CN110062348B - 一种基于稀疏随机矩阵的无线传感器网络数据收集方法 - Google Patents
一种基于稀疏随机矩阵的无线传感器网络数据收集方法 Download PDFInfo
- Publication number
- CN110062348B CN110062348B CN201910450383.5A CN201910450383A CN110062348B CN 110062348 B CN110062348 B CN 110062348B CN 201910450383 A CN201910450383 A CN 201910450383A CN 110062348 B CN110062348 B CN 110062348B
- Authority
- CN
- China
- Prior art keywords
- data
- round
- cell
- sensor
- state
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
-
- 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)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明属于无线通信技术领域,具体涉及一种基于稀疏随机矩阵的无线传感器网络数据收集方法;包括以下步骤:S1、无线传感器网络中的每个传感器生成一个稀疏随机矩阵,并依据稀疏随机矩阵计算测量值收集过程中所需要传输的数据;S2、每个传感器将计算得到的数据通过网络数据聚合技术发送至基站,以使基站收集测量值数据;S3、基站采用压缩感知技术的数据恢复算法计算每个传感器的原始数据。本发明具有能耗低、延迟低、负载均衡等优点。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种基于稀疏随机矩阵的无线传感器网络数据收集方法。
背景技术
压缩感知技术可以利用信号的稀疏特性,在远小于奈奎斯特采样频率的条件下,用随机矩阵采样获取信号的测量值,然后通过非线性重构算法以极小的误差恢复原始信号。这一研究结果可以应用于信息技术的诸多领域。由于无线传感器网络中的数据天然具有稀疏特性,因此具备了利用压缩感知技术的可能性。
压缩感知技术中有三个重要的指标,分别为:
一、稀疏度:如果向量x可以表示为x=Ψz(Ψ为某个基),并且z中非零元素不超过k个,那么向量x的稀疏度就是k;
二、感知矩阵:在线性变换y=Ax中,x是原始信号向量,线性变换矩阵A称为感知矩阵;
三、测量值向量:在线性变换y=Ax中,x是原始信号向量,A为感知矩阵,向量y称为测量值向量,其中的每个元素称为一个测量值。
反观现有的大部分研究工作,主要存在以下两个方面的问题:
第一,现有的研究基本都是假设感知矩阵为稠密矩阵(即矩阵中每个元素都是非零元素)的情况下展开的研究,而实际上感知矩阵也可以为稀疏矩阵(即矩阵中大部分元素为零元素),基于稀疏矩阵的压缩感知数据收集方法可以进一步提高数据的收集效率;
第二,现有的研究工作基本都是构建一棵把基站作为根的完全生成树,然后依据生成树收集每个节点的数据,在测量值的收集过程中,网络内的每个节点都需要发送数据。然而在基于稀疏矩阵的压缩感知数据收集方法中,只有需要发送数据的节点参与测量值的收集,因此可以节省能量和缩短数据收集延迟。
发明内容
基于现有技术中存在的上述不足,本发明提供一种基于稀疏随机矩阵的无线传感器网络数据收集方法。
为了达到上述发明目的,本发明采用以下技术方案:
一种基于稀疏随机矩阵的无线传感器网络数据收集方法,包括以下步骤:
S1、无线传感器网络中的每个传感器生成一个稀疏随机矩阵,并依据稀疏随机矩阵计算测量值收集过程中所需要传输的数据;
S2、每个传感器将计算得到的数据通过网络数据聚合技术发送至基站,以使基站收集测量值数据;
S3、基站采用压缩感知技术的数据恢复算法计算每个传感器的原始数据。
作为优选方案,所述步骤S1具体包括以下步骤:
