移动无线传感器网络中基于核函数的压缩数据收集方法

摘要

本发明涉及一种移动无线传感器网络中基于核函数的压缩数据收集方法，其特征在于，包括以下步骤：步骤S01：基于随机游走算法收集传感器节点的数据；步骤S02：根据所述随机游走算法设计随机测量矩阵；步骤S03：设计稀疏表示矩阵；步骤S04：根据所述随机测量矩阵与稀疏表示矩阵对步骤S01收集到的传感器节点的数据进行压缩感知恢复。本发明提高了数据收集的效率，降低了节点能耗，减少了数据的收集时间，提高了数据收集的可靠性，进而延长网络的生命周期。

说明书

技术领域

本发明涉及一种移动无线传感器网络中基于核函数的压缩数据收集方法。

背景技术

在过去的几年时间里，大规模的无线传感网络已被广泛用于各种应用领域，如环境监测、智能交通和安全监视等方面。无线传感网络通常是由大量的传感器节点组成，传感器节点采集数据，并通过路由方式传送到汇聚节点。如果传感器节点直接传输采集到的原始数据是不切实际的,这将会消耗大量的能量，并且还会降低传感网络的生命周期；而且采用路由方式进行数据传输时，很容易造成所谓的瓶颈效应，即汇聚节点周围的传感器节点由于需要传输更多的数据而导致最先消耗完能量。由于传感数据具有一定的时空相关性，因此可以运用一些传统的方法对传感器数据进行处理(比如数据压缩算法),但这使得传感器节点需要较复杂的计算，增加了传感器节点的工作负担。

近几年来,压缩感知理论的出现给无线传感网络中的数据收集方法带来了一个全新的解决问题的视角。通过压缩感知理论不仅可以减少传输时的能量消耗，而且也可以降低所谓的瓶颈效应所带来的问题。压缩感知理论允许以少量随机测量信号以高概率准确恢复或近似恢复出全部原始信息。

最近,已有大量的工作研究如何运用压缩感知理论实现无线传感网络中高效的数据收集问题。在这些研究工作中,总的来说,大约有两大类的方法。第一类是基于层次结构的传感数据收集方法，另一类是基于有效的路由方式的传感数据收集方法。在第一类中,传感器数据是从传感器节点处收集数据并且以树或簇的方式进行聚集压缩，并形成随机测量数据。在第二类中,大多数现有的工作重点放在如何设计有效的路由算法上，大多数方案主要是利用设计稀疏随机测量矩阵来降低数据收集的传输成本。然而,上述两种方案在部署时往往会遇到如下问题：首先,基于树或簇的方法需要维护整个网络的拓扑结构,从而大大增加了信息传输的通信成本。此外,在层次结构的传感网络中,一些负责转发传感器数据的特定节点或簇头,不可避免地将导致该节点上的能量消耗不平衡的问题。另外,基于层次结构和基于路由的两种方法对节点数据传输的失败和信息之间的干扰，都不具有一定的抗差错能力。任何节点数据传输的失败、传输信息之间的相互干扰或者不正确的随机测量数据的计算，都会影响到原始数据的准确恢复。为了克服上述问题,在传统压缩感知理论的基础上，本发明提出了一种利用移动节点进行传感数据收集的方案。该方案的优点是在数据收集阶段允许移动节点只需沿着随机路径对少量传感器节点的数据进行收集就能近似恢复出网络中的全部传感数据。一方面，利用移动节点进行数据收集，可以减少传感器节点的能量消耗。这是因为移动节点不需要配备一个功率较大的收发器,它可以移动到一个传感器节点的周围进行数据收集。另一方面,也没有必要对整个传感网络中的所有节点的连通性进行维护。这是因为他们不需要互相传递数据。因此,在无线传感网络中，利用压缩感知技术并结合移动模式的数据采集方法具有潜在的优势。

发明内容

有鉴于此，本发明的目的在于提供一种移动无线传感器网络中基于核函数的压缩数据收集方法，提高了数据收集的效率，降低了节点能耗，减少了数据的收集时间，提高了数据收集的可靠性，进而延长网络的生命周期。

为实现上述目的，本发明采用如下技术方案：一种移动无线传感器网络中基于核函数的压缩数据收集方法，其特征在于，包括以下步骤：

步骤S01：基于随机游走算法收集传感器节点的数据；

步骤S02：根据所述随机游走算法设计随机测量矩阵；

步骤S03：设计稀疏表示矩阵；

步骤S04：根据所述随机测量矩阵与稀疏表示矩阵对步骤S01收集到的传感器节点的数据进行压缩感知恢复。

进一步的，所述步骤S01的具体内容如下：

步骤S11：移动节点C随机选择一个节点i进行访问，并初始化随机游走长度t＝0；然后所述移动节点C收集所述节点i的数据并将其存储在缓冲区B，此时B＝{x_i}，设置随机游走长度t＝1；

