CN109587651A - 一种无线传感器网络数据汇聚算法 - Google Patents
一种无线传感器网络数据汇聚算法 Download PDFInfo
- Publication number
- CN109587651A CN109587651A CN201811600710.2A CN201811600710A CN109587651A CN 109587651 A CN109587651 A CN 109587651A CN 201811600710 A CN201811600710 A CN 201811600710A CN 109587651 A CN109587651 A CN 109587651A
- Authority
- CN
- China
- Prior art keywords
- node
- projection
- data
- cluster
- regeneration
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/46—Cluster building
-
- 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
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- 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
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- 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
- H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线传感器网络数据汇聚算法,其特征在于:所述算法由时空分簇算法和自适应能量感知邻居辅助投影再生编码方法组成。本发明提供的算法利用时空分簇算法构建分簇式网络结构,利用基于投影再生编码、能量感知路由度量和簇间邻居辅助机制的自适应能量感知邻居辅助投影再生编码方法对各传感器节点的数据进行压缩、传输、融合、汇聚,本发明提供的算法均衡了网内数据压缩、汇聚和存储的数据压缩增益、汇聚效率和能源消耗,解决了大规模无线传感器网络节点耗能的问题,保证了网络安全性、可靠性和稳定性。
Description
技术领域
本发明属于通信领域,具体涉及一种无线传感器网络数据汇聚算法。
背景技术
无线传感器网络(Wireless Sensor Networks,WSN)作为一种分布式传感网络,是第三次工业革命“计算机技术革命”的三大信息技术之一,广泛应用于环境监测、交通监控、医疗监护、军事监视等方面。随着WSN技术和业务发展,国内种类各异的传感器节点变得集成化、微型化、密集化,对节点部署、链接、数据汇聚处理的要求也越来越高。网内大规模的传感器节点会消耗巨大的电能,如何降低节点能耗、延长节点的生命周期一直是WSN研究的热点问题。
利用压缩感知(Compressed Sensing,CS)压缩节点数据、再生编码(ProjectionRegeneration Coding,RC)传输数据的算法相关研究在国内外的公开报道比较多,但设计一种可构建最小代价再生编码核的自适应能量感知路由度量,并将CS、RC与时空分簇算法相结合用于无线传感器网络节点数据汇聚的相关创新开发,还未见公开报道。
发明内容
针对上述现有技术中存在的技术问题,本发明的目的是提供一种无线传感器网络数据汇聚算法。
本发明的目的是通过以下技术方案实现的。
一种无线传感器网络数据汇聚算法,所述算法由时空分簇算法和自适应能量感知邻居辅助投影再生编码方法组成,自适应能量感知邻居辅助投影再生编码方法包括投影再生编码、自适应能量感知路由度量和簇间邻居辅助机制;具体步骤如下:
第一步,启动时空分簇算法,确定WSN监测区域面积S、区域内部署的传感器节点数Q、汇聚sink节点数I及各链路对上的节点距离d;
第二步,确定传感器的收集周期数、空域投影编码核的稀疏度ss、最优分簇数量C,并对WSN分簇、确定簇头;
第三步,对各簇内的各传感器节点数据进行时域线性初始化投影和空域再投影,获得t个时隙的投影信号,并将其转置发送至其簇头节点,并从各簇内N个节点中选取n个节点获取n个时域投影值,将这些投影值组成一个投影值矩阵Yk,利用自适应能量感知路由度量构建最小代价再生编码核,经簇内信源节点广播、中继节点转发后汇聚至簇头节点;
第四步,簇头节点利用簇间邻居辅助机制对各簇的投影再生数据包进行融合和置乱,汇聚到sink并对数据进行投影重建并返回原始数据。
所述第一步中,对于一条链路对,传输K比特数据总能耗公式如式(1)所示:
E(K,d)=2KEelc+Kεad2(1)
