共查询到20条相似文献,搜索用时 78 毫秒
1.
为克服三维静态无线传感网中的能量空穴问题和提高网络生存时间,考虑Sink节点移动,提出一种Sink节点移动的三维无线传感网数据收集算法(DCA-TWSN),在DCA-TWSN中,提出三维环境下的正方体网格划分方法,建立包括Sink 移动路径选择约束、数据流量约束、能耗约束、链路约束等约束条件的数据收集优化模型,采用最优化方法求解已知Sink节点移动路径的数据收集优化问题,采用修正的蚁群算法求解Sink节点的移动路径问题,获得最优方案。仿真结果表明:不管Sink节点的最大数据收集跳数和传感节点数量如何变化,DCA-TWSN都能寻找到较优的移动路径和数据传输方案,从而提高了网络生存时间和传感节点的平均数据传输率,降低了移动路径长度、平均节点能耗方差和丢包率,比RAND、GREED和EDG-3D更优。 相似文献
2.
能量有效地实现分布式数据存储是无线传感网中的一个研究热点。针对现有的存储算法的不足,提出一种基于压缩感知的分布式数据存储机制。首先对于各个传感器节点的数据基于压缩感知进行测量;然后从网络中随机选择Ns个节点作为源节点以概率p向其邻居广播自身的测量值,使得数据收集者只需要访问部分节点就能收集整个网络的测量值;最后在保证数据重构精度的前提下,通过优化测量矩阵和转发概率p,实现数据的高效存储。理论分析和仿真实验结果表明,该方法是有效的,在数据转发次数以及能量有效性等方面要优于传统的方法。 相似文献
3.
4.
5.
针对无线传感网中分布式数据收集及应用,采用分布式压缩感知理论中的JSM-1 (joint sparse model-1)模型,提出了一种基于Jacobi ADMM (alternating direction method of multipliers)的分布式压缩感知数据重构算法.该算法通过在簇头节点间交换公共信息以挖掘关联数据集的公共部分,并在各个簇头节点内部更新各自的独立部分,从而实现无线传感网中相关感知数据的分布式压缩重构.首先,将无线传感网中的数据收集问题抽象为一个分布式优化问题.然后,为了能够有效地解决分布式计算过程中产生的不收敛问题,在优化目标函数中引入了近似项,从而使得子优化问题具有严格凸性,并利用交替方向乘子法求解压缩感知数据的重构问题.最后,分别利用合成数据集和真实数据集进行验证.实验结果表明:与现有其他数据重构算法相比,基于Jacobi ADMM的分布式压缩感知数据重构算法具有更高的数据重构精度. 相似文献
6.
面向事件监测的无线传感网感知调度 总被引:3,自引:0,他引:3
针对事件监测应用的特点,提出了一种简单、有效的基于栅格的无线传感网感知调度方法.该方法首先对目标环境进行栅格划分,然后由栅格内的节点选举出代表轮流执行监测任务,具有通信开销小、电量消耗均衡,可扩展性好的特点.通过分析和模拟可知,基于栅格的感知调度可以获得与节点密度成正比的电量节省,并且在事件监测质量上优于随机调度方法.而且,通过调整栅格尺寸和节点工作时间,可以为平衡网络寿命和发现延迟提供有效的手段. 相似文献
8.
机会移动传感网中数据收集策略既要保证传输成功率、减小网络开销,也要尽量降低传感器的能量消耗,从而延长网络生命期。遵循简单实用的原则,提出了基于方向感知的数据收集策略(Data Gathering based on Perceptive Direction,DGPD)。当两个传感器相遇时,以距离它们最近的Sink节点为参照点,分别计算各自的感知方向。把感知方向作为一个重要参数来确定两个相遇传感器的消息转发路由,把消息转发给更有利于接近Sink节点的传感器,从而提高数据收集成功率,减少过多的消息转发。模拟实验结果表明,这种策略可以有效地完成数据收集,并获得较高的网络性能。 相似文献
9.
10.
一种基于压缩感知的无线传感信号重构算法 总被引:4,自引:0,他引:4
压缩感知(Compressed Sensing,CS)是一种基于稀疏信号的获取和恢复的新理论,能以较小的采样代价获得完整的信号.这一理论符合无线传感网络在带宽和采集能力局限下需要低代价采样的需求.但由于无线传感网络的开放性,其容易受到环境噪声的影响,特别是采用压缩感知方法进行欠采样,虽然可以减小获取数据的开销,但这种“不完整”的欠采样数据对噪声更加敏感.因此抗噪声的健壮的重构算法能有效保证信号重构的精度.文中提出了一种近似梯度下降算法(Proximal Gradient Algorithm,PRG)对噪声下的压缩采样信号进行恢复.该算法通过逐步迭代逼近的方式,求得约束方程最优解,进而还原出原信号.通过与OMP、SP、BP算法比较,PRG算法在噪声环境下表现出较好的重构性能. 相似文献
11.
