CN109041002A - 一种智能农业物联网信号压缩方法 - Google Patents

Abstract

本发明公开了一种智能农业物联网信号压缩方法，通过使用压缩矩阵提取信号的线性拟合部分，并且通过自适应压缩感测方法处理剩余的异常值。压缩矩阵和自适应压缩感知方法的联合应用在保证信号的精度的基础上，节省能耗，延长无线传感器网络的使用寿命。

Description

一种智能农业物联网信号压缩方法

技术领域

本发明涉及农业物联网领域，特别是涉及一种智能农业物联网信号压缩方法。

背景技术

随着信息技术的飞速发展，通过各种信息传感设备实时收集和交换农业信息，农业物联网的体系结构分为感知层、网络层和应用层。随着传感器，射频识别技术和嵌入式系统管理技术的不断发展，物联网已成为信息技术的标志性产物。

无线传感器网络是由具有不同功能的大量节点组成的感知网络。如果将无线传感器网络中的节点按照功能进行分类，分为传感器节点、汇聚节点和管理节点，根据用户的要求，将一定数量的无线传感器节点放置在信息采集区域中，无线传感器节点通过自组织的方式构成无线传感器网络，整个网络中的节点相互配合，获得整个监控区域的相关信息数据。

节点彼此通信以在节点之间传输数据，某种路由方案将数据集中到汇聚节点，在通信卫星或互联网的基础上，将数据传输到管理节点进行数据分析和反馈。

物联网信号的传输和存储需要的内存空间较大，不利于存储和传输。

发明内容

本发明的目的是提供一种能够将物联网信号进行压缩的智能农业物联网信号压缩方法。

为实现上述目的，本发明提供了如下方案：

一种智能农业物联网信号压缩方法，所述压缩方法包括：

建立联合稀疏模型，分布式压缩感知是基于多个信号的联合稀疏性；

设无线传感器节点收集的信号S＝{S₁,S₂,S₃,...,S_n}；

用N×N单位矩阵I用于记录所述信号的值，即：

用1×N的全零行向量Z是在N×N单位矩阵在的第一行上扩展；所有元素都被取相反的值并成为(N+1)×N单中间矩阵E；

根据线性拟合算法返回的拟合线段信息，计算截距，线段的截距β₀，斜率β₁，对象的时间范围t；设存在m个拟合线段，则设定列向量L，向量的第一个元素是任意常数b，后一个元素是由拟合线段估计的预测值，即

列向量L合并为中间矩阵E作为矩阵的第一列，获得压缩矩阵PCM；

压缩感知的变换不能改变原始信号的秩，压缩矩阵的常数是b＝0，一个元素被放入信号数据的第一列，保证了所述信号不会因压缩矩阵的作用改变，扩展后的信号

所述信号由所述压缩矩阵PCM处理，获得压缩信号D

获得所述信号中的线性拟合部分。

可选的，所述压缩方法还包括：采用自适应压缩感测方法处理剩余的所述信号的异常值。

可选的，所述压缩方法还包括：

所述无线传感器节点收集的数据的连续性，分析了物联网中的信号，获得了时间的相关性；

根据所述时间的相关性计算所述线性拟合的线性回归模型；

由于阈值的选择标准对于不同的信号具有差异，获得一种基于置信区间的线性回归模型；

根据所述基于置信区间的线性回归模型分析分布式压缩传感器的联合稀疏模型，获得压缩矩阵；

采用所述压缩矩阵获得所述信号的线性拟合部分。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明公开了一种智能农业物联网信号压缩方法，通过使用压缩矩阵提取信号的线性拟合部分，并且通过自适应压缩感测方法处理剩余的异常值。压缩矩阵和自适应压缩感知方法的联合应用在保证信号的精度的基础上，节省能耗，延长无线传感器网络的使用寿命。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的智能农业物联网信号压缩方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种能够将物联网信号进行压缩的智能农业物联网信号压缩方法。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

在农业环境物联网中，大多数WSN属于分布式网络，这意味着信号数据的获取和传输基于分布式环境。农业物联网中存在多种信号，而传统的压缩传感主要用于压缩单个信号，忽略物联网中多个信号之间的连接。因此，分布式压缩感知具有重要意义。

时空相关性：

在农业物联网中，无线传感器网络的拓扑结构变化相对较小。这样，如果WSN中两个或多个节点的物理位置相对接近，则这些节点观测到的数据可能具有一定的相似性。例如，当使用传感器来收集农田的环境温度时，由于这些节点的空间相关性，这些节点收集的温度数据可能是相关的。然而，在农业物联网中，传感器将继续长时间收集信号。传感器的物理位置不会发生很大变化，这表明环境具有一定的稳定性。由于信号数据采集的持续时间长，这些信号数据可能具有一定的时间相关性。