其中,Eelc表示节点在发送和接收数据过程中内部电路的能耗,εa表示传输放大功率。
所述第二步中,确定传感器的收集周期数则全网各节点跨越全周期生成的原始数据如式(2)所示:
其中,Xτ=[x1τ,…,xQτ],Xτ∈R1×Q表示全部节点在第τ个周期产生的原始数据;i∈[1,Q]表示第i个节点在全周期下产生的原始数据;
依据空域投影编码核的稀疏度ss,确定最小网络能耗下的最优分簇数量C,如式(3)所示:
其中,α为监测范围参数,由各簇头节点的监测区域面积和传输距离决定;
对WSN内节点进行分簇,并选择各簇内位于物理中心区域剩余能量最高的节点作为簇头节点。
所述第三步中,利用投影再生编码的时域投影编码核φC,t∈Rt×T对各簇内的各传感器节点数据进行时域线性初始化投影,获得t个时隙的投影信号如式(5)所示,并将其转置发送至其簇头节点k;
其中,假设一个周期具有T个时隙,xk,iτ表示簇k内的传感器节点P(i)在时隙τ(τ∈[1,T])时的原始数据;
利用投影再生编码的空域投影编码核ΦC,s∈Rn×N对各簇内各传感器节点的投影信号进行空域再投影,随机从簇k(k∈κ={1,2,…,C})内N个传感器节点中选取n个(n<N)节点获取n个时域投影值,并将这些投影值组成一个投影值矩阵Yk∈Rn×t;
利用自适应能量感知路由度量构建最小代价再生编码核,自适应地在每一传输周期内选择使得信源节点到簇头节点能量感知路由度量值最小的路径作为每一信源节点数据传输的最优路径,并对应生成空域再生编码核ΦR.s∈Rn×n,簇头节点k得到簇k(k∈κ)内的投影再生值Zk,如式(6)所示:
其中,Zk∈Rn×t,ΦP,s=ΦR,s·ΦC,s,ΦP,s∈Rn×t为空域投影再生编码核。
所述传感器节点j到i的能量感知路由度量可用式(4)表示:
其中,β、γ为网络调谐系数,costσ为节点j到i的某一σ路径的传输代价,vi为节点j的能量消耗速度,Maxε为路径中最小节点剩余能量的最大值。
所述第四步中,利用簇间邻居辅助机制实现簇间投影再生数据的融合,sink节点从C个簇头节点中随机选取M个簇头节点发送信息采集指令,并将这M个簇头节点作为信息采集簇头节点;各信息采集簇头节点将自身投影再生数据包发送至其邻居簇头节点;邻居簇头节点接收数据包,并将包内的投影再生数据与自身缓存的投影再生数据进行融合,形成融合投影再生值Λk′;再利用随机置乱矩阵K(k)对融合投影再生值Λk′进行快速置乱,得到混合投影再生值Λk并更新数据包,如式(7)所示:
其中,K(k)表示随机置换矩阵,矩阵下标k表示该矩阵对应融合投影再生值Λk′;各邻居簇头节点将数据包汇聚至sink节点,当所有数据包的发送结束后,sink节点通过重构算法即可恢复出原始数据。
所述簇间邻居辅助机制通过sink节点选定信息采集簇头节点c作为发送投影数据包的簇头节点,并通过访问c的自身路由表或发送探测包,查找其一跳范围r内的所有的邻居簇头节点并随机匹配一个邻居簇头节点c’作为协助本次数据发送的邻居簇头节点;c’收到的c数据包后,对c的投影再生数据进行融合和置乱,生成混合投影再生数据包;此外,若c’已被其他信息采集簇头节点匹配,则c’将接收到的数据包在其邻域内随机选择一个簇头节点进行再次转发,并将新的簇头节点编号更新至数据包。
本发明的有益效果为:1、本发明提供了一种无线传感器网络数据汇聚算法,该算法由时空分簇算法和自适应能量感知邻居辅助投影再生编码方法组成;时空分簇算法可构建分簇式网络结构,降低了转发次数,获得了最优的簇内能耗,避免了关键节点失效导致网络瘫痪;自适应能量感知邻居辅助投影再生编码方法可对各传感器节点数据进行时空线性投影、自适应空域再生传输和簇间数据融合,提高了数据压缩增益、重建质量,降低了发包数量和节点能耗,具有行业推广和示范效益。
2、本发明提供了一种无线传感器网络数据汇聚算法,该算法针对大规模分布式WSN内数据量大、发包数多、能耗较大的问题,引入投影再生编码的概念;利用PRC的投影编码核对数据进行高压缩增益的时空线性投影,利用PRC的再生编码核对数据进行空域传输,并引入簇间邻居辅助机制提高汇聚效率,比较于原有的算法压缩增益、重建质量更高,发包数量更少,具有较好的理论意义和实用价值。
3、本发明提供了一种无线传感器网络数据汇聚算法,该算法针对WSN内不同周期下各数据流的数据传输速率不尽相同且不断变化的问题,利用能量感知路由度量可自适应构件各周期的最小代价再生编码核,比较于原有的算法网络传输代价更小、能耗更低;同时,还可保护链路的最小剩余能量节点,确保传输的可靠性。
附图说明
图1是本发明的算法流程图。
图2是本发明的分簇WSN网络模型图。
图3是本发明的原理架构图。
图4是本发明的仿真结果图。
图5是本发明的仿真对比图。
具体实施方式
一种无线传感器网络数据汇聚算法,算法由时空分簇算法和自适应能量感知邻居辅助投影再生编码方法组成,时空分簇算法用于构建分簇式网络结构,自适应能量感知邻居辅助投影再生编码方法用于对各传感器节点数据进行时、空线性投影、空域再生传输和簇间投影再生数据的融合。
