CN111093166B - 在物联网中使用稀疏测量矩阵的压缩数据收集系统 - Google Patents
在物联网中使用稀疏测量矩阵的压缩数据收集系统 Download PDFInfo
- Publication number
- CN111093166B CN111093166B CN201911240008.4A CN201911240008A CN111093166B CN 111093166 B CN111093166 B CN 111093166B CN 201911240008 A CN201911240008 A CN 201911240008A CN 111093166 B CN111093166 B CN 111093166B
- Authority
- CN
- China
- Prior art keywords
- data
- node
- initial data
- sparse
- clustering
- 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
- 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
- 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
- H04W40/24—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明属于物联网无线数据处理相关技术领域,具体涉及一种在物联网中使用稀疏测量矩阵的压缩数据收集系统。本发明一方面优化稀疏测量矩阵,另一方面使用合适的动态分簇协议,将稀疏测量矩阵的选择与路由协议相结合,保证数据采集的均匀性的同时,有效的减少了数据丢失对数据收集精度的影响,提高了无线传感器节点的数据收集精度。与现有技术相比较,本发明自适应性强:由于物联网系统具有复杂的无线链路结构,无线链路不稳定的情况经常发生,而链路不稳定对稀疏测量矩阵的设计有直接的关系,本发明采用稀疏测量矩阵和分簇路由协议同时优化的方式,能够解决链路不稳定对无线传感器节点数据收集的影响,具有自适应性。
Description
技术领域
本发明属于物联网无线数据处理相关技术领域,具体涉及一种在物联网中使用稀疏测量矩阵的压缩数据收集系统。
背景技术
物联网是一个多学科交叉的技术领域,包含了数据感知、数据收集、数据处理的各个过程。物联网系统中的数据收集通常采用无线传感器节点,无线传感器节点作为联系信息世界和物理世界的中介,把自然界的物理信号转化为数字信号,扩展了互联网的功能领域、量化了人们物理世界的认知。物联网增强了人们对自然界的认知,建立了人与人、物与物、人与物之间的相互连接。物联网系统应用广泛,已经在智慧农业、智能制造、智慧社区、智能家居、智慧城市等领域内得到广泛的应用。
无线传感器节点综合了传感器、微机电系统、无线通信和分布式信息处理等相关技术,所以物联网是多信息技术的交叉产物。在实际的应用中,由于无线传感器节点部署规模比较大,为了节约成本,布设的无线传感器节点往往具有成本低廉、体积小,方便大规模布设等特点,但也正是这些特点导致无线传感器节点存在计算能力受限、能量供应受限等问题。而汇聚节点相比于无线传感器节点在处理能力、存储能力和通信能力等方面都有所增强,它可以对汇集到的数据进行初步的融合处理。在实际部署无线传感器节点时大都采用冗余方式,无线传感器节点收集到的数据具有大量冗余的信息,因此如何实现稳定、高效、持久地数据采集、传输,如何减少网络中能量的消耗,延长网络寿命,一直都是研究人员关注的问题。
压缩感知理论特别适合处理具有冗余信息的数据处理,它突破了传统的奈奎斯特采样定理对于采样频率必须大于两倍信号最大频率才能准确重构信号的限制,将数据采集和压缩过程结合到一起,有效地降低了数据采集和传输的成本。压缩感知理论的长处是可以有效地降低数据传输量,但如何选择最优的传输路径以及解决稀疏测量矩阵的问题,目前还没有可靠的解决方法。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:压缩感知数据收集方法在无线传感器节点网络实际应用过程中受网络异常状况,特别是链路不稳定影响时,数据重构精度下降的问题。
(二)技术方案
为解决上述技术问题,本发明提供一种在物联网中使用稀疏测量矩阵的压缩数据收集系统,所述压缩数据收集系统包括:初始数据收集模块、网络分簇模块、压缩数据收集模块、初始数据获取模块;所述初始数据收集模块包括:初始数据采集单元、初始数据变换单元、压缩数据获取单元、初始数据获取单元;所述网络分簇模块包括:网络默认分簇单元、网络分簇调整单元;
