一种基于自适应代表节点选择的WSN数据收集方法

采用压缩感知的无线传感网络数据收集方法要求每个节点都参与数据收集,会造成很大的能量浪费.本文提出了一种基于自适应代表节点选择的WSN数据收集方法,在保证压缩感知数据重构精度的同时,减少参与数据收集的节点数.首先,采用主成分分析和混合压缩感知相结合的办法设计稀疏基;然后,通过分析稀疏基的框架势FP(Frame Potential)设计压缩感知的稀疏观测矩阵,从而选择代表节点,以减少参与数据收集的节点数目;最后,根据Sink处数据重构精度,自适应调整稀疏观测矩阵以用作下一时刻数据收集,从而保证数据收集的重构精度.仿真结果表明,该方法有效的降低了网络能耗和数据传输量,同时还保证了每个时刻数据重构的精度.     

一种基于时空相关性和异常检测的改进WSN节能策略

针对降低无线传感网能耗和保证数据精度之间的矛盾,提出了自适应采样数据并利用压缩感知进行压缩的方法.传统的基于压缩感知的无线传感器数据压缩,只采样部分节点的数据,对于未被采样节点感知到的突发事件很有可能发生漏检情况.本文方法检测所有节点上传的数据再进行压缩,可以有效避免漏检情况的发生.根据信号具有时间相关性的特点,本文采用基于方差分析ANOVA(Analysis of Variance)原理改进的传感器自适应采样频率方法,并考虑节点剩余能量,减少平稳信号的采集次数,均衡网络节点能耗.在LEACH协议基础上,对簇内数据进行压缩感知的方法对数据进行压缩从而减少数据的空间相关性并传输到汇聚节点,以减少网络整体的能量消耗.针对可能的漏报情况,提出一种改进的局部事件监测算法-滑动窗口局部事件监测SW-LED(Sliding Window-Local Event Detection)算法,实现了实时准确的异常检测和预警.实验结果表明本文方法既可以有效的均衡网络节点能耗以提高网络生存周期,同时保证了数据的精度,对于异常情况的识别率也有很大的提高.     

一种基于混合压缩感知的WSN能耗优化方法

网络节点能耗是影响无线传感器网络生命周期的重要因素。提出了一种基于混合压缩感知(Hybrid-CS)的网络能耗优化方法。首先,为保证数据重构精度,根据参加数据收集节点数的不同,确定合理的观测矩阵维数范围。然后,通过分析不同维数观测矩阵对Hybrid-CS发送数据量的影响,求出较优的观测矩阵维数,从而使所设计的方法达到降低网络能耗的目的。仿真结果表明,该方法在节约网络能耗的同时还保证了数据重构精度。     

基于惩罚误差矩阵的同步预测无线体域网节能方法

针对传统无线体域网（WBAN）预测模型对感知数据预测精度低、计算量大、能耗高的问题，提出一种基于惩罚误差矩阵的自适应三次指数平滑算法。首先在感知节点与路由节点之间建立轻量级预测模型，其次采用地毯式搜索方式对预测模型进行参数优化处理，最后采用惩罚误差矩阵对预测模型参数作进一步的细粒化处理。实验结果表明，与ZigBee协议相比，在1000时隙范围内，所提方法可节省12%左右的能量；而采用惩罚误差矩阵与地毯式搜索方式相比，预测精度提高了3.306%。所提方法在有效降低计算复杂度的同时能进一步降低WBAN的能耗。     

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。     

基于压缩感知理论的WSNs时序信号分段压缩算法

针对压缩感知理论(CS)应用在无线传感器网络中时序信号在传输过程存在压缩比率低、通信能耗高等问题,提出了一种时序信号分段压缩算法来解决在信号稀疏度未知及高稀疏度条件下,压缩感知数据重构算法中存在的重构效率低,重构精度差,影响网络生命周期的问题.该算法将采集数据中非零元素个数作为分段依据,通过减少段内非零元素组合数量来提高信号重构精度,同时利用了压缩感知理论特性实现了对信号的高压缩率.实验结果表明,在以混沌量子免疫克隆重构(Q-CSDR)算法为重构算法、在信号盲稀疏度及稀疏度高于40的条件下,能够以大于0.4的压缩比率对信号进行压缩,其重构信号的均方误差小于0.01,能够延长网络寿命2倍左右.     

WMSNs图像传感器节点节能研究

提出了一种基于压缩感知理论的低能耗WMSNs图像传感器节点。采用压缩感知(CS)理论,通过对半原始数据稀疏采样来降低后续量化编码的数据量,并能降低节点图像处理复杂度,平衡图像处理和数据传输之间的能量消耗。通过建立能耗模型和Matlab仿真表明,与JPEG相比,采用基于压缩感知理论的压缩编码算法可以有效降低整个节点的能耗。     

基于移动代理的WSN压缩数据采集方法研究

为降低网络传输量、延长网络生命周期,提出了一种基于移动代理的无线传感器网络(WSN)压缩数据采集方法,将压缩感知更有效地应用到WSN的数据采集过程中.所提方法根据测量矩阵中的信息对网络中的节点进行分组投影,增加了单次投影的节点数量,自适应地将这些节点划分区域,并派遣移动代理进行分区采集,通过一种基于树的贪婪策略得到移动代理的最优访问路径.仿真表明,所提方法对比SPT(Hybrid-CS)、MSTP和MA-Greedy算法在网络传输量和能耗均衡度上的性能均有显著提升.由此,提出的算法可以有效降低网络通信量,均衡能耗负载,同时缓解测量次数对网络整体能耗的影响.     