时空分簇算法采用自由空间的通信方式,基于WSN的监测区域、节点部署数量及投影编码核的稀疏度分析网络节点能耗、确定最优分簇数量,搭建时空联合的分簇式网络结构;时空分簇算法构建网络结构的结点数量较为均衡、扩展性和鲁棒性更强,当出现节点增删、更新、失效等情况时,相比于链状、树状结构对网络整体的拓扑结构影响较小。
自适应能量感知邻居辅助投影再生编码方法基于投影再生编码、自适应能量感知路由度量和簇间邻居辅助机制,利用投影再生编码的投影编码核对各传感器节点数据进行时、空线性投影;利用能量感知路由度量自适应构建最小代价再生编码核,并利用投影再生编码的再生编码核对节点数据进行空域再生传输;利用簇间邻居辅助机制实现簇间投影再生数据的融合。
投影再生编码作为一种融合了采样、路由和编码的信息采集交换技术,其核心思想是在信息具有结构稀疏性的网络中,对网内各节点进行稀疏表示和线性投影初始化,并经路由选择进行线性再生编码,将节点数据转发至下游中继节点;投影再生编码联合利用CS精确重构及RC等重特性,不仅可通过时空投影对信号进行高增益压缩,还可实现中继节点在转发过程中对数据的处理,从而同步实现数据的压缩与传输。
能量感知路由度量能够权衡节点的编码机会和能量消耗速度,而WSN内不同周期下各数据流的数据传输速率不尽相同且不断变化,利用能量感知路由度量可自适应构建各周期的最小代价再生编码核,使得簇内传感器节点及簇间簇头节点的传输代价最小;同时还可保护链路的最小剩余能量节点,确保传输的可靠性。传感器节点j到i的能量感知路由度量可用式4表示:
其中,β、γ为网络调谐系数,costσ为节点j到i的某一σ路径的传输代价,vi为节点j的能量消耗速度,Maxε为路径中最小节点剩余能量的最大值。
簇间邻居辅助机制通过sink节点选定信息采集簇头节点c作为发送投影数据包的簇头节点,并通过访问c的自身路由表或发送探测包,查找其一跳范围r内的所有的邻居簇头节点并随机匹配一个邻居簇头节点c’作为协助本次数据发送的邻居簇头节点。c’收到的c数据包后,对c的投影再生数据进行融合和置乱,生成混合投影再生数据包。此外,若c’已被其他信息采集簇头节点匹配,则c’将接收到的数据包在其邻域内随机选择一个簇头节点进行再次转发,并将新的簇头节点编号更新至数据包。
具体步骤如下:
第一步,启动时空分簇算法,确定WSN监测区域面积S、区域内部署的传感器节点数Q、汇聚sink节点数I及各链路对上的节点距离d。
对于一条链路对,传输K比特数据总能耗公式如式(1)所示:
E(K,d)=2KEelc+Kεad2(1)
其中,Eelc表示节点在发送和接收数据过程中内部电路的能耗,εa表示传输放大功率。
第二步,确定传感器的收集周期数、空域投影编码核的稀疏度ss、最优分簇数量C,并对WSN分簇、确定簇头。
确定传感器的收集周期数则全网各节点跨越全周期生成的原始数据如式(2)所示:
其中,Xτ=[x1τ,…,xQτ],Xτ∈R1×Q表示全部节点在第τ个周期产生的原始数据;i∈[1,Q]表示第i个节点在全周期下产生的原始数据。
依据空域投影编码核的稀疏度ss,确定最小网络能耗下的最优分簇数量C,如式(3)所示:
其中,α为监测范围参数,由各簇头节点的监测区域面积和传输距离决定。
对WSN内节点进行分簇,并选择各簇内位于物理中心区域剩余能量最高的节点作为簇头节点。
第三步,利用投影再生编码对各簇内的各传感器节点数据进行时域线性初始化投影和空域再投影,获得t个时隙的投影信号,并将其转置发送至其簇头节点k,随机从簇k内N个节点中选取n个节点获取n个时域投影值,将这些投影值组成一个投影值矩阵Yk,利用自适应能量感知路由度量构建最小代价再生编码核,经簇内信源节点广播、中继节点转发后汇聚至簇头节点。
利用投影再生编码的时域投影编码核ΦC,t∈Rt×T对各簇内的各传感器节点数据进行时域线性初始化投影,获得t个时隙的投影信号如式(5)所示,并将其转置发送至其簇头节点k;
其中,假设一个周期具有T个时隙,xk,iτ表示簇k内的传感器节点P(i)在时隙τ(τ∈[1,T])时的原始数据。
利用投影再生编码的空域投影编码核ΦC,s∈Rn×N对各簇内各传感器节点的投影信号进行空域再投影,随机从簇k(k∈κ={1,2,…,C})内N个传感器节点中选取n个(n<N)节点获取n个时域投影值,并将这些投影值组成一个投影值矩阵Yk∈Rn×t。
利用自适应能量感知路由度量构建最小代价再生编码核,自适应地在每一传输周期内选择使得信源节点到簇头节点能量感知路由度量值最小的路径作为每一信源节点数据传输的最优路径,并对应生成空域再生编码核ΦR.s∈Rn×n,簇头节点k得到簇k(k∈κ)内的投影再生值Zk,如式(6)所示:
其中,Zk∈Rn×t,ΦP,s=ΦR,s·ΦC,s,ΦP,s∈Rn×t为空域投影再生编码核。
