基于第二代小波零树编码的最小能耗自适应汇聚路由方法

摘要

本发明公开了一种基于第二代小波零树编码的最小能耗自适应汇聚路由方法，属于无线传感器网络的高能效路由技术领域。本方法首先构造一棵性能介于最小生成树和最短路径树之间的α-平衡生成树作为数据的初始传输路径；然后，节点数据按照初始路径进行传输，在传输过程中根据汇聚得益，自适应判断是否汇聚并相应调整其传输路径；最后对汇聚处理后的数据采用第二代小波零树编码算法进行压缩，以进一步减小数据传输量。该方法主要针对监测数据为声音、图像或视频等复杂数据的无线传感器网络，在数据汇聚非常必要且汇聚开销不能忽视的情况下，能够建立高能效路由，提高网络生存时间。

说明书

技术领域

本发明涉及无线传感器网络的汇聚路由方法，具体地指一种基于第二 代小波零树编码的最小能耗自适应汇聚路由方法。

背景技术

无线传感器网络节点在能量、计算能力、存储容量和通信带宽等各方 面的资源都非常有限，如何节省能量、提高传感器网络的生存时间是无线 传感器网络设计的首要问题。在监测数据为声音、图像或视频等复杂数据 的传感器网络中，将各个节点采集到的监测数据独立地发送到Sink节点(汇 聚节点)，然后进行数据处理会导致信息传送效率大幅降低，浪费大量的节 点能量和通信带宽。为了避免上述问题，必须在网络节点发送数据的过程 中采用数据汇聚技术对采集到的监测数据进行处理。监测数据的汇聚是一 个比较复杂的计算过程，尤其是网络需要采集比较复杂的多媒体数据时， 汇聚能耗不能被忽略。已有的实验结果表明声音信号的汇聚能耗往往达到 10nJ/bit以上，图像数据汇聚能耗能达到75nJ/bit。传感器网络中节点在接 收数据时的能耗约为50nJ/bit。因此在这类网络中，汇聚开销已和通信开销 相当，即使进行最简单的汇聚处理，汇聚能耗也不能被忽略。但是经典汇 路由算法都没有考虑汇聚能耗，如GIT、PEGASIS和TEEN等。

在汇聚开销较大的网络中，如果交汇点处数据间的融合度较小，数据 汇聚带来的传输开销的减少可能还不能弥补汇聚处理本身所消耗的能量， 那么数据汇聚不仅没有必要，而且还增大网络能耗，所以需要综合考虑网 络的传输开销和汇聚开销，选择最优的自适应汇聚路由，使网络总能耗最 小，目前对这类路由算法的研究还较少。Bhong等提出了一种DAGP汇聚 路由算法，研究了汇聚开销和传输开销对汇聚路由的影响，但这种方法对 于周期性上报数据的传感器网络并不适用。Luohong等提出了一种综合考虑 传输和汇聚开销的自适应汇聚路由算法AFST。但该算法以二叉树为基础建 立网络节点的传输拓扑结构，严重增加了网络数据的转发次数和传输距离， 影响了网络性能的进一步优化。

发明内容

本发明目的在于克服上述现有技术的不足而提供一种基于第二代小波 零树编码的最小能耗自适应汇聚路由方法，该方法综合考虑汇聚开销和通 信开销，减少了数据传输量，节约了网络能耗。

实现本发明目的采用的技术方案是：一种基于第二代小波零树编码的 最小能耗自适应汇聚路由方法，包括以下步骤：

(1)设网络G＝(V，E)中边e＝(u，v)的权重ω(e)为传输单位数据时网络能 耗，其中V表示所有的源节点和Sink节点，E表示所有源节点和Sink节点 之间的传输链路；

