序列预测的农田无线网络簇内数据稀疏基生成方法
【专利摘要】本发明公开一种序列预测的农田无线网络簇内数据稀疏基生成方法，所述方法包括：簇头节点在接收到普通节点上传的环境数据初步融合结果之后，根据普通节点之间的位置关系，得出环境数据初步融合结果之间的空间关联性；簇头节点根据环境数据初步融合结果之间的空间关联性，对环境数据初步融合结果进行二次融合，得到农田无线传感网络簇内数据的融合结果。本发明的方法构建层次型成簇网络，以时间关联性进行监测数据预测，以空间关联性进行簇内数据融合，根据监测数据的周期性变化规律以及空间数据上的稀疏性，快速生成簇内稀疏映射矩阵，减小网络数据通信负载，进而减小网络总体能耗，并最终达到延长网络生命周期，提高网络传输效率的目的。
【专利说明】序列预测的农田无线网络簇内数据稀疏基生成方法
【技术领域】
[0001] 本发明涉及农业【技术领域】，具体涉及序列预测的农田无线网络簇内数据稀疏基生 成方法。
【背景技术】
[0002] 无线传感器网络WSN是一种无基础设施的无线网络，能够实时监测、感知和采集 网络分布区域内的各种环境或监测对象的信息，在农业领域广泛应用，成为指导农业生产， 提高作物产量的关键技术。传统无线传感器网络一般使用电池供电，而面向大规模农田复 杂环境，能量有限的供电电池不能支持足够长的时间。大面积农田监测传感器节点数量众 多，人工更换电池周期长、工作量大，一旦节点电池能量耗尽，网络性能和覆盖范围将受到 很大影响。
[0003] 常用的低能耗设计主要从节点功率控制与节点睡眠调度作为出发点，而网络监测 感知融合则从上层数据层面提供了另一种降低网络能耗的方法。无线传感器网络节点的功 耗可分成三个方面：感知功耗，通信功耗，数据处理功耗。其中感知功耗随应用的特性而变 化。三个功耗中，节点在数据通信方面消耗的能量最大，相比较下，数据处理能耗比数据通 信能耗小得多。在瑞利衰落和四阶功率距离损耗模型下，在l〇〇m距离上发送1KB信息的能 耗约等于1MHz处理器执行300万条指令的能耗。而在WSN中通讯能耗与发送或接收的数 量量成线性关系，如果能减少节点间实际交换的数据量，则可以有效节约能耗，而延长网络 生命周期。节点在空间分布上存在冗余，邻近节点间数据存在高度相关性，从时间上来说， 农田环境变化缓慢，相邻采样时间数据可能无变化或按一定规律进行周期性变化。大量冗 余数据极大的加重了网络传输与处理负担。通过对相同或邻近节点的感知数据进行压缩与 融合，可显著减少节点间的数据传输量，并降低节点能耗。
[0004] 现有无线传感器网络数据融合方法中的定向扩散路由算法采用"抑制副本"的融 合方法，对重复数据不予转发，只是以简单的防冲突方式，避免相同数据的多次转发，只适 用于效率低下的洪泛传播方式。在平面路由结构中，基于链或融合树的数据融合方法，部 分节点数据转发次数多，且整体端到端时延大，且对关键位置节点的依赖性强，网络鲁棒性 差。现有层次型网络数据融合方法主要强调簇头对簇内节点上报信息进行融合，此方法仅 能减小簇头到汇聚节点的数据通信量，并不能节约普通簇内节点的数据通信开销。部分现 有方法在采集节点进行空间相关数据融合，需要交换大量节点信息，数据融合的开销超过 了原始数据直接传输的开销，得不偿失。现有压缩感知技术在构建数据的稀疏表示时需要 引入随机种子序列，而随机序列由接收端生成并发送至采集节点，此部分由算法而引入的 通信开销大大抵消了数据融合可节约的通信能量开销。
[0005] 在无线传感器网络感知融合中需要尽可能的减少节点间通信，现有方法在构建数 据稀疏表示时产生了大量的算法通信开销，从而无法保证数据融合的效果。对于层次型网 络，从簇头处开始进行融合并不能减少簇内数据通信量，从而限制了网络感知融合的性能。 单纯数据层面的数据融合算法一般较为复杂，且压缩比例不高，不适用于资源受限的无线 传感器网络应用场景；网络层数据融合，需要网络拓扑结构信息，不适合于分布式算法；决 策层数据融合，过滤了大量的原始数据，最终只得到决策结果信息，在目前信息化水平并不 是很高的农业生产中显得并不实用。在满足农田环境监测要求的前提下，如何减少基本节 点的通信开销，同时将额外的算法开销尽可能的转移至骨干节点或汇聚节点，降低节点平 均能耗，从而延长网络整体生存周期是需要研究解决的问题。
【发明内容】
[0006] 本发明所要解决的技术问题是如何通过数据融合达到降低节点间通信数据量以 节约能耗延长网络周期。
[0007] 为此目的，本发明提供一种序列预测的农田无线网络簇内数据稀疏基生成方法， 所述方法包括：
[0008] 簇头节点在接收到普通节点上传的环境数据初步融合结果之后，根据普通节点之 间的位置关系，得出所述环境数据初步融合结果之间的空间关联性；
[0009] 簇头节点根据所述环境数据初步融合结果之间的空间关联性，对所述环境数据初 步融合结果进行二次融合，得到农田无线传感网络簇内数据的融合结果。
[0010] 可选的，所述普通节点上传的环境数据初步融合结果通过以下步骤得到：
[0011] 普通节点定时采集并缓存环境数据；
[0012] 普通节点根据所述环境数据之间的时间关联性，对所述环境数据进行初步融合。