第四步,簇头节点利用簇间邻居辅助机制对各簇的投影再生数据包进行融合和置乱,汇聚到sink并对数据进行投影重建并返回原始数据。
利用簇间邻居辅助机制实现簇间投影再生数据的融合,sink节点从C个簇头节点中随机选取M个簇头节点发送信息采集指令,并将这M个簇头节点作为信息采集簇头节点;各信息采集簇头节点将自身投影再生数据包发送至其邻居簇头节点;邻居簇头节点接收数据包,并将包内的投影再生数据与自身缓存的投影再生数据进行融合,形成融合投影再生值Λk′;再利用随机置乱矩阵K(k)对融合投影再生值Λk′进行快速置乱,得到混合投影再生值Λk并更新数据包,如式(7)所示:
其中,K(k)表示随机置换矩阵,矩阵下标k表示该矩阵对应融合投影再生值Λk′。
各邻居簇头节点将数据包汇聚至sink节点,当所有数据包的发送结束后,sink节点通过重构算法即可恢复出原始数据。
如图1所示,算法首先启动时空分簇算法,确定WSN监测区域面积S、区域内部署的传感器节点数Q、汇聚sink节点数I、各链路对上的节点距离d;
其次,确定传感器的收集周期数、空域投影编码核的稀疏度ss、最优分簇数量C,并对WSN分簇、确定簇头,并赋值簇头节点k=1;再次,利用时域、空域投影编码核对簇内各节点数据进行时域线性初始化投影、空域再投影;
从次,从簇k内N个节点中选取n个节点获取n个时域投影值,将这些投影值组成一个投影值矩阵Yk,利用能量感知路由度量自适应构建最小代价再生编码核,经簇内信源节点广播、中继节点转发后汇聚至簇头节点;
最后,簇头节点利用簇间邻居辅助机制对各簇的投影再生数据包进行融合和置乱,汇聚到sink并对数据进行投影重建并返回原始数据的近似值
如图2所示,在WSN监测区域S内部署的传感器节点数Q=85、汇聚sink节点数I=1;网络内部的节点被分成大小相同、互不相交的C=9个簇,并选择各簇内位于物理中心区域剩余能量最高的节点作为簇头节点,以降低转发次数、获得最优的簇内能耗、避免关键节点失效导致网络瘫痪。
簇头节点负责从其簇内的传感器节点收集数据,同时也可作为接受并转发其他簇头数据的中继节点。在每个投影再生周期结束时,簇头节点将自身数据发送到邻居簇头节点进行数据混合,并经无线多跳汇聚至sink节点,重构出原始数据的近似值。此外,为保证所有节点在具有相同节点传输范围r的网络中的连通性,设置通信距离r2>S·ln(Q)/(πQ)。
如图3所示,全网各节点跨越全周期生成的原始数据经PRC的时域投影编码核ΦC,t∈Rt×T的时域线性初始化投影,变为投影信号将其转置后经空域投影编码核ΦC,s∈Rn×N的空域再投影,变为投影值矩阵Yk∈Rn×t;经利用能量感知路由度量自适应构建最小代价再生编码核ΦR.s∈Rn×n的空域再生,变为投影再生值Zk;利用簇间邻居辅助机制实现簇间投影再生数据的融合,形成融合投影再生值Λk′;再利用随机置乱矩阵K(k)对融合投影再生值Λk′进行快速置乱,得到混合投影再生值Λk并更新数据包;各邻居簇头节点进行线性再生编码,将数据包汇聚至sink节点;当所有数据包的发送结束后,sink节点通过重构算法经空域解码、时域解码可恢复出原始数据。
如图4、图5所示,由于高斯算法(GSG)中的全局随机高斯矩阵元素与大多数固定变换不相关,因此将代表最优性能的GSG算法作为参考基线。并将一个周期的信号采集-传输-存储-恢复记为一次实验,讨论在1000次重复实验下,当信号X的时空联合采样率γ=αβ=0.25时,不同α、β取值对本专利算法精确重构概率的影响,仿真结果如图4所示。
从图4中可以看出,当α=0.34、β=0.73时,本发明提供的算法精确重构概率最高、匹配效果最优、恢复性能最好。
图5为节点剩余能量均方差对比图;从图5中可以看出,本发明提供的算法相比于已有算法在均衡网络能耗上性能较好;因为本发明提供的算法利用能量感知度量自适应生成再生编码核,使得簇内网络的传输能耗最小,且本发明提供的算法采用簇间邻居辅助机制,使得簇头能量消耗更加均衡。随着网络规模的扩大,两种算法的剩余能量均方差都在增大,网络能耗变得不均衡,但是本发明提供的算法的剩余能量均方差增幅较小,算法稳定性更好。
其他技术参照现有技术。
以上所述,仅是本发明的优选实施方式,并不是对本发明技术方案的限定,应当指出,本领域的技术人员,在本发明技术方案的前提下,还可以作出进一步的改进和改变,这些改进和改变都应该涵盖在本发明的保护范围内。
Claims (7)
1.一种无线传感器网络数据汇聚算法,其特征在于:所述算法由时空分簇算法和自适应能量感知邻居辅助投影再生编码方法组成,自适应能量感知邻居辅助投影再生编码方法包括投影再生编码、自适应能量感知路由度量和簇间邻居辅助机制;具体步骤如下:
第一步,启动时空分簇算法,确定WSN监测区域面积S、区域内部署的传感器节点数Q、汇聚sink节点数I及各链路对上的节点距离d;
第二步,确定传感器的收集周期数、空域投影编码核的稀疏度ss、最优分簇数量C,并对WSN分簇、确定簇头;
