基于压缩感知的无线传感器网络动态采样方法

发布时间：2020-07-01 22:42

【摘要】：基于固定采样率的无线传感网(WSN)压缩感知(CS)在收集随时间变化的数据时难以获得满意的数据恢复精度。针对该问题,提出了一种基于数据预测和采样率反馈控制的动态采样方法。首先,汇聚节点通过分析当前采样时段与上一采样时段获取数据的线性度量指标,预测数据的变化趋势;然后,根据预测结果计算感知节点未来的采样率,并通过反馈控制机制对感知节点的采样过程进行动态调节。实验结果表明,相比基于目前广泛采用的基于固定采样率的无线传感网压缩感知数据收集方法,该方法能够有效提高压缩数据的恢复精度。
【图文】：

流程图,动态调整,相关研究,采样率

图1相关研究的采样率动态调整流程Fig．1Samplingratedynamicadjustmentprocessofrelatedresearch本文针对此类问题提出了一种新颖的动态采样调度方法，该方法通过预测数据的变化趋势动态调整节点的采样率，省略了上述方法中历史数据分析和采样映射关系的建立过程，简化了数据压缩收集的流程。在数据收集的开始阶段，感知节点实时地进行数据的压缩收集，而后将采收集的样本数发送给汇聚节点，汇聚节点对收集到的样本数据解压后进行线性拟合，通过对比当前采样时段和上一采样时段重构数据的线性程度量指标的差异，获取得到被观测数据的变化趋势。然后，汇聚节点根据该变化趋势预测下一轮压缩感知需要的采样频率，并通过采样率反馈控制架构对网络内节点的采样过程进行动态调节。1基于压缩感知的采样调度方法建模在使用无线传感器节点进行数据收集过程中，受到节点硬件对采样频率的制约，采集到的数据通常是离散数据，所以本文选用离散时间模型对无线传感器网络中感知节点的时域采样问题进行建模［14］。在无线传感器网络中，某个节点一段时间采集到的时序物理量可以用X={Xt}(t=1，2，…，N)表示。其中:t表示时间序列的时刻，N表示所有的采样时刻。令无线传感器节点的对物理量的采样策略用π表示，采用该策略进行采样，采样的时刻可以表示为:Tπ=(t1，t2，…，tn);ti∈{1，2，…，N}，1≤i≤n在数据收集过程中，节点按照采样调度策略进行多次测量，得到原始数据序列xπ={xt1，xt2，…，xtn}。然后利用得到的部分数据样本利用估计函数γ对整个信号进行重建，得到原始数据序列^xγ。如果将压缩感知方法应用到无线传感器网络的数据收集过程中，那么可以上述数据的收集过程可以描述为:?

流程图,动态采样,数据预测,调度方法

SＲINEXT=pbase+(Ｒ2NOW－Ｒ2LAST)β其中:SＲINEXT为节点下一轮采样的采样率;β为增量调节因子，其值越大，各个线性程度不同的分段之间的采样率差异越大。从以上公式中可以发现，如果该变化趋势中被观测信号的线性程度变好，即Ｒ2NOW－Ｒ2LAST＜0，则下个时段的观测过程则会适当降低采样频率以减少采集到的冗余样本数量，节省能耗;反之，则下个观测过程中，将适当提高采样频率，保证更多获取复杂信号的特征样本，提高重构精度。图2基于数据预测的动态采样调度方法流程Fig．2Samplingratedynamicadjustmentprocessbasedondataprediction另外，采样时长N决定了被收集的原始数据的长度。为了降低感知节点与汇聚节点的进行同步时的数据量，本文采用等时长分段采样策略，即每个采样时段的被收集信号长度N均相同，在此基础上本文提出的动态采样调度算法如下。算法基于数据预测的动态采样调度算法。Input:基础准采样率pbase，观测值y，稀疏表示基Ψ。Output:重构数据^x，下一轮采样率指标SＲINEXT。1)Φ←0/*初始化观测矩阵*/2)将当前基准采样率pbase广播给传感节点;3)fori=1toMdo4)Ω←{jthejthreceivedvalue};/*记录收到的观测数据*/5)endfor6)forj=1toNdo7)ifj∈Ω＆＆Ω＞0then8)Φ(i，j)←1;/*构造观测矩阵*/9)endif10)endfor11)θ=Φ×Ψ;12)^s=argmin‖s‖1s．t．θs=y;/*重构信号*/13)^x=Ψ－1^s;/*重构原始信号*/14)Ｒ2NOW=重构的原始信号^x的线性拟合决定系数;15)if本轮为首次压缩感知/*计算2轮压缩感知的动态采样率*/16)SＲINEXT=pbase+(1－Ｒ2NOW)β;17)else/*计算余下压缩感知过程的动态采样率*/

【相似文献】