基于邻居辅助的无线传感器网络数据采集方法与流程

本发明属于信号处理领域，更进一步涉及无线传感器网络数据采集方法，可用于对时空相关的无线传感器网络数据的高效收集及保证高精度的数据恢复。

背景技术：

近年来，压缩感知理论为数据采集技术带来了新的革命，在该理论框架下，可以实现远低于奈奎斯特频率的信号采集，大大降低了采样开销。压缩感知应用在无线传感网络中面临的难题是如何合理的设计采样方法及步骤，在数据收集过程中对应的采样矩阵满足零空间性质或约束等距性条件RIP的同时，使得信号采集过程尽可能的简单高效、易于实现。

上海交通大学的专利申请“一种基于分布式存储的无线传感网的数据融合方法”(公开号：CN103781116A，申请号：CN201310534263.6，申请日：2013年11月1日)中公开了一种分布式存储的无线传感网的数据融合方法。该方法在每个节点处对采集到的数据进行了压缩，并将压缩数据多次广播给邻居节点，可以显著减少采样数据量在总数据量中的占比。该方法存在的不足是，多次广播的步骤会产生大量的冗余数据，使得网络效率降低。

中国人民解放军重庆通信学院的专利申请“一种用于IR-UWB无线传感器网络数据的二维压缩感知方法”(公开号：CN103716809A，申请号：CN201310743878.X，申请日：2013年12月30日)中公开了一种用于IR-UWB无线传感器网络数据的二维压缩感知方法。该方法在每个传感器节点处进行采样并测量，然后将测量后的数据传输到汇聚节点，在汇聚节点处进行欠采样恢复数据，可以降低数据传输对采样速率的要求。该方法存在的不足是，传感器节点需要对采集的数据进行编码，却并未对采集的数据进行压缩，导致网络中发送的数据量较多。

中国人民解放军信息工程大学的专利申请“基于压缩感知的动态分簇无线传感网数据收集方法及装置”(公开号：CN104618947A，申请号：CN201510054984.6，申请日：2015年2月3日)中公开了一种基于压缩感知的动态分簇无线传感器网络数据收集方法。该方法将距离事件源一定距离内的传感器节点分簇，并在每个簇中采用基于压缩感知方法进行数据收集，可以动态的响应事件源的变化。该方法存在的不足是，分簇变动频繁，网络维护开销大，并且只对簇内节点进行压缩感知数据收集，压缩效率不理想。

南京邮电大学的专利申请“基于网络编码与压缩感知的传感网络分簇式空时压缩方法”(公开号：CN105025498A，申请号：CN201510310067.X，申请日：2015年6月8日)中公开了一种基于网络编码与压缩感知的传感网络分簇式空时压缩方法。该方法融合网络编码与压缩感知理论提出了一个分簇式空时压缩方法，对感知数据空时相关性进行了深度挖掘，保证了压缩数据的重建具有更低的重建误差。该方法存在的不足是，每个传感器节点都需要进行压缩感知测量及网络编码，计算复杂度较高。

综上所述，由于现有无线传感器网络中基于压缩感知的数据收集方法，其数据采样汇聚过程具有传感器节点处计算复杂度高、网络开销较大、网络压缩及恢复效率不理想的特点，难以实现低复杂度、低开销的数据收集及保证高精度的数据恢复。

技术实现要素：

本发明的目的在于针对无线传感器网络中基于压缩感知的数据收集过程中面临的不足，提出基于邻居辅助的无线传感器网络数据采集方法，以减小计算复杂度和网络开销，提高网络压缩效率及数据恢复精度。

实现本发明目的思路是，传感器节点在每个测量周期结束时，通过一小部分节点将本周期的原始数据发送给随机选择的一个邻居节点，由邻居节点将收到的数据与自身采集的数据混合，采用低复杂度压缩感知测量方法对混合数据进行测量压缩，并将压缩数据直接发送给汇聚节点。

本发明的实现步骤包括：

(1)采样初始化：

将传感器节点数的大小初始化为正整数N；将需要采集的传感器节点数初始化为正整数M；将每个采样周期的采样点数初始化为正整数t；将传感器节点的输出样本数初始化为正整数r；将分片长度初始化为正整数d；

(2)网络初始化：

(2a)对N个传感器节点按顺序进行编号；

(2b)从N个传感器节点中随机选取M个传感器节点，给所选取的M个传感器节点发送采集指令；

(2c)收到采集指令的传感器节点组成信息采集节点集合S；

(2d)信息采集节点集合S中的每一个传感器节点，请求并获取在自己单跳通信范围内的其它传感器节点的编号，组成与自己对应的邻居编号集合；

(2e)信息采集节点集合S中的每一个传感器节点，从与自身对应的邻居编号集合中任意选择一个邻居编号，并将该邻居编号对应的传感器节点标记为邻居中继节点，所有被标记的邻居中继节点组成邻居中继节点集合R；