第三步,对各簇内的各传感器节点数据进行时域线性初始化投影和空域再投影,获得t个时隙的投影信号,并将其转置发送至其簇头节点,并从各簇内N个节点中选取n个节点获取n个时域投影值,将这些投影值组成一个投影值矩阵Yk,利用自适应能量感知路由度量构建最小代价再生编码核,经簇内信源节点广播、中继节点转发后汇聚至簇头节点;
第四步,簇头节点利用簇间邻居辅助机制对各簇的投影再生数据包进行融合和置乱,汇聚到sink并对数据进行投影重建并返回原始数据。
2.根据权利要求1所述的无线传感器网络数据汇聚算法,其特征在于:所述第一步中,对于一条链路对,传输K比特数据总能耗公式如式(1)所示:
E(K,d)=2KEelc+Kεad2 (1)
其中,Eelc表示节点在发送和接收数据过程中内部电路的能耗,εa表示传输放大功率。
3.根据权利要求2所述的无线传感器网络数据汇聚算法,其特征在于:所述第二步中,确定传感器的收集周期数则全网各节点跨越全周期生成的原始数据如式(2)所示:
其中,Xτ=[x1τ,…,xQτ],Xτ∈R1×Q表示全部节点在第τ个周期产生的原始数据;
表示第i个节点在全周期下产生的原始数据;
依据空域投影编码核的稀疏度ss,确定最小网络能耗下的最优分簇数量C,如式(3)所示:
其中,α为监测范围参数,由各簇头节点的监测区域面积和传输距离决定;
对WSN内节点进行分簇,并选择各簇内位于物理中心区域剩余能量最高的节点作为簇头节点。
4.根据权利要求1所述的无线传感器网络数据汇聚算法,其特征在于:所述第三步中,利用投影再生编码的时域投影编码核ΦC,t∈Rt×T对各簇内的各传感器节点数据进行时域线性初始化投影,获得t个时隙的投影信号如式(5)所示,并将其转置发送至其簇头节点k;
其中,假设一个周期具有T个时隙,xk,iτ表示簇k内的传感器节点P(i)在时隙τ(τ∈[1,T])时的原始数据;
利用投影再生编码的空域投影编码核φC,s∈Rn×N对各簇内各传感器节点的投影信号进行空域再投影,随机从簇k(k∈κ={1,2,…,C})内N个传感器节点中选取n个(n<N)节点获取n个时域投影值,并将这些投影值组成一个投影值矩阵Yk∈Rn×t;
利用自适应能量感知路由度量构建最小代价再生编码核,自适应地在每一传输周期内选择使得信源节点到簇头节点能量感知路由度量值最小的路径作为每一信源节点数据传输的最优路径,并对应生成空域再生编码核φR.s∈Rn×n,簇头节点k得到簇k(k∈κ)内的投影再生值Zk,如式(6)所示:
其中,Zk∈Rn×t,ΦP,s=ΦR,s·ΦC,s,ΦP,s∈Rn×t为空域投影再生编码核。
5.根据权利要求4所述的无线传感器网络数据汇聚算法,其特征在于:所述传感器节点j到i的能量感知路由度量可用式(4)表示:
其中,β、γ为网络调谐系数,costσ为节点j到i的某一σ路径的传输代价,vi为节点j的能量消耗速度,Maxε为路径中最小节点剩余能量的最大值。
6.根据权利要求1所述的无线传感器网络数据汇聚算法,其特征在于:所述第四步中,利用簇间邻居辅助机制实现簇间投影再生数据的融合,sink节点从C个簇头节点中随机选取M个簇头节点发送信息采集指令,并将这M个簇头节点作为信息采集簇头节点;各信息采集簇头节点将自身投影再生数据包发送至其邻居簇头节点;邻居簇头节点接收数据包,并将包内的投影再生数据与自身缓存的投影再生数据进行融合,形成融合投影再生值Λk′;再利用随机置乱矩阵K(k)对融合投影再生值Λk′进行快速置乱,得到混合投影再生值Λk并更新数据包,如式(7)所示:
其中,K(k)表示随机置换矩阵,矩阵下标k表示该矩阵对应融合投影再生值Λk′;
各邻居簇头节点将数据包汇聚至sink节点,当所有数据包的发送结束后,sink节点通过重构算法即可恢复出原始数据。
7.根据权利要求6所述的无线传感器网络数据汇聚算法,其特征在于:所述簇间邻居辅助机制通过sink节点选定信息采集簇头节点c作为发送投影数据包的簇头节点,并通过访问c的自身路由表或发送探测包,查找其一跳范围r内的所有的邻居簇头节点并随机匹配一个邻居簇头节点c’作为协助本次数据发送的邻居簇头节点;c’收到的c数据包后,对c的投影再生数据进行融合和置乱,生成混合投影再生数据包;此外,若c’已被其他信息采集簇头节点匹配,则c’将接收到的数据包在其邻域内随机选择一个簇头节点进行再次转发,并将新的簇头节点编号更新至数据包。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600710.2A CN109587651B (zh) | 2018-12-26 | 2018-12-26 | 一种无线传感器网络数据汇聚方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811600710.2A CN109587651B (zh) | 2018-12-26 | 2018-12-26 | 一种无线传感器网络数据汇聚方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109587651A true CN109587651A (zh) | 2019-04-05 |