(2)分别利用Prime算法和Dijkstra算法计算以Sink节点为根节点的 最小生成树和最短路径树；

(3)构造一棵性能介于所述最小生成树和最短路径树之间的α-平衡生 成树作为网络数据的初始传输路径；

(4)在所述α-平衡生成树中，如果节点v到Sink节点的路径是最短传 输路径，令该节点v的判断标识θ(v)＝0；否则，令该节点v的判断标识θ(v)＝1；

(5)在数据传输的过程中，对于θ(v)＝0的节点，计算其汇聚得益，并 进行自适应汇聚，然后利用零树编码算法对自适应汇聚后的数据进行压缩， 将压缩后的数据沿最短传输路径直接发送至Sink节点，在Sink节点处进行 解压；

(6)对于θ(v)＝1的节点，如果数据在v处的汇聚得益大于0，则进行汇 聚处理，把汇聚后的数据利用零树编码算法进行压缩，并按传输路径向Sink 节点发送；否则，节点v将其自身数据压缩后按传输路径发送到下一跳节点， 而节点v的各子节点从最短路径树中获取各自的最短路径边，每个子节点将 自身数据利用零树编码算法压缩，按各自的最短路径边直接发送至Sink节 点，在Sink节点处进行解压。

在上述技术方案中，步骤(3)中构造α-平衡生成树包括以下步骤：

(3-1)给定α的值，且α＞1，最小生成树中的每一个节点v分配一个变 量d(v)，用于记录v到根节点的路径权重和，初始时，对最小生成树中的每 个非根节点v，令d(v)＝∞；对根节点r＝Sink，令d(r)＝0；

(3-2)遍历最小生成树，对每个节点v，判断该节点在最小生成树中 到根节点的路径权重和是否超过最短路径树中v到根节点的路径权重和的 α倍：如果超过，则把最短路径树中v到根节点的路径边添加至当前网络中， 调整d(v)的值为最短路径树中v到根节点的路径权重和；否则，保持v的路 径不变；

(3-3)在后继的遍历中，如果某个节点v的路径权重和值d(v)变小，那 么遍历到与v直接相连的节点u时，对节点u到Sink节点的路径权重和d(u) 的值和传输路径作以下调整：如果d(u)＞ω(u，v)+d(v)，则d(u)调整为 d(u)＝ω(u，v)+d(v)，节点u到r的路径调整为u→v →path(v，r)，其中path(v，r) 表示在当前最小生成树中v到根节点r的路径；否则，节点u到Sink节点的 路径权重和d(u)及传输路径保持不变，当最小生成树的所有节点遍历完成 后，则调整后的生成树结构即为α-平衡生成树。

进一步地，α-平衡生成树中α的取值为

在上述技术方案中，汇聚得益通过以下步骤得出：

(4-1)当节点v只有一个子节点u时，汇聚得益通过式(1)计算得出，

$\Delta (u,v)=\Delta E_T-E_A=[(m_0\left(u\right)+m_0\left(v\right))-\tilde{m}\left(v\right)]T(v,S)-\left[(m_0\left(u\right)+m_0\left(v\right))\right]q\left(e\right)---\left(1\right)$

其中，ΔE_T表示在该边上进行数据汇聚后所节省的传输能耗，E_A表示 汇聚能耗，m₀(u)和m₀(v)分别表示汇聚前节点u和v自身采集的数据量， T(v，S)表示单位数据从节点v沿汇聚树路径发送至Sink的传输能耗，q(e)表 示单位数据量的汇聚能耗，为数据汇聚后的数据量，可通过式(2) 计算，

$\tilde{m}\left(v\right)=\max (m_0\left(u\right),m_0\left(v\right))+\min (m_0\left(u\right),m_0\left(v\right))(1-{\rho }_{\mathrm{uv}})---\left(2\right)$