(3)信息发送：信息采集节点集合S中的每一个传感器节点，将自己在采样周期内采集的传感器数据发送给所选择的邻居编号对应的邻居中继节点；

(4)融合采样：

(4a)邻居中继节点集合R中的每一个传感器节点，将收到的传感器数据与自己在采样周期内采集的传感器数据进行拼接，生成对应的混合数据向量；

(4b)邻居中继节点集合中R的每一个传感器节点采用洗牌算法将与自己对应的混合数据向量置乱，生成对应的置乱数据向量；

(4c)邻居中继节点集合R中的每一个传感器节点，将与自己对应的置乱数据向量依次划分成长度为d的多个分片置乱向量，组成对应的分片置乱向量集合；

(4d)邻居中继节点集合中R的每一个传感器节点，将与自己对应的分片置乱向量集合中的每一个向量进行沃尔什-哈达玛变换，并将变换后的向量顺序拼接，生成与自身对应的已变换向量；

(4e)邻居中继节点集合R中的每一个传感器节点从与自己对应的已变换向量中随机地选取r个向量元素，组成对应的输出样本向量；

(5)邻居中继节点集合中R的每一个传感器节点，将与自己对应的输出样本向量通过多跳方式发送给汇聚节点，完成数据采集。

与现有的模型相比，本发明具有以下优点：

第一，本发明提出的数据压缩采集方法网络开销更少。每个收集周期只有一小部分节点参与数据收集，其中，采样节点不需要进行数据测量和压缩运算，每个采样节点只选择一个邻居节点，数据包在发送过程中不需要多次融合，从而使得本发明获得更低的通信成本和更高的能量效率。

第二，本发明将结构化随机测量的思想引入基于克罗内克积的压缩感知理论中，保证了压缩数据能够被高精度恢复。

附图说明

图1是本发明的实现流程图；

图2是本发明采集到数据的恢复性能曲线。

具体实施方式

下面结合附图对本发明做进一步描述。

参照图1，本发明的具体实施步骤如下。

步骤1.采样初始化。

将传感器节点数的大小初始化为正整数N；

将需要采集的传感器节点数初始化为正整数M；

将每个采样周期的采样点数初始化为正整数t；

将传感器节点的输出样本数初始化为正整数r；

将分片长度初始化为正整数d；

其中分片长度d须为2的整数次幂，或d除以12，其商为2的整数次幂，或d除以20，其商为2的整数次幂。

在本发明的实施例中，取N＝64；M＝16；t＝32；r＝8。

步骤2.网络初始化。

2.1)对N个传感器节点按顺序进行编号，本实施例中将所有传感器节点从1到64进行编号，编号后的传感器节点集合为{nm}，m∈[1,64]；

2.2)从N个传感器节点中随机选取M个传感器节点，组成编号集合，本发明实施例中，所选取的16个传感器节点的编号依次为46，47，24，42，18，62，37，32，20，38，8，12，7，48，5，58，并给所选取的这16个传感器节点发送采集指令；

2.3)收到采集指令的传感器节点组成信息采集节点集合S＝{np|p∈B}，本发明实施例中，B＝{46，47，24，42，18，62，37，32，20，38，8，12，7，48，5，58}，将编号在B中的信息采集节点依次记做Si，i∈[1,16]，即S1＝n46，S2＝n47，S3＝n24，…，S16＝n58；

2.4)信息采集节点集合S中的每一个传感器节点，请求并获取在自己单跳通信范围内的邻居传感器节点的编号，即获得周围能够与自己能直接通信的传感器节点的编号，组成对应的邻居编号集合；

本发明实施例中，传感器节点Si请求并获取在自己单跳通信范围内的其它传感器节点的编号组成该节点对应的邻居编号集合。例如：编号为46的信息采集节点S1对应的邻居节点编号集合为{21，36，50}，编号为24的信息采集节点S2对应的邻居节点集合为{43，64}；

