CN108093455B - 一种基于时空相关性的高能效无线传感网数据传输方法 - Google Patents
一种基于时空相关性的高能效无线传感网数据传输方法 Download PDFInfo
- Publication number
- CN108093455B CN108093455B CN201711152579.3A CN201711152579A CN108093455B CN 108093455 B CN108093455 B CN 108093455B CN 201711152579 A CN201711152579 A CN 201711152579A CN 108093455 B CN108093455 B CN 108093455B
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- cluster head
- energy
- prediction
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/08—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on transmission power
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了一种基于时空相关性的高能效无线传感网数据传输方法,主要解决无线传感网中数据收集的高能耗问题。具体为联合双重预测和混合压缩感知技术来提高能效,在簇内传输的过程中,利用双重预测技术减少数据的时间冗余,在簇间传输的过程中,利用混合压缩感知降低数据的时间冗余信息,进一步降低能耗。同时设计了一种自适应的预测阈值选取方法在降低能耗的同时保证数据的精确度,提高了实用性。
Description
技术领域
本发明为一种基于时空相关性的高能效无线传感网数据传输方法,属于无线通信技术领域,具体涉及一种无线传感网数据传输方法。
背景技术
近年来,无线传感器网络发展飞速,尤其是大规模密集分布的无线传感网,在环境、工业、军事等领域有广泛的应用前景。然而,目前传感器设备一般都是电池供电,且无线传感网布置的地方一般不便到达,传感设备一旦电池耗尽即意味着该网络节点的死亡,引起传感网络功能的下降甚至丧失。因此能量成为了制约无线传感器网络的瓶颈问题。无线传感网中,传感器节点的能耗主要集中在数据的无线传输,因而,高能效的无线传输方法成为解决能量瓶颈问题的关键。
在无线传感器网络中,节点之间感知的范围重叠,且其感知的物理数据大多随时间变化缓慢,使得采集的数据具有高度的时空相关性。因此利用数据压缩技术减少时空冗余信息以提高无线传输的能效成为可行的方法。近年来提出的压缩感知技术,因其仅仅需要接收很少的数据包就能重构出原始数据在众多压缩技术中脱颖而出。除此之外,节点计算消耗的能量一般远小于传输数据所消耗的能量,预测模型也被广泛应用以降低节点能耗。然而,预测模型中的固定的误差容忍阈值限制其实用性,并且单独运用某一压缩技术时,减少的能耗有限,因此为提高实用性并进一步提高能效,传输方法需要改进。
发明内容
技术方案:本发明采用的技术方案为一种应用于无线传感网的基于时空相关性的数据传输方法,在保证汇聚节点恢复均方误差的前提下通过带有自适应误差阈值的预测技术和混合压缩感知技术消除数据间的时间和空间冗余信息以尽可能少的传输次数,提高能效。该方法包括以下步骤:
步骤1)自适应阈值选取:传输开始前,任一簇内成员i根据节点中的历史信息,通过以下优化方法,确定预测误差容忍阈值εi,即
步骤2)簇内数据传输:t时刻,任一簇内成员i基于预测模型和历史数据,预测该时刻的数据值并将其与实际观测值xi(t)比较,当预测误差时,节点i不发送数据,其对应的簇头基于相同的预测模型和历史数据计算出成员及簇头均存储用于后续时刻预测,反之,当预测误差大于容忍阈值时,节点i发送观测值xi(t),簇头无需进行预测,直接获得观测值;
步骤3)簇间数据传输:当簇头节点收集到所有成员的数据后,通过混合压缩感知方法将其数据序列多跳发送给汇聚节点,即当任一簇头j实际需要传输的数据量,包括本簇成员的数据及从下行链路接收到的数据,小于汇聚节点压缩感知解码所需的数据维度M时,簇头j直接发送数据,反之,当总的数据量大于M时,簇头j利用对应的压缩感知测量系数,将数据序列编码为M维后发送;
步骤4)汇聚节点数据重构:整个数据传输过程结束后,汇聚节点采用压缩感知恢复算法重构原始数据。
有益效果:本发明与现有技术相比较,采用的技术方案为一种应用于无线传感网的基于时空相关性的数据传输方法,利用预测技术和压缩感知技术,避免冗余传输产生的能量消耗。通过自适应的误差阈值方法,使网络能够在保证汇聚节点的数据恢复精度的前提下,消耗尽可能少的能量,提高能效,具有很高的实用价值。
附图说明
图1为本发明的系统模型图。
图2为本发明的流程图。
图3为本发明技术与现有方法的总发送次数比较图。
图4为本发明技术与现有方法的MSE比较图。
具体实施方式
下面结合附图进一步阐述本发明:
图1为本发明的系统模型图。考虑一个分簇拓扑的无线传感网络,其中包含N个随机分布的传感器节点,分为p个簇。网络组建之后,簇内成员节点及其对应的簇头根据先验信息构建针对该成员节点的预测模型。
得到数据收集命令后,利用本发明方法进行数据传输,数据传输流程如图2所示。记编号为i的节点在t时刻感知到的数据为xi(t),则原始数据向量为x(t)=[x1(t),x2(t),L,xn(t)]T,向量x(t)也可以表示为其中xk(t)表示第k个簇的原始观测数据向量。
簇内传输完成后,任一簇头节点j直接或间接获得其所有簇内成员数据,记为yj(t),则所有簇头获得的数据向量可以表示为
所有簇头通过混合压缩感知完成簇间传输,汇聚节点得到M维编码向量
其中,Φ∈RM×N为压缩感知观测矩阵,Φk为第k个簇中的成员对应的压缩编码系数组成的子矩阵。汇聚节点利用向量z(t)及压缩感知解码算法,恢复出原始数据向量。