其中，ρ_uv表示节点u和v之间的相关系数；

(4-2)当节点v有K(K≥2)个子节点u₁，u₂，…，u_K时，采用逐步汇聚的 方法求出每个子节点在节点v处的汇聚得益，即首先由式(2)数据汇聚后 的数据量根据式(1)求出汇聚得益Δ(u₁，v)；然后令根据式(2)和式(1)可分别求出子节点u₂到达v后，汇聚后的数据量和汇聚得益Δ(u₁，u₂，v)，重复上述步骤，求出所有子节点在v汇聚后的汇聚得 益Δ(u₁，u₂，…，u_K，v)。

在上述技术方案中，所述自适应汇聚判断如下：

(1)如果汇聚得益大于0，则在节点v处进行汇聚；

(2)如果汇聚得益不大于0，直接将数据按传输路径发送至Sink节点。

本发明方法综合考虑了汇聚开销和传输开销，仅在汇聚得益大于零的 节点进行汇聚，避免了不必要的汇聚开销，解决了传统汇聚路由算法中汇 聚次数过多的问题。其次，本方法对自适应汇聚后的数据采用基于第二代 小波分解的零树编码算法(EZC-SGW)将处理后数据进行压缩，进一步减 少了数据传输量，节约了网络能耗。本发明适应于不同类型的传感器网络， 尤其适合于监测数据为声音、图像或视频的传感器网络中。

附图说明

图1是本发明基于第二代小波零树编码的最小能耗自适应汇聚路由方 法的操作流程图；

图2是本发明采用EZC-SGW编码算法的能耗测试图；

图3是在Omnet++环境下本发明与其他相关算法的仿真结果性能比较 图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明。

如图1所示，基于第二代小波零树编码的最小能耗自适应汇聚路由方 法包括以下步骤：

步骤S101：网络初始化设置。

设网络G＝(V，E)中边e＝(u，v)的权重ω(e)为传输单位数据时网络能耗， 其中V表示所有的源节点和Sink节点，E表示所有源节点和Sink节点之间 的传输链路；本发明就是在考虑数据汇聚能耗的前提下，寻找一条传输路 径，使得所有节点沿该路径把数据发送至Sink节点时能耗最小，也即寻找 无线传感器网络G＝(V，E)的一个包含所有信息源节点及Sink节点的子图 G^*＝(V^*，E^*)，使得达到最小，E_A(e)为汇聚能耗、E_T(e)为传 输能耗。

步骤S102：分别利用Prime算法和Dijkstra算法计算以Sink节点为根 节点的最小生成树MST和最短路径树SPT。

步骤S103：构造α-平衡生成树(α-BST)。

在数据汇聚路由中，如果交汇点数据间的融合度都为100％，则最小能 耗汇聚树是以Sink为根节点的最小生成树MST；如果交汇点数据间的融合 度都为0，则最小能耗汇聚树是以Sink为根节点的最短路径树SPT。在一 般的无线传感器网络中，节点监测数据间的融合度通常是介于0和1之间。 因此，本发明构造一棵性能介于最小生成树SPT和最短路径树MST之间的 α-BST作为初始传输路径，以适应不同类型的传感器网络。

α-BST的构造包括以下步骤：

(1)给定α＞1的值，本实施例中，时α-BST的综合性能最优。

(2)为最小生成树MST中的每一个节点v分配一个变量d(v)，用来记录 v到根节点的路径权重和。初始时，对MST中的每个非根节点v，令d(v)＝∞； 对根节点r＝Sink，令d(r)＝0。

(3)遍历最小生成树MST，遍历过程中对每个节点v，判断该节点在最 小生成树MST中到根节点的路径权重和是否超过最短路径树SPT中v到根 节点的路径权重和的α倍：如果超过，则把最短路径树SPT中v到根节点的 路径边添加至当前网络中，调整d(v)的值为最短路径树中v到根节点的路径 权重和；否则，保持v的路径不变。