联合稀疏模型：

分布式压缩感知不同于传统的压缩感知。传统的压缩感知专注于单个信号的压缩处理，而分布式压缩感知则结合多个信号。传统的压缩感知是基于单个信号的稀疏性的压缩方案，而分布式压缩感知是基于多个信号的联合稀疏性。利用分布式压缩感知生成联合稀疏模型(JSM)。当集中处理多个信号时，这些信号具有相同或相似的稀疏性。当相互之间存在相关性时，联合稀疏模型用于分布式压缩感知处理，传统压缩感知处理的采样值依次小于单个信号的采样值。

分布式压缩感知信号具有时间相关性：

在农业物联网中，为了有效地感知网络中的环境或物体，通常在一定的感测区域中布置许多无线传感器节点。这些节点在很长一段时间内定期发布感知信号。这表明无线传感器网络具有一定的时空相关性。同时单个节点和多个节点同时与相邻节点组合以进行信号数据采集，从而在信号内部产生大量的时间冗余和空间冗余。数据挖掘基于重写模型的自动调整策略，并且对监视与事件相关的数据感兴趣。它不需要传输大量的原始感知数据。数据挖掘过程可以大大减少数据维度，节省传输能量损失和存储空间。但是，该过程会破坏感知数据中的状态组件，并涵盖可能包含重要信息的本地详细信息。类似地，数据融合技术侧重于消除汇聚节点和终端节点之间的数据冗余，而不注意原始数据本身的冗余信息。数据压缩技术可以根据感兴趣的用户的要求减少网络中的数据总量，以保证数据的准确性。相应地，数据压缩侧重于节点处收集的数据的冗余。减少节点的传输能耗和网络中的数据冲突，提高传输效率，对延长传输能量也具有重要意义。此外，数据压缩是传统信息处理技术的重要组成部分。数据压缩也有利于无线传感器网络的改进和发展。

改进的JSM-3：

在无线传感器网络中，当收集和传输信号数据时，是能否广泛使用无线传感器网络，以便在保持信号数据准确性的前提下最小化能耗并降低操作的复杂性。它与未在WSN中更新的节点的生命周期有关。相关研究表明，无线传感器网络约80％的能耗主要集中在无线通信上，数据采集的能耗相对较小。近年来，压缩感知作为一种新的信号处理技术被提出。因此，可以在信号的前面发送稀疏信号以观察少量数据，并且大大减少了传输的数据量。当数据被发送到接收端时，完成信号的准确恢复。该技术在节能方面完全满足无线传感器网络的需求。无线传感器网络是分布式网络。

当压缩感知应用于WSN时，传统的压缩感知要求信号稀疏。它可以通过稀疏矩阵转换为稀疏信号，大多数传统的压缩感知也需要知道信号的稀疏性。因此，可以确定实现精确恢复所需的数据样本的数量。在农业物联网中，环境不断变化，这表明无线传感器收集的信号不稳定。信号可能具有奇异值，并且可能不稀疏。因此，在物联网应用压缩传感技术之前，有必要对付信号。根据分布式压缩传感技术，可以知道分布式压缩传感技术基于时空相关和联合稀疏模型。无线传感器采集的数据可分为两部分：公共部分和特殊部分。本发明改进了分布式压缩感知中的第三个联合稀疏模型(JSM-3)。

与用于单信号处理的传统压缩感测不同，分布式压缩感测关注于多信号中的帧内信号与信号之间的关系，即多信号的时空相关性。在时空相关的基础上，提出了一种基于分布式压缩感知的联合稀疏模型。

初步压缩矩阵的设计

在信号处理中，改进的JSM-3模型使用线性拟合来提取和切割信号的线性部分。本节将设计一个初步压缩矩阵(PCM)来完成任务。主要设计思想是根据一元线性回归模型生成的多线段数据信息生成压缩矩阵。当N维信号乘以该压缩矩阵时，将提取其线性部分并留下特殊部分以达到信号切割的目的。

一种智能农业物联网信号压缩方法，所述压缩方法包括：

建立联合稀疏模型，分布式压缩感知是基于多个信号的联合稀疏性；

设无线传感器节点收集的信号S＝{S₁,S₂,S₃,...,S_n}；

用N×N单位矩阵I用于记录所述信号的值，即：

用1×N的全零行向量Z是在N×N单位矩阵在的第一行上扩展；所有元素都被取相反的值并成为(N+1)×N单中间矩阵E；

根据线性拟合算法返回的拟合线段信息，计算截距，线段的截距β₀，斜率β₁，对象的时间范围t；设存在m个拟合线段，则设定列向量L，向量的第一个元素是任意常数b，后一个元素是由拟合线段估计的预测值，即