(1)所述初始数据收集模块用于进行初始数据收集,令x∈RN为初始数据,y∈RN为测量值,RN表示N维实数向量;其中,
(11)所述初始数据采集单元用于进行初始数据采集;
N个无线传感器节点按照一定的时间间隔采集初始数据x,初始数据x是由无线传感器节点感知得到的环境信息数据,由于节点部署较多,这些初始数据具有很大的冗余性;
(12)所述初始数据变换单元用于对初始数据x进行变换;
首先,构造变换基矩阵,由压缩感知理论可知,当初始数据具有冗余性时,则数据本身是稀疏的或在某一变换域下是稀疏的,这里令初始数据x在正交余弦变换基矩阵D∈RN ×N下是稀疏的,RN×N表示N×N维实数矩阵,即为
x=Dθ
其中,稀疏系数向量θ∈RN是s维稀疏的,即||θ||0=s,s<<N,其中||·||0是向量的l0范数,s是一个正整数,s的值远小于整数N;表示的
由此,获得变换后,以变换基矩阵D和稀疏系数向量θ表示的初始数据x;
(13)所述压缩数据获取单元用于对初始数据x进行压缩,获取压缩数据y;
首先构造稀疏测量矩阵,根据压缩感知理论,当传感数据的稀疏度s固定时,测量值个数M必须满足一定的条件,即
cs lg(N/s)≤M<<N,其中,c为自定义的常数值,lg(·)表示以10为底的对数,此时整个数据采集过程可以表示为,
其中,Φ∈RM×N是测量矩阵,Φi,j表示测量矩阵Φ的第i行、第j列的元素值,xi∈R表示i次初始数据采集值;
因为M<<N,所以对网络中的N个初始数据值进行收集,只需要进行M次采样,就能得到测量值,这样就减少了测量次数;
由此,完成对初始数据x的压缩,获取压缩数据y;
(14)所述初始数据获取单元用于根据压缩数据y获取初始数据x;
首先进行数据重构,由上述压缩数据获取单元的输出可以得到以下表达式,
其中,||·||1表示向量的l1范数,||·||2表示向量的欧几里得范数,σ为自定义的误差的上界;若上述优化问题存在最优解则可以确定的采样次数M是可行的,若不存在最优解,则需重复压缩数据获取单元、初始数据获取单元的工作,直至得到最优解;
获得稀疏系数向量θ后,结合自行构造的变换基矩阵D,从而获得初始数据x;
(2)所述网络分簇模块用于进行网络分簇;
(21)所述网络默认分簇单元用于进行网络默认分簇,按照步骤1中确定的M值,使用HEED分簇算法,即混合的能量高效的分布式分簇算法进行网络分簇;
(22)所述网络分簇调整单元用于:
(i)在不存在数据丢失情况下再次进行分簇,在链路不稳定的物联网系统中,若节点发生故障,需要将故障节点隔离出去,不再担任数据转发任务,并在接下来,若传输过程没有数据丢失,确定测量矩阵为:
(ii)在数据丢失情况情况下再次进行分簇,若传输过程有数据丢失,调整分簇信息后,确定测量矩阵为:
即,当初始数据值xij接收到时,且有数据丢失时,可令对应的稀疏测量矩阵系数为1,其他情况下,令对应的系数为0;
由此,通过网络分簇调整单元完成无线传感器节点网络拓扑结构的重新分簇;
(3)所述压缩数据收集模块用于再次进行压缩数据收集,根据所述网络分簇模块所建立的重新分簇后的网络拓扑结构,再次进行初始数据采集、初始数据变换,得到稀疏测量矩阵Φ;簇头节点和其他传感器节点根据最小传输代价原则,与邻近节点连接,该过程持续进行直到传递到汇聚节点,此时选择变换基矩阵D为单位正交矩阵,由此,再次获取压缩数据,收集得到测量值y=ΦDθ;
(4)所述初始数据获取模块用于最终获取初始数据;
其再次进行数据重构,求解以下最优化问题得到稀疏系数向量θ的值:
其中,所述压缩数据获取单元工作过程中,当测量矩阵为高斯随机矩阵等稠密矩阵时,每次采样时N个无线传感器节点都需要参与数据传输,为了进一步降低数据传输量,这里构造稀疏测量矩阵,令网络网络拓扑结构为:共有13个无线传感器节点,无线传感器节点序号定为1~13,其中1号、2号、3号、4号节点分别直接连接汇聚节点;1号节点另外连接5号节点,5号节点另外分别连接6号节点和7号节点;2号节点另外连接8号节点,8号节点另外连接9号节点;3号节点另外连接10号节点,10号节点另外分别连接11号节点和12号节点;4号节点另外连接13号节点;
则稀疏测量矩阵为,
此时,M的值为4,N的值为13,参与采样的无线传感器节点分别为1、5、2、8、3、10、4、13号节点。
其中,所述N为13。
其中,所述M为4。
其中,所述网络默认分簇单元工作过程中,所述网络中的13个无线传感器节点分为4个簇,簇头节点分别为1号节点、2号节点、3号节点和4号节点。
其中,所述步骤22中,5号节点承担着6号节点、7号节点的数据转发任务,若5号节点发生故障,将直接影响该簇内数据的传输,此时需要去调整分簇信息,链路信息的变化也直接影响着稀疏测量矩阵的设计。