步骤S12：所述移动节点以所述节点i为圆心，传输半径为r(n)的区域内随机选择节点j作为下一个节点进行访问，其中j＝{j∈N:(i,j)∈ε}，N为网络中所有节点的集合，ε为网络中连接节点i和j的一条边；然后所述节点C收集所述节点j的数据并将其存储在缓冲区B，此时B＝{x_i,x_j}，递增随机游走长度；

步骤S13：反复使用步骤S12继续对下一个节点进行数据的采集并更新缓冲区B直至|B|＝m，所述移动节点C停止采集；其中|B|为缓冲区B中数据的个数，m为给定的数量阈值。

进一步的，当所述移动节点C访问到的节点是以前遍历过的节点时，缓冲区B的值不改变。

进一步的，所述步骤S02中的随机测量矩阵为Φ：

${\Phi }_{ij}=\left(\begin{array}{c}1,j\in v{r}_i\\ 0,otherwise\end{array}\right)$

其中，Φ_ij为矩阵Φ中第i行，第j列的元素；νr_i为第i个被访问到的节点。

进一步的，所述步骤S03中的稀疏表示矩阵为二维高斯核函数：

$K(x_i,x_j)=e^{-\frac{\left|\right|x_i-x_j|{|}^2}{2{\omega }^2}}$

其中，||x_i-x_j||＝d_ij表示节点i与节点j之间的距离，因此相应的高斯核矩阵表示为：

$K_n=\left(\begin{array}{cccc}{e}^{-\frac{d_{11}^2}{2{\omega }^2}}& e^{-\frac{d_{12}^2}{2{\omega }^2}}& \mathrm{...}& e^{-\frac{d_{1n}^2}{2{\omega }^2}}\\ e^{-\frac{d_{21}^2}{2{\omega }^2}}& e^{-\frac{d_{22}^2}{2{\omega }^2}}& \mathrm{...}& e^{-\frac{d_{2n}^2}{2{\omega }^2}}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ e^{-\frac{d_{n1}^2}{2{\omega }^2}}& e^{-\frac{d_{n2}^2}{2{\omega }^2}}& \mathrm{...}& e^{-\frac{d_{nn}^2}{2{\omega }^2}}\end{array}\right)$

进一步，中心化高斯核矩阵的每一项表示为：

${\tilde{K}}_{ij}=K_{ij}-\frac{1}{n}\underset{l=1}{\overset{n}{\Sigma }}{K}_{ij}-\frac{1}{n}\underset{l=1}{\overset{m}{\Sigma }}{K}_{il}+\frac{1}{n^2}\underset{l=1}{\overset{n}{\Sigma }}\underset{m=1}{\overset{n}{\Sigma }}{K}_{lm}$

其中，K_ij、K_il、K_lm为高斯核矩阵K_n中的元素；

然后,对角化中心化高斯核矩阵即其中Ψ是一个由正交特征向量基组成的特征矩阵，Λ为对角化矩阵，Λ矩阵上的对角化元素为所对应的特征向量基的特征值。

本发明与现有技术相比具有以下有益效果：本发明采用的随机游走算法，使得移动节点只需要一条随机游走即可实现对数据的收集，大大降低了传输能耗及数据收集时间，另外，该方案对网络丢包也具有较强的鲁棒性，提高了数据收集的效率，降低了节点能耗，减少了数据的收集时间，提高了数据收集的可靠性，进而延长网络的生命周期。

附图说明

图1是本发明一实施例基于游走算法的移动节点数据收集方法示意图。

图2是本发明一实施例的数据恢复示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本发明提供一种移动无线传感器网络中基于核函数的压缩数据收集方法，其特征在于，包括以下步骤：

步骤S01：基于随机游走算法收集传感器节点的数据；

步骤S02：根据所述随机游走算法设计随机测量矩阵；

步骤S03：设计稀疏表示矩阵；

步骤S04：根据所述随机测量矩阵与稀疏表示矩阵对步骤S01收集到的传感器节点的数据进行压缩感知恢复。

进一步的，，请参照图1，所述步骤S01的具体内容如下：

步骤S11：移动节点C随机选择一个节点i进行访问，并初始化随机游走长度t＝0；然后所述移动节点C收集所述节点i的数据并将其存储在缓冲区B，此时B＝{x_i}，设置随机游走长度t＝1；

