CN106604211B - 一种基于传感器网络的分层式自适应空时压缩方法 - Google Patents

一种基于传感器网络的分层式自适应空时压缩方法 Download PDF

Info

Publication number
CN106604211B
CN106604211B CN201611174476.2A CN201611174476A CN106604211B CN 106604211 B CN106604211 B CN 106604211B CN 201611174476 A CN201611174476 A CN 201611174476A CN 106604211 B CN106604211 B CN 106604211B
Authority
CN
China
Prior art keywords
node
cluster
compression
data
sensing layer
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.)
Active
Application number
CN201611174476.2A
Other languages
English (en)
Other versions
CN106604211A (zh
Inventor
陈思光
周嘉声
刘金成
王堃
鲁蔚锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201611174476.2A priority Critical patent/CN106604211B/zh
Publication of CN106604211A publication Critical patent/CN106604211A/zh
Application granted granted Critical
Publication of CN106604211B publication Critical patent/CN106604211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W28/00Network traffic management; Network resource management
    • H04W28/02Traffic management, e.g. flow control or congestion control
    • H04W28/06Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/38Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及一种基于传感器网络的分层式自适应空时压缩方法,针对传感网络构建包括底部感知层、中继层和汇聚层三层结构;在相同压缩率条件下,对比其他压缩方法,本方法具有更低的重建误差,并且该方法应用中,联合离散余弦变换和自适应时域压缩算法挖掘感知数据时域相关性,以及联合离散小波变换和自适应空域压缩挖掘时域压缩数据的空间相关性,使得本发明设计方法在相同阈值下能获得更多的低于阈值的系数,因此能获得更大的压缩率。