(4)在后继的遍历中，如果某个节点v的路径权重和值d(v)变小，那么 遍历到与v直接相连的节点u时，对u到Sink的路径权重和d(u)的值和传输 路径作以下调整：如果d(u)＞ω(u，v)+d(v)，则d(u)调整为d(u)＝ω(u，v)+d(v)， u到r的路径调整为u→v →path(v，r)，其中path(v，r)表示在当前最小生成树 MST中v到根节点r的路径；否则，u到Sink的路径权重和d(u)及传输路径 保持不变。当最小生成树MST的所有节点遍历完成后，记调整后的生成树 结构为α-BST。

以下分两步说明上述构建的α-BST的性能介于最短路径树SPT和最小 生成树MST之间，并且当时α-BST的综合性能最优。

(a)在α-BST中所有边的权重和不超过最小生成树MST权重和的 $(1+\frac{2}{\alpha -1})$倍。

设v₀＝Sink。在遍历最小生成树MST的过程中，所有节点可以分为两类： 一类是被添加了最短路径边的节点，另一类是其余节点。假设共有K个节 点被添加了最短路径边，分别记为v₁，v₂，…，v_K，当节点v_i(1≤i≤K)在最短 路径树SPT中的最短路径边被添加后，它在当前平衡树结构中到根节点的 路径权重和等于SP(v_i，S)。设v_i到Sink的路径权重和为d(v_i)，考察当v_i-1的 最短路径边被添加后对d(v_i)的影响：由于v_i-1被添加了最短路径边，所以当 访问到节点v_i时d(v_i)可能会被调整，根据α-BST的构造方法，此时如果 d(v_i)≤SP(v_i-1，S)+MS(v_i-1，v_i)，则d(v_i)应保持不变，其中MS(v_i-1，v_i)表示在MST 中v_i到v_i-1的路径权重和；如果d(v_i)＞SP(v_i-1，S)+MS(v_i-1，v_i)，则d(v_i)应调整 为d(v_i)＝SP(v_i-1，S)+MS(v_i-1，v_i)，因此，当v_i-1的最短路径边被添加后，d(v_i)一 定满足

d(v_i)≤SP(v_i-1，S)+MS(v_i-1，v_i)，                 (3)

因为节点v_i被访问后，其最短路径边最终被添加到当前网络中，所以可知调 整后的d(v_i)也一定满足

d(v_i)＞αSP(v_i，S)                                (4)

由式(3)和式(4)可知αSP(v_i，S)＜SP(v_i-1，S)+MS(v_i-1，v_i)。

将上式从1到K累加并移项得

$(\alpha -1)\underset{i=1}{\overset{K}{\Sigma }}\mathrm{SP}(v_i,S)<\underset{i=1}{\overset{K}{\Sigma }}\mathrm{MS}(v_{i-1},v_i)---\left(5\right)$

因为在深度优先遍历时最小生成树的每条边都被访问了两次，因此

$\underset{i=1}{\overset{K}{\Sigma }}\mathrm{MS}(v_{i-1},v_i)\le 2\omega \left(\mathrm{MST}\right)---\left(6\right)$

联合式(5)和式(6)可得

因此，最后所得到的α-BST的权重和即在 α-BST中所有边的权重和不超过最小生成树MST权重和的倍。

(b)从α-BST的构造过程可知，每个源节点v到Sink节点的路径权重 和不超过该节点在最短路径树SPT中到Sink节点路径权重和的α倍。令 则α和β分别代表α-BST与SPT和MST在性能上的相似程度， 使用γ＝α+β来综合衡量α-BST的性能。在汇聚路由的构造中，当γ达到最 小值时，α-BST的综合性能达到最优，通过计算可知，当时，γ 的值最小。所以本发明以时的平衡生成树作为自适应汇聚路由算 法的初始传输路径。

步骤S104：在所述α-平衡生成树中，如果节点v到Sink节点的路径是 最短传输路径，令该节点v的判断标识θ(v)＝0；否则，令该节点v的判断标 识θ(v)＝1；