基于小波树模型的CoSaMP压缩感知算法

无线传感网络存在网络带宽限制和传感器节点的能耗问题,实际应用中通常希望可以通过重构算法从采集的少量数据中还原出原始信息,压缩感知理论为上述问题提供了一个解决思路。利用压缩感知理论,对无线传感器网络中温度传感器的监测信号进行了压缩感知的应用研究。针对传统压缩采样匹配追踪(CoSaMP)算法中测量次数多、重构精度低等问题,利用信号的小波系数所形成的连通树的结构特性,提出了基于小波树模型的压缩采样匹配追踪算法。将该算法应用到无线传感器网络监测信号的压缩感知仿真实验中,与传统压缩采样匹配追踪算法的重构性能进行比较,结果表明该算法较传统压缩采样匹配追踪算法在一定范围内对无线传感器网络中的温度信号具有更好的压缩感知性能。     

基于物联网定位模型的网络节点能耗感知识别

由于现有网络节点能耗感知识别方没有对网络节点信号进行映射,不能获取节点对应的物理坐标位置,导致在网络节点能耗感知识别速度较慢,识别结果不理想.提出基于物联网定位模型的网络节点能耗感知识别方法,建立物联网定位模型,对网络节点信号进行映射,获取网络节点对应的物理坐标位置,将全局网络非线性问题进行优化,分别进行求解;结合网络节点能耗感知识别方法选择对应簇首节点,将该节点作为依据设定感知识别区域并对相关节点数据进行提取,建立数据回传节点集,对感知识别区域内数据回传节点集进行分析,通过数据回传节点集完成网络节点能耗的感知与识别.实验结果表明,所提方法的感知识别速度较快,感知识别结果的可信度较高以及准确性更高.     

无线多媒体传感器网络能量均衡的多跳图像传输机制

针对由普通节点和图像节点组成的异构无线多媒体传感器网络,提出了基于图像节点邻域协作压缩的多跳图像传输机制MHIT。该机制在发送图像前,首先根据传输距离和路由跳数判断是否需要压缩图像,若压缩图像后再传输消耗更多能量,则直接发送图像;否则,图像节点将图像压缩任务分发给邻域内的普通节点协作完成,均衡了网络能量消耗,极大地缓解了图像节点的能耗压力。实验结果表明,MHIT有效解决了无线多媒体传感器网络因图像压缩而引发的能量空洞问题,明显延长了网络生存期,特别适合于大规模无线多媒体传感器网络远距离图像传输。     

基于信号功率随机衰落模型的无线传感器网络干扰感知路由

为了降低无线传感器网络信号功率的衰减以及节点干扰对数据传输效率所造成的影响,提出了一种基于信号功率随机衰落模型的无线传感器网络干扰感知路由。首先,根据概率论提出了干扰节点不同分布情况下成功传输数据的两种概率干扰模型,并将节点的干扰、路由收敛及节点剩余能量问题作为路由度量建立了干扰感知路由;然后,通过将干扰、路由收敛,以及节点剩余能量作为评估权值,来共同决定最佳的下一跳节点。通过NS2的仿真数据表明,与基于差异化服务的干扰感知路由算法和基于编码的干扰感知路由协议相比,所提出的算法在数据投递平均成功率、能量消耗及平均延迟时间上均有一定优势。     

基于速龙码的WSNs传输功率控制重编程协议

为了降低节点能耗,提高能量的利用率,提出了一种高效节能的基于速龙码（ RC）的传输功率控制（ RC-TPC）重编程协议。该协议分两个阶段完成数据传输,第一阶段各个节点更新自己的位置信息,形成最优化的拓扑结构。进入第二阶段后,根据优化的拓扑结构通过调整发送节点的传输功率和中继节点的累计选择次数,Sink节点选择适当的中继节点,使中继节点的传输功率和RC的开销达到最优化。此外,RC的编码方式使传输数据包发生的错误概率更小,减少了重编程过程中的冗余以保证网络负载的均匀分布,有效地实现了高效节能,从而提高整个网络的生存周期。理论分析与实验结果表明：与MNP协议和ATPC协议相比,RC-TPC协议用于传输的平均能量消耗降低17.2%。     