Description

一种基于传感器网络的分层式自适应空时压缩方法
技术领域
本发明涉及一种基于传感器网络的分层式自适应空时压缩方法,属于无线通信网络、无线传感器网络技术领域。
背景技术
无线传感器网络在监测、管理等多种智能服务中,发挥着越来越重要的作用,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,无线传感器网络中各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范围。回收耗尽节点并部署新节点或对耗尽节点续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了一个重要的问题。众所周知,无线传感器网络领域有以下两个共识。第一,数据传输占据节点能量消耗的绝大部分。当数量巨大的传输数据汇集到汇聚节点时,汇聚节点将承受巨大数据处理压力。更为严重的是,较一般中继节点,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崩溃。第二,传感器节点的感知数据存在着一定程度的相关性。由此,若以一定方法对感知数据进行压缩,通过挖掘信号之间相关性,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。如上述研究提供了本方案对无线传感器网络传输数据进行压缩的可能性。随着传输数据量的减小,网络拥塞情况也可获得极大地缓解。
利用压缩感知(CS)技术挖掘无线传感器网络传输信号空间相关性。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。与之类似,基于CS的优化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转化为一维向量。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。
发明内容
本发明所要解决的技术问题是提供一种深入挖掘感知数据的空时相关性,同时能够降低网络数据传输开销、提高数据重建精度,并延长网络生命周期的基于传感器网络的分层式自适应空时压缩方法。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于传感器网络的分层式自适应空时压缩方法,其中传感网络包括底部感知层、中继层和汇聚层三层结构,底部感知层中包括K个簇,各个簇分别包含1个簇头节点和I个传感器节点;中继层中包含至少一个中继节点,将底部感知层中的K个簇划分为至少一个簇组,簇组的数量与中继节点的个数相等,各个中继节点分别与指定簇组一一对应;汇聚层包含一个汇聚节点,所述分层式自适应空时压缩方法中,底部感知层中的所有传感器节点分别按时间节点采集原始感知数据,并且分层式自适应空时压缩方法包括如下步骤:
步骤001.底部感知层中各个传感器节点分别针对预设时隙周期t内所实时采集原始数据中的各个数值进行排序,获得排序结果数据,并构建原始数据与排序结果数据之间的映射关系然后进入步骤002;其中,k∈{1,…,K},i∈{1,…,I},ik表示第k个簇中的第i个传感器节点;
步骤002.设定压缩率λ,底部感知层中各个传感器节点分别针对对应预设时隙周期t内的排序结果数据依次进行离散余弦变换,以及根据压缩率λ进行自适应时域压缩,获得时域压缩数据并结合簇中节点被丢弃系数位置的集合以及原始数据与排序结果数据之间的映射关系构建节点压缩数据包并上传至所在簇的簇头节点中,然后进入步骤003;
步骤003.底部感知层中各个簇头节点分别获得所在簇中各个传感器节点上传的节点压缩数据包并针对对应各个节点压缩数据包中的时域压缩数据构建矩阵Mk∈RI×(λ·t),即底部感知层中各个簇头节点分别构建矩阵Mk,然后进入步骤004;
步骤004.底部感知层中各个簇头节点分别针对矩阵Mk进行处理,获得稀疏变换矩阵并针对稀疏变换矩阵进行降维,令其从二维矩阵降至一维向量然后进入步骤005;
步骤005.底部感知层中各个簇头节点分别针对进行自适应空域压缩,获得时空域压缩数据并结合簇头被丢弃系数位置的集合簇中节点被丢弃系数位置的集合以及原始数据与排序结果数据之间的映射关系构建簇压缩数据包pk,并上传至中继层中对应的中继节点中,然后进入步骤006;
