下步骤:
步骤S120:获取无线传感器网络的节点数据,并根据节点数据进行转换和绘制得到原始信号。节点数据指无线传感器网络中无线传感器节点收集到的数据,具体可以包括图像、视频等类型的数据。
在一个实施例中,步骤S120中对节点数据进行转换得到原始信号,包括:将节点数据转换为阶梯方程,并按顺序绘制在横坐标为采样序号、纵坐标为信号大小的在二维坐标系上,得到阶梯曲线图作为原始信号。其中,采样序号标识节点数据的来源。
通过对节点数据进行转换得到阶梯方程,按顺序绘制在X、Y二维坐标系上,形成阶梯曲线图。其中,横坐标为采样序号,纵坐标为信号大小。通过绘制得到阶梯曲线图以便进行后续的切片处理。
步骤S140:利用水平层级切片算法对原始信号进行数学形态学上的切片处理,得到切片数据。
水平层级切片算法是对数据进行切片分析的一个过程,其核心是将原始信号进行切片处理并对得到的切片数据进行聚类分析。在使用相同的硬件条件下,采用水平层级切片算法对大规模信号进行处理,可以很大程度地降低数据规模,实现无损的数据压缩。
步骤S160:对切片数据进行聚类分析,得到原始信号的切片分布曲线。
对无线传感器节点采集到的数据的波形进行数学形态学上的处理得到切片数据后,对切片数据进行聚类分析得到聚类结果,在不改变原始数据的前提下,将原始数据波形转换成切片分布曲线,地降低数据规模,实现无损的数据压缩。
上述无线传感器网络数据压缩方法,对无线传感器网络采集到的数据的波形进行数学形态学上的处理,在不提高硬件成本、不改变原始数据的情况下,将原始数据波形转换成切片分布曲线,降低数据规模,能实现对大规模数据进行无损压缩,提高了应用范围。此外,在各无线传感器之间进行数据传输时只需要传输聚类结果以及每个切片的起始横坐标,还可以提高无线传感器节点间的数据传输效率。
在一个实施例中,切片数据包括各切片的起始采样序号和切片分数。如图2所示,步骤S140具体可包括步骤S142和步骤S144。
步骤S142:根据原始信号得到子图区域。
具体地,在将节点数据转换为阶梯方程,并按顺序绘制在横坐标为采样序号、纵坐标为信号大小的在二维坐标系上得到阶梯曲线之后,阶梯曲线与坐标轴X轴之间形成的区域即为子图区域。
步骤S144:利用数学形态学侵蚀算法对子图区域进行切片直到子图区域面积为0,得到各切片的起始采样序号和切片分数。
利用数学形态学中的侵蚀运算的思想一步一步对子图区域进行切片直到子图区域面积为0,并记录每个切片的起始横坐标和切片分数。
在一个实施例中,步骤S144具体可包括步骤1至步骤4。
步骤1:计算子图区域的总面积,并构建长和宽都为1个单位长度的结构元素。根据阶梯曲线可直接计算得到子图区域的总面积,构建长和宽都为1个单位长度的结构元素作为基本结构元素。
步骤2:利用结构元素对子图区域中与且只与结构元素在水平方向上大小相对应的区域进行切除,记录切片的起始采样序号并计算被切掉的区域的面积。
用结构元素切除子图区域中与结构元素在水平方向上大小相对应的区域,同时记录每个切片的起始横坐标得到对应切片的起始采样序号,并计算被切掉的区域的面积。
步骤3:计算被切掉的区域的面积与子图区域的总面积之比,得到对应切片的切片分数。求出被切掉的面积与子图区域总面积之比,将得到的比例作为对应切片的切片分数。
步骤4:判断所述子图区域是否全部被结构元素切除;若否,则将结构元素在水平方向上增加一个单位长度,组成一个新的结构元素,并返回步骤2;若是,则得到各切片的起始采样序号和切片分数。
每次将结构元素在水平方向上增加一个单位长度,组成一个新的结构元素,然后重复步骤2和步骤3,一直到所有的子图区域全部被结构元素切除。每次切除都会得到一个切片的起始采样序号和切片分数,切片分数用作后续进行聚类分析。
如图3所示为一实施例中,利用结构元素对子图区域进行切除的示意图。
用边长为1单位的正方形作为结构元素来擦除子图区域,同时记录每个切片的起始横坐标。图中虚线部分为被“擦除”的子图区域,此区域与且只与此结构元素面积大小在垂直方向上相对应。从图3中可知,被“擦除”的区域一共为5个单位正方形,面积为5,而子图区域总面积为57,则切片分数为5/57。
将结构元素在水平方向上增加一个单位长度,组成一个新的结构元素,并用来切割余下的子图区域(图中实线与X轴),并得到相应的切除分数。如此循环,每次都在水平方向上增加一个单位长度,作为一个新的结构元素去擦除余下的子图区域,一直到子图区域全部被擦除。
在一个实施例中,如图4所示,步骤S160包括步骤S162和步骤S164。
步骤S162:按照结构元素的长度顺序,对各切片的切片分数排列得到切片分数集合,并根据切片分数集合计算得到累积分布函数。
在每次切除得到一个切片分数后,按照结构元素的长度顺序排列得到一个切片分数集合,求出此切片分数集合的累积分布函数。
步骤S164:将累积分布函数转换为阶梯方程,绘制在横坐标为结构元素的长度,纵坐标为切片累积分布的平面坐标系上,得到原始信号的切片分布曲线。
将累积分布函数转换为阶梯方程,绘制在X、Y平面坐标系上,得到原始信号的切片分布曲线。其中,横坐标为结构元素的长度(水平方向上的长度),纵坐标为切片累积分布。