CN109587651B CN109587651B (zh) | 2021-11-02 |
Family
ID=65931876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811600710.2A Active CN109587651B (zh) | 2018-12-26 | 2018-12-26 | 一种无线传感器网络数据汇聚方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109587651B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290568A (zh) * | 2019-06-06 | 2019-09-27 | 浙江省北大信息技术高等研究院 | 一种线形无线传感器阵列分布式能量均衡中继方法 |
CN111314875A (zh) * | 2020-02-28 | 2020-06-19 | 西安交通大学 | 一种物联网信号重建中能量感知采样集的选择方法 |
CN114845337A (zh) * | 2022-03-29 | 2022-08-02 | 江苏赛立科技有限公司 | 一种多网融合传感信息智能传输控制方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030033318A1 (en) * | 2001-06-12 | 2003-02-13 | Carlbom Ingrid Birgitta | Instantly indexed databases for multimedia content analysis and retrieval |
CN102540137A (zh) * | 2011-12-28 | 2012-07-04 | 浙江大学 | 一种基于信号相位差的无线声传感器网络目标定位方法 |
CN103237364A (zh) * | 2013-04-19 | 2013-08-07 | 北京邮电大学 | 一种集成的无线传感器网络数据收集机制 |
WO2014076698A1 (en) * | 2012-11-13 | 2014-05-22 | Elminda Ltd. | Neurophysiological data analysis using spatiotemporal parcellation |
CN104703262A (zh) * | 2015-03-20 | 2015-06-10 | 湘潭大学 | 基于压缩感知的分簇式数据收集方法 |
WO2015089659A1 (en) * | 2013-12-16 | 2015-06-25 | Inbubbles Inc. | Space time region based communications |
CN105636094A (zh) * | 2016-03-16 | 2016-06-01 | 中国地质大学(武汉) | 基于分簇压缩感知的无线传感网预警方法及系统 |
CN105682171A (zh) * | 2016-03-09 | 2016-06-15 | 北京航空航天大学 | 基于时空相关性分簇的无线传感器网络压缩数据收集方法 |
CN106792435A (zh) * | 2016-11-23 | 2017-05-31 | 西安电子科技大学 | 一种无线传感器网络中基于压缩感知的数据聚合方法 |
CN108093455A (zh) * | 2017-11-19 | 2018-05-29 | 南京邮电大学 | 一种基于时空相关性的高能效无线传感网数据传输方法 |
-
2018
- 2018-12-26 CN CN201811600710.2A patent/CN109587651B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030033318A1 (en) * | 2001-06-12 | 2003-02-13 | Carlbom Ingrid Birgitta | Instantly indexed databases for multimedia content analysis and retrieval |
CN102540137A (zh) * | 2011-12-28 | 2012-07-04 | 浙江大学 | 一种基于信号相位差的无线声传感器网络目标定位方法 |
