基于均衡分簇的无线传感器网络压缩数据收集

应用压缩感知（CS）理论结合稀疏随机投影的无线传感器网络（WSN）压缩数据收集（CDG）可以大大减少网络传输的数据量。针对随机选择投影节点作为簇头来收集数据导致网络整体能耗不稳定和不平衡的问题,提出两种平衡投影节点的压缩数据收集方法。对于节点分布均匀WSN,提出基于空间位置的均衡分簇法：首先,均匀划分网格;然后,在每个网格选举投影节点,依距离最短原则成簇;最后,由投影节点收集簇内数据到汇聚节点完成数据收集,从而使得投影节点分布均匀、网络能耗均衡。对于节点分布不均匀的WSN,提出基于节点密度的均衡分簇法：同时考虑节点的位置和密度,对节点数量少的网格不再选择投影节点,将网格内的少量节点分配到邻近的网格,从而平衡网络能量,延长网络寿命。仿真结果表明,与随机投影节点法相比,所提的两种方法的网络寿命均延长了25%以上,剩余节点数在网络运行中期均能达到2倍左右,具有更好的网络连通性,显著提高了整个网络的生命周期。     

多稀疏基分簇压缩感知的WSN数据融合方法

针对传感器节点采集数据精度与能量消耗的矛盾,提出多稀疏基分簇压缩感知的无线传感器网络WSN（Wireless Sensor Network）数据融合方法。该方法利用改进的阈值对随机部署的传感器节点进行簇首选择继而形成最优簇,簇首采用伯努利随机观测矩阵对簇内节点信号进行线性压缩投影,然后将压缩的信息传送给汇聚节点,减少数据传输即降低通信能耗,从而提高网络的生命周期。根据传感器节点监测信号在有限差分和小波中都具有可压缩特性,汇聚节点在有限差分和小波两个稀疏基的约束下,利用OOMP算法分别对线形压缩投影信息进行重构;并采用最小二乘法融合重构信号,提高数据精度。仿真实验结果表明,多稀疏基分簇压缩感知的WSN数据融合方法在减少数据发送的情况下,能提高整个网络的生命周期,解决采集数据精度与网络生命周期的矛盾。     

压缩感知和LEACH结合的水下传感器网络信息采集方案

由于水下传感器网络特殊的工作环境,节点能耗是其至关重要的问题。针对这一问题,本文提出一种LEACH和压缩感知相结合的水下传感器网络信息采集方案(CS_LEACH)。根据LEACH协议对网络节点分簇后,簇内节点可以以概率q决定是否参与感知数据,簇内感知到的数据加权叠加后,由簇头传输至Sink节点。在Sink节点,利用压缩感知重构算法进行信息重构,从而得到监测区域的信息图谱。理论分析和仿真结果表明,与传统的LEACH协议相比,CS_LEACH方案在保证重构精度的前提下,大大节约了节点能量,延长了网络生存周期。     

基于压缩感知的传感器网络中概率负载均衡的数据路由协议

基于混合压缩感知(CS)理论,提出一种负载有效的路由协议.考虑分簇网络结构,簇内节点传输原始数据到簇头,簇头对数据进行压缩再通过最小生成树发送到sink.为防止簇头节点负载不均衡造成网络不能正常通信,提出负载度的概念并设计基于CS的负载均衡策略;然后,研究概率负载均衡策略以均衡所有节点的负载流量;最后,提出分布式补偿算法构建分簇网络并实现数据汇聚功能.仿真结果表明,所提出方法在提高网络生存时间及能耗均衡方面均优于传统方法.     

WSN中基于压缩感知的分簇数据收集算法

为减少无线传感器网络的数据通信量和能量消耗,基于WSN节点数据时空相关性的特性,提出一种将K-means均衡分簇和CS理论相结合的数据收集方法。首先,通过K-means聚类算法均匀划分网络成簇。然后,各簇首对采集到的数据进行基于时空相关性的压缩感知并传输至基站Sink节点。最后,Sink节点采用OMP算法对收集到的数据进行精准重构。仿真结果表明,该算法有效减少了无线传感器网络的数据通信量和压缩感知算法重构过程所需要的观测量。     