列向量L合并为中间矩阵E作为矩阵的第一列，获得压缩矩阵PCM；

压缩感知的变换不能改变原始信号的秩，压缩矩阵的常数是b＝0，一个元素被放入信号数据的第一列，保证了所述信号不会因压缩矩阵的作用改变，扩展后的信号

所述信号由所述压缩矩阵PCM处理，获得压缩信号D

获得所述信号中的线性拟合部分。

所述压缩方法还包括：采用自适应压缩感测方法处理剩余的所述信号的异常值。

如图1所示，所述压缩方法还包括：

步骤100：所述无线传感器节点收集的数据的连续性，分析了物联网中的信号，获得了时间的相关性；

步骤200：根据所述时间的相关性计算所述线性拟合的线性回归模型；

步骤300：由于阈值的选择标准对于不同的信号具有差异，获得一种基于置信区间的线性回归模型；

步骤400：根据所述基于置信区间的线性回归模型分析分布式压缩传感器的联合稀疏模型，获得压缩矩阵；

步骤500：采用所述压缩矩阵获得所述信号的线性拟合部分。

针对具有巨大信号数据的物联网，提出了一种自适应技术，以确保所有信号都能有效地执行传感功能。提出了一种压缩物联网信号的一元线性回归模型，并设计了递归线性回归模型算法。在此基础上，增加置信区间，然后生成基于置信区间的单线性回归模型算法。基于置信区间的一元线性回归模型算法可以产生理想的信号数据压缩率。

模型将信号分为线性拟合部分和特殊部分，利用线性拟合产生的拟合线段信息设计压缩矩阵。可以通过使用压缩矩阵的左乘法信号来提取信号的线性拟合部分。然后，自适应压缩感知(ACS)方法用于处理特殊部分。具有时间相关性的分布式压缩感知可以更好地完成物联网中信号的压缩处理。

提出了一种基于时间相关的分布式压缩感知方法。通过时间相关，使用线性回归方法来分割实验信号。改进了分布式压缩感知的联合稀疏模型，并设计了压缩矩阵来提取信号的线性拟合部分。然后，自适应压缩感知用于压缩由压缩矩阵处理的信号，从而形成压缩感知信号处理的全新方案。

通过信号的少量线性投影可以恢复大部分信息。压缩感知打破了香农采样理论的极限，并且还使用少量采样信号来恢复信号。然而，压缩传感技术可以被描述为先进的并且风险共存。其风险在于终端接收的数据大大减少，这对恢复后数据的可靠性和稳定性提出了很大的挑战。因此，压缩传感技术需要关注以下三个技术要点：稀疏信号；不相关观测；信号恢复和重建。

分布式压缩感知用于具有时间相关性的信号。首先，由于无线传感器节点收集的数据的连续性，分析了物联网中的信号，并获得了时间相关性。然后，根据时间相关性，提出了线性拟合的线性回归模型，并提出了一种递归算法并进行了仿真。发现阈值的选择标准对于不同的信号具有很大的差异。在此基础上，提出了一种基于置信区间的线性回归模型。置信区间的线性回归模型具有较好的适应性。然后，分析了农业物联网中信号的特征，发现环境的突然变化会导致信号的异常值。鉴于这种情况，调整了一元线性回归模型的算法。分析了分布式压缩传感的联合稀疏模型，并对JSM-3进行了改进。提出了压缩矩阵。通过使用压缩矩阵提取信号的线性拟合部分，并且通过自适应压缩感测方法处理剩余的异常值。压缩矩阵和自适应压缩感知方法的联合应用可以在保证信号精度的基础上，节省能耗，延长无线传感器网络的使用寿命。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种智能农业物联网信号压缩方法，其特征在于，所述压缩方法包括：

建立联合稀疏模型，分布式压缩感知是基于多个信号的联合稀疏性；

设无线传感器节点收集的信号S＝{S₁,S₂,S₃,...,S_n}；

用N×N单位矩阵I用于记录所述信号的值，即：

用1×N的全零行向量Z是在N×N单位矩阵在的第一行上扩展；所有元素都被取相反的值并成为(N+1)×N单中间矩阵E；

根据线性拟合算法返回的拟合线段信息，计算截距，线段的截距β₀，斜率β₁，对象的时间范围t；设存在m个拟合线段，则设定列向量L，向量的第一个元素是任意常数b，后一个元素是由拟合线段估计的预测值，即

列向量L合并为中间矩阵E作为矩阵的第一列，获得压缩矩阵PCM；

压缩感知的变换不能改变原始信号的秩，压缩矩阵的常数是b＝0，一个元素被放入信号数据的第一列，保证了所述信号不会因压缩矩阵的作用改变，扩展后的信号

所述信号由所述压缩矩阵PCM处理，获得压缩信号D

获得所述信号中的线性拟合部分。

2.根据权利要求1所述的一种智能农业物联网信号压缩方法，其特征在于，所述压缩方法还包括：采用自适应压缩感测方法处理剩余的所述信号的异常值。

3.根据权利要求1所述的一种智能农业物联网信号压缩方法，其特征在于，所述压缩方法还包括：

所述无线传感器节点收集的数据的连续性，分析了物联网中的信号，获得了时间的相关性；

根据所述时间的相关性计算所述线性拟合的线性回归模型；

由于阈值的选择标准对于不同的信号具有差异，获得一种基于置信区间的线性回归模型；

根据所述基于置信区间的线性回归模型分析分布式压缩传感器的联合稀疏模型，获得压缩矩阵；

采用所述压缩矩阵获得所述信号的线性拟合部分。