基于区域化压缩感知的无线传感器网络数据收集方法

发布时间：2020-08-13 09:47

【摘要】：在无线传感器网络的数据收集过程中,传统的传输方式会使靠近Sink节点的中继节点接收和发送大量数据,形成一个以Sink节点为中心的区域.相对于其他节点来说,该区域内传感器的能量会更快地被耗尽,导致整个网络负载不均衡.目前,压缩感知(Compressive Sensing,CS)已经逐步应用于无线传感器网络领域用以减少传感器的传输量,以达到延长网络生命周期的目的.为实现能量有效的传输,该文提出一种基于区域化压缩感知(Regionalized Compressive Sensing,RCS)的数据收集方法.首先,网络拓扑被随机划分成多个区域,划分原则不依赖于所采集数据的特征或相关性;然后,每个区域选择选出一个区域中心节点以接收其他节点的采样值;随后,区域中心节点使用CS方法获得区域测量值;最后,这些节点将它们发送到Sink节点用于数据重构.为保证RCS的有效性,该文进一步考虑了实际应用中的两个问题,区域测量矩阵的设计和采样停止时机的选择.通过与当前典型的传输方法比较,RCS方法的性能优于直接传输、分布式压缩感知以及混合算法,同时实验验证了所提出的区域测量矩阵设计原则和采样停止原则是可行的.
【图文】：

数据包

为边界节点，因此在每个区域内尽可能地节约了网络的传输能耗．（３）区域大小不取决传输路由，而是基于ＣＳ方法和具体的数据包结构，因此不会因为链路的改变而调整区域大小．进一步分析，虽然ＲＣＳ的网络划分是随机的，但合适的分区将会减少更多的传输能耗，因此本文给出区域划分的参考标准．传感器进行通信时，其数据包结构可以认为有３个部分［２４］，分别为标识（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）部分Ｄｉｄ、数据装载部分Ｄｄａｔａ和相关信息部分ＤＲＩ，如图４所示．图４数据包结构若采用直接传输的方式，则网络中的节点需要发送的数据包数量为（Ｎ（ｃｈｉｌｄｒｅｎ）＋１）·（Ｄｉｄ＋Ｄｄａｔａ＋ＤＲＩ）／Ｐｓｉｚｅ（２）相应地，采用ＣＳ方法时，网络中的节点需要发送的数据包数量为Ｍ·（Ｄｄａｔａ＋ＤＲＩ）／Ｐｓｉｚｅ（３）其中：Ｎ（ｃｈｉｌｄｒｅｎ）表示节点的子孙数量；Ｐｓｉｚｅ表示数据包在网络中的最大负载量；Ｍ为测量次数．显然，当网络节点数较少时，式（２）的值小于式（３），说明此时直接传输的性能优于压缩感知．反之，则式（２）大于式（３）．显然，区域划分及中心节点选取影响了网络传输能耗．通过对比上述两式可知，直接传输方法的性能在传输规模较小时优于ＣＳ，但随着网络中的数据包不断向Ｓｉｎｋ节点汇聚，前者的优势将逐渐被后者取代．因此，在进行区域划分时，为了尽可能地减少数据传输量，每个区域内节点数应使得式（２）与式（３）的值近似相等，才能保证最大限度节约传输能耗．

均匀分布,测量矩阵,次数,矩阵

ｎ（Φ）约等于节点数．这意味着在数据传输过程中节点生成的数据包没有超过最大载荷量，即每个节点只需要发送一个数据包．对伯努利矩阵和均匀分布矩阵来说，Ｔｎ（Ｂｅｒｎｏｕｌｌｉ）和Ｔｎ（ｕｎｉｆｏｒｍ）略大于Ｔｎ（Φ）．随着网络规模的增加，它们所增加的传输次数超过节点的增长，其中Ｔｎ（ｕｎｉｆｏｒｍ）的增幅更大．对高斯矩阵来说，Ｔｎ（Ｇａｕｓｓ）最大．随着节点数的增加，甚至达到Ｔｎ（Φ）的２～３倍．图８对比４种测量矩阵所需的传输次数由于一次测量所需的传输次数不会少于网络中的节点数量，要进一步降低传输能耗，可以考虑通过增大δ的值来减少数据包的长度．然而，较大的δ可能使得产生的测量值没有足够的投影，导致重构精度不够．图９展示了这一现象，图中横纵坐标分别表示节点数和重构结果的归一化均方误差．图９δ＝２、３、６、８和１０的重构准确度（基于Ｇａｕｓｓ矩阵）实验使用高斯随机矩阵且重构精度满足要求时所需的测量数，然后使用相同的测量数，得到δ在不同取值时得到的重构结果，之后对比重构结果的ＮＭＳＥ．其中，δ分别为２、３、６、８、１０．图中显示当δ值较小时，矩阵Φ与高斯随机矩阵的重构精度是相似的．然而，当δ＝８和１０时，矩阵Φ的重构准确度急剧降低．这是因为随着δ的增加，矩阵Φ中的非零元素增多，使得区域中心节点在生成区域测量值时，很多采样值的系数为零，导致Ｓｉｎｋ节点得到的测量值在对应的稀疏基上没有足够的投影，因此这些测量值无法用于恢复信号

数据包

【参考文献】