步骤006.中继层中各个中继节点分别针对预设时隙周期L内所获得对应各个簇中簇头节点上传簇压缩数据包pk中的时空域压缩数据删除其中小于预设阈值的系数,针对时空域压缩数据实现进一步空域压缩,获得最终时空域压缩数据并结合中继被丢弃系数位置的集合簇头被丢弃系数位置的集合簇中节点被丢弃系数位置的集合以及原始数据与排序结果数据之间的映射关系构建中继压缩数据包qg,并上传至汇聚层中的汇聚节点中,然后进入步骤007,其中,L大于t,g∈{1,…,G},G表示中继层中中继节点的个数;
步骤007.汇聚节点接收各个中继节点上传的中继压缩数据包qg,并按照步骤001至步骤006执行逆操作,还原获得底部感知层中各个传感器节点所采集的原始数据。
作为本发明的一种优选技术方案:所述步骤001中,底部感知层中各个传感器节点分别针对预设时隙周期t内所实时采集原始数据中的各个数值按升序进行排序,获得排序结果数据。
作为本发明的一种优选技术方案:所述步骤002中,设定压缩率λ,底部感知层中各个传感器节点分别针对对应预设时隙周期t内的排序结果数据进行离散余弦变换,获得向量接着,根据压缩率λ设定节点压缩阈值,针对由其中最末元素开始向前依次扫描进行自适应时域压缩,获得时域压缩数据
作为本发明的一种优选技术方案:所述步骤004中,底部感知层中各个簇头节点分别针对矩阵Mk进行二维离散小波变换,获得稀疏变换矩阵
作为本发明的一种优选技术方案:所述步骤004中,底部感知层中各个簇头节点分别针对稀疏变换矩阵中的系数进行列排序实现降维,令其从二维矩阵降至一维向量
本发明所述一种基于传感器网络的分层式自适应空时压缩方法采用以上技术方案与现有技术相比,具有以下技术效果:本发明所设计基于传感器网络的分层式自适应空时压缩方法,针对传感网络,构建包括底部感知层、中继层和汇聚层三层结构,在相同压缩率条件下,对比其他压缩方法,本方法具有更低的重建误差,并且该方法应用中,联合离散余弦变换和自适应时域压缩算法挖掘感知数据时域相关性,以及联合离散小波变换和自适应空域压缩挖掘时域压缩数据的空间相关性,使得本发明设计方法在相同阈值下能获得更多的低于阈值的系数,因此能获得更大的压缩率。
附图说明
图1是本发明设计的基于传感器网络的分层式自适应空时压缩方法的平面示意图;
图2是本发明设计传感网络的立体图;
图3是本发明设计压缩方法排序与未排序的离散余弦变换系数低于阈值的数量比较示意图;
图4是本发明设计压缩方法中使用离散小波变换与未使用离散小波变换时低于阈值的系数数量比较示意图;
图5是本发明设计压缩方法与其它几种方法在不同压缩率下的重建误差示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种基于传感器网络的分层式自适应空时压缩方法,实际应用中,其中,如图2所示,传感网络包括底部感知层、中继层和汇聚层三层结构,底部感知层中包括K个簇,各个簇分别包含1个簇头节点和I个传感器节点;中继层中包含至少一个中继节点,将底部感知层中的K个簇划分为至少一个簇组,簇组的数量与中继节点的个数相等,各个中继节点分别与指定簇组一一对应;汇聚层包含一个汇聚节点,所述分层式自适应空时压缩方法中,底部感知层中的所有传感器节点分别按时间节点采集原始感知数据,如图1所示,分层式自适应空时压缩方法包括如下步骤:
步骤001.底部感知层中各个传感器节点分别针对预设时隙周期t内所实时采集原始数据中的各个数值按升序进行排序,获得排序结果数据,并构建原始数据与排序结果数据之间的映射关系如下所示:
然后进入步骤002;其中,k∈{1,…,K},i∈{1,…,I},ik表示第k个簇中的第i个传感器节点。
步骤002.设定压缩率λ,底部感知层中各个传感器节点分别针对对应预设时隙周期t内的排序结果数据进行离散余弦变换,获得向量接着,根据压缩率λ设定节点压缩阈值,针对由其中最末元素开始向前依次扫描进行自适应时域压缩,获得时域压缩数据并结合簇中节点被丢弃系数位置的集合以及原始数据与排序结果数据之间的映射关系构建节点压缩数据包并上传至所在簇的簇头节点中,然后进入步骤003,这里由其中最末元素开始向前依次扫描,能够有效减少扫描时间,提高工作效率。
其中,节点压缩数据包如下所示:
步骤003.底部感知层中各个簇头节点分别获得所在簇中各个传感器节点上传的节点压缩数据包并针对对应各个节点压缩数据包中的时域压缩数据构建矩阵Mk∈RI×(λ·t),即底部感知层中各个簇头节点分别构建矩阵Mk,然后进入步骤004。
步骤004.底部感知层中各个簇头节点分别针对矩阵Mk进行二维离散小波变换,获得稀疏变换矩阵并且底部感知层中各个簇头节点分别针对稀疏变换矩阵中的系数进行列排序实现降维,令其从二维矩阵降至一维向量然后进入步骤005。
步骤005.底部感知层中各个簇头节点分别针对进行自适应空域压缩,获得时空域压缩数据并结合簇头被丢弃系数位置的集合簇中节点被丢弃系数位置的集合以及原始数据与排序结果数据之间的映射关系构建簇压缩数据包pk,并上传至中继层中对应的中继节点中,然后进入步骤006。