S11、将无线传感器网络中的传感器编号为N1,N2,…Nn,定义传感器Nj(j=1,2,…,n)上的原始数据为xj;
S12、将整个网络归一化为边长是1的正方形,并将网络划分成L2个边长为1/L的正方形蜂窝,用Cij(1≤i,j≤L)表示第i行第j列的蜂窝;
S14、将L个蜂窝Cij(j=1,2,…,L)组成路径Pi(i=1,2,…,L);
S15、基站广播一个随机数产生种子,每个传感器在收到种子后生成一个统一的稀疏随机矩阵A;
S16、根据稀疏随机矩阵A,每个传感器确定在每轮测量值收集过程中的节点状态。
作为优选方案,所述稀疏随机矩阵A中的每一个元素aij都是独立同分布地抽样于以下子高斯分布:
作为优选方案,所述节点状态包括状态O、状态I和状态R;每个传感器在第q轮数据收集过程中的节点状态的确定方法如下:
首先,若aij等于零,则传感器Ni进入状态O;若aij非零,则传感器Ni进入状态I;
然后,每个蜂窝会出现三种情况:
若只有一个传感器是状态I,则传感器状态由I变为R;
若多个传感器都是状态O,则随机选择一个传感器,将它的状态由状态O变为状态R;
若多个传感器都是状态I,则随机选择一个传感器,将它的状态由状态I变为状态R。
作为优选方案,所述步骤S2具体包括以下步骤:
所述步骤S2具体包括以下步骤:
S21、蜂窝C11开始第1轮测量值收集过程;蜂窝C11将第1轮测量值收集数据发送给蜂窝C12;
S22、在接收到蜂窝C11发来的数据后,蜂窝C12将接收到的数据与自身的数据融合,随后将融合的数据发送给蜂窝C13;以此类推,蜂窝C1j(j=3,…,L)在第1轮测量值收集过程中依次进行数据接收及数据发送操作;
S23、当蜂窝C15完成第1轮的数据发送之后,蜂窝C21马上开始第1轮的数据发送;以此类推,在第1轮测量值收集过程中,路径Pi(i=2,…,L)上的蜂窝Ci5完成第1轮的数据发送之后,蜂窝C(i+1)1马上开始第1轮的数据发送;
S24、在蜂窝C45完成第1轮数据发送后,蜂窝C11马上开始第2轮测量值收集过程;以此类推,在第1轮测量值收集过程中,在蜂窝Ch5完成第1轮数据发送后,蜂窝C(h-3)1马上开始第2轮测量值收集过程;其中,h=5,…,L;
S25、在接收到蜂窝C11发送来的第2轮数据后,蜂窝C12先等待蜂窝C46完成第1轮的数据发送,然后才开始发送第2轮数据;以此类推,在第2轮测量值收集过程中,在接收到蜂窝C(h-3)1发送来的第2轮数据后,蜂窝C(h-3)2先等待蜂窝Ch6完成第1轮的数据发送,然后才开始发送第2轮数据;
S26、以此类推,在蜂窝C15完成第q轮数据发送后,蜂窝C21马上开始发送第q轮数据的发送,q为大于1的正整数;之后的每一轮测量值收集过程中,路径Pi(i=2,…,L)上的蜂窝Ch5完成第q轮的数据发送之后,蜂窝C(i+1)1马上开始第q轮的数据发送;
S27、在接收到蜂窝C21发送来的第q轮数据之后,蜂窝C22先等待蜂窝C16完成第q轮的数据发送,然后才开始发送第q轮数据;
S28、在第q轮测量值收集过程中,在蜂窝Ch5完成第q轮数据发送后,蜂窝C(h-3)1马上开始第q+1轮测量值收集过程;在接收到蜂窝C(h-3)1发送来的第q+1轮数据后,蜂窝C(h-3)2先等待蜂窝Ch6完成第q轮的数据发送,然后才开始发送第q+1轮数据;
S29、重复以上步骤,直至基站收集到达到预设阈值的测量值。
作为优选方案,每一蜂窝将相应的数据发送给下一个蜂窝后进入休眠状态。
作为优选方案,所述基站根据收集到的测量值和稀疏随机矩阵A,基于压缩感知技术中的数据恢复算法,计算得到每个传感器的原始数据。
本发明与现有技术相比,有益效果是:
一、能耗低:本发明并不是每一个传感器都在收集测量值的全程参加到数据接收和发送的过程中,而是只有其中对正在进行的测量有贡献的传感器和中继传感器参与到数据的接收和发送中;而且,当传感器不发送、不接收数据时该传感器就会进入休眠状态来节省能耗。
二、延迟低:在收集每个测量值时,只有其中与该测量值相关的部分节点参与数据的接收和发送,因此通过这种方式收集每个测量值所消耗的时间就会减少;而且,本发明所运用到的在前一轮测量值收集还没有完成时,下一轮测量值的收集过程就已经开始的流水线技术,进一步降低了整个数据收集所需的延迟。