步骤S105：在数据传输的过程中，对于θ(v)＝0的节点，计算其汇聚得 益，并进行自适应汇聚，然后利用零树编码算法对自适应汇聚后的数据进 行压缩，将压缩后的数据沿最短传输路径直接发送至Sink节点，在Sink节 点处进行解压；对于θ(v)＝1的节点，如果数据在v处的汇聚得益大于0，则 进行汇聚处理，把汇聚后的数据利用零树编码算法进行压缩，并按传输路 径向Sink节点发送；否则，节点v将其自身数据压缩后按传输路径发送到 下一跳节点，而节点v的各子节点从最短路径树SPT中获取各自的最短路径 边，每个子节点将自身数据利用零树编码算法压缩，按各自的最短路径边 直接发送至Sink节点，在Sink节点处进行解压。

上述数据汇聚得益通过以下步骤计算：

无线传感器网络中，边e＝(u，v)上的汇聚得益Δ(u，v)＝ΔE_T-E_A，其中ΔE_T表示在该边上进行数据汇聚后所节省的传输能耗，E_A表示汇聚能耗，节点u 和v的数据在v进行汇聚。汇聚后数据量的减少由两节点间的数据相关性所 决定，根据空间数据相关性模型可知，节点u，v间的相关系数ρ_uv为：ρ_uv＝0， 当d＞r_C时；当d≤r_C时。其中r_S表示节点的感知范围，r_C＝2r_S表 示节点间的相关范围，d表示两节点间的距离。

汇聚得益的计算分两种情况：

(1)当v只有一个子节点u时，汇聚得益通过式(1)计算得出，

$\Delta (u,v)=\Delta E_T-E_A=[(m_0\left(u\right)+m_0\left(v\right))-\tilde{m}\left(v\right)]T(v,S)-\left[(m_0\left(u\right)+m_0\left(v\right))\right]q\left(e\right)---\left(1\right)$

其中T(v，S)表示单位数据从节点v沿汇聚树路径发送至Sink的传输能耗， q(e)表示单位数据量的汇聚能耗，m₀(u)和m₀(v)和分别表示汇聚前节点u和v 自身采集的数据量，表示汇聚后的数据量，可通过式(2)计算，

$\tilde{m}\left(v\right)=\max (m_0\left(u\right),m_0\left(v\right))+\min (m_0\left(u\right),m_0\left(v\right))(1-{\rho }_{\mathrm{uv}})---\left(2\right)$

其中，ρ_uv表示节点u和v之间的相关系数；

(2)当v有K(K≥2)个子节点u₁，u₂，…，u_K时，采用逐步汇聚的方法求每 个子节点在节点v处的汇聚得益：根据式(2)可求出数据汇聚后的数据量 根据式(1)可求出汇聚得益Δ(u₁，v)；令根据式(2)和 式(1)可分别求出子节点u₂到达v后，汇聚后的数据量和汇聚得益 Δ(u₁，u₂，v)；以此类推，可以求出所有子节点在v汇聚后的汇聚得益 Δ(u₁，u₂，…，u_K，v)。

根据上述所得的汇聚得益，对自适应汇聚的判断如下：

(1)如果汇聚得益大于0，则在节点v处进行汇聚可以减小网络能耗；

(2)如果汇聚得益不大于0，直接将数据按传输路径发送至Sink。

如果节点v的子节点u的数据在v不需要进行汇聚，那么在以后的传输 路径中，u的数据也都不需要再进行汇聚。

在α-BST中，设u向Sink发送数据的路径为：u→v→w→…→Sink。 因为节点u在v处经判断不需要进行汇聚，所以汇聚得益Δ(u，v)＜0。由最小 生成树的性质可知，u到v的距离比u到最小生成树上其他节点的距离都要 小，所以一定有d(u，w)≥d(u，v)。由于相关系数随着节点间距离的增大而减小， 所以ρ_uw≤ρ_uv。由汇聚得益的计算方法可知，汇聚得益随着相关系数的减小 而减小，所以Δ(u，w)≤Δ(u，v)＜0，也即u在w处及以后的传输路径中都不需要 进行汇聚，可以直接将数据传输至Sink。