其中,簇压缩数据包pk如下所示:
步骤006.中继层中各个中继节点分别针对预设时隙周期L内所获得对应各个簇中簇头节点上传簇压缩数据包pk中的时空域压缩数据删除其中小于预设阈值的系数,针对时空域压缩数据实现进一步空域压缩,获得最终时空域压缩数据并结合中继被丢弃系数位置的集合簇头被丢弃系数位置的集合簇中节点被丢弃系数位置的集合以及原始数据与排序结果数据之间的映射关系构建中继压缩数据包qg,并上传至汇聚层中的汇聚节点中,然后进入步骤007,其中,L大于t,g∈{1,…,G},G表示中继层中中继节点的个数。
步骤007.汇聚节点接收各个中继节点所上传的中继压缩数据包qg,并按照步骤001至步骤006执行逆操作,包括补零、二维逆离散小波变换、逆离散余弦变换操作,还原获得底部感知层中各个传感器节点所采集的原始数据。
为了减小中继节点的计算开销,解码过程仅在汇聚节点执行,汇聚节点从低层中继节点接收到各个中继节点所上传的中继压缩数据包qg,并将各个中继压缩数据包中的时空域压缩数据构成压缩数据集合Y如下:
然后汇聚节点根据各个中继压缩数据包qg中的中继被丢弃系数位置的集合簇头被丢弃系数位置的集合簇中节点被丢弃系数位置的集合以及原始数据与排序结果数据之间的映射关系针对对应时空域压缩数据按照步骤001至步骤006执行逆操作,包括补零、二维逆离散小波变换、逆离散余弦变换操作,如此,还原获得底部感知层中各个传感器节点所采集的原始数据。
上述技术方案所设计基于传感器网络的分层式自适应空时压缩方法,针对传感网络,构建包括底部感知层、中继层和汇聚层三层结构,在相同压缩率条件下,对比其他压缩方法,本方法具有更低的重建误差,并且该方法应用中,联合离散余弦变换和自适应时域压缩算法挖掘感知数据时域相关性,以及联合离散小波变换和自适应空域压缩挖掘时域压缩数据的空间相关性,使得本发明设计方法在相同阈值下能获得更多的低于阈值的系数,因此能获得更大的压缩率。
为进一步验证本发明所设计基于传感器网络的分层式自适应空时压缩方法能深度挖掘并以高精度重建感知数据,具体仿真实验如下:
使用冒泡法对原始数据进行排序,并对比排序与未排序数据的离散余弦变换系数数量。为了保证可靠性与通用性,仿真中使用方差为9的1×1000个感知读数。将阈值设为1。对方差为[0,1,2,3,...,10]的一系列随机数据求离散余弦变换系数。如图3所示,随着方差的增加,小于阈值的未排序数据的离散余弦变换系数数量快速减少,所以得出,排序数据的离散余弦变换系数更加集中。
仿真实验中,我们使用英特尔伯克利实验室收集的真实数据(10×100的温度读数),并将10个感知节点划为1簇。将无线传感器网络分成3层。阈值变化范围为0.00001至0.02。对数据矩阵的每一行都使用离散余弦变换,然后对变换后的矩阵进行离散小波变换。
如图4所示,对比了未使用与使用离散小波变换后低于阈值的系数数量,如图4中曲线所表明,使用离散小波变换后低于阈值的系数数量明显多于未使用的数量。
在数据重建性能实验中,我们提供一个真实网络来评估本发明算法与其他算法的重建精度。参数初始化如下,令系统参数K=1,I=10,压缩率λ随着压缩阈值的变化而变化;实验中,压缩率的变化范围为0至0.8。
如图5所示,‘RS’表示使用RS算法;‘DS-RS’表示使用DS-RS算法,因为该算法只在空间域中引入压缩的思想,将该算法扩展到时域进行仿真;‘ASTCS’表示基于离散余弦变换的自适应空时压缩算法;‘HASDC’表示本发明所设计基于传感器网络的分层式自适应空时压缩方法。为了量化重建误差,定义重建误差如下所示:
其中,表示第k个簇中的第i个传感器节点的重建数据,表示第k个簇中的第i个传感器节点的原始数据。
图5为不同压缩率下四种压缩方案的重建误差。观察图中曲线可知,随着压缩率的增加,重建误差也在增加。特别的,ASTCS和HASDC方法显著提高了重建性能。相反,RS月DS-RS的重建性能不如预期。总体来说,HASDC在重建精度方面优于其他压缩算法。
相比于其他算法,HASDC性能更加稳定,因为通过排序提高了原始数据的相关性,DCT系数更加集中。另外,通过设置阈值,该方案可选择性的删除一些系数,之后使用2D-DWT进一步挖掘感知数据的空间相关性。所有方法都保证了该方案具有良好的重建性能。
综上所述,HASDC能更加全面、深入的挖掘数据的空时相关性,且本发明所提方法比其他方法更加优秀、稳定。
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)