如图5所述为对图3中子图区域进行切除后得到的原始信号的切片分布曲线的示意图。纵坐标为切片累积分布,横坐标为结构元素的长度大小。从图5中可知,结构元素从长度为5的结构元素到长度为9的切片累积分布曲线的纵坐标值都无变化,表示子图区域内没有与相应结构元素面积大小在垂直方向上对应的区域。
以上即是先将节点数据转换为阶梯方程,然后利用数学形态学的方法获得原始数据的切片分数集合,并计算其累积分布集合,最后转换成阶梯方程,得到原始信号的切片分布曲线。
原始信号的切片分布曲线的数据规模比原始信号的数据规模要小很多,在无线传感器网络所应用的领域中,图像或者视频等大规模数据往往不会发生剧烈的全局性变化(例如:边境监控,停车场监控等),坐标信息只需要在环境变化时进行传输,其他情况下只需要传输数据量极小的切片分布曲线数据。
在一个实施例中,如图6所示,步骤S160之后,无线传感器网络数据压缩方法包括步骤S180。
步骤S180:输出各切片的起始采样序号和原始信号的切片分布曲线。
具体地,可在无线传感器之间传输聚类结果以及每个切片的起始横坐标,从而大大降低数据规模,实现数据压缩。只需要传输数据量极小的切片分布曲线和起始采样序号,可以提高无线传感器节点间的数据传输效率。
在一个实施例中,一种无线传感器网络数据压缩系统,如图7所示,包括数据获取转换模块120、信号切片处理模块140和数据聚类分析模块160。
数据获取转换模块120用于获取无线传感器网络的节点数据,并根据节点数据进行转换和绘制得到原始信号。节点数据指无线传感器网络中无线传感器节点收集到的数据,具体可以包括图像、视频等类型的数据。
在一个实施例中,数据获取转换模块120将节点数据转换为阶梯方程,并按顺序绘制在横坐标为采样序号、纵坐标为信号大小的在二维坐标系上,得到阶梯曲线图作为原始信号。其中,采样序号标识节点数据的来源。
信号切片处理模块140用于利用水平层级切片算法对原始信号进行数学形态学上的切片处理,得到切片数据。
水平层级切片算法是对数据进行切片分析的一个过程,其核心是将原始信号进行切片处理并对得到的切片数据进行聚类分析。在使用相同的硬件条件下,采用水平层级切片算法对大规模信号进行处理,可以很大程度地降低数据规模,实现无损的数据压缩。
数据聚类分析模块160用于对切片数据进行聚类分析,得到原始信号的切片分布曲线。
对无线传感器节点采集到的数据的波形进行数学形态学上的处理得到切片数据后,对切片数据进行聚类分析得到聚类结果,在不改变原始数据的前提下,将原始数据波形转换成切片分布曲线,地降低数据规模,实现无损的数据压缩。
上述无线传感器网络数据压缩系统,对无线传感器网络采集到的数据的波形进行数学形态学上的处理,在不提高硬件成本、不改变原始数据的情况下,将原始数据波形转换成切片分布曲线,降低数据规模,能实现对大规模数据进行无损压缩,提高了应用范围。此外,在各无线传感器之间进行数据传输时只需要传输聚类结果以及每个切片的起始横坐标,还可以提高无线传感器节点间的数据传输效率。
在一个实施例中,切片数据包括各切片的起始采样序号和切片分数。如图8所示,信号切片处理模块140包括区域获取单元142和切片处理单元144。
区域获取单元142用于根据原始信号得到子图区域。
具体地,在将节点数据转换为阶梯方程,并按顺序绘制在横坐标为采样序号、纵坐标为信号大小的在二维坐标系上得到阶梯曲线之后,阶梯曲线与坐标轴X轴之间形成的区域即为子图区域。
切片处理单元144用于利用数学形态学侵蚀算法对子图区域进行切片直到子图区域面积为0,得到各切片的起始采样序号和切片分数。
利用数学形态学中的侵蚀运算的思想一步一步对子图区域进行切片直到子图区域面积为0,并记录每个切片的起始横坐标和切片分数。
在一个实施例中,切片处理单元144包括第一处理单元、第二处理单元、第三处理单元和判断单元。
第一处理单元用于计算子图区域的总面积,并构建长和宽都为1个单位长度的结构元素。根据阶梯曲线可直接计算得到子图区域的总面积,构建长和宽都为1个单位长度的结构元素作为基本结构元素。
第二处理单元用于利用结构元素对子图区域中与且只与结构元素在水平方向上大小相对应的区域进行切除,记录切片的起始采样序号并计算被切掉的区域的面积。
用结构元素切除子图区域中与结构元素在水平方向上大小相对应的区域,同时记录每个切片的起始横坐标得到对应切片的起始采样序号,并计算被切掉的区域的面积。
第三处理单元用于计算被切掉的区域的面积与所述子图区域的总面积之比,得到对应切片的切片分数。求出被切掉的面积与子图区域总面积之比,将得到的比例作为对应切片的切片分数。
判断单元用于判断子图区域是否全部被所述结构元素切除;若否,则将结构元素在水平方向上增加一个单位长度,组成一个新的结构元素,并控制第二处理单元再次利用结构元素对子图区域中与且只与结构元素在水平方向上大小相对应的区域进行切除,记录切片的起始采样序号并计算被切掉的区域的面积;若是,则得到各切片的起始采样序号和切片分数。
每次将结构元素在水平方向上增加一个单位长度,组成一个新的结构元素,然后重复进行切除处理,一直到所有的子图区域全部被结构元素切除。每次切除都会得到一个切片的起始采样序号和切片分数,切片分数用作后续进行聚类分析。