[0013] 可选的，所述普通节点根据所述环境数据之间的时间关联性，对所述环境数据进 行初步融合，包括：
[0014] 利用缓存的环境数据预测当前采集的环境数据，得到环境数据预测值，所述环境 数据预测值通过下式得到：
【权利要求】
1. 一种序列预测的农田无线网络簇内数据稀疏基生成方法，其特征在于，所述方法包 括： 簇头节点在接收到普通节点上传的环境数据初步融合结果之后，根据普通节点之间的 位置关系，得出所述环境数据初步融合结果之间的空间关联性； 簇头节点根据所述环境数据初步融合结果之间的空间关联性，对所述环境数据初步融 合结果进行二次融合，得到农田无线传感网络簇内数据的融合结果。
2. 根据权利要求1所述的方法，其特征在于，所述普通节点上传的环境数据初步融合 结果通过以下步骤得到： 普通节点定时采集并缓存环境数据； 普通节点根据所述环境数据之间的时间关联性，对所述环境数据进行初步融合。
3. 根据权利要求2所述的方法，其特征在于，所述普通节点根据所述环境数据之间的 时间关联性，对所述环境数据进行初步融合，包括： 利用缓存的环境数据预测当前采集的环境数据，得到环境数据预测值，所述环境数据 预测值通过下式得到：
其中，SH'k为第k个环境数据的预测值，ESk(i)为第k个环境数据的缓存值，i为环境 数据的缓存值的时间逆序，ak(i)为环境数据的缓存值的时间关联因子； 利用天气模型对所述环境数据预测值进行修正，得到环境数据修正值，所述环境数据 修正值通过下式得到： SHk =ff(t)XSffk ； 其中，SHk为第k个环境数据的修正值，W(t)为天气模型，W(t) =kXt+d;其中，k、d为 天气模型因子，由汇聚节点确定，t为当前采集时间； 将所述环境数据修正值与当前采集的环境数据进行差分处理，得到差分结果； 根据预设的传感器精度，对所述差分结果进行滤波修正，得到滤波修正结果，所述滤波 修正结果为环境数据初步融合结果。
4. 根据权利要求3所述的方法，其特征在于，所述簇头节点在接收到普通节点上传的 环境数据初步融合结果之后，根据普通节点之间的位置关系，得出所述环境数据初步融合 结果之间的空间关联性，包括： 簇头节点根据普通节点上传的环境数据初步融合结果以及普通节点之间的位置关系， 得到环境数据初步融合结果之间的空间关联性矩阵C;
其中，C中的元素Cy =(1-卜-xjxQ，Xi、Xj为簇内节点i和j的环境数据初步融 合结果，η为簇内节点个数，所述簇内节点包括簇头节点和普通节点，&为簇内节点i和j 的空间关联性的历史均值，簇头节点首次接收普通节点上传的环境数据初步融合结果时， At。：；；
其中，〇(i，j)为簇内节点i与j之间的欧氏距离，Rs为簇内节点通信半径。
5. 根据权利要求4所述的方法，其特征在于，所述簇头节点根据所述环境数据初步融 合结果之间的空间关联性，对所述环境数据初步融合结果进行二次融合，得到农田无线传 感网络簇内数据的融合结果，包括： 簇头节点根据环境数据初步融合结果之间的空间关联性矩阵C，得到映射基Ψ: C=X·Xt =Ψ·A·Ψτ ； 其中，X= [X1,χ2,...Xi, ...，xn]'Xi为簇内节点i的环境数据初步融合结果，η为簇内 节点个数，所述簇内节点包括簇头节点和普通节点，Λ为对角阵； 簇头节点根据所述映射基Ψ，计算环境数据初步融合结果的稀疏性λ，并将λ上传至 汇聚节点，λ通过下式计算： λ=I|ψ·Χ| 1〇; 簇头节点在接收到汇聚节点发送的观测矩阵之后，对环境数据初步融合结果进行基于 观测矩阵的欠采样，完成对环境数据初步融合结果的二次融合，得到农田无线传感网络簇 内数据的融合结果。
6. 根据权利要求5所述的方法，其特征在于，所述观测矩阵为汇聚节点在接收到簇头 节点上传的λ之后，按高斯分布构建的!11行η列矩阵φ，η为簇内节点个数，m为欠采样数 量，满足λ<m〈〈n，Au为观测矩阵Φ位于第i行第j列位置的元素，且以概率Pu服从高斯 分布，其中，
相应地，所述农田无线传感网络簇内数据的融合结果为Y，满足：Y=ΦΨΧ。
7. 根据权利要求6所述的方法，其特征还在于，所述方法进一步包括： 汇聚节点在接收到簇头节点上报的农田无线传感网络簇内数据的融合结果之后，进行 解算重构，恢复原始采集数据，具体包括： 汇聚节点对观测矩阵Φ求逆，得到观测矩阵Φ的逆矩阵; 汇聚节点根据簇头节点上报的农田无线传感网络簇内数据的融合结果Y以及所述逆 矩阵ΦΛ得到重构中间数据矩阵D: D=Φ_1Υ； 汇聚节点对簇头节点上报的映射基求逆，得到映射基的逆矩阵; 汇聚节点根据所述重构中间数据矩阵D以及所述逆矩阵ΨΛ得到重构数据向量Xr =Ψ_1?； 汇聚节点根据环境数据的修正值向量SH与所述重构数据向量I，得出环境数据的测量 值向量ES: ES=SH-Xr〇
【文档编号】H04W16/22GK104469797SQ201410712457
【公开日】2015年3月25日 申请日期:2014年11月28日 优先权日:2014年11月28日
【发明者】吴华瑞, 孙想, 缪祎晟, 顾静秋, 朱华吉 申请人:北京农业信息技术研究中心