1.一种基于传感器网络的分层式自适应空时压缩方法,其特征在于:其中传感网络包括底部感知层、中继层和汇聚层三层结构,底部感知层中包括K个簇,各个簇分别包含1个簇头节点和I个传感器节点;中继层中包含至少一个中继节点,将底部感知层中的K个簇划分为至少一个簇组,簇组的数量与中继节点的个数相等,各个中继节点分别与指定簇组一一对应;汇聚层包含一个汇聚节点,所述分层式自适应空时压缩方法中,底部感知层中的所有传感器节点分别按时间节点采集原始感知数据,并且分层式自适应空时压缩方法包括如下步骤:
步骤001.底部感知层中各个传感器节点分别针对预设时隙周期t内所实时采集原始数据中的各个数值进行排序,获得排序结果数据,并构建原始数据与排序结果数据之间的映射关系然后进入步骤002;其中,k∈{1,…,K},i∈{1,…,I},ik表示第k个簇中的第i个传感器节点;
步骤002.设定压缩率λ,底部感知层中各个传感器节点分别针对对应预设时隙周期t内的排序结果数据依次进行离散余弦变换,以及根据压缩率λ进行自适应时域压缩,获得时域压缩数据并结合簇中节点被丢弃系数位置的集合以及原始数据与排序结果数据之间的映射关系构建节点压缩数据包并上传至所在簇的簇头节点中,然后进入步骤003;
步骤003.底部感知层中各个簇头节点分别获得所在簇中各个传感器节点上传的节点压缩数据包并针对对应各个节点压缩数据包中的时域压缩数据构建矩阵Mk∈RI ×(λ·t),即底部感知层中各个簇头节点分别构建矩阵Mk,然后进入步骤004;
步骤004.底部感知层中各个簇头节点分别针对矩阵Mk进行处理,获得稀疏变换矩阵并针对稀疏变换矩阵进行降维,令其从二维矩阵降至一维向量然后进入步骤005;
步骤005.底部感知层中各个簇头节点分别针对进行自适应空域压缩,获得时空域压缩数据并结合簇头被丢弃系数位置的集合簇中节点被丢弃系数位置的集合以及原始数据与排序结果数据之间的映射关系构建簇压缩数据包pk,并上传至中继层中对应的中继节点中,然后进入步骤006;
步骤006.中继层中各个中继节点分别针对预设时隙周期L内所获得对应各个簇中簇头节点上传簇压缩数据包pk中的时空域压缩数据删除其中小于预设阈值的系数,针对时空域压缩数据实现进一步空域压缩,获得最终时空域压缩数据并结合中继被丢弃系数位置的集合簇头被丢弃系数位置的集合簇中节点被丢弃系数位置的集合以及原始数据与排序结果数据之间的映射关系构建中继压缩数据包qg,并上传至汇聚层中的汇聚节点中,然后进入步骤007,其中,L大于t,g∈{1,…,G},G表示中继层中中继节点的个数;
步骤007.汇聚节点接收各个中继节点所上传的中继压缩数据包qg,并按照步骤001至步骤006执行逆操作,还原获得底部感知层中各个传感器节点所采集的原始数据。
2.根据权利要求1所述一种基于传感器网络的分层式自适应空时压缩方法,其特征在于:所述步骤001中,底部感知层中各个传感器节点分别针对预设时隙周期t内所实时采集原始数据中的各个数值按升序进行排序,获得排序结果数据。
3.根据权利要求1所述一种基于传感器网络的分层式自适应空时压缩方法,其特征在于:所述步骤002中,设定压缩率λ,底部感知层中各个传感器节点分别针对对应预设时隙周期t内的排序结果数据进行离散余弦变换,获得向量接着,根据压缩率λ设定节点压缩阈值,针对由其中最末元素开始向前依次扫描进行自适应时域压缩,获得时域压缩数据
4.根据权利要求1所述一种基于传感器网络的分层式自适应空时压缩方法,其特征在于:所述步骤004中,底部感知层中各个簇头节点分别针对矩阵Mk进行二维离散小波变换,获得稀疏变换矩阵
5.根据权利要求1所述一种基于传感器网络的分层式自适应空时压缩方法,其特征在于:所述步骤004中,底部感知层中各个簇头节点分别针对稀疏变换矩阵中的系数进行列排序实现降维,令其从二维矩阵降至一维向量
CN201611174476.2A 2016-12-19 2016-12-19 一种基于传感器网络的分层式自适应空时压缩方法 Active CN106604211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611174476.2A CN106604211B (zh) 2016-12-19 2016-12-19 一种基于传感器网络的分层式自适应空时压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611174476.2A CN106604211B (zh) 2016-12-19 2016-12-19 一种基于传感器网络的分层式自适应空时压缩方法