三、负载均衡:本发明的每个节点收集每轮测量值所需要发送数据的概率都相同;根据概率相关理论,在整个数据收集结束后,每个节点消耗的能量也大致相同,所存在的差异也较小,因此每个传感器的负载较均衡。
附图说明
图1为本发明实施例的无线传感器网络的示意图;
图2为传统的压缩感知数据收集方法;
图3为现有技术基于稠密感知矩阵的压缩感知数据收集方法的原理图;
图4为本发明实施例的基于稀疏随机矩阵的无线传感器网络数据收集方法的原理图;
图5为本发明实施例的基于稀疏随机矩阵的无线传感器网络数据收集方法的每轮测量值收集的时间示意图;
图6为本发明实施例的基于稀疏随机矩阵的无线传感器网络数据收集方法与基于稠密矩阵的压缩数据收集方法的能耗比较曲线图;
图7为本发明实施例的基于稀疏随机矩阵的无线传感器网络数据收集方法与基于稠密矩阵的压缩数据收集方法的延迟比较曲线图。
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。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的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
压缩感知理论能够应用在无线网络的数据收集中的原因是,它能从较少量的原始信号的线性组合中提取出原始信号。在该方面的数据收集中现有的研究大部分都是应用稠密的感知矩阵,感知矩阵中的每个元素都是非零的,因此在应用压缩感知技术收集测量值的过程中往往需要构造一棵完全生成树,一棵以基站为根,并且覆盖每个节点的生成树,生成树上的每个节点都需将自己的数据发送给基站。然而,已经有较多研究表明稀疏的感知矩阵在恢复原始信号方面的性能可以达到和稠密的感知矩阵同样好的程度,本发明构造的便是一种可以应用在压缩感知技术中的稀疏随机矩阵。在基于稀疏随机矩阵的压缩感知数据收集过程中,每一轮都只要求那些加权系数不为零的节点将收集的测量值数据发送给基站。除此之外,因为要保证网络的连通性,还有一些节点虽然加权系数为零,但是它们要负责转发数据,以此就可以保证基站能收到所有需要的数据。在本发明中,将网络分解为一个个不同的蜂窝,蜂窝之间像链条一样相互连接,因此只需让每个蜂窝内至少有一个节点保持活跃,整个网络的连通性就能得到保证。
考虑到数据收集的延迟问题,本发明还采用了流水线技术,在前一轮测量值收集还没结束的时候就开始下一轮的测量值收集,每个蜂窝发送数据的时间都做到不影响其他数据传输的情况下尽可能的早,以此来降低数据收集的延迟。结果表明,本发明的数据收集方法在降低整个网络的能耗的同时,也能降低数据收集的延迟。此外,因为每个节点在每一轮测量值收集过程中保持活跃的概率相同,所以本发明的数据收集方法同时能保证整个网络的负载也是均衡的。
本发明的适用场景。在无线传感器网络中,存在一个基站和多个传感器节点,每个传感器都和附近的多个传感器能够相互通信,每个蜂窝包含多个传感器,如图1所示。如图2所示,基于压缩感知技术的数据收集过程如下:在一段时间内,每个传感器节点Ni通过感知周围的环境产生原始数据xi。然后,每个传感器Ni根据随机数种子产生p个系数a1i,a2i,…api,并将这些系数与原始数据分别相乘得到xia1i,xia2i,…xiapi。其次,每个节点通过单跳或者多跳将数据相加的结果,即将p个测量值发送给基站。最后,基站基于收到的测量值和感知矩阵,应用压缩感知恢复算法计算出原始数据x1,x2,…xn。
具体地,本发明实施例的基于稀疏随机矩阵的无线传感器网络数据收集方法,包括步骤:
步骤1,初始化阶段:网络中的每个传感器计算稀疏随机矩阵,并依据稀疏随机矩阵计算每一轮测量值收集过程中传输的数据。
步骤2,测量值收集过程:在步骤1的基础上,网络中的传感器将计算好的数据通过网络数据聚合技术发送给基站,即基站收集测量值数据。
步骤3,原始数据的提取:基站在收集到足够多的测量值数据后,用压缩感知技术中的数据恢复算法计算出每个传感器的原始数据。具体地,基站依据接收到的测量值和稀疏随机矩阵A,应用压缩感知技术中的数据恢复算法计算出每个传感器的原始数据。