WO2014076698A1 (en) * | 2012-11-13 | 2014-05-22 | Elminda Ltd. | Neurophysiological data analysis using spatiotemporal parcellation |
CN103237364A (zh) * | 2013-04-19 | 2013-08-07 | 北京邮电大学 | 一种集成的无线传感器网络数据收集机制 |
WO2015089659A1 (en) * | 2013-12-16 | 2015-06-25 | Inbubbles Inc. | Space time region based communications |
CN104703262A (zh) * | 2015-03-20 | 2015-06-10 | 湘潭大学 | 基于压缩感知的分簇式数据收集方法 |
CN105682171A (zh) * | 2016-03-09 | 2016-06-15 | 北京航空航天大学 | 基于时空相关性分簇的无线传感器网络压缩数据收集方法 |
CN105636094A (zh) * | 2016-03-16 | 2016-06-01 | 中国地质大学(武汉) | 基于分簇压缩感知的无线传感网预警方法及系统 |
CN106792435A (zh) * | 2016-11-23 | 2017-05-31 | 西安电子科技大学 | 一种无线传感器网络中基于压缩感知的数据聚合方法 |
CN108093455A (zh) * | 2017-11-19 | 2018-05-29 | 南京邮电大学 | 一种基于时空相关性的高能效无线传感网数据传输方法 |
Non-Patent Citations (6)
Title |
---|
MOHAMMAD ABDUL AZIM: "Energy-Efficient Methods for Highly Correlated Spatio-Temporal Environments in Wireless Sensor Network Communications", 《WIRELESS SENSOR NETWORK》 * |
YONG LU: "A resilient data aggregation method based on spatio-temporal correlation for wireless sensor networks", 《EURASIP JOURNAL ON WIRELESS COMMUNICATIONS AND NETWORKING》 * |
乔建华: "基于压缩感知的无线传感器网络数据收集研究综述", 《计算机应用》 * |
庄园: "一种新的簇间邻居辅助编码方案", 《扬州大学学报》 * |
张策: "基于CS的无线传感器网络动态分簇数据收集算法", 《计算机研究与发展》 * |
葛光伟: "基于压缩感知的无线传感网数据收集技术研究", 《信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290568A (zh) * | 2019-06-06 | 2019-09-27 | 浙江省北大信息技术高等研究院 | 一种线形无线传感器阵列分布式能量均衡中继方法 |
CN110290568B (zh) * | 2019-06-06 | 2021-01-26 | 杭州未名信科科技有限公司 | 一种线形无线传感器阵列分布式能量均衡中继方法 |
CN111314875A (zh) * | 2020-02-28 | 2020-06-19 | 西安交通大学 | 一种物联网信号重建中能量感知采样集的选择方法 |
CN114845337A (zh) * | 2022-03-29 | 2022-08-02 | 江苏赛立科技有限公司 | 一种多网融合传感信息智能传输控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109587651B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Efficient error recovery with network coding in underwater sensor networks | |
CN109587651A (zh) | 一种无线传感器网络数据汇聚算法 | |
Wang et al. | A UAV-assisted topology-aware data aggregation protocol in WSN | |
Sun et al. | CS‐PLM: compressive sensing data gathering algorithm based on packet loss matching in sensor networks | |