Publications (2)

Publication Number Publication Date
CN106604211A CN106604211A (zh) 2017-04-26
CN106604211B true CN106604211B (zh) 2019-07-12

Family

ID=58601384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611174476.2A Active CN106604211B (zh) 2016-12-19 2016-12-19 一种基于传感器网络的分层式自适应空时压缩方法

Country Status (1)

Country Link
CN (1) CN106604211B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107205154B (zh) * 2017-06-07 2020-04-07 南京邮电大学 一种基于矩阵补全的无线多媒体传感网图像压缩采集方法
CN107249171A (zh) * 2017-06-21 2017-10-13 深圳市盛路物联通讯技术有限公司 一种物联网数据的传输控制方法及系统
CN108494758B (zh) * 2018-03-14 2020-10-27 南京邮电大学 感知大数据层次感知压缩编码方法
CN109406751A (zh) * 2018-09-26 2019-03-01 东莞青柳新材料有限公司 区域化种植物土壤质量高精度实时监控系统
CN111415406B (zh) * 2020-03-18 2023-05-12 东南数字经济发展研究院 一种分层分块三维模型数据分类压缩方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101394425A (zh) * 2008-11-06 2009-03-25 清华大学 一种自适应划分簇的方法及系统
CN101841932A (zh) * 2010-05-10 2010-09-22 南京邮电大学 无线传感器网络中基于动态分簇的分布式压缩感知方法
CN101909330A (zh) * 2010-07-27 2010-12-08 杭州电子科技大学 基于近优分簇与局部虚拟坐标的传感器网络数据压缩方法
CN101932012A (zh) * 2010-07-27 2010-12-29 杭州电子科技大学 基于最优阶估计与分布式分簇的传感器网络数据压缩方法
KR101072448B1 (ko) * 2010-04-27 2011-10-11 강원대학교산학협력단 무선센서 네트워크 시스템 및 그의 클러스터링 방법
CN105025498A (zh) * 2015-06-08 2015-11-04 南京邮电大学 基于网络编码与压缩感知的传感网络分簇式空时压缩方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101394425A (zh) * 2008-11-06 2009-03-25 清华大学 一种自适应划分簇的方法及系统
KR101072448B1 (ko) * 2010-04-27 2011-10-11 강원대학교산학협력단 무선센서 네트워크 시스템 및 그의 클러스터링 방법
CN101841932A (zh) * 2010-05-10 2010-09-22 南京邮电大学 无线传感器网络中基于动态分簇的分布式压缩感知方法
CN101909330A (zh) * 2010-07-27 2010-12-08 杭州电子科技大学 基于近优分簇与局部虚拟坐标的传感器网络数据压缩方法
CN101932012A (zh) * 2010-07-27 2010-12-29 杭州电子科技大学 基于最优阶估计与分布式分簇的传感器网络数据压缩方法
CN105025498A (zh) * 2015-06-08 2015-11-04 南京邮电大学 基于网络编码与压缩感知的传感网络分簇式空时压缩方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Clustered Spatio-Temporal Compression Design for Wireless Sensor Networks;Siguang Chen;《COMPUTER NETWORKS》;20161024;全文
Compressive network coding for error control in wireless sensor networks;Siguang Chen;《WIRELESS NETWORKS》;20141130;全文

Also Published As

Publication number Publication date
CN106604211A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN106604211B (zh) 一种基于传感器网络的分层式自适应空时压缩方法
Liu et al. Big-data-based intelligent spectrum sensing for heterogeneous spectrum communications in 5G
Li et al. An energy-efficient data collection scheme using denoising autoencoder in wireless sensor networks
US7143046B2 (en) System and method for compressing a data table using models
Chen et al. Layered adaptive compression design for efficient data collection in industrial wireless sensor networks
CN105374054A (zh) 基于空谱特性的高光谱图像压缩方法
CN103957582A (zh) 无线传感器网络自适应压缩方法
CN108289285A (zh) 一种海洋无线传感器网络丢失数据恢复与重构方法
CN105916174A (zh) 基于锯齿形扫描的自适应空间压缩方法
Abdulzahra MSc et al. Energy conservation approach of wireless sensor networks for IoT applications
Guidi et al. Aggregation techniques for the internet of things: An overview
CN116257662A (zh) 基于k近邻图神经网络的异质图社区发现方法
Xiao et al. Compressed sensing in wireless sensor networks under complex conditions of Internet of things
Zhao et al. A novel compressive sensing based data aggregation scheme for wireless sensor networks
Chiumento et al. Energy efficient WSN: A cross-layer graph signal processing solution to information redundancy
CN103327530B (zh) 一种无线传感器网络中的数据传输方法
CN104242947A (zh) 一种基于Haar小波树的SAMP重构方法
CN109447238B (zh) 多输出回归深度网络构建方法、结构、设备及存储介质
CN112579687B (zh) 一种海洋环境监测数据压缩感知在线重构方法
Chen et al. DCT-based adaptive data compression in wireless sensor networks
Zhang et al. Data reconstruction with spatial and temporal correlation in wireless sensor networks
Li et al. Farmland multi-parameter wireless sensor network data compression strategy
CN111241054A (zh) 基于虚拟数据库的电力通信网络异地异构数据源整合方法
CN101382956A (zh) 一种面向主题的信息采集方法和系统
Zhai et al. Data Compression optimization Strategy based on Piecewise Fitting and Matrix Completion for WSNs

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant