传感器网络中分布式最优小波压缩算法

研究传感器网络中的小波变换问题,提出了一种基于最优小波变换的分布式数据压缩算法。主要工作有：（1）提出基于混合分解的分布式小波变换,利用节点的计算能力减少节点间交换数据产生小波系数的通信开销;（2）提出自适应小波变换,最优变换级根据小波变换的压缩增益和由此产生的网络开销自适应确定。仿真实验表明,和现有的小波数据压缩算法以及非分布式方式相比,提出的算法具有更优的网络性能。     

可调重构误差的传感数据时间相关压缩算法

无线传感器网络(WSN)节点能量与带宽均非常有限,难以适应大量数据长时间传输的需求,所以非常有必要对原始采集的数据进行聚合或压缩处理。利用传感数据间存在的时间相关性,提出分段常量近似与Haar小波压缩相结合的二级压缩算法,在误差可调的情况下压缩该类时间相关的传感数据。通过真实数据集上的实验,分析该算法的数据重构误差、数据压缩比与压缩耗时情况,并与其他压缩算法进行对比。实验结果表明,该算法能够有效地利用传感数据中存在的时间相关性,显著减少冗余数据,有较高的压缩比并保证数据精度。     

传感器网络中基于环模型的小波数据压缩算法

无线传感器网络有限的资源,如能量、通信带宽等,难以适应网络中大量数据的传输,需要在网络内部对原始监测数据进行压缩或聚合处理.设计了一个适合小波变换的环模型.针对任意支撑长度的小波函数,给出了一种基于环模型的分布式时-空小波数据压缩算法.该算法将传感器网络中的数据抽象为一个矩阵,将时间相关性与空间相关性映射为该矩阵的小波列变换与行变换,以同时挖掘传感器网络中数据的时间和空间相关性.从能量消耗和网络延时两方面定性地分析了算法的性能.理论分析和实验结果表明,该算法能够有效地去除传感数据中存在的时间和空间相关性,     

无线传感器网络中一种数据近似方法

无线传感器网络通常能量与通信带宽有限、计算与存储能力受限,这对数据的传输以及数据的分析与挖掘提出了新的挑战。本文提出了一种数据的近似方法,讨论了数据的压缩与近似恢复,并且在此基础上分析了数据的相似性度量。理论分析和实验结果表明,在保证数据精度的前提下,该方法能够有效地对数据进行压缩降维,节省存储空间和减少网络数据传输量;并且能够在压缩后的数据上进行数据的相似性度量,提高了数据聚类分析的效率。     

基于改进提升小波变换SPIHT的图像压缩算法

通过对提升小波变换的SPIHT算法进行改进和优化,提出了一种适用于无线多媒体传感器网络(WMSNs)的简单、高效、节能的有损图像压缩算法;该算法采用只包含加法和移位操作的整数小波提升算法,使得小波分解的计算量减半,大大提高了变换速度;采用量化截断的预处理技术,省去大量不重要高频系数的量化编码,解决了提升变换后SPIHT算法编码效率低的问题;去除了最外层高频系数的分解和编码,有效地减少了变换和编码的能耗;理论分析和仿真结果均表明,在保证一定重建图像质量的前提下,该算法大大降低了图像压缩能耗,提高了算法的压缩效率和执行效率,非常适合于资源受限的WMSNs中的图像压缩。     

基于小波变换的多分辨率分布式滤波

小波变换的多尺度特点非常适合多尺度信号的处理,可以用于多分辨率多传感器滤波.通过研究快速提升法小波变换的特性,提出一种可将估计误差方差最小化的动态分辨率分布式滤波算法,算法不需要把小波系数当成白噪声处理,并且能够有效地降低向量和矩阵维数,减少运算,有较好的滤波性能.同时在不同的分辨率级中,利用快速提升法小波变换作为一种连接信号的桥梁.这种算法也可用于动态多分辨率多传感器数据融合.     

无线传感器网络中的数据压缩研究 ——结合小波提升算法和差分机制

对无线传感器网络中的数据进行处理具有重要意义。引入小波变换中的提升算法对数据进行压缩处理,克服传统的小波变换方法计算量大,耗时较长的缺点。针对现有机制没有考虑到数据的时间相关性的缺陷,提出一种全新的数据发送机制——差分机制,从源头上消除冗余数据,减少数据发送量。实验表明,采用提升算法和差分机制能够有效去除无线传感器网络的冗余数据,降低节点的能量消耗,延长整个网络的生命周期。     

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。     

基于小波理论的多分辨率多传感器数据融合

小波变换的多尺度特点非常适合多尺度信号的处理,可以用于多分辨率多传感器数据融合,本文研究了不波变换的特征,提出基于小波包变换的多分辨率多传感器的数据融合算法,算法不需要把小波系数当成白噪声处理,并一能够有效地降低向量和矩阵维数,减少运算,有较好的滤波性能,同时采用双正交小波包变换,这可以克服基于正交小波包变换的多尺度滤波中正交小波因不具有线性相而产生恢复失真的缺陷,进一步提高滤波性能。     

基于量子粒子群优化算法的压缩感知数据重构方法

针对传感器监测对象特点,将压缩感知理论应用于数据压缩过程以降低通信能耗,并根据现有压缩感知数据重构算法存在的重构精度受稀疏度影响较大的缺点,在分析了压缩感知数据重构原理后,提出了将原始信号按固定长度进行分帧处理以减少算法解空间的数量,并将量子理论中的编码方式应用于粒子群优化算法,提出了基于量子粒子群优化算法的压缩感知数据重构方法QP-CSDR。算法根据传感器监测对象特点,从统计学角度出发对粒子群优化算法中的粒子初始位置及粒子群更新方式加以改进,以提高数据重构精度。仿真实验结果表明,在稀疏度小于50的条件下,QP-CSDR算法相对已有算法在重构精度方面性能提升20%~40%,该算法已应用于微地震及音频监测系统中,经实际检验算法在保证数据精度的前提下延长系统寿命2倍~4倍左右。