2.5)信息采集节点集合S中的每一个节点Si，从与自身对应的邻居编号集合中任意选择一个邻居编号，并将该邻居编号对应的传感器节点标记为邻居中继节点，所有被标记的邻居中继节点组成邻居中继节点集合R，本发明的实施例中，编号为46的信息采集节点S1对应的邻居节点编号集合为{21，36，50}，选取的邻居节点编号为36，以此类推，最终选取的邻居节点组成的邻居中继节点集合R＝{nq|q∈C}，C＝{36，56，43，19，22，35，1，6，54，29，15，44，59}，将编号在C中的信息采集节点依次记做Ri,i∈[1,16],即R1＝n36，R2＝n56，R3＝n43，…，R16＝n59。

步骤3.信息发送：

信息采集节点集合S中的每一个节点，将自己在采样周期内采集的传感器数据发送给所选择的邻居编号对应的邻居中继节点；本发明的实施例中，编号在集合B中的传感器节点Si将自己的数据vi，发送给对应的编号在C中的邻居传感器节点Ri，其中i∈[1,16]。

步骤4.融合采样：

4.1)邻居中继节点集合R中的每一个节点Ri，i∈[1,16]，将收到的传感器数据vi与自己在采样周期内采集的传感器数据ui进行拼接，生成对应的混合数据向量

4.2)邻居中继节点集合中R的每一个节点Ri，采用洗牌算法将与自己对应的混合数据向量置乱，生成对应的置乱数据向量Wi；

4.3)将每一个置乱数据向量Wi依次划分成长度为4的个分片置乱向量，组成对应的分片置乱向量集合{wik,i∈[1,16],k∈[1,16]}；

4.4)邻居中继节点集合中R的每一个节点Ri，将与自己对应的分片置乱向量集合中的每一个向量wik进行沃尔什-哈达玛变换，并将变换后的向量{Tik,k∈[1,16]}顺序拼接，生成与自身对应的已变换向量Zi；

4.5)邻居中继节点集合R中的每一个节点Ri，从与自己对应的已变换向量Zi中随机地选取r个向量元素zil，组成对应的输出样本向量Vi，本发明实施例中，i∈[1,16]，l∈{32，22，6，3，16，11，30，7}。

步骤5.汇聚：

邻居中继节点集合中R的每一个节点Ri，将与自己对应的输出样本向量Vi通过多跳方式发送给汇聚节点，完成数据采集。

本发明的效果可以通过以下仿真进一步说明。

1.仿真1：

仿真条件及内容：

本仿真实验的仿真平台为MATLAB7.7软件，仿真实验采用传感器节点数为64，每个采集周期设置为32个采集时隙。

仿真内容为在给定采样率为0.5的条件下，生成稀疏度从60增加到150的无线传感器网络信号，并采用恢复算法重构原始信号，重构损失小于0.001时判定为精确恢复，否则判定为恢复失败。

将上述过程仿真500次，计算精确重构的次数占总仿真次数的比例作为精确重构概率，并采用随机高斯矩阵采样方法GAU-G作为参考理论界，采用基于克罗内克积的结构化随机矩阵采样方法KSRM和基于克罗内克积的随机高斯采样方法KGAU进行性能对比，结果如图2所示。

图2中的横坐标表示原始信号的稀疏度，纵坐标表示精确恢复的概率。图2中的实曲线表示采用GAU-G方法时，精确恢复概率随稀疏度变化曲线；带星号的实曲线表示采用本发明的方法时，精确恢复概率随稀疏度变化曲线；带圆圈的实曲线表示采用KSRM方法时，精确恢复概率随稀疏度变化曲线；带方块的实曲线表示采用KGAU方法时，精确恢复概率随稀疏度变化曲线。

由图2可以看出，随着稀疏度的增加，本发明得到的精确恢复概率相对于其他方法，更接近参考理论界的精确恢复概率值，说明本发明的方法在相同条件下能够达到更高的恢复性能。

2.仿真2：

本仿真实验的仿真平台为MATLAB7.7软件，仿真实验采用传感器节点数为64，每个采集周期设置为32个采集时隙。

仿真内容为在给定采样率为0.5的条件下，统计采集1000，5000，10000个采集周期时，网络中传输数据包的数量。并采用基于克罗内克积的结构化随机矩阵采样方法KSRM和基于克罗内克积的随机高斯采样方法KGAU进行性能对比，结果如表1所示。

表1 网络中传输数据包数量

从表1中可以看出，相对于KSRM方法和KGAU方法，本发明大大减少了数据采集所需的传输数据包的数量，表明本发明具有更低的采样复杂度以及更高的网络采集效率。

综上所述，从仿真结果分析可以看出，本发明提高了无线传感器网络数据采集方法的恢复精度，大大减少了采集过程中传输数据包的数量。

以上所述仅为本发明的较佳实施例而已，并不构成对本发明的限制，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。