其中,||·||1表示向量的l1范数。
其中,||·||2表示向量的欧几里得范数。
其中,σ为自定义的误差的上界。
(三)有益效果
与现有技术相比较,本发明具备如下有益效果:
(1)自适应性强:由于物联网系统具有复杂的无线链路结构,无线链路不稳定的情况经常发生,而链路不稳定对稀疏测量矩阵的设计有直接的关系,本发明采用稀疏测量矩阵和分簇路由协议同时优化的方式,能够解决链路不稳定对无线传感器节点数据收集的影响,具有自适应性。
(2)数据收集精度高:物联网应用场景复杂,感知数据具有多样性、复杂性的特点,采用压缩感知数据收集方式,能够提高数据收集的精度。
(3)节约能量:本发明采用稀疏测量矩阵,避免了每次采样都需要所有的节点参与的情况,极大的减少了单次采样所需的无线传感器节点,减少了整个网络的数据传输量,节约了无线传感器节点的能量。
附图说明
图1为本发明的无线传感器节点压缩数据收集过程示意图。
图2为本发明的在物联网中使用稀疏测量矩阵的压缩数据收集方法流程框图。
图3为包含13个节点的网络拓扑示意图。
图4为初始数据收集过程流程框图。
图5为网络动态分簇过程流程框图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
为解决上述技术问题,本发明提供一种在物联网中使用稀疏测量矩阵的压缩数据收集系统,所述压缩数据收集系统包括:初始数据收集模块、网络分簇模块、压缩数据收集模块、初始数据获取模块;所述初始数据收集模块包括:初始数据采集单元、初始数据变换单元、压缩数据获取单元、初始数据获取单元;所述网络分簇模块包括:网络默认分簇单元、网络分簇调整单元;
(1)所述初始数据收集模块用于进行初始数据收集,令x∈RN为初始数据,y∈RN为测量值,RN表示N维实数向量;其中,
(11)所述初始数据采集单元用于进行初始数据采集;
N个无线传感器节点按照一定的时间间隔采集初始数据x,初始数据x是由无线传感器节点感知得到的环境信息数据,由于节点部署较多,这些初始数据具有很大的冗余性;
(12)所述初始数据变换单元用于对初始数据x进行变换;
首先,构造变换基矩阵,由压缩感知理论可知,当初始数据具有冗余性时,则数据本身是稀疏的或在某一变换域下是稀疏的,这里令初始数据x在正交余弦变换基矩阵D∈RN ×N下是稀疏的,RN×N表示N×N维实数矩阵,即为
x=Dθ
其中,稀疏系数向量θ∈RN是s维稀疏的,即||θ||0=s,s<<N,其中||·||0是向量的l0范数,s是一个正整数,s的值远小于整数N;表示的
由此,获得变换后,以变换基矩阵D和稀疏系数向量θ表示的初始数据x;
(13)所述压缩数据获取单元用于对初始数据x进行压缩,获取压缩数据y;
首先构造稀疏测量矩阵,根据压缩感知理论,当传感数据的稀疏度s固定时,测量值个数M必须满足一定的条件,即
cs lg(N/s)≤M<<N,其中,c为自定义的常数值,lg(·)表示以10为底的对数,此时整个数据采集过程可以表示为,
其中,Φ∈RM×N是测量矩阵,Φi,j表示测量矩阵Φ的第i行、第j列的元素值,xi∈R表示i次初始数据采集值;
因为M<<N,所以对网络中的N个初始数据值进行收集,只需要进行M次采样,就能得到测量值,这样就减少了测量次数;
由此,完成对初始数据x的压缩,获取压缩数据y;
(14)所述初始数据获取单元用于根据压缩数据y获取初始数据x;
首先进行数据重构,由上述压缩数据获取单元的输出可以得到以下表达式,
其中,||·||1表示向量的l1范数,||·||2表示向量的欧几里得范数,σ为自定义的误差的上界;若上述优化问题存在最优解则可以确定的采样次数M是可行的,若不存在最优解,则需重复压缩数据获取单元、初始数据获取单元的工作,直至得到最优解;
获得稀疏系数向量θ后,结合自行构造的变换基矩阵D,从而获得初始数据x;
(2)所述网络分簇模块用于进行网络分簇;
(21)所述网络默认分簇单元用于进行网络默认分簇,按照步骤1中确定的M值,使用HEED分簇算法,即混合的能量高效的分布式分簇算法进行网络分簇;
(22)所述网络分簇调整单元用于:
(i)在不存在数据丢失情况下再次进行分簇,在链路不稳定的物联网系统中,若节点发生故障,需要将故障节点隔离出去,不再担任数据转发任务,并在接下来,若传输过程没有数据丢失,确定测量矩阵为:
(ii)在数据丢失情况情况下再次进行分簇,若传输过程有数据丢失,调整分簇信息后,确定测量矩阵为:
即,当初始数据值xij接收到时,且有数据丢失时,可令对应的稀疏测量矩阵系数为1,其他情况下,令对应的系数为0;
由此,通过网络分簇调整单元完成无线传感器节点网络拓扑结构的重新分簇;