压缩感知的能量异构WSN分簇路由协议

分簇路由协议对用于环境监测的无线传感器网络具有较好的节能性,数据压缩可以减少节点通信的数据量,但增加了分簇层次结构簇头的能耗和汇聚节点算法的复杂度,而由高能力节点担任簇头可以实现能量均衡并改善网络性能。针对无线传感器网络能量异构普遍存在的特点,提出了一种基于压缩感知的能量异构分簇路由协议（CSCH算法）。该算法根据异构节点能量确定多极簇头选举的概率,将簇内节点的信息集中在簇头上,而簇头对所采集的数据进行稀疏、压缩,以减少向汇聚节点传输数据的节点数和通信量,汇聚节点利用重构算法可从来自簇头的少量数据中恢复出信号源。同时设计了一种基于正态分布的权值系数,以优化在数据量过少情况下压缩感知算法的信号重构性能。仿真实验结果表明,该协议不仅能充分利用能量异构资源,均衡网络能耗,延长整个网络生命周期,而且能精确恢复信号源。     

基于感知网格的无线传感器网络动态采样策略

在分析无线传感器网络时空相关性模型的基础上,提出一种基于感知网格的无线传感器网络动态采样策略.将监测区域划分为多个感知网格,感知网格内只有簇头节点保持活跃状态,当出现异常数据后再激活感知网格内其他节点来获得更详细的信息.该策略通过减少无线传感器节点之间相同的或相近的采样数据上传来降低冗余信息的传输.仿真结果表明:该策略显著提高了无线传感器网络能量效率.     

无线传感器网络中基于区域相关性的自组织成簇算法

无线传感器网络资源有限,信息量大,通常采用分簇压缩减少传输量。针对传感器网络中的小波压缩,提出了一种基于相关区域自组织的成簇算法。该算法利用实际区域数据的相关性进行分簇,在簇头进行小波数据压缩的同时进行相关性检测,动态调整簇结构,保证簇内节点的相关性较好;同时在Sink分析簇间节点数据相关性,形成相关性好的大规模簇,进一步提高较长时间内的压缩效率。理论分析和实验仿真表明,该算法能尽可能地利用节点数据的时间和空间相关性去除冗余数据,提高小波数据压缩效率,降低了网络的能耗。     

基于数据关联性的无线传感器网络簇内数据管理算法

无线传感器网络(Wireless sensor networks, WSNs)节点能量有限, 能量高效的数据管理和延长网络寿命是该领域的技术难题. 在以簇构建的传感器网络中, 利用节点的计算和分析功能, 提出了基于数据关联性的簇内数据管理算法. 簇头利用误差函数和模糊函数分析成员感知数据的关联性, 获取节点感知数据综合支持度, 由此将成员节点划分为冲突节点、补充节点和可靠节点, 对不同类别节点采用不同的调度规则以便降低簇内能耗和尽可能实现簇间节点能耗均衡, 并给出了簇头数据融合的处理方法. 仿真结果表明算法能够实现簇内数据分类管理, 并能有效降低簇内数据收发量和延长网络寿命.     

分布式混合压缩感知无线传感器网络数据收集

在传感器网络数据收集过程中,降低网络传输量对于网络传输效率和生命周期的延长具有重要意义。结合压缩感知思想,设计了一种分布式混合压缩感知的无线传感器网络数据收集方法。首先通过基于k-means++的方法均匀聚类形成簇,各簇进行基于混合压缩感知的分布式数据收集,完成后通过建立骨干树将数据传输至sink节点。仿真结果表明,在给定的仿真工况下（压缩率为10,节点数为800）,与最短路径树混合压缩感知和最优树混合压缩感知算法相比,分别能减少40%和10%以上的传输量,与不使用混合压缩感知的收集方法相比减少70%以上的传输量;同时,节点传输量标准差由14.07和14.37和降低至11.85,置信区间大小由322.66和131.75降低至39.12,证明网络鲁棒性和负载均衡度均有提升。     

WSNs中基于期望网络覆盖和分簇压缩感知的数据收集方案

为提高无线传感器网络数据收集精确度、降低网络能耗和改善数据包丢失情况下数据收集算法的鲁棒性,提出一种基于期望网络覆盖和分簇压缩感知的数据收集方案.首先设计期望网络覆盖优化算法,给出节点调度策略,实现对“特殊”区域重点观测和降低节点能耗的目的;然后通过分析网络分簇与节点部署之间的关系,设计弱相关性观测矩阵,降低数据包丢失对数据收集的影响;最后引入群居蜘蛛优化算法以提高汇聚节点处CS数据重构精度.仿真结果表明,与其他数据收集算法相比,所提出方案数据重构误差降低了约23.5{%     