下面计算EZC-SGW算法自身的能耗，并说明本发明采用EZC-SGW编 码算法进行数据压缩可以节约网络能量。

本发明选择Sim-panalyzer系统作为EZC-SGW算法压缩能耗的测试平 台。CPU工作时的能耗包括静态能耗和动态能耗两部分，通常静态能耗是 一定值，而动态能耗与处理程序的复杂度和处理数据有关。CPU动态能耗 E_total采用如下通用测量模型：

$E_{\mathrm{total}}=C_{\mathrm{total}}{V}_{\mathrm{dd}}^2+V_{\mathrm{dd}}\left(I_0{e}^{\frac{V_{\mathrm{dd}}}{{\mathrm{nV}}_T}}\right)\left(\frac{N}{f}\right)$

其中，N表示在执行给定的程序任务时CPU需要运行的周期数，C_total表 示所执行的算法中总的开关电容量，一般与N成正比关系。f表示CPU的 时钟频率，V_dd表示CPU的内核供电电压，f和V_dd可根据需要自行配置，本 发明取f＝100MHz，V_dd＝1.5V。I₀和n是CPU的内核参数，分别设置为 I₀＝1.196mA，n＝21.26。测试中，分别选用5幅标准的灰度测试图像作为节 点感知数据，将图像的尺寸从128×128像素增长到512×512像素，增长速 率为16×16像素，模拟节点感知数据量的变化，将测试图像所得的实验数 据取均值，作为最终的实验结果。实验结果表明，EZC_SGW编码算法的总 能耗随着输入数据量的增加而相应增加，而单位数据量的压缩/解压能耗 E_com＝E_decom≈40nJ/bit，如图2所示。

下面说明节点数据经EZC-SGW压缩后再传输一定能够节省网络能量。

在本发明中，根据节点数据的后继传输方式可以把节点分为两类：一 类是将数据按汇聚路由的传输路径继续发送，在后继的传输过程中，需要 对数据继续进行汇聚；另一类是将数据直接按最短路径发送至Sink节点， 在后继的传输过程中，都不再进行汇聚。设EZC-SGW算法的压缩比率为τ， 当无损压缩时，6≤τ≤8；当有损压缩时，20≤τ≤40。节点v的数据量为k， 节点v和u之间的距离为d。

如果节点v属于上述第一类节点。当数据在节点v中被压缩后，在v的 下一跳节点u中，需要解压后才能进行汇聚。此时需要比较数据压缩前从v发 送到u时的传输能耗E₀(v，u)，是否大于压缩后的传输能耗与压缩/解压能耗 之和E₁(v，u)。如果E₀(v，u)＞E₁(v，u)，表明压缩是有效的；否则，表明压缩是 无效的。采用自由空间通信模型，如果对节点v的数据不进行压缩，直接发 送到节点u，则消耗的网络能量为：

E₀(v，u)＝E_Tx-elec(k)+E_Tx-amp(k，d)+E_Rx(k)＝k·(2E_elec+ε_fsd²)

将节点v的数据采用EZC-SGW压缩后发送至u所消耗的网络能量为：

$E_1(v,u)=E_{\mathrm{Tx}-\mathrm{elec}}(k/\tau )+E_{\mathrm{Tx}-\mathrm{amp}}(k/\tau ,d)+E_{\mathrm{Rx}}(k/\tau )+k(E_{\mathrm{comp}}+E_{\mathrm{decom}})$

$=\frac{k}{\tau }·({2E}_{\mathrm{elec}}+{ϵ}_{\mathrm{fs}}{d}^2)+{2\mathrm{kE}}_{\mathrm{comp}}$

如果数据压缩有效，则应有E₀＞E₁，即

$k·(2E_{\mathrm{elec}}+{ϵ}_{\mathrm{fs}}{d}^2)>\frac{k}{\tau }·({2E}_{\mathrm{elec}}+{ϵ}_{\mathrm{fs}}{d}^2)+2k·E_{\mathrm{comp}}$