(3)所述压缩数据收集模块用于再次进行压缩数据收集,根据所述网络分簇模块所建立的重新分簇后的网络拓扑结构,再次进行初始数据采集、初始数据变换,得到稀疏测量矩阵Φ;簇头节点和其他传感器节点根据最小传输代价原则,与邻近节点连接,该过程持续进行直到传递到汇聚节点,此时选择变换基矩阵D为单位正交矩阵,由此,再次获取压缩数据,收集得到测量值y=ΦDθ;
(4)所述初始数据获取模块用于最终获取初始数据;
其再次进行数据重构,求解以下最优化问题得到稀疏系数向量θ的值:
其中,所述压缩数据获取单元工作过程中,当测量矩阵为高斯随机矩阵等稠密矩阵时,每次采样时N个无线传感器节点都需要参与数据传输,为了进一步降低数据传输量,这里构造稀疏测量矩阵,令网络网络拓扑结构为:共有13个无线传感器节点,无线传感器节点序号定为1~13,其中1号、2号、3号、4号节点分别直接连接汇聚节点;1号节点另外连接5号节点,5号节点另外分别连接6号节点和7号节点;2号节点另外连接8号节点,8号节点另外连接9号节点;3号节点另外连接10号节点,10号节点另外分别连接11号节点和12号节点;4号节点另外连接13号节点;
则稀疏测量矩阵为,
此时,M的值为4,N的值为13,参与采样的无线传感器节点分别为1、5、2、8、3、10、4、13号节点。
其中,所述N为13。
其中,所述M为4。
其中,所述网络默认分簇单元工作过程中,所述网络中的13个无线传感器节点分为4个簇,簇头节点分别为1号节点、2号节点、3号节点和4号节点。
其中,所述步骤22中,5号节点承担着6号节点、7号节点的数据转发任务,若5号节点发生故障,将直接影响该簇内数据的传输,此时需要去调整分簇信息,链路信息的变化也直接影响着稀疏测量矩阵的设计。
其中,||·||1表示向量的l1范数。
其中,||·||2表示向量的欧几里得范数。
其中,σ为自定义的误差的上界。
实施例1
为了进一步实现压缩感知技术与无线传感器节点数据收集应用的融合,针对压缩感知数据收集方法在无线传感器节点网络实际应用过程中受网络异常状况,特别是链路不稳定影响时,数据重构精度下降问题,本实施例一方面优化稀疏测量矩阵,另一方面使用合适的动态分簇协议,将稀疏测量矩阵的选择与路由协议相结合,保证数据采集的均匀性的同时,有效的减少了数据丢失对数据收集精度的影响,提高了无线传感器节点的数据收集精度。
本实施例提出的在物联网中使用稀疏测量矩阵的压缩数据收集方案,在物联网系统应用中,如图1所示,N个无线传感器节点采用压缩感知的原理上传数据时,并不是直接发送自己采集到的数据,而是将自身采集到的数据乘上一个随机数,再加上接收到的其他临近节点的数据,最后通过多跳的方式发送到汇聚节点,本发明处理步骤流程如图2所示,包含以下步骤:
步骤一,初始数据收集,令x∈RN为初始数据向量,y∈RN为测量值向量,RN表示N维实数向量。网络拓扑结构如图3所示,这里的N为13,即为该物联网系统中有13个无线传感器节点,负责采集该区域的环境状态信息,该步骤处理过程示意如图4所示。
步骤1.1,数据采样,N个无线传感器节点按照一定的时间间隔采集初始数据x,这些数据是由无线传感器节点感知得到的环境信息数据,由于节点部署较多,这些初始数据具有很大的冗余性。
步骤1.2,构造变换基矩阵,由压缩感知理论可知,当初始数据具有冗余性时,则数据本身是稀疏的或在某一变换域下是稀疏的,这里令初始数据x在正交余弦变换基矩阵D∈RN×N下是稀疏的,RN×N表示N×N维实数矩阵,即为
x=Dθ
其中稀疏系数向量θ∈RN是s维稀疏的,即||θ||0=s,s<<N,其中||·||0是向量的l0范数,s是一个正整数,s的值远小于整数N。
步骤1.3,构造稀疏测量矩阵,根据压缩感知理论,当传感数据的稀疏度s固定时,测量值个数M必须满足一定的条件,即
cs lg(N/s)≤M<<N,其中c为自定义的常数值,lg(·)表示以10为底的对数,此时整个数据采集过程可以表示为,
其中,Φ∈RM×N是测量矩阵,Φi,j表示测量矩阵Φ的第i行、第j列的元素值,xi∈R表示i次初始数据采集值。
因为M<<N,所以对网络中的N个初始数据值进行收集,只需要进行M次采样,就能得到测量值,这样就减少了测量次数。但是,当测量矩阵为高斯随机矩阵等稠密矩阵时,每次采样时N个无线传感器节点都需要参与数据传输,为了进一步降低数据传输量,这里构造稀疏测量矩阵,令网络网络拓扑结构如图3所示,则稀疏测量矩阵为,
此时M的值为4,N的值为13,参与采样的无线传感器节点分别为1、5、2、8、3、10、4、13号节点。
步骤1.4,数据重构,由上述步骤可以得到以下表达式,