其中,步骤1具体包括如下步骤:
步骤1.1:将网络中的无线传感器编号为N1,N2,…Nn,并假设传感器Nj(j=1,2,…,n)上的原始数据为xj;
步骤1.2:将整个网络归一化为边长是1的正方形,并进一步将网络划分成L2个边长为1/L的正方形蜂窝(此处设n为每个蜂窝内的节点数,且n不得为0,每个蜂窝内至少有1个节点),用Cij(1≤i,j≤L)来表示第i行第j列的蜂窝;
步骤1.3:令为保障每个相邻蜂窝内的任意传感器节点都能相互通信,令两个传感器节点之间的通信距离为(即为处在两个相邻蜂窝最远两个端点处节点的极限距离,超过这个距离则无法传达信息。而同时,当处于不同蜂窝内且在通信范围内的传感器节点同时发送数据时,则会相互之间产生干扰,影响传输数据的准确性和真实性)。
步骤1.4:将L个蜂窝Cij(j=1,2,…,L)组成路径Pi(i=1,2,…,L)。
步骤1.5:基站广播一个随机数产生种子,每个传感器在收到该种子后生成一个统一的稀疏随机矩阵A,其中每一个元素aij都是独立同分布地抽样于以下子高斯分布:
步骤1.6:根据稀疏随机矩阵A,每个传感器确定在每轮测量值收集过程中的节点状态;节点状态总共有三种状态:O、I和R,O表示不收不发,I表示只发不收,R表示可发可收。每个传感器在第m轮数据收集过程中的确定方法状态如下。首先,如果aij等于零,那么传感器Ni进入状态O;如果aij非零,那么传感器Ni进入状态I。然后,每个蜂窝会出现三种情况:第一种情况是只有一个传感器是状态I,在这种情况下该传感器状态由I变为R;第二种情况是多个传感器都是状态O,在这种情况将随机选择的一个传感器,将它的状态由O变为R;第三种情况是多个传感器都是状态I,在这种情况下将随机选择一个传感器,将它的状态由I变为R。
其中,步骤2具体包括如下步骤:
步骤2.1:蜂窝C11开始第1轮测量值收集过程,即(表示蜂窝Cij开始第q轮的测量值收集时隙)。蜂窝C11中状态为I和R的传感器把数据发送给蜂窝C12中状态为R的传感器。为了节省能耗,蜂窝C11中的传感器在数据发送完成后进入休眠状态。每次发送数据都是蜂窝中状态为I和R的传感器把数据发送给下一个蜂窝中状态为R的传感器。
步骤2.2:在接收到C11发送过来的数据后,蜂窝C12中状态为R的传感器将接收到的数据和自身的数据融合,随后蜂窝C12中状态为I和R的传感器将数据发送给蜂窝C13中状态为R的传感器。为了节省能耗,蜂窝C12中的传感器在数据发送完成后进入休眠状态。所有的蜂窝在第1轮数据收集过程中都重复类似的过程,蜂窝C1j(j=3,…,L)在第1轮测量值收集过程中依次进行数据接收及数据发送操作即,(表示蜂窝Cij在第q轮数据收集过程中花费的时间)。
步骤2.3:为了避免节点之间在通信距离范围内同时传输数据所会产生的干扰,同时在保证不受干扰的情况下为了最大限度地提高传输效率,考虑到C15和C21之间的距离是会受到干扰影响的极限范围,超出这个距离则可同时传输,因此在蜂窝C15完成第1轮的数据发送之后,蜂窝C21马上开始第1轮的数据发送。在第1轮测量值收集过程中,路径Pi(i=2,…,L)上的所有蜂窝都重复类似的操作,即以此类推,在第1轮测量值收集过程中,路径Pi(i=2,…,L)上的蜂窝Ci5完成第1轮的数据发送之后,蜂窝C(i+1)1马上开始第1轮的数据发送。
步骤2.4:当蜂窝C45完成第1轮的数据发送之后,蜂窝C11马上开始第2轮的测量值收集过程。在每一轮测量值收集过程的起始阶段都重复类似的操作,即以此类推,在第1轮测量值收集过程中,在蜂窝Ch5完成第1轮数据发送后,蜂窝C(h-3)1马上开始第2轮测量值收集过程;其中,h=5,…,L。
步骤2.5:在接收到蜂窝C11发送来的第2轮数据后,蜂窝C12先等待蜂窝C46完成第1轮的数据发送,然后才开始发送第2轮数据。之后的每一轮测量值收集过程都重复类似的操作,即 以此类推,在第2轮测量值收集过程中,在接收到蜂窝C(h-3)1发送来的第2轮数据后,蜂窝C(h-3)2先等待蜂窝Ch6完成第1轮的数据发送,然后才开始发送第2轮数据。