Dagdeviren et al. | An energy-efficient distributed cut vertex detection algorithm for wireless sensor networks | |
Yin et al. | A reliable data transmission scheme based on compressed sensing and network coding for multi-hop-relay wireless sensor networks | |
Tirani et al. | WDAT‐OMS: A two‐level scheme for efficient data gathering in mobile‐sink wireless sensor networks using compressive sensing theory | |
Jin et al. | Reducing the bandwidth of block propagation in bitcoin network with erasure coding | |
Wang et al. | A survey of compressive data gathering in WSNs for IoTs | |
Zhang et al. | Energy-efficient data gathering algorithm relying on compressive sensing in lossy WSNs | |
Hnaif et al. | A Fault-Handling Method for the Hamiltonian Cycle in the Hypercube Topology. | |
Yin et al. | Sparse random compressive sensing based data aggregation in wireless sensor networks | |
CN111182488B (zh) | 一种基于时间信道的溯源数据节能传输方法 | |
Pasupuleti et al. | Optimised routing and compressive sensing based data communication in wireless sensor network | |
Begum et al. | A Survey of Data Aggregation Protocols for Energy Conservation in WSN and IoT | |
Cao et al. | Efficient data collection method in sensor networks | |
Cheng et al. | Route recovery in vertex-disjoint multipath routing for many-to-one sensor networks | |
Soundarapandian et al. | Lossless data compression and blockchain-assisted aggregation for overlapped-clusters sensor networks | |
Akkaya et al. | In-network data aggregation in wireless sensor networks | |
Kim et al. | Cross-Layer MAC/Routing Protocol for Reliability Improvement of the Internet of Things | |
Sharma | Energy-efficient secure routing in wireless sensor networks | |
Ananth et al. | Dual cluster head algorithm for proficient routing in wireless sensor networks | |
Wang et al. | A Novel Redundant Data Storage Algorithm Based on Minimum Spanning Tree and Quasi-randomized Matrix | |
Beniwal et al. | Enhanced Adhoc On-Demand Distance Vector Routing Algorithm | |
Madhumathy et al. | Reliable data gathering by mobile sink for 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 |