基于投影矢量的双组播树高效路由数据收集

现有的节点数据收集算法复杂度高,与路由结合效果不理想,且不能满足无线传感器网络高效能量的节点数据收集,而压缩感知理论具有容错性好、编码简单的优点。基于压缩感知的特性,提出了一种传感器网络中基于投影矢量的双组播树高效路由数据收集,该算法将贝叶斯压缩感知理论与传感器路由相结合,解决现有算法不能满足传感器对能耗敏感的问题。算法的基本思想首先根据初始观测矢量来寻求能量高效并得到合适路由的最优投影。然后利用节点系数能耗最小与广义矢量的主分量作为目标节点,采用微分嫡改变量最大的原则进行求解节点最佳投影系数,最后在sink与目标节点路由问题上采用正逆向组播树进行路由构造。理论和仿真结果表明在保证能耗的条件下取得了较好的重建仿真效果,对无线传感器通信具有一定的实用价值。     

基于移动机器人的无线传感器网络数据收集方法

稀疏无线传感器网络中各传感器节点距离较远,而传统的静态数据收集方法要求各传感器节点直接通信,导致网络延迟时间长,能耗高。针对该问题,提出一种基于移动机器人的无线传感器数据收集方法。该方法首先由静态节点选择与路径最短的移动机器人作为簇头,移动机器人比较一定周期内检测到的邻居节点的平均剩余能量与整个网络传感器节点平均剩余能量,根据比较结果决定其是否移动,若移动则采用范围可控的随机移动策略;当移动机器人移动到新位置时,传感器节点更新路由,选择新的移动机器人作为簇头。仿真结果表明,与传统的静态无线传感器网络数据收集方法相比,基于移动机器人的无线传感器网络数据收集方法大大降低了数据传输延迟和节点能量消耗。     

无线传感器网络网内数据融合的研究

针对目前无线传感器网络(WSNs)网内数据融合所面临的一些挑战,提出了一种基于无线传感器网络分布式K-平均聚类(DKCWSNs)算法的WSNs节点传感数据的分组策略,并采用基于自适应加权的数据融合方法对分组后的感知数据进行融合处理,从而获得更合理的结果.最后,通过实例验证了该方法的有效性.     

基于数据融合的无线传感器网络林火监控算法

针对无线传感器网络在林火监控应用中存在的问题,提出了一种分层聚簇数据融合算法。簇内传感器节点使用加权平均法对原始数据进行数据级融合处理,以消除原始数据中的冗余成分,减少从簇内传感器节点到簇头节点的通信量;簇头节点采用D-S证据理论建立识别框架,通过对本簇成员的反馈信号进行决策级融合处理,提高了火灾事件的识别精度和网络的鲁棒性。实验结果表明,该算法能有效消除无线传感器网络的冗余数据,并能够在失效节点数不超过总节点数40%的情况下正确工作。     

融合K均值分簇MST路由的无线传感网压缩采样技术

考虑无线传感网中数据采集特点和能量约束性,将分簇路由策略融合到压缩感知采样中,提出了一种融合K均值分簇MST路由的压缩采样算法.算法采用稀疏投影矩阵以减小投影矩阵与稀疏基之间的相关度,利用K均值分簇MST(Mini?mum Spanning Tree)机制构造数据融合树,在保证数据重构质量的基础上减少网络数据传输量.仿真结果表明,算法可以提高网络能量使用效率,同时可以适应各种规模的无线传感网.     

面向带状无线传感网低延迟可靠数据收集算法

带状无线传感网为长距离带状分布，现有的数据收集算法无法很好解决其数据收集延迟较大的问题。提出了一种主动定位移动Sink的数据收集算法DCFAN（Data Collection based on Forwarding of Agent Nodes），DCFAN构建移动Sink的同步代理节点以及存储同步代理节点的线节点序列，通过获取同步代理节点转发感知数据到Sink汇聚点。仿真结果表明，DCFAN算法能有效降低网络节点能耗以及数据收集延迟，同时提升数据收集率，适用于对数据收集延迟具有一定要求的带状无线传感网应用场景。     

基于数据预处理的无线气象传感网数据重构模型

针对无线气象传感网内由于节点数量大、感知数据冗余度高而导致节点通信耗能过高的问题,提出了数据联合稀疏预处理模型,利用监测区域气象要素预报值和各簇头要素值计算出一个全网公共分量并对网内数据进行预处理。将分布式压缩感知应用于簇型传感网中,对各节点感知数据进行压缩观测,在汇聚节点进行数据重构,从根本上降低节点通信量,均衡负载;同时设计了一个基于公共分量异常数据稀疏方法。仿真实验中,相对于单独使用压缩感知,数据联合稀疏预处理模型能够有效利用数据时空相关性提高数据稀疏度,压缩性能提高了25%,重构性能提高46%;同时,异常数据处理方案能够以96%的高概率恢复异常数据。因此,该数据预处理模型能够提高数据重构效率,有效降低网内数据通信量,延长网络寿命。