步骤2.6:在蜂窝C15完成第2轮数据发送后,蜂窝C21马上开始发送第2轮数据。之后的每一轮测量值收集过程都重复类似的操作,即以此类推,在蜂窝C15完成第q轮数据发送后,蜂窝C21马上开始发送第q轮数据的发送,q为大于1的正整数;之后的每一轮测量值收集过程中,路径Pi(i=2,…,L)上的蜂窝Ci5完成第q轮的数据发送之后,蜂窝C(i+1)1马上开始第q轮的数据发送。
步骤2.7:在接收到蜂窝C21发送来的第2轮数据之后,蜂窝C22先等待蜂窝C16完成第2轮的数据发送,然后才开始发送第2轮数据。每个蜂窝在之后的每一轮测量值收集过程中都重复类似的操作,即 即:在接收到蜂窝C21发送来的第q轮数据之后,蜂窝C22先等待蜂窝C16完成第q轮的数据发送,然后才开始发送第q轮数据;在第q轮测量值收集过程中,在蜂窝Ch5完成第q轮数据发送后,蜂窝C(h-3)1马上开始第q+1轮测量值收集过程;在接收到蜂窝C(h-3)1发送来的第q+1轮数据后,蜂窝C(h-3)2先等待蜂窝Ch6完成第q轮的数据发送,然后才开始发送第q+1轮数据;
步骤2.8:重复以上步骤直到基站收集到m=O(klog2n/k)个测量值。
如果向量x可以表示为x=Ψz,Ψ为某个基且z中非零元素的个数最多为k,则称x是k-稀疏的。因此该公式中的O代表时间复杂度,k指最多非零元素个数,n则是指维度n)。
步骤2.9:当每条路径的末端C1L收集到足够多的数据之后,开始向C2L发送数据。而蜂窝C2L中状态为R的传感器将接收到的数据和自身的数据融合,随后蜂窝C2L中状态为I和R的传感器将数据发送给蜂窝C3L中状态为R的传感器。所有的CiL蜂窝在第1轮数据收集过程中都重复类似的过程,最终将收集的数据都传到位于末端的基站。即,(表示蜂窝Cij在第q轮数据收集过程中花费的时间)。
上述步骤3中,基站根据收到的测量值向量y=[y1,y2,…,yq](yq表示基站在第q轮传输中接收到的数据)和稀疏随机矩阵A=[aij]m×n,并利用OMP(正交匹配追踪)算法等各种压缩感知数据恢复算法求解出原始数据向量x=[x1,x2,…xn]。
为了方便说明本发明实施例与基于稠密感知矩阵的压缩数据收集方法的区别,只考虑三个蜂窝的情况,且假设每个蜂窝内的传感器数量是5个。图3表示了用稠密感知矩阵的压缩感知技术来收集数据的方法,因为每个传感器的系数都非零,所以每个节点都需要参与到第一个测量值(即)的收集过程中。在这个过程中,网络中的节点总共发送了数据10次,需要10个时隙来完成数据的收集。图4表示了本发明提出的利用正交匹配追踪算法来收集数据的方法。因为N1,N6,N11,N13的系数为0,所以传感器N1,N6,N11,N13不需要发送数据给基站,但是为了保证网络的连通性,在第二个蜂窝中让传感器N9保持活跃来转发数据,在第三个蜂窝中让传感器N12保持活跃来转发数据。在这个过程中,节点N4,N5,N8,N9,N12,N15的状态为R,节点N1,N6,N11,N13的状态为O,节点N2,N3,N7,N10,N14的状态为I。网络中的节点总共发送了数据8次,需要8个时隙来完成数据的收集。由这个例子可知,本发明提出的利用正交匹配追踪算法的基于稀疏感知矩阵的数据收集方法降低了网络能耗和数据收集延迟。
本发明还采用了流水线技术来加速整个数据收集的过程,我们以图1中所示的网络为例进行说明。在蜂窝C45完成前一轮数据发送后,蜂窝C11马上开始下一轮的数据收集。如图5所示,在前一轮数据收集还没结束的时候,后一轮数据的收集就已经开始。
为了方便和基于稠密矩阵的压缩感知数据收集方法进行比较,将基于稠密矩阵的压缩感知数据收集方法,对整个网络的能耗和数据收集延迟进行归一化处理。图6和图7分别比较了本发明提出的数据收集方法的总能耗和数据收集延迟。从图中可见,如果网络中的节点数量很大,本发明提出的数据收集方法的总能耗和数据收集延迟大概是基于稠密矩阵的压缩感知数据收集方法的56%。
以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (4)
1.一种基于稀疏随机矩阵的无线传感器网络数据收集方法,其特征在于,包括以下步骤:
S1、无线传感器网络中的每个传感器生成一个稀疏随机矩阵,并依据稀疏随机矩阵计算测量值收集过程中所需要传输的数据;
S2、每个传感器将计算得到的数据通过网络数据聚合技术发送至基站,以使基站收集测量值数据;
S3、基站采用压缩感知技术的数据恢复算法计算每个传感器的原始数据;
所述步骤S1具体包括以下步骤:
S11、将无线传感器网络中的传感器编号为N1,N2,…Nn,定义传感器Nj上的原始数据为xj,j=1,2,…,n;
S12、将整个网络归一化为边长是1的正方形,并将网络划分成L2个边长为1/L的正方形蜂窝,用Cij表示第i行第j列的蜂窝,1≤i,j≤L;
S14、将L个蜂窝Cij组成路径Pi,j=1,2,…,L,i=1,2,…,L;
S15、基站广播一个随机数产生种子,每个传感器在收到种子后生成一个统一的稀疏随机矩阵A;
S16、根据稀疏随机矩阵A,每个传感器确定在每轮测量值收集过程中的节点状态;
所述稀疏随机矩阵A中的每一个元素aij都是独立同分布地抽样于以下子高斯分布:
所述节点状态包括状态O、状态I和状态R,状态O表示不收不发,状态I表示只发不收,状态R表示可发可收;每个传感器在第q轮数据收集过程中的节点状态的确定方法如下:
首先,若aij等于零,则传感器Ni进入状态O;若aij非零,则传感器Ni进入状态I;
然后,每个蜂窝会出现三种情况:
若只有一个传感器是状态I,则传感器状态由I变为R;
若多个传感器都是状态O,则随机选择一个传感器,将它的状态由状态O变为状态R;
若多个传感器都是状态I,则随机选择一个传感器,将它的状态由状态I变为状态R。
2.根据权利要求1所述的一种基于稀疏随机矩阵的无线传感器网络数据收集方法,其特征在于,所述步骤S2具体包括以下步骤:
S21、蜂窝C11开始第1轮测量值收集过程;蜂窝C11将第1轮测量值收集数据发送给蜂窝C12;
S22、在接收到蜂窝C11发来的数据后,蜂窝C12将接收到的数据与自身的数据融合,随后将融合的数据发送给蜂窝C13;以此类推,蜂窝C1j在第1轮测量值收集过程中依次进行数据接收及数据发送操作,j=3,…,L;
S23、当蜂窝C15完成第1轮的数据发送之后,蜂窝C21马上开始第1轮的数据发送;以此类推,在第1轮测量值收集过程中,路径Pi上的蜂窝Ci5完成第1轮的数据发送之后,蜂窝C(i+1)1马上开始第1轮的数据发送,i=2,…,L;
S24、在蜂窝C45完成第1轮数据发送后,蜂窝C11马上开始第2轮测量值收集过程;以此类推,在第1轮测量值收集过程中,在蜂窝Ch5完成第1轮数据发送后,蜂窝C(h-3)1马上开始第2轮测量值收集过程;其中,h=5,…,L;
S25、在接收到蜂窝C11发送来的第2轮数据后,蜂窝C12先等待蜂窝C46完成第1轮的数据发送,然后才开始发送第2轮数据;以此类推,在第2轮测量值收集过程中,在接收到蜂窝C(h-3)1发送来的第2轮数据后,蜂窝C(h-3)2先等待蜂窝Ch6完成第1轮的数据发送,然后才开始发送第2轮数据;
S26、以此类推,在蜂窝C15完成第q轮数据发送后,蜂窝C21马上开始发送第q轮数据的发送,q为大于1的正整数;之后的每一轮测量值收集过程中,路径Pi上的蜂窝Ch5完成第q轮的数据发送之后,蜂窝C(i+1)1马上开始第q轮的数据发送,i=2,…,L;
S27、在接收到蜂窝C21发送来的第q轮数据之后,蜂窝C22先等待蜂窝C16完成第q轮的数据发送,然后才开始发送第q轮数据;
S28、在第q轮测量值收集过程中,在蜂窝Ch5完成第q轮数据发送后,蜂窝C(h-3)1马上开始第q+1轮测量值收集过程;在接收到蜂窝C(h-3)1发送来的第q+1轮数据后,蜂窝C(h-3)2先等待蜂窝Ch6完成第q轮的数据发送,然后才开始发送第q+1轮数据;
S29、重复以上步骤,直至基站收集到达到预设阈值的测量值。
3.根据权利要求2所述的一种基于稀疏随机矩阵的无线传感器网络数据收集方法,其特征在于,每一蜂窝将相应的数据发送给下一个蜂窝后进入休眠状态。