仿真结果
下面结合仿真分析本发明的性能。在仿真中考虑分簇拓扑下的无线传感网,其中传感器节点的数目N取值范围为[500,1500]。
图3为本发明技术与现有方法的总发送次数性能图,其中,方法1为W.Mou等人所提出的方法,方法2为R.Tao等人所提出的方法。由图3可以看出,本发明技术与方法1、2相比时,能够分别至少减少约20%、40%的通信次数,极大地减少能耗。这主要是由于本发明技术同时在时间和空间对数据进行了压缩,而现有方法中没有考虑。
图4为本发明技术与现有方法的MSE性能图。由图4可以看出,本发明技术的MSE在λ=0.8时略差于基于固定误差阈值的方法一,但随着网络规模的增大,差距逐渐缩小。而在λ=0.2、0.4时,本发明方法MSE性能更优。也就是说,在大量减少能耗的情况下,本发明方法仍能保证数据重构的精确度。这是由于本发明方法设计了一个综合考虑了能效及误差的自适应误差选择方案。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于时空相关性的高能效无线传感网数据传输方法,其特征在于,该方法包括以下步骤:
步骤1)自适应阈值选取:传输开始前,任一簇内成员i根据节点中的历史信息,通过以下优化方法,确定预测误差容忍阈值εi,即
步骤2)簇内数据传输:t时刻,任一簇内成员i基于预测模型和历史数据,预测该时刻的数据值并将其与实际观测值xi(t)比较,当预测误差时,节点i不发送数据,其对应的簇头基于相同的预测模型和历史数据计算出成员及簇头均存储用于后续时刻预测,反之,当预测误差大于容忍阈值时,节点i发送观测值xi(t),簇头无需进行预测,直接获得观测值;
步骤3)簇间数据传输:当簇头节点收集到所有成员的数据后,通过混合压缩感知方法将其数据序列多跳发送给汇聚节点,即当任一簇头j实际需要传输的数据量,包括本簇成员的数据及从下行链路接收到的数据,小于汇聚节点压缩感知解码所需的数据维度M时,簇头j直接发送数据,反之,当总的数据量大于M时,簇头j利用对应的压缩感知测量系数,将数据序列编码为M维后发送;
步骤4)汇聚节点数据重构:整个数据传输过程结束后,汇聚节点采用压缩感知恢复算法重构原始数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711152579.3A CN108093455B (zh) | 2017-11-19 | 2017-11-19 | 一种基于时空相关性的高能效无线传感网数据传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711152579.3A CN108093455B (zh) | 2017-11-19 | 2017-11-19 | 一种基于时空相关性的高能效无线传感网数据传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108093455A CN108093455A (zh) | 2018-05-29 |
CN108093455B true CN108093455B (zh) | 2021-01-19 |
Family
ID=62172560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711152579.3A Active CN108093455B (zh) | 2017-11-19 | 2017-11-19 | 一种基于时空相关性的高能效无线传感网数据传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108093455B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108934054B (zh) * | 2018-06-19 | 2021-07-16 | 昆明理工大学 | 一种基于节点数据值的Ad-hoc网络分簇算法 |
CN109587651B (zh) * | 2018-12-26 | 2021-11-02 | 中国电建集团河南省电力勘测设计院有限公司 | 一种无线传感器网络数据汇聚方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102547903A (zh) * | 2012-01-18 | 2012-07-04 | 北京航空航天大学 | 一种基于压缩感知的无线传感器网络骨干节点选择方法 |
CN106506430A (zh) * | 2016-11-30 | 2017-03-15 | 黑龙江科技大学 | 一种基于压缩感知技术的补偿峰均比非线性失真的新算法 |
CN106603197A (zh) * | 2016-11-23 | 2017-04-26 | 南京邮电大学 | 一种基于压缩网络编码的高能效无线传感网数据传输方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10455426B2 (en) * | 2011-05-04 | 2019-10-22 | American University | Windowing methods and systems for use in time-frequency analysis |
KR20170046760A (ko) * | 2014-09-04 | 2017-05-02 | 피씨엠에스 홀딩스, 인크. | 컨텍스트 이벤트 검출에 기초한 센서 노드 로컬리제이션 및 센서 네트워크 조직화를 위한 시스템 및 방법 |
-
2017
- 2017-11-19 CN CN201711152579.3A patent/CN108093455B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102547903A (zh) * | 2012-01-18 | 2012-07-04 | 北京航空航天大学 | 一种基于压缩感知的无线传感器网络骨干节点选择方法 |