步骤S12：所述移动节点以所述节点i为圆心，传输半径为r(n)的区域内等概率随机选择节点j作为下一个节点进行访问，其中j＝{j∈N:(i,j)∈ε}，N为网络中所有节点的集合，ε为网络中连接节点i和j的一条边；然后所述节点C收集所述节点j的数据并将其存储在缓冲区B，此时B＝{x_i,x_j}，递增随机游走长度，此时t＝2；

步骤S13：反复使用步骤S12继续对下一个节点进行数据的采集并更新缓冲区B直至|B|＝m，所述移动节点C停止采集；其中|B|为缓冲区B中数据的个数，m为给定的数量阈值。

特别的，当所述移动节点C访问到的节点是以前遍历过的节点时，缓冲区B的值不改变，直接跳到下一个节点进行访问。

进一步的，为了实现原始数据的恢复，需要设计随机测量矩阵和稀疏表示矩阵。

所述步骤S02中的随机测量矩阵为Φ，该随机测量矩阵Φ与步骤S01中的随机游走算法息息相关，是一个m×n的布尔型随机矩阵，该处的m表示所遍历的传感器节点的数量，n表示网络中所有传感器节点(不包括移动节点C)，并且每一行只包含一个非零元素，即“1”，每一行中的非零元素代表移动节点C所访问的传感器节点，具体如下：

${\Phi }_{ij}=\left(\begin{array}{c}1,j\in v{r}_i\\ 0,otherwise\end{array}\right)$

其中，Φ_ij为矩阵Φ中第i行，第j列的元素；νr_i为第i个被访问到的节点。

根据随机几何网络的特点，每个节点不可能具有相同的度，即邻居节点的个数，意味着移动节点访问到一个传感器节点的概率并不是相同的，这就导致随机测量矩阵Φ中的非零元素的分布也是不均匀的，在这种情况下，已经证明该随机测量矩阵与稀疏表示矩阵的乘积能满足压缩感知理论中的有限等距性质。

进一步的，由于传感器数据具有空间相关性，某些核函数能够更有效地对不规则网络拓扑结构的传感网络数据进行稀疏化，因此所述步骤S03中的稀疏表示矩阵为二维高斯核函数：

$K(x_i,x_j)=e^{-\frac{\left|\right|x_i-x_j|{|}^2}{2{\omega }^2}}$

其中，x_i∈R²表示第i个传感器节点的坐标(R²表示二维实数)，该节点可表示为均匀分布在[0，1]²上，||x_i-x_j||＝d_ij表示节点i与节点j之间的距离，因此相应的高斯核矩阵表示为：

$K_n=\left(\begin{array}{cccc}{e}^{-\frac{d_{11}^2}{2{\omega }^2}}& e^{-\frac{d_{12}^2}{2{\omega }^2}}& \mathrm{...}& e^{-\frac{d_{1n}^2}{2{\omega }^2}}\\ e^{-\frac{d_{21}^2}{2{\omega }^2}}& e^{-\frac{d_{22}^2}{2{\omega }^2}}& \mathrm{...}& e^{-\frac{2_{2n}^2}{2{\omega }^2}}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ e^{-\frac{d_{n1}^2}{2{\omega }^2}}& e^{-\frac{d_{n2}^2}{2{\omega }^2}}& \mathrm{...}& e^{-\frac{d_{nn}^2}{2{\omega }^2}}\end{array}\right)$

进一步，中心化高斯核矩阵的每一项表示为：

${\tilde{K}}_{ij}=K_{ij}-\frac{1}{n}\underset{l=1}{\overset{n}{\Sigma }}{K}_{ij}-\frac{1}{n}\underset{l=1}{\overset{m}{\Sigma }}{K}_{il}+\frac{1}{n^2}\underset{l=1}{\overset{n}{\Sigma }}\underset{m=1}{\overset{n}{\Sigma }}{K}_{lm}$

其中，K_ij、K_il、K_lm为高斯核矩阵K_n中的元素；

然后,对角化中心化高斯核矩阵即其中Ψ是一个由正交特征向量基组成的特征矩阵，Λ为对角化矩阵，该矩阵上的对角化元素为所对应的特征向量基的特征值。本发明利用Ψ作为稀疏表示矩阵对传感器数据进行稀疏化。因此,传感器数据可以表示成X＝Ψθ,其中θ为的正交变换所对应的系数。

本方案中，收集到的每一个传感器节点的数据即为一个随机投影数据。少量的随机投影数据的丢失对数据恢复的结果影响并不明显(见图2)。而在传统压缩感知方法中，每一个随机投影为多个传感数据的线性组合，丢失一个传感数据将导致一个随机投影数据的计算错误。在相同的丢包率下，传统的压缩感知方法将具有更高的随机投影数据丢失率。因此，本方案具有更强的抗丢包能力。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。