传感器网络中层次簇模型的数据压缩算法

提出一种传感器网络中层次簇模型的分布式数据压缩算法。将传感器网络映射成一个层次簇,基于低级簇内节点部署的相对规则性和超级簇内节点部署的相对不规则性,分别采用不同的小波变换模型来进行数据压缩。理论分析和实验仿真结果表明,该算法有较好的逼近性能,能对传感器网络中的数据进行有效压缩,可更大程度地降低传感器网络中的数据传输量,从而进一步延长整个网络的生命周期。     

无线传感器网络中一种分布式数据压缩算法

无线传感器网络有限的能量与通信带宽难以适应网络中大量数据的传输,需要在网络内部对传感数据进行压缩处理。基于任意支撑长度的小波函数,提出了一种分布式数据压缩算法。首先研究边界效应对传感数据重构带来的影响,然后基于虚拟网格环模型给出了一种分布式小波数据压缩算法。理论分析与实验结果表明,该算法能有效地去除传感数据中存在的空间相关性。而且,随着簇头与簇内节点距离的增加,该算法比非分布式方式更节省网络耗能。     

传感器网络中一种存储有效的小波渐进数据压缩算法

现有的数据压缩算法大多以节能为设计目标,很少顾及到节点有限的存储容量.设计适合传感器网络小波变换的环模型和基于覆盖重叠的分簇模型,消除边界效应.基于此两种网络模型,分别提出存储有效的二维和三维渐进小波数据压缩算法,该算法依据小波函数的支撑长度和簇头的可用存储容量来确定渐进传送的数据单元,具有存储有效性;依据空间相关性来选择渐进传送数据的传感器节点,从而在存储有效的同时又节省网络传输耗能.从存储开销、能量消耗和网络延时等3个方面分析了算法的性能.理论分析和实验结果表明,和一般的数据压缩算法相比,小波渐进压缩算法在耗能相当的情况下,节省了节点的存储容量.     

基于空间相关性与灰色模型的WSN数据压缩方法

针对目前无线传感器网络（WSN）数据压缩方法的计算复杂度高、压缩效率和数据恢复准确率较低的情况,提出基于簇头-基站分离式结构的WSN数据压缩方法。该方法在WSN的单层分簇结构的基础上,要求感知节点将采集的原始数据分段发送,采用原有WSN数据压缩方法对簇头节点接收的数据进行空间相关性压缩,在基站采用灰色模型进行数据恢复。另外,通过实验分析灰色模型与灰色马尔可夫链模型对数据的恢复效果,给出算法最优模型与段长。仿真结果表明,提出的方法相比传统线性回归方法在较高压缩效率时可显著提高数据恢复精度。     

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。     

传感器网络中基于粗糙数据相关的反馈型成簇算法

对于大规模的传感器网络而言，通常采用基于簇的分层路由策略。针对传感器网络中数据的小波压缩，提出了一种基于粗糙数据相关的反馈型成簇算法。该算法首先根据节点数据间的粗糙相关度，形成数据相关性较好的簇结构，然后通过比较Sink反馈的部分小波重构数据与其相应真实数据，进一步优化簇结构。理论分析和仿真实验表明，这种成簇机制使簇内数据的小波压缩具有误差小、压缩比大的优点，且能防止小波压缩中数据淹没现象的产生。     

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。     

传感器网络中一种基于小波变换的数据压缩算法

在无线传感器网络中,数据分发耗费大量的能量和通信带宽.在保证数据精度的前提下,如何有效地减少数据发送量是传感器网络中的一个重要研究问题.结合传感器网络的数据特性及小波变换的特点,提出了一种基于小波变换的数据压缩算法,该算法在为感知数据建立小波系数的同时,能够在保证数据精度要求的前提下最大程度地压缩小波系数,并能够为小波系数建立快照索引.理论分析和实验结果表明,提出的算法能对传感器网络中的数据进行有效压缩,并有效地减少传感器网络中数据的传输量,降低传感器节点和整个网络的能量消耗.     

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。     

基于数据流和网络编码的无线传感器网络数据聚合算法

为了减少分簇的无线传感器网络(WSN)中数据包传输的数量,并使传感器网络的能量效率最大化,提出了一种节能的自适应数据聚合算法.在该算法中,源节点凭借其存储和计算能力,利用数据流技术减少数据包的传输量;当数据从源节点传输到簇头时,簇头根据控制信息选择一组节点作为编码节点,当数据相关性低于某阈值时,该组节点对数据包进行网络编码,若数据相关性高于某阈值,该组节点则会成为聚合节点进行数据聚合,网络编码和数据聚合可以减少簇头冗余流量,提高能量效率.实验结果显示,使用该算法后,数据包交付率有所提高,能量消耗显著减少.     