4.根据权利要求2所述的一种基于稀疏随机矩阵的无线传感器网络数据收集方法,其特征在于,所述基站根据收集到的测量值和稀疏随机矩阵A,基于压缩感知技术中的数据恢复算法,计算得到每个传感器的原始数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910450383.5A CN110062348B (zh) | 2019-05-28 | 2019-05-28 | 一种基于稀疏随机矩阵的无线传感器网络数据收集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910450383.5A CN110062348B (zh) | 2019-05-28 | 2019-05-28 | 一种基于稀疏随机矩阵的无线传感器网络数据收集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110062348A CN110062348A (zh) | 2019-07-26 |
CN110062348B true CN110062348B (zh) | 2021-11-19 |
Family
ID=67324690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910450383.5A Active CN110062348B (zh) | 2019-05-28 | 2019-05-28 | 一种基于稀疏随机矩阵的无线传感器网络数据收集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110062348B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111132066A (zh) * | 2019-12-30 | 2020-05-08 | 三维通信股份有限公司 | 一种稀疏压缩数据收集方法、系统和计算机设备 |
CN111246417B (zh) * | 2020-02-24 | 2022-04-15 | 云南财经大学 | 一种基于随机游走的压缩数据收集方法及系统 |
US11356827B2 (en) | 2020-07-31 | 2022-06-07 | King Abdulaziz University | Compressive sensing-aided LPWAN MAC layer |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176777A (zh) * | 2010-12-29 | 2011-09-07 | 浙江师范大学 | 无线传感器网络中敏感信息的传输方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280671B2 (en) * | 2010-01-29 | 2012-10-02 | Microsoft Corporation | Compressive data gathering for large-scale wireless sensor networks |
-
2019
- 2019-05-28 CN CN201910450383.5A patent/CN110062348B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176777A (zh) * | 2010-12-29 | 2011-09-07 | 浙江师范大学 | 无线传感器网络中敏感信息的传输方法 |
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 |
Non-Patent Citations (1)
Title |
---|
Design and Analysis of In-Network Computation;HAIFENG ZHENG等;《IEEE Access》;20170703;第5卷;第11018页左栏第一段、右栏,第11020左栏 * |
Also Published As
Publication number | Publication date |