其中||·||1表示向量的l1范数,||·||2表示向量的欧几里得范数,σ为自定义的误差的上界。若上述优化问题存在最优解则可以确定的采样次数M是可行的,若不存在最优解,则需重复步骤1.3,1.4,直至得到最优解。
步骤二,网络分簇,链路不稳定对于压缩感知数据收集过程影响很大,而链路不稳定问题的解决从根本上需要依靠路由协议。结合优化网络分簇协议,可以有效地减少链路断裂、数据丢失给压缩感知数据重构精度带来的影响,网络动态分簇过程示意如图5所示。
步骤2.1,默认网络分簇,按照步骤一中确定的M值,使用HEED分簇算法,即混合的能量高效的分布式分簇算法进行网络分簇。如图3所示,网络中的13个无线传感器节点分为4个簇,簇头节点分别为节点1、节点2、节点3和节点4。
步骤2.2,不存在数据丢失下的分簇,在链路不稳定的物联网系统中,若节点发生故障,需要将故障节点隔离出去,不再担任数据转发任务。如图3所示,节点5承担着节点6、节点7的数据转发任务,若节点5发生故障,将直接影响该簇内数据的传输,此时需要去调整分簇信息,链路信息的变化也直接影响着稀疏测量矩阵的设计。接下来,若传输过程没有数据丢失,令测量矩阵为
步骤2.3,数据丢失下的分簇,若传输过程有数据丢失,调整分簇信息后,令测量矩阵为
即当初始数据值xij接收到时,且有数据丢失时,可令对应的稀疏测量矩阵系数为1,其他情况下,令对应的系数为0。
步骤三,压缩数据收集,由以上步骤建立收集树拓扑结构,并得到了稀疏测量矩阵Φ。簇头节点和其他传感器节点根据最小传输代价原则,与邻近节点连接,该过程持续进行直到传递到汇聚节点,此时选择变换基矩阵D为单位正交矩阵,得到测量值y=ΦDθ。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种在物联网中使用稀疏测量矩阵的压缩数据收集系统,其特征在于,所述压缩数据收集系统包括:初始数据收集模块、网络分簇模块、压缩数据收集模块、初始数据获取模块;所述初始数据收集模块包括:初始数据采集单元、初始数据变换单元、压缩数据获取单元、初始数据获取单元;所述网络分簇模块包括:网络默认分簇单元、网络分簇调整单元;
(1)所述初始数据收集模块用于进行初始数据收集,令x∈RN为初始数据,y∈RN为测量值,RN表示N维实数向量;其中,
(11)所述初始数据采集单元用于进行初始数据采集;
N个无线传感器节点按照一定的时间间隔采集初始数据x,初始数据x是由无线传感器节点感知得到的环境信息数据,由于节点部署较多,这些初始数据具有很大的冗余性;
(12)所述初始数据变换单元用于对初始数据x进行变换;
首先,构造变换基矩阵,由压缩感知理论可知,当初始数据具有冗余性时,则数据本身是稀疏的或在某一变换域下是稀疏的,这里令初始数据x在正交余弦变换基矩阵D∈RN×N下是稀疏的,RN×N表示N×N维实数矩阵,即为
x=Dθ
其中,稀疏系数向量θ∈RN是s维稀疏的,即||θ||0=s,s<<N,其中||·||0是向量的l0范数,s是一个正整数,s的值远小于整数N;
由此,获得变换后,以变换基矩阵D和稀疏系数向量θ表示的初始数据x;
(13)所述压缩数据获取单元用于对初始数据x进行压缩,获取压缩数据y;
首先构造稀疏测量矩阵,根据压缩感知理论,当传感数据的稀疏度s固定时,测量值个数M必须满足一定的条件,即cslg(N/s)≤M<<N,其中,c为自定义的常数值,lg(·)表示以10为底的对数,此时整个数据采集过程可以表示为,
其中,Φ∈RM×N是测量矩阵,Φi,j表示测量矩阵Φ的第i行、第j列的元素值,xi∈R表示i次初始数据采集值;
因为M<<N,所以对网络中的N个初始数据值进行收集,只需要进行M次采样,就能得到测量值,这样就减少了测量次数;
由此,完成对初始数据x的压缩,获取压缩数据y;
(14)所述初始数据获取单元用于根据压缩数据y获取初始数据x;
首先进行数据重构,由上述压缩数据获取单元的输出可以得到以下表达式,
y=ΦDθ=γθ
其中,γ=ΦD∈RM×N称之为感知矩阵,求解以下最优化问题得到稀疏系数向量θ的值,
其中,||·||1表示向量的l1范数,||·||2表示向量的欧几里得范数,σ为自定义的误差的上界;若上述优化问题存在最优解则可以确定的采样次数M是可行的,若不存在最优解,则需重复压缩数据获取单元、初始数据获取单元的工作,直至得到最优解;
获得稀疏系数向量θ后,结合自行构造的变换基矩阵D,从而获得初始数据x;
(2)所述网络分簇模块用于进行网络分簇;
(21)所述网络默认分簇单元用于进行网络默认分簇,按照步骤1中确定的M值,使用HEED分簇算法,即混合的能量高效的分布式分簇算法进行网络分簇;
(22)所述网络分簇调整单元用于:
(i)在不存在数据丢失情况下再次进行分簇,在链路不稳定的物联网系统中,若节点发生故障,需要将故障节点隔离出去,不再担任数据转发任务,并在接下来,若传输过程没有数据丢失,确定测量矩阵为:
(ii)在数据丢失情况下再次进行分簇,若传输过程有数据丢失,调整分簇信息后,确定测量矩阵为:
即,当初始数据值xij接收到时,且有数据丢失时,可令对应的稀疏测量矩阵系数为1,其他情况下,令对应的系数为0;
由此,通过网络分簇调整单元完成无线传感器节点网络拓扑结构的重新分簇;
(3)所述压缩数据收集模块用于再次进行压缩数据收集,根据所述网络分簇模块所建立的重新分簇后的网络拓扑结构,再次进行初始数据采集、初始数据变换,得到稀疏测量矩阵Φ;簇头节点和其他传感器节点根据最小传输代价原则,与邻近节点连接,该过程持续进行直到传递到汇聚节点,此时选择变换基矩阵D为单位正交矩阵,由此,再次获取压缩数据,收集得到测量值y=ΦDθ;
(4)所述初始数据获取模块用于最终获取初始数据;
其再次进行数据重构,求解以下最优化问题得到稀疏系数向量θ的值:
2.如权利要求1所述的在物联网中使用稀疏测量矩阵的压缩数据收集系统,其特征在于,所述压缩数据获取单元工作过程中,当测量矩阵为高斯随机矩阵时,每次采样时N个无线传感器节点都需要参与数据传输,为了进一步降低数据传输量,这里构造稀疏测量矩阵,令网络拓扑结构为:共有13个无线传感器节点,无线传感器节点序号定为1~13,其中1号、2号、3号、4号节点分别直接连接汇聚节点;1号节点另外连接5号节点,5号节点另外分别连接6号节点和7号节点;2号节点另外连接8号节点,8号节点另外连接9号节点;3号节点另外连接10号节点,10号节点另外分别连接11号节点和12号节点;4号节点另外连接13号节点;
则稀疏测量矩阵为,
此时,M的值为4,N的值为13,参与采样的无线传感器节点分别为1、5、2、8、3、10、4、13号节点。
3.如权利要求1所述的在物联网中使用稀疏测量矩阵的压缩数据收集系统,其特征在于,所述N为13。
4.如权利要求1所述的在物联网中使用稀疏测量矩阵的压缩数据收集系统,其特征在于,所述M为4。
5.如权利要求2所述的在物联网中使用稀疏测量矩阵的压缩数据收集系统,其特征在于,所述网络默认分簇单元工作过程中,所述网络中的13个无线传感器节点分为4个簇,簇头节点分别为1号节点、2号节点、3号节点和4号节点。
6.如权利要求2所述的在物联网中使用稀疏测量矩阵的压缩数据收集系统,其特征在于,所述步骤22中,5号节点承担着6号节点、7号节点的数据转发任务,若5号节点发生故障,将直接影响该簇内数据的传输,此时需要去调整分簇信息,链路信息的变化也直接影响着稀疏测量矩阵的设计。
7.一种在物联网中使用稀疏测量矩阵的压缩数据收集方法,其特征在于,所述方法中,N个无线传感器节点采用压缩感知的原理上传数据时,并不是直接发送自己采集到的数据,而是将自身采集到的数据乘上一个随机数,再加上接收到的其他临近节点的数据,最后通过多跳的方式发送到汇聚节点;
所述方法包含以下步骤:
步骤一,初始数据收集,令x∈RN为初始数据向量,y∈RN为测量值向量,RN表示N维实数向量;所述步骤一包括:
步骤1.1,数据采样,N个无线传感器节点按照一定的时间间隔采集初始数据x,这些数据是由无线传感器节点感知得到的环境信息数据,由于节点部署较多,这些初始数据具有很大的冗余性;
步骤1.2,构造变换基矩阵,由压缩感知理论可知,当初始数据具有冗余性时,则数据本身是稀疏的或在某一变换域下是稀疏的,这里令初始数据x在正交余弦变换基矩阵D∈RN×N下是稀疏的,RN×N表示N×N维实数矩阵,即为
x=Dθ
其中,稀疏系数向量θ∈RN是s维稀疏的,即||θ||0=s,s<<N,其中||·||0是向量的l0范数,s是一个正整数,s的值远小于整数N;
步骤1.3,构造稀疏测量矩阵,根据压缩感知理论,当传感数据的稀疏度s固定时,测量值个数M必须满足一定的条件,即cslg(N/s)≤M<<N,其中c为自定义的常数值,lg(·)表示以10为底的对数,此时整个数据采集过程可以表示为,
其中,Φ∈RM×N是测量矩阵,Φi,j表示测量矩阵Φ的第i行、第j列的元素值,xi∈R表示i次初始数据采集值;
因为M<<N,所以对网络中的N个初始数据值进行收集,只需要进行M次采样,就能得到测量值,这样就减少了测量次数;
步骤1.4,数据重构,由上述步骤可以得到以下表达式,
y=ΦDθ=γθ
其中||·||1表示向量的l1范数,||·||2表示向量的欧几里得范数,σ为自定义的误差的上界;若上述优化问题存在最优解则可以确定的采样次数M是可行的,若不存在最优解,则需重复步骤1.3,1.4,直至得到最优解;
步骤二,网络分簇;所述步骤二包括:
步骤2.1,默认网络分簇,按照步骤一中确定的M值,使用HEED分簇算法,即混合的能量高效的分布式分簇算法进行网络分簇;
步骤2.2,不存在数据丢失下的分簇,在链路不稳定的物联网系统中,若节点发生故障,需要将故障节点隔离出去,不再担任数据转发任务;接下来,若传输过程没有数据丢失,令测量矩阵为
步骤2.3,数据丢失下的分簇,若传输过程有数据丢失,调整分簇信息后,令测量矩阵为
即当初始数据值xij接收到时,且有数据丢失时,可令对应的稀疏测量矩阵系数为1,其他情况下,令对应的系数为0;
步骤三,压缩数据收集,由以上步骤建立收集树拓扑结构,并得到了稀疏测量矩阵Φ;簇头节点和其他传感器节点根据最小传输代价原则,与邻近节点连接,该过程持续进行直到传递到汇聚节点,此时选择变换基矩阵D为单位正交矩阵,得到测量值y=ΦDθ;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911240008.4A CN111093166B (zh) | 2019-12-06 | 2019-12-06 | 在物联网中使用稀疏测量矩阵的压缩数据收集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911240008.4A CN111093166B (zh) | 2019-12-06 | 2019-12-06 | 在物联网中使用稀疏测量矩阵的压缩数据收集系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111093166A CN111093166A (zh) | 2020-05-01 |
CN111093166B true CN111093166B (zh) | 2022-07-19 |
Family
ID=70394825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911240008.4A Active CN111093166B (zh) | 2019-12-06 | 2019-12-06 | 在物联网中使用稀疏测量矩阵的压缩数据收集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111093166B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046332A (zh) * | 2019-12-06 | 2020-04-21 | 北京京航计算通讯研究所 | 在物联网中使用稀疏测量矩阵的压缩数据收集方法 |
CN112284728B (zh) * | 2020-09-30 | 2022-03-29 | 华南理工大学 | 一种旋转机械局部故障特征的分段稀疏压缩与重构方法 |
CN116527525A (zh) * | 2023-05-05 | 2023-08-01 | 国网湖南省电力有限公司 | 基于边缘计算的设备数据采集方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
EP3333721A1 (en) * | 2016-12-12 | 2018-06-13 | Thomson Licensing | A method and an apparatus for encoding a signal transporting data for reconstructing a sparse matrix |
CN109547961A (zh) * | 2018-11-29 | 2019-03-29 | 北京理工大学 | 一种无线传感网络中大数据量压缩感知编解码方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106596724B (zh) * | 2016-12-08 | 2019-05-07 | 清华大学 | 一种窄带Lamb波检测数据稀疏压缩优化重建方法 |
CN111046332A (zh) * | 2019-12-06 | 2020-04-21 | 北京京航计算通讯研究所 | 在物联网中使用稀疏测量矩阵的压缩数据收集方法 |
-
2019
- 2019-12-06 CN CN201911240008.4A patent/CN111093166B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
EP3333721A1 (en) * | 2016-12-12 | 2018-06-13 | Thomson Licensing | A method and an apparatus for encoding a signal transporting data for reconstructing a sparse matrix |