一种基于形态小波的遥感影像压缩编码算法

与一般图像不同,由于遥感影像具有纹理复杂、局部相关性较弱的特点,而且影像经过小波变换后系数的空间聚类特性较明显,因此遥感影像压缩具有一定的特殊性,可是目前大多数基于小波的压缩编码算法都没有考虑小波系数的空间聚类特性,为了进一步提高编码效率,提出了一种基于形态小波的遥感影像压缩算法。该算法首先对遥感影像进行多尺度快速小波变换,然后依据遥感影像的小波能量聚类特性,采用一种形态膨胀编码算法来实现遥感影像的高效压缩编码。试验结果表明,对一般遥感图像,该算法在高倍率压缩的情况下要优于目前的JPEG2000算法;而且对多波段的遥感影像,该算法也取得了较好的压缩效果。     

超谱遥感图像的Markov链小波特征空间聚类算法

根据像素的谱特性，提出基于Markov链小波特征空间分解的超谱遥感图像聚类算法，并对小波特征空间Markov链聚类问题进行了理论分析。通过小波变换抽取并标记谱矢量小波系数的极值点，根据极值点的位置差异程度和相关系数阈值进行Markov聚类，避免了一般聚类算法求欧氏距离造成的时间开销，使聚类速度加快。算法中采用模拟退火并逐步降低聚类规模的方法实现Markov链特征空间在每个温度上的最优聚类。将此算法用于AVIRIS超谱图像聚类，结果表明算法在提高聚类精度，聚类速度等方面有一定的优越性。     

基于小波变换和FCM分析的盲水印算法

利用人类视觉系统(HVS)的掩蔽效应和图像的局部相关特性,提出一种结合小波变换和模糊聚类分析的水印嵌入算法。在图像B通道下的小波域系数中,根据HVS的掩蔽性进行模糊聚类分析以选择适合嵌入水印的区域,结合图像的局部相关性和隶属度自适应地嵌入水印。算法在提取水印时无需原始载体图像的辅助。实验表明,该算法具有较好的透明性,而且对诸如JPEG压缩、图像锐化、几何裁剪、叠加噪声和平滑滤波等攻击均具有较好的鲁棒性。     

多层次快速聚类的遥感图象无损压缩

由于K—means聚类要求每个像素要和所有聚类中心求欧氏距离，因此当聚类数很多时，这是一个相当耗时的工作。改进后的K—means聚类算法使类内像素只通过和相邻的聚类中心进行距离计算来聚类，由于随着算法的迭代进行，大量类的状态基本固定，因此使得聚类速度不断加快。多层次聚类无损压缩就是利用改进的K—means聚类算法具有快速收敛的特点，和利用分层次去冗余的方法来聚类，因此可最大限度消除残差冗余。基于SP整数小波变换的多层次聚类由于其不仅能消除空间冗余、结构冗余，还能进一步对残差数据去冗余，因而实现了多光谱遥感图象无损压缩的突破。最后通过不同算法对TM图象进行压缩的比较和参数分析，论证了多层次聚类无损压缩的高效及合理性。     

基于链模型的分布式小波压缩算法

针对任意支撑长度的小波函数,提出一种基于链模型的分布式数据压缩算法,在数据传送到簇头前去除传感数据的相关性,避免冗余数据的传输。设计一个适合于小波变换的链模型,选择小波系数在链上存放的最佳传感器节点位置,确定进行分布式小波变换的链。基于此链给出一个适合任意支撑长度小波函数的分布式小波压缩算法。从网络耗能和数据重构精度的角度设计模拟实验,验证了算法具有较好的性能。     

基于峰值网格改进的小波聚类算法

针对小波聚类算法在不同网格划分尺度下表现出的聚类效果差异,提出了一种基于峰值网格的改进方法。算法主要针对小波聚类中连通区域的检测方式进行改进：首先,将小波变换后的空间网格依网格值的大小进行排序;然后利用广度优先搜索的方式遍历每一个空间网格,以检测经小波变换后数据中的峰值连通区域;最后,标记连通区域并将其映射到原数据空间中,以得出聚类结果。在8个人工数据集（4个凸数据集与4个非凸数据集）和UCI数据库中的2个真实数据集上的实验结果表明,改进算法在低网格划分尺度下有着良好的表现,与原小波聚类算法相比,这个算法对网格划分尺度的需求降低了25%~60%,并且在相同的聚类效果下减少了14%的聚类所需时间。     

基于提升小波和自适应多项式拟合的传感器网络多模数据压缩算法

为提高无线传感器网络的感知精度,提出了一种基于提升小波变换和自适应多项式拟合的多模数据压缩算法（adaptive multiple-modalities data compression algorithm based on lifting wavelet and adaptive polynomial fitting,简称AMLP）。在给定相关度阈值的前提下,AMLP算法先对数据进行灰色关联聚类,再对类中的相关数据进行自适应的多项式拟合,然后把未拟合的特征数据抽象成一个矩阵,利用提升小波变换去除数据的时间和空间相关性。最后,通过游程编码对数据作进一步压缩。仿真结果表明,AMLP算法能够有效去除不同数据间的冗余信息以及同种数据间的时间和空间冗余信息,提高压缩比,降低网络能耗。与基于小波的自适应多模数据压缩算法（adaptive multiple-modalities data compression algorithm based on wavelet,简称AMMC）相比,AMLP算法的数据恢复精度大大优于AMMC算法,压缩比和能耗相近。因此,AMLP算法更适用于要求高精度数据的传感器网络应用,如地质灾害监测、医疗和军事领域。