基于混合压缩感知的分簇式网络数据收集方法

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%.     

基于压缩感知的无线传感器网络数据融合算法

无线传感器网络中存在大量的数据冗余,数据融合技术通过对采样数据进行压缩,消除冗余,有效的减少了节点发送的数据量,延长传感器网络的寿命．提出了压缩感知与数据转发相结合的数据融合算法,在网络采样数据收集的过程中根据节点的子节点个数选择利用压缩感知对数据进行压缩还是直接对数据进行数据转发．仿真结果表明,和基于压缩感知的数据融合算法相比,数据转发与压缩感知相结合的数据融合算法,有效地在平衡节点间负载的同时减少节点的发送量．     

无线传感器网络中基于压缩感知的分簇数据收集算法

针对无线传感器网络(WSNs)能量有限、通信链路不可靠的特点,提出一种基于稀疏分块对角矩阵进行压缩感知的分簇(SBDMC)数据收集算法.该算法以稀疏分块对角矩阵作为观测矩阵以减少参与收集节点数目;采用分布式分簇路由实现数据的分布式收集;通过分析能耗模型得到最优簇头数目以减少网络能耗.在此基础上,给出一种有效的分簇路由数据收集算法.仿真分析表明:提出的算法较之已有算法可以减少通信能耗、延长网络寿命,同时均衡能耗负载.     

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。     

基于压缩感知的无线传感器网络数据收集研究综述

为了对无线传感器网络的压缩数据收集有一个全面的认识和评估,对到目前为止国内外的相关研究成果作了一个系统的介绍。首先,介绍了压缩数据收集及改进方法的框架的建立;然后,分别根据无线传感器网络的传输模式和压缩感知理论的三要素,对压缩数据收集方法分类进行了阐述;接下来,说明了压缩数据收集的自适应和优化问题,与其他方法的联合应用,及实际应用范例;最后,指出了压缩数据收集存在的问题和未来的发展方向。     

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。     

基于分布式压缩感知的无线传感器网络异常数据处理

无线传感器网络的海量数据采集、传输和处理,对传感器节点的处理能力和功耗提出了严峻挑战,而且现实环境中传感器故障或者环境因素的突变会导致部分采集数据异常,而传统的数据处理方法无法对包含异常的数据进行有效的处理。针对上述问题,文中提出了两类无线传感器网络的异常数据模型,以及相应的基于分布式压缩感知的异常数据处理方法。通过协同的多个传感器进行数据压缩采样,当多个传感器采集的数据包含异常成分时,分布式压缩感知技术对数据中相同的正常分量进行一次统一重构,仅对不同的异常分量进行单独重构,从而避免了对相同数据分量的重复处理,提高了对包含异常成分数据处理的效率。另外,分布式压缩感知技术充分利用数据间的相关性,可有效减少传感器网络的数据采集量,加强其对抗异常数据的鲁棒性。对两类异常数据模型的数值仿真结果表明:相比于传统的基于单组测量值的压缩感知技术,基于分布式压缩感知技术的数据处理方法在提高异常数据重构准确率的同时,将采样数据量减少了约33%,证明了该方法的有效性。     

无线传感器网络数据的相关性自适应压缩感知

为减小无线传感器(WSN)网络数据传输过程中相关性发生变化对压缩感知重构精度的影响,提出一种相关性自适应的网络数据重构方法。该方法首先通过迭代对待重构数据的相关性进行估计,进而采用支集元素的两步相关检验方法对网络数据稀疏系数向量中非零元素进行重构,最终得到更为精确的重构数据。仿真结果表明,该算法能有效抑制实际传输过程中各种干扰对网络数据重构的影响,提高网络数据相关性变化情况下的重构准确度。     

基于压缩感知的链型无线传感器网络节能数据收集

无线传感器网络(WSNs)中节点受体积、功率、成本等限制而导致了节点能量、生命周期有限的问题.提出一种基于压缩感知算法的无线传感器网络节能优化方法,并结合无线传感器网络中的链型拓扑网络模型,给出基于压缩感知理论的节能网络数据传输模型.通过理论分析比较表明压缩感知方法在节能方面的优越性,然后在得出的网络能耗模型的基础上进行仿真.仿真结果表明:压缩感知方法有效减少了网络能耗.     