节能感知的无线传感网接入控制与路由优化策略

为降低能耗,延长输电线路监测网络传感器寿命,提出一种新的媒体接入控制与路由联合优化策略。构建无线传感网通信框架,并基于该框架给出一种自适应的簇内调度策略,旨在减少传感器节点的空闲监听,从而降低节点能耗。给出一种按需路由协议,在确保能量等级和信道质量的同时在簇间进行最佳路由选择,基于簇头剩余能量及其到基站的距离,利用非均匀簇技术平衡节点能量分布,延长网络寿命,并构建能耗和延迟模型进行性能评估。实验结果表明,该方案在节能的同时能够显著降低数据传输时延。     

基于块稀疏贝叶斯学习的体域网心电压缩采样

为有效提高体域网的实时性和降低体域网的功耗,提出一种基于块稀疏贝叶斯学习的体域网心电压缩采样方法。该方法在体域网框架下,利用压缩采样理论,在体域网的传感节点利用二进制随机观测矩阵对心电信号进行压缩采样,远程监护中心获得采样值之后,利用块稀疏贝叶斯学习重构算法和离散余弦稀疏变换矩阵对心电信号进行重构。实验结果表明,当心电信号压缩率在70%~90%时,基于块稀疏贝叶斯学习的重构算法要比其他重构算法的重构信噪比高出3 dB~21 dB。该方法能有效减少数据采样,减轻后续的数据存储、数据传输压力,提高体域网的实时性。同时该方法具有功耗低,易于硬件实现的优点。     

基于分簇的无线传感器网络MAC节能算法

为减少节点能耗和提高信道利用率,提出一种基于分簇结构的无线传感器网络MAC节能算法(EEC-MAC)。在TDMA机制的基础上,采用时隙系数动态调整簇内节点的时隙大小,降低数据的传输时延。对于部分不需要数据传输的节点不分配时隙,使其拥有较长的睡眠时间来节约能量。簇内节点按其剩余能量系数形成时隙分配顺序,减少状态转换的能耗。簇间节点采用基于CSMA/CA机制的随机分配策略实现通信。仿真结果表明,EEC-MAC节能效果较好,具有较小的平均通信时延和较长的网络生命周期。     

用块稀疏贝叶斯学习算法重构识别体域网步态模式

针对低功耗体域网步态远程监测终端非稀疏加速度数据重构和步态模式识别性能优化问题,提出了一种基于块稀疏贝叶斯学习的体域网远程步态模式重构识别新方法,该方法基于体域网远程步态监测系统架构和压缩感知框架,在体域网传感节点利用线性稀疏矩阵压缩原始加速度数据,减少传输数据量,降低其功耗,同时在远程终端基于块稀疏贝叶斯学习算法充分利用加速度数据块结构内在相关性,获取加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能,为准确识别步态模式提供可靠的数据支撑.采用USC-HAD数据库中行走、跑、跳、上楼、下楼五种步态运动的加速度数据验证新方法的有效性,实验结果表明,基于所提算法的加速度数据重构性能明显优于传统压缩感知重构算法性能,使基于支持向量机多步态分类器识别准确率可达98%,显著提高体域网远程步态模式识别性能.所提新方法不仅有效提高非稀疏加速度数据重构和步态模式识别性能,并且也有助于设计低功耗、低成本的体域网加速度数据采集系统,为体域网远程监测步态模式变化提供一个新方法和新思路.     

一种基于AHP和FIS的WSN路由算法

无线传感器网络（WSN）由许多传感器节点组成,这些传感器节点为了降低能量消耗会周期性地在醒与睡2种模式下进行切换。在异步WSN中,发送节点往往要等接收节点醒来才能进行数据转发,为了缩短该等待时延,发送节点选择多个节点作为候选转发节点,由于任何候选转发节点都有可能进行数据路由,使得邻居节点评估和候选转发节点选择对网络性能产生较大影响。为了更好地进行节点评估与选择,提出一种基于层次分析法（AHP）和模糊推理系统（FIS）的WSN路由算法DAF。将剩余能量、距离和角度作为评估准则,利用AHP确定评估准则的权重,通过FIS动态构建AHP中的成对比较矩阵,并根据该矩阵动态计算出邻居节点的评分,按评分高低选择候选转发节点。实验结果表明,在改变节点数量、睡眠时长和通信半径的对比测试中,DAF在生命周期、能量消耗和平均冗余传输性能方面均优于ORW和ORR算法。     

基于过完备字典的体域网压缩感知心电重构

针对体域网远程监护中心对重构的心电信号（Electrocardiogram,ECG）精度要求高和体域网（Body sensor network,BSN）低功耗问题,提出基于过完备字典的体域网压缩感知心电重构方法. 该方法利用压缩感知理论,在传感节点端利用随机二进制矩阵对心电信号进行观测,观测值被传送至远程监护中心后,再利用基于K-SVD算法训练得到的过完备字典和块稀疏贝叶斯学习重构算法对心电信号进行重构. 仿真结果表明,当心电信号压缩率在70%～95%时,基于K-SVD过完备字典比基于离散余弦变换基的压缩感知心电重构信噪比高出5～22dB. 该方法具有信号重构精度高、功耗低和易于硬件实现的优点.