CN109547961A (zh) * | 2018-11-29 | 2019-03-29 | 北京理工大学 | 一种无线传感网络中大数据量压缩感知编解码方法 |
Non-Patent Citations (2)
Title |
---|
压缩感知的能量异构WSN分簇路由协议;蒋文贤;《传感技术学报》;20130615(第06期);全文 * |
融合K均值分簇MST路由的无线传感网压缩采样技术;张美燕等;《传感技术学报》;20150915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111093166A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111093166B (zh) | 在物联网中使用稀疏测量矩阵的压缩数据收集系统 | |
CN106341842B (zh) | 一种无线传感器网络数据的传输方法及装置 | |
CN111417178B (zh) | 基于机器学习与边缘计算的工业互联网节能系统及方法 | |
CN103327335B (zh) | 用于无人机图像传输装置的fpga编码方法、系统 | |
CN108924148A (zh) | 一种多源信号协同压缩感知数据恢复方法 | |
CN106375940B (zh) | 农业感知数据稀疏向量采集与空间耦合方法 | |
CN107205154A (zh) | 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 | |
CN102164395A (zh) | 基于压缩感知的无线传感器网络全局信息本地获取方法 | |
Al-Qurabat et al. | Two-level energy-efficient data reduction strategies based on SAX-LZW and hierarchical clustering for minimizing the huge data conveyed on the internet of things networks | |
CN111245965B (zh) | 一种数据同步方法及系统 | |
CN111046332A (zh) | 在物联网中使用稀疏测量矩阵的压缩数据收集方法 | |
CN111954305A (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 | |
JP7106997B2 (ja) | データ分析システムおよびデータ分析方法 | |
CN115730646A (zh) | 一种基于部分量化的混合专家网络优化方法 | |
CN109614984A (zh) | 一种同源图像检测方法和系统 | |
Zhai et al. | Data reconstructing algorithm in unreliable links based on matrix completion for heterogeneous wireless sensor networks | |
CN109638830A (zh) | 一种电力负荷模型构建方法、装置和设备 | |
CN107844868B (zh) | 一种融合plc技术与主元分析-bp神经网络的负荷预测系统 | |
He | Exploration of Distributed Image Compression and Transmission Algorithms for Wireless Sensor Networks. | |
CN109243558A (zh) | 进行大数据收集后的数据提取优化方法 | |
CN111542011B (zh) | 一种分层的基于粒子群优化的无线传感器网络分簇路由方法 | |
CN115563490A (zh) | 一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法 | |
CN107196738A (zh) | 一种基于L_p动态范数的压缩感知数据收集方法 | |
CN114595816A (zh) | 一种基于边缘计算的神经网络模型训练方法 | |
CN115439566B (zh) | 一种基于存算一体架构的压缩感知系统及方法 |
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 |