压缩感知在无线传感器网络数据采集中的应用

提出了一种无线传感器网络中基于压缩感知的数据采集方法。通过分析信号压缩观测过程,提出了适合在硬件资源有限的传感器节点中实现的循环稀疏伯努利观测矩阵CSBM(Cyclic-Sparse-Bernoulli Measurement),该矩阵使用循环稀疏矩阵与伪随机伯努利序列,采用结构化的方法构造,具有非零元素少、良好的伪随机性、硬件易于实现等优点。仿真实验表明,与其他类型的观测矩阵相比,CSBM矩阵在一定信号重构精度前提下具有更低的压缩采样比CSR(Compress Sampling Rate)。在无线传感器网络数据采集应用中,感知节点可以通过压缩观测得到更少的观测数据,能够大大减少网络通信数据量。     

An Efficient Reinforcement Learning Game Framework for UAV-Enabled Wireless Sensor Network Data Collection

With the developing demands of massive-data services, the applications that rely on big geographic data play crucial roles in academic and industrial communities. Unmanned aerial vehicles (UAVs), combining with terrestrial wireless sensor networks (WSN), can provide sustainable solutions for data harvesting. The rising demands for efficient data collection in a larger open area have been posed in the literature, which requires efficient UAV trajectory planning with lower energy consumption methods. Currently, there are amounts of inextricable solutions of UAV planning for a larger open area, and one of the most practical techniques in previous studies is deep reinforcement learning (DRL). However, the overestimated problem in limited-experience DRL quickly throws the UAV path planning process into a locally optimized condition. Moreover, using the central nodes of the sub-WSNs as the sink nodes or navigation points for UAVs to visit may lead to extra collection costs. This paper develops a data-driven DRL-based game framework with two partners to fulfill the above demands. A cluster head processor (CHP) is employed to determine the sink nodes, and a navigation order processor (NOP) is established to plan the path. CHP and NOP receive information from each other and provide optimized solutions after the Nash equilibrium. The numerical results show that the proposed game framework could offer UAVs low-cost data collection trajectories, which can save at least 17.58% of energy consumption compared with the baseline methods.     

WSN中基于多分辨率和压缩感知的数据融合方案

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%。     

一种新型无线传感器网络数据收集生成树

针对无线传感器网络精确数据收集,提出一种分布式生成树算法MLT.算法以一颗最小功率生成树为基础,在收集数据过程中不断统计节点剩余能量大小,找出瓶颈节点并与sink中存储的阈值比较,若低于阈值则转移瓶颈节点负担,优化树结构.研究表明随着阈值的增加网络生命周期先不断增大然后不断减小,阈值取值的合理性有效避免了因过于频繁变更树结构导致的额外能量消耗,使得所有节点能量较为均衡并延长了网络的生命周期,仿真实验验证了算法的有效性.     

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.     

传感网中延迟限定的非汇聚数据移动式收集

在大规模的无线传感器网络中收集数据,不仅需要考虑节点的能量消耗,而且还需要考虑数据收集延迟.如何有效地均衡节点的能量消耗,同时最小化数据收集延迟,是一个具有挑战性的问题.为了均衡节点的能量消耗,利用移动数据收集器收集数据.以此为基础,提出一种DC-Collection算法来解决数据收集延迟和能耗的问题.首先,在网络中构造最短路径树,网络非连通时,不同的网络子图可以构造多棵最短路径树,它们构成一个最短路径树集合;其次,在每一棵最短路径树上选取部分节点作为采集节点和逗留节点,使得以采集节点为根的限高树的高度不超过h,且在每个采集节点的通信区域内至少有一个逗留节点;再次,在每棵限高树内调整树的结构,让能量高的节点承担更多的子孙节点,最大化限高树的生命周期;最后,移动数据收集器从Sink出发,遍历逗留节点所在位置收集数据,最终回到起点,并将数据发送给Sink.通过理论分析和大量仿真实验,其结果表明:与现有的数据收集协议相比,DC-Collection不仅能够均衡各节点的能量消耗从而延长网络生命周期,而且能够缩短移动数据收集器收集数据行走的路径长度,从而缩短数据收集延迟.     

基于数据相关性无线传感器网络的虚拟分组管理方法

无线传感器网络作为一个新兴的网络,有着诸多的应用场景。本文根据无线传感器节点数据的相关性,利用"分簇"机制的思想,对无线传感器网络中的节点进行了"虚拟分组"划分,数据相关性较强的节点被划分到同一个虚拟分组内进行管理。仿真分析表明,该方法有效地减少了网络中传输的数据量,减少了能量消耗,有效地延长了网络生存时间。     

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。     

基于压缩感知的无线传感器网络的数据编码

近年来,基于压缩感知的无线传感器网络数据编码的研究取得了一定的进展,但大部分研究是基于"单跳"的传输模型或者没有考虑网络内节点之间的合作。本文提出了一种基于压缩感知和分簇的传感器网络数据编码方法。首先,节点根据自己的编号伪随机的产生一个M维的列向量,把感知的数据xi投影到此向量上,然后把自己的编号和投影的数据一同传输给簇头。簇头把收到的数据进行求和,并且把计算后的结果传送给下一个簇头,直到sink节点。通过仿真实验和理论分析,验证了本文提出的方法比传统的方法能更好地减少网络内数据传输量。