在一个实施例中,如图9所示,数据聚类分析模块160包括累积分布函数计算单元162和切片分布曲线计算单元164。
累积分布函数计算单元162用于按照结构元素的长度顺序,对各切片的切片分数排列得到切片分数集合,并根据切片分数集合计算得到累积分布函数。
在每次切除得到一个切片分数后,按照结构元素的长度顺序排列得到一个切片分数集合,求出此切片分数集合的累积分布函数。
切片分布曲线计算单元164用于将累积分布函数转换为阶梯方程,绘制在横坐标为结构元素的长度,纵坐标为切片累积分布的平面坐标系上,得到原始信号的切片分布曲线。
将累积分布函数转换为阶梯方程,绘制在X、Y平面坐标系上,得到原始信号的切片分布曲线。其中,横坐标为结构元素的长度(水平方向上的长度),纵坐标为切片累积分布。
以上即是先将节点数据转换为阶梯方程,然后利用数学形态学的方法获得原始数据的切片分数集合,并计算其累积分布集合,最后转换成阶梯方程,得到原始信号的切片分布曲线。
在一个实施例中,如图10所示,无线传感器网络数据压缩系统还可包括数据输出模块180。
数据输出模块180用于在数据聚类分析模块160对切片数据进行聚类分析,得到原始信号的切片分布曲线之后,输出各切片的起始采样序号和原始信号的切片分布曲线。
具体地,可在无线传感器之间传输聚类结果以及每个切片的起始横坐标,从而大大降低数据规模,实现数据压缩。只需要传输数据量极小的切片分布曲线和起始采样序号,可以提高无线传感器节点间的数据传输效率。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种无线传感器网络数据压缩方法,其特征在于,包括以下步骤:
获取无线传感器网络的节点数据,并根据所述节点数据进行转换和绘制得到原始信号;
利用水平层级切片算法对所述原始信号进行数学形态学上的切片处理,得到切片数据;
对所述切片数据进行聚类分析,得到所述原始信号的切片分布曲线。
2.根据权利要求1所述的无线传感器网络数据压缩方法,其特征在于,所述对节点数据进行转换得到原始信号,包括:
将所述节点数据转换为阶梯方程,并按顺序绘制在横坐标为采样序号、纵坐标为信号大小的在二维坐标系上,得到阶梯曲线图作为所述原始信号。
3.根据权利要求1所述的无线传感器网络数据压缩方法,其特征在于,所述切片数据包括各切片的起始采样序号和切片分数;所述利用水平层级切片算法对所述原始信号进行数学形态学上的切片处理,得到切片数据,包括:
根据所述原始信号得到子图区域;
利用数学形态学侵蚀算法对子图区域进行切片直到子图区域面积为0,得到各切片的起始采样序号和切片分数。
4.根据权利要求3所述的无线传感器网络数据压缩方法,其特征在于,所述利用数学形态学侵蚀算法对子图区域进行切片直到子图区域面积为0,得到各切片的起始采样序号和切片分数,包括:
计算所述子图区域的总面积,并构建长和宽都为1个单位长度的结构元素;
利用所述结构元素对所述子图区域中与且只与所述结构元素在水平方向上大小相对应的区域进行切除,记录切片的起始采样序号并计算被切掉的区域的面积;
计算所述被切掉的区域的面积与所述子图区域的总面积之比,得到对应切片的切片分数;
判断所述子图区域是否全部被所述结构元素切除;
若否,则将所述结构元素在水平方向上增加一个单位长度,组成一个新的结构元素,并返回所述利用所述结构元素对所述子图区域中与且只与所述结构元素在水平方向上大小相对应的区域进行切除,记录切片的起始采样序号并计算被切掉的区域的面积的步骤;
若是,则得到各切片的起始采样序号和切片分数。
5.根据权利要求4所述的无线传感器网络数据压缩方法,其特征在于,所述对所述切片数据进行聚类分析,得到所述原始信号的切片分布曲线,包括:
按照所述结构元素的长度顺序,对各切片的切片分数排列得到切片分数集合,并根据所述切片分数集合计算得到累积分布函数;
将所述累积分布函数转换为阶梯方程,绘制在横坐标为结构元素的长度,纵坐标为切片累积分布的平面坐标系上,得到原始信号的切片分布曲线。
6.根据权利要求3所述的无线传感器网络数据压缩方法,其特征在于,所述对所述切片数据进行聚类分析,得到所述原始信号的切片分布曲线之后,还包括输出各切片的起始采样序号和所述原始信号的切片分布曲线的步骤。
7.一种无线传感器网络数据压缩系统,其特征在于,包括:
数据获取转换模块,用于获取无线传感器网络的节点数据,并根据所述节点数据进行转换和绘制得到原始信号;
信号切片处理模块,用于利用水平层级切片算法对所述原始信号进行数学形态学上的切片处理,得到切片数据;
数据聚类分析模块,用于对所述切片数据进行聚类分析,得到所述原始信号的切片分布曲线。
8.根据权利要求7所述的无线传感器网络数据压缩系统,其特征在于,所述切片数据包括各切片的起始采样序号和切片分数;所述信号切片处理模块包括:
区域获取单元,用于根据所述原始信号得到子图区域;
切片处理单元,用于利用数学形态学侵蚀算法对子图区域进行切片直到子图区域面积为0,得到各切片的起始采样序号和切片分数。
9.根据权利要求8所述的无线传感器网络数据压缩系统,其特征在于,所述切片处理单元包括:
第一处理单元,用于计算所述子图区域的总面积,并构建长和宽都为1个单位长度的结构元素;
第二处理单元,用于利用所述结构元素对所述子图区域中与且只与所述结构元素在水平方向上大小相对应的区域进行切除,记录切片的起始采样序号并计算被切掉的区域的面积;
第三处理单元,用于计算所述被切掉的区域的面积与所述子图区域的总面积之比,得到对应切片的切片分数;
判断单元,用于判断所述子图区域是否全部被所述结构元素切除;若否,则将所述结构元素在水平方向上增加一个单位长度,组成一个新的结构元素,并控制所述第二处理单元再次利用所述结构元素对所述子图区域中与且只与所述结构元素在水平方向上大小相对应的区域进行切除,记录切片的起始采样序号并计算被切掉的区域的面积;若是,则得到各切片的起始采样序号和切片分数。
10.根据权利要求9所述的无线传感器网络数据压缩系统,其特征在于,所述数据聚类分析模块包括:
累积分布函数计算单元,用于按照所述结构元素的长度顺序,对各切片的切片分数排列得到切片分数集合,并根据所述切片分数集合计算得到累积分布函数;
切片分布曲线计算单元,用于将所述累积分布函数转换为阶梯方程,绘制在横坐标为结构元素的长度,纵坐标为切片累积分布的平面坐标系上,得到原始信号的切片分布曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610415572.5A CN106101101A (zh) | 2016-06-13 | 2016-06-13 | 无线传感器网络数据压缩方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610415572.5A CN106101101A (zh) | 2016-06-13 | 2016-06-13 | 无线传感器网络数据压缩方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106101101A true CN106101101A (zh) | 2016-11-09 |
Family
ID=57845721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610415572.5A Pending CN106101101A (zh) | 2016-06-13 | 2016-06-13 | 无线传感器网络数据压缩方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106101101A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109347834A (zh) * | 2018-10-24 | 2019-02-15 | 广东工业大学 | 物联网边缘计算环境中异常数据的检测方法、装置及设备 |
CN110149320A (zh) * | 2019-04-30 | 2019-08-20 | 北京云迹科技有限公司 | 用于智能设备的数据监控方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103763703A (zh) * | 2014-01-09 | 2014-04-30 | 广州中国科学院先进技术研究所 | 一种基于数学形态学的无线网络攻击检测方法 |
US20140281658A1 (en) * | 2013-03-15 | 2014-09-18 | West Virginia University | Compressed sampling and memory |
-
2016
- 2016-06-13 CN CN201610415572.5A patent/CN106101101A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140281658A1 (en) * | 2013-03-15 | 2014-09-18 | West Virginia University | Compressed sampling and memory |
CN103763703A (zh) * | 2014-01-09 | 2014-04-30 | 广州中国科学院先进技术研究所 | 一种基于数学形态学的无线网络攻击检测方法 |
Non-Patent Citations (1)
Title |
---|
YANWEN WANG ET AL.: ""Horizontal hierarchy slicing based data compression for WSN"", 《2014 IEEE COMPUTERS, COMMUNICATIONS AND IT APPLICATIONS CONFERENCE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109347834A (zh) * | 2018-10-24 | 2019-02-15 | 广东工业大学 | 物联网边缘计算环境中异常数据的检测方法、装置及设备 |