降低能耗、实现网络的能量均衡和延长网络寿命,是设计无线传感器网络(wireless sensor networks, WSNs)数据收集算法所面临的主要挑战之一.针对现有无线传感器网络分簇数据收集算法不考虑网络中事件源的发生对数据空间相关性的影响的情况,提出了一种基于压缩感知的以事件源为中心的动态分簇(CS-based dynamic clustering centred on event source, CS-DCES)算法.该算法利用欧氏距离空间相关性模型和第一联合稀疏模型,将受同一个事件源影响的节点分在一个簇中,并以簇为单位进行数据重构,以此增加簇内节点感知数据的空间相关性,减小每簇数据观测量;利用压缩感知收集数据,计算事件源位置,根据事件源位置变化实行动态分簇.并通过实验分析了影响该算法性能的3个因素,即事件的衰减系数、事件源之间的距离和事件源个数,最后给出了算法的适用条件.仿真分析表明,相对于已有算法,CS-DCES在满足同一重构精度的前提下,有效减小了数据传输量,节省网络能耗,延长网络寿命. 相似文献
12.
13.
14.
在无线传感器网络( WSN)中,以往都是采用奈奎斯特技术对信号进行采样并重构,而随着信号频率的增加,应用奈奎斯特技术会使成本大幅度的增加,这是人们所不乐见的。针对这一问题,近年来出现一种新的技术即压缩感知技术,它能利用更少的数据和合适的重构方法得到更精确的原始信号。将稀疏贝叶斯学习( SBL)和压缩感知联合起来,形成了一种在有噪声的情况下更好重建可压缩信号的方法,并进一步将这种方法应用在WSN中,可以在误差允许的范围内有效控制测量数据的维数,在保证一定误差的同时还减少了成本,提高了算法的效率。 相似文献
15.
为了减少分簇式传感器网络中的数据传输量并均衡网络负载,提出了一种采用混合压缩感知(compressive sensing, CS)进行数据收集的方法.1)选取各临时簇中距离簇质心最近的一些节点为候选簇头节点,然后依据已确定的簇头节点到未确定的候选簇头节点的距离依次确定簇头;2)各普通节点选择加入距离自己最近的簇中;3)贪婪构建一棵以Sink节点为根节点并连接所有簇头节点的数据传输树,对数据传输量高于门限值的节点使用CS压缩数据传输.仿真结果表明:当压缩比率为10时,数据传输量比Clustering without CS和SPT without CS分别减少了75%和65%,比SPT with Hybrid CS和Clustering with Hybrid CS分别减少了35%和20%;节点数据传输量标准差比Clustering without CS和SPT without CS分别减少了62%和81%,比SPT with Hybrid CS和Clustering with Hybrid CS分别减少了41%和19%. 相似文献
16.
17.
可靠高效的数据收集是无线传感器网络(Wireless sensor networks,WSN)应用中的关键问题.然而,由于无线通信链路的高失效率、节点资源受限以及环境恶劣等原因,网络容易发生丢包问题,使得现有的数据收集方法无法同时满足高精度和低能耗的要求.为此,本文提出了一种基于压缩感知的高能效数据收集方案.该方案主要分为节点上的数据处理和数据收集路径优化两个步骤.首先设计了基于指数核函数的稀疏矩阵来对感知数据进行稀疏化处理,然后综合考虑了数据的传输能耗和可靠性等因素,采用分块矩阵的思路,将单位矩阵和准循环低密度奇偶校验(Low density parity check,LDPC)码的校验矩阵相结合构造了测量矩阵,并证明了它与稀疏矩阵之间满足限制等距性质(Restricted isometry property,RIP).最后,将数据收集路径优化问题建模为哈密尔顿回路问题,并提出了基于树分解的路径优化算法进行求解.仿真结果表明,在网络存在丢包的情况下,本文方案仍然能够保证数据收集的高精确度,相比于其他数据收集方案而言,本文方案在数据重构误差和能耗方面的性能更优. 相似文献
18.
无线传感器网络应用大多依赖完整的传感器数据,但由于无线传感器网络常出现数据丢失现象,丢失率较高,当前的数据恢复方案效果较差。根据Intel Indoor和GreenOrbs2个项目的真实数据,证实温度和光照的变化之间存在较高的关联度。以此为基础,提出一种基于多属性协助和压缩感知的数据恢复精度优化算法(MACS)。利用属性特征恢复多属性数据集,进行基于真实数据驱动的仿真实验。结果表明,当丢失率低于60%时,MACS算法对所有数据进行恢复的差错率低于5%,即使丢失率高达85%,MACS算法也可以对所有数据实现估计,且差错率低于10%。 相似文献
19.
20.
提出一种基于多分辨率和压缩感知的传感器网络数据融合方案;首先,对传感器网络进行配置,以生成多个层次不同类型的簇结构用于过渡式数据收集,在该结构上,最低层的叶结点只传输原始数据,其他层上的数据收集簇进行压缩采样,然后将其测量值向上发送,当母数据收集簇收到测量值时,利用基于反向DCT变换和DCT模型的CoSaMP算法来恢复原始数据;最后,我们在SIDnetSWANS平台上部署了本文方案,并在不同的二维随机部署传感器网络规模下进行了测试;实验结果表明,随着分层位置不同,大部分结点的能耗均显著降低,与NCS方案相比,能耗下降50%~77%,与HCS方案相比,能耗下降37%~70%。 相似文献