化简得$\tau >\frac{{2E}_{\mathrm{elec}}+{ϵ}_{\mathrm{fs}}{d}^2}{{2E}_{\mathrm{elec}}+{ϵ}_{\mathrm{fs}}{d}^2-{2E}_{\mathrm{comp}}}$

求极值得τ＞5时，压缩是有效的，其中E_comp＝40nJ/bit，E_elec＝50nJ/bit， ε_fs＝10pJ/bit/m²。

如果节点v属于上述第二类节点，假设节点v需要经过n跳将数据传送 至Sink节点，第i跳时两点间的距离为d_i。如果对其数据不进行压缩，直接 发送至Sink节点，则所消耗的网络能量为：其中${\bar{d}}^2=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{d}_i^2.$

采用EZC_SGW编码算法对数据进行压缩后，再转发至Sink节点所消 耗的总能量为：

$E_1(v,\mathrm{Sink})=\frac{k}{\tau }·[(2n-1)E_{\mathrm{elec}}+{\mathrm{nϵ}}_{\mathrm{fs}}{\bar{d}}^2]+k·E_{\mathrm{comp}}$

如果数据压缩对节省网络能量有效，则应有E₀＞E₁，即

$k·[(2n-1)E_{\mathrm{elec}}+{\mathrm{nϵ}}_{\mathrm{fs}}{\bar{d}}^2]>\frac{k}{\tau }[(2n-1)E_{\mathrm{elec}}+{\mathrm{nϵ}}_{\mathrm{fs}}{\bar{d}}^2]+k·E_{\mathrm{comp}}$

化简可知τ应满足

$\tau >\frac{(2n-1)E_{\mathrm{elec}}+{\mathrm{nϵ}}_{\mathrm{fs}}{\bar{d}}^2}{(2n-1)E_{\mathrm{elec}}+{\mathrm{nϵ}}_{\mathrm{fs}}{\bar{d}}^2-E_{\mathrm{comp}}}$

求极值得：如果τ＞5，压缩有效。

由于EZC_SGW算法的压缩比率至少为6，所以，对于网络中任意节点 数据采用EZC-SGW算法压缩后再传输一定可以节省网络能量。

下面在Omnet++平台上将本发明基于第二代小波零树编码算法的最小 能耗自适应汇聚路由方法(CMEAAT)与GIT、DAGP、AFST汇聚路由算 法进行比较说明。假设100个节点随机分布在100m×100m的正方形区域内， 网络中只有一个Sink节点，节点的最大通信半径R＝30m，每个节点在一个 监测周期内采集到的数据是一个2000bit的数据包。本实施例将相关半径r_S的取值范围选择为[0.05m，500m]，以使得数据间的融合度从0到1变化，从 而模拟不同融合度的传感器网络。为了测试不同类型网络的性能，选取3 种不同的单位汇聚开销进行实验，分别为轻度汇聚开销q₀＝10nJ/bit；中度 汇聚开销q₀＝60nJ/bit；重度汇聚开销q₀＝120nJ/bit，对每种实验进行20次仿 真，取各次仿真实验结果的均值作为最终结果，分别如图3-1、图3-2和图 3-3所示。结果表明，在轻度汇聚开销的网络中，本发明方法的总能耗与 GIT、AFST和DAGP相比分别减小了约27％、25％和24％；在中度汇聚开 销的网络中，本发明方法的总能耗与GIT、AFST和DAGP相比，分别减小 了约47％、42％和39％；在重度汇聚开销的网络中，本发明方法的总能耗 与GIT、AFST和DAGP相比，分别减小了约56％、43％和48％。综上所述， 本发明方法能有效地节省能量，提高网络的生存周期，特别是对于一些监 测声音、图像或视频等重度汇聚开销的网络中，本发明方法的效果非常明 显。