CN109347834B (zh) * | 2018-10-24 | 2021-03-16 | 广东工业大学 | 物联网边缘计算环境中异常数据的检测方法、装置及设备 |
CN110149320A (zh) * | 2019-04-30 | 2019-08-20 | 北京云迹科技有限公司 | 用于智能设备的数据监控方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gouldby et al. | A methodology for deriving extreme nearshore sea conditions for structural design and flood risk analysis | |
Wheater | Progress in and prospects for fluvial flood modelling | |
CN109947879B (zh) | 一种基于复杂网络的海洋观测大数据可视化分析方法 | |
CN102798384B (zh) | 一种基于压缩采样的海洋遥感图像水色水温监测方法 | |
CN103455991A (zh) | 一种多聚焦图像融合方法 | |
CN107133686A (zh) | 基于时空数据模型的城市级pm2.5浓度预测方法 | |
CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
CN106023245A (zh) | 基于中智集相似度量测的静态背景下运动目标检测方法 | |
CN113219555B (zh) | 一种基于统计降尺度技术的短期气候预测方法 | |
EP4303785A1 (en) | Reservoir flow rate regulating method and apparatus, electronic device, and storage medium | |
Zhang et al. | Random threshold driven tail dependence measures with application to precipitation data analysis | |
CN109062811B (zh) | 一种基于神经风格迁移的测试用例生成方法 | |
Stryhal et al. | Classifications of winter atmospheric circulation patterns: validation of CMIP5 GCMs over Europe and the North Atlantic | |
CN115984850A (zh) | 基于改进Deeplabv3+的轻量级遥感影像语义分割方法 | |
CN114201570A (zh) | 河网水质的监测方法、装置和可读存储介质 | |
CN106101101A (zh) | 无线传感器网络数据压缩方法和系统 | |
CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
Kapur et al. | Oceanographic features delineate growth zonation in Northeast Pacific sablefish | |
CN113269805B (zh) | 降水事件引导的遥感降水反演训练样本自适应选取方法 | |
Hinrichsen et al. | Using multivariate state-space models to study spatial structure and dynamics | |
CN117371571A (zh) | 一种基于多尺度动态同步图机制的区域空气质量预测模型 | |
Scheef et al. | Assessing marine plankton community structure from long‐term monitoring data with multivariate autoregressive (MAR) models: a comparison of fixed station versus spatially distributed sampling data | |
KR102593144B1 (ko) | 이상 탐지 및 복원 기반의 전력 수요량 예측 장치 및 방법 | |
Bocci et al. | Geoadditive modeling for extreme rainfall data | |
CN114723877A (zh) | 一种针对三维稀疏卷积网络的对抗样本生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
RJ01 | Rejection of invention patent application after publication |