---|---|
CN110062348A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110062348B (zh) | 一种基于稀疏随机矩阵的无线传感器网络数据收集方法 | |
CN107743103B (zh) | 基于深度学习的mmtc系统的多节点接入检测和信道估计方法 | |
CN111630787B (zh) | 基于深度学习的mimo多天线信号传输与检测技术 | |
CN104977558B (zh) | 一种基于贝叶斯压缩感知的分布源中心波达方向估计方法 | |
US8855245B2 (en) | Method and apparatus for transmitting and receiving signals based on dual compressive sensing in wireless communication system | |
WO2012009218A1 (en) | Mobility in a distributed antenna system | |
CN111835464B (zh) | 一种与源址无关的大规模合作接入方法 | |
CN103929383A (zh) | 一种大规模mimo系统的联合信道估计方法与装置 | |
CN106911443B (zh) | 基于压缩感知的m2m通信系统中导频优化设计方法 | |
CN110267225B (zh) | 一种基于ElGamal算法的无线传感器数据收集方法 | |
CN101436890B (zh) | 一种天线阵列误差参数估计方法及其设备 | |
CN114726687A (zh) | 一种智能反射面辅助毫米波大规模mimo系统的信道估计方法 | |
CN114172597A (zh) | 一种基于可重构智能表面的非迭代参数联合估计方法 | |
CN111093166B (zh) | 在物联网中使用稀疏测量矩阵的压缩数据收集系统 | |
CN102833193B (zh) | 一种双向中继网络中基于压缩感知的稀疏信道估计方法 | |
CN109818887B (zh) | 基于evd-ilsp的半盲信道估计方法 | |
CN111865844B (zh) | 大规模mimo全双工中继系统信道估计方法和装置 | |
CN107995600A (zh) | 一种基于矩阵补全的无线传感网数据采集方法 | |
CN115065446B (zh) | 一种基于流形学习的信道信息反馈方法 | |
CN107346985B (zh) | 一种结合发射天线选择技术的干扰对齐方法 | |
Chen et al. | Compressed data collection method for wireless sensor networks based on optimized dictionary updating learning | |
US8391800B2 (en) | Signal acquisition apparatus and method for distributed compressive sensing and joint signal recovery | |
Lin et al. | Communication-Efficient Joint Signal Compression and Activity Detection in Cell-Free Massive MIMO | |
Lakshminarayanan et al. | Efficient data collection in wireless sensor networks with block-wise compressive path constrained sensing in mobile sinks | |
CN111045861B (zh) | 一种基于深度神经网络的传感器数据恢复方法 |
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 |