基于空时相关性的WSN数据压缩研究

摘要

当前无线传感网已广泛于应用环境监测、交通运输、工业生产、农业、军事等诸多领域，例如，环境监测的基本原理是通过在监测区域内密集部署传感器节点，使其相互之间频繁通信而获取监测环境的信息。但由于WSN密集分布的节点与频繁采样造成了感知数据之间存在大量的冗余。冗余数据不仅不能提高整个网络的性能，反而大量消耗网络有限的能量、存储空间以及网络带宽。基于上述原因，如何高效地挖掘感知数据之间的相关性，通过压缩感知数据达到有效延长WSN生命周期的目的已成为当前本领域的研究焦点。本文针对当前感知数据压缩方案在网络体系结构、空时相关性挖掘、数据重建精度等方面存在的突出问题，以充分挖掘数据相关性为基础，结合分层型网络结构、锯齿形扫描方法和数据排序解决重构精度较低的问题。
　　本研究主要内容包括：⑴提出基于锯齿形扫描的自适应空间压缩方案。针对当前压缩方案数据重构精度较低的问题，自适应空间压缩方案通过对变换矩阵内较小系数进行有针对性、有选择的删除，避免了已存在研究方案中存在的误删重要元素的缺陷，获得了更高的重构精度。同时，压缩率将随着感知数据相关性及自适应门限的变化而变化，这一特性使本方案拥有较强的自适应特性。最终的仿真结果表明，与其他类似空间压缩方案相比，该压缩方案能够在相同的压缩率条件下，获得更高的重构精度。⑵提出基于数据排序的自适应压缩方案。针对基于锯齿形扫描的自适应空间压缩方案性能可提升的空间，本部分做出扩展研究，即在基于锯齿形扫描的自适应压缩方案基础上，引入数据排序操作。基于感知数据经过排序操作，能更深入地挖掘感知数据之间的空间相关性这一研究结果，本压缩方案先通过对感知数据进行排序，再对变换矩阵中较小系数进行有针对的删除实现数据压缩。仿真结果表明，经过排序的数据相比于未经过排序的数据，有着更强的相关性，且该方案与上述方案相比，拥有更出色的重构效果。⑶提出分层型自适应空时压缩方案。针对上两个研究方案仅对空间相关性进行挖掘，未对时间相关性进行挖掘的问题，此部分通过融合离散余弦变换与小波变换，实现对数据空时相关性的深入挖掘。首先本方案结合离散余弦变换与自适应门限压缩算法对感知数据之间的时间相关性进行挖掘。接着，簇头节点利用离散小波变换与自适应压缩算法对时间域压缩数据之间的空间相关性进行挖掘。仿真结果表明，经过小波变换的数据较未经过小波变换的数据，有着更好的集聚效果，且与相类似方案相比，在相同压缩率条件下，该方案的重构误差更小。

目录

声明

专用术语注释表

第一章 绪论

1.1研究背景

1.2待解决的问题

1.3研究内容及组织结构

第二章 基础理论

2.1离散余弦变换

2.2小波变换

2.3缩减锯齿形压缩方案

2.4相关性分析

2.5排序方法研究

2.6本章小结

第三章 基于锯齿形扫描的自适应空间压缩方案

3.1引言

3.2网络部署环境特点及结构设计

3.3自适应空间压缩方案

3.4仿真与结果分析

3.5本章小结

第四章 基于数据排序的自适应压缩方案

4.1引言

4.2网络结构设计

4.3基于数据排序的空域压缩方案

4.4仿真与结果分析

4.5本章小结

第五章 分层型自适应空时压缩方案

5.1 引言

5.2网络结构设计

5.3分层式自适应空时数据压缩方案

5.4仿真与结果分析

5.5本章小结

第六章 总结与展望

6.1总结

6.2后续工作展望

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间申请的专利

附录3 攻读硕士学位期间参加的科研项目

致谢