CN106603197A (zh) * | 2016-11-23 | 2017-04-26 | 南京邮电大学 | 一种基于压缩网络编码的高能效无线传感网数据传输方法 |
CN106506430A (zh) * | 2016-11-30 | 2017-03-15 | 黑龙江科技大学 | 一种基于压缩感知技术的补偿峰均比非线性失真的新算法 |
Non-Patent Citations (3)
Title |
---|
"Circulant Sensing Matrix Optimization For Efficient";yang yuqing;《Web of Science》;20160701;635-636 * |
"WSN中机场噪声压缩感知算法研究";吴跃;《信息科技辑》;20160315;正文第4章 * |
"具有时变时延和丢包的网络控制系统H∞控制";周颖;《计算机技术与发展》;20170313;164-169 * |
Also Published As
Publication number | Publication date |
---|---|
CN108093455A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Novel energy-efficient data gathering scheme exploiting spatial-temporal correlation for wireless sensor networks | |
CN111901024B (zh) | 基于抗拟合深度学习的mimo信道状态信息反馈方法 | |
CN111726768A (zh) | 一种基于压缩感知面向边缘计算的可靠数据收集方法 | |
Chen et al. | Layered adaptive compression design for efficient data collection in industrial wireless sensor networks | |
CN107786959A (zh) | 在无线传感器网络中基于自适应测量的压缩数据收集方法 | |
CN108093455B (zh) | 一种基于时空相关性的高能效无线传感网数据传输方法 | |
CN113258935B (zh) | 一种联邦学习中基于模型权值分布的通信压缩方法 | |
CN108989817A (zh) | 一种基于参考帧错位预测的雷达数据压缩方法 | |
Chen et al. | Algorithm of data compression based on multiple principal component analysis over the WSN | |
CN103957582A (zh) | 无线传感器网络自适应压缩方法 | |
Abdulzahra MSc et al. | Energy conservation approach of wireless sensor networks for IoT applications | |
CN101414365B (zh) | 一种基于粒子群的矢量码书量化器 | |
CN108366394A (zh) | 基于时空压缩网络编码的高能效无线传感网数据传输方法 | |
Jiang et al. | Compressed sensing with dynamic retransmission algorithm in lossy wireless IoT | |
CN103974268A (zh) | 精细粒度可调的低延时传感器网络数据传输方法 | |
Jawad et al. | Compression-based block truncation coding technique to enhance the lifetime of the underwater wireless sensor networks | |
JP2007013983A (ja) | ワイヤレスセンサーネットワークにおけるダイナミックエネルギー管理方法と装置 | |
CN102164019B (zh) | 信道状态信息压缩的方法及装置 | |
CN111954305B (zh) | 一种基于矩阵补全的无线传感器节点任务时隙调度方法 | |
CN110012488B (zh) | 一种移动无线传感器网络的压缩数据收集方法 | |
CN108494758B (zh) | 感知大数据层次感知压缩编码方法 | |
CN106603197B (zh) | 一种基于压缩网络编码的高能效无线传感网数据传输方法 | |
Zhai et al. | Data reconstructing algorithm in unreliable links based on matrix completion for heterogeneous wireless sensor networks | |
Sivakumar et al. | Tree Social Relations Optimization-Based ReLU-BiLSTM Framework for Improving Video Quality in Video Compression | |
Alam et al. | Error-control truncated SVD technique for in-network data compression in wireless sensor networks |
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 |