WSN中的分布式压缩感知

为了解决传统的压缩感知算法在无线传感器网络中实现的难题,首先研究了用定时器控制ADC进行随机压缩采样的压缩感知技术,实验表明,该方法有效可行。在此基础上提出了基于无线传感器网络的分布式压缩感知算法。该算法通过对随机压缩采样序列的拆分实现分布式压缩采样,最后利用合并后的采样值和CoSaMP算法完成对信号的重构。仿真和实验表明,该方法能够在星型网络拓扑中实现以1/10的标准采样频率下实现信号的重构。     

基于差值信号稀疏模型的分布式压缩感知

利用无线传感器网络的空间相关性,构建了一种差值信号稀疏模型,该模型适用于对同一物理现象或事件进行监测的传感器网络应用。在差值信号稀疏模型的基础上,提出了一种适用于该模型的分布式压缩感知算法,该算法能够在节点间不通信的情况下实现对差值信号的编码。仿真结果表明,与单独重构相比,提出的算法可以用更少的观测值联合重构出信号群,以能量有效的方式满足了无线传感器网络的应用。     

基于Jacobi ADMM的传感网分布式压缩感知数据重构算法

针对无线传感网中分布式数据收集及应用,采用分布式压缩感知理论中的JSM-1 (joint sparse model-1)模型,提出了一种基于Jacobi ADMM (alternating direction method of multipliers)的分布式压缩感知数据重构算法.该算法通过在簇头节点间交换公共信息以挖掘关联数据集的公共部分,并在各个簇头节点内部更新各自的独立部分,从而实现无线传感网中相关感知数据的分布式压缩重构.首先,将无线传感网中的数据收集问题抽象为一个分布式优化问题.然后,为了能够有效地解决分布式计算过程中产生的不收敛问题,在优化目标函数中引入了近似项,从而使得子优化问题具有严格凸性,并利用交替方向乘子法求解压缩感知数据的重构问题.最后,分别利用合成数据集和真实数据集进行验证.实验结果表明：与现有其他数据重构算法相比,基于Jacobi ADMM的分布式压缩感知数据重构算法具有更高的数据重构精度.     

基于PCA的无线传感器网络压缩感知算法

针对常规压缩感知算法稀疏效果不佳的问题,提出了基于PCA的无线传感器网络(Wireless Sensor Network)压缩感知算法;该算法利用主成分分析法(Principle Component Analysis)的去噪和去冗余特性为节点数据提供一个自适应的稀疏矩阵,尽可能的减少观测量,并提出一个自相关系数保证PCA技术应用的有效性;最后,通过仿真将该算法与常规算法的重构误差进行比较,结果表明当信号相似度系数r大于0.7时,前者信号重构所需的观测量少很多,重构精度更高,对于WSN数据采集能够起到很好的节能效果。     

基于分布式压缩感知的能量收集WSNs

针对无线传感器网络（WSNs）通信功耗和带宽要求高,引起节点寿命短的缺陷,利用WSNs节点感知数据的空间相关性和联合稀疏模型,结合分布式压缩感知（DCS）算法,提出了从能源收集的角度来分析对WSNs数据的压缩重构。通过理论和实验仿真表明：基于DCS的WSNs,在能源平衡方面具有很大的优势,在保证重构信号精确度的前提下大大提高了能源的有效利用率。     

基于分布式压缩感知的无线传感器网络异常数据处理

无线传感器网络的海量数据采集、传输和处理,对传感器节点的处理能力和功耗提出了严峻挑战,而且现实环境中传感器故障或者环境因素的突变会导致部分采集数据异常,而传统的数据处理方法无法对包含异常的数据进行有效的处理。针对上述问题,文中提出了两类无线传感器网络的异常数据模型,以及相应的基于分布式压缩感知的异常数据处理方法。通过协同的多个传感器进行数据压缩采样,当多个传感器采集的数据包含异常成分时,分布式压缩感知技术对数据中相同的正常分量进行一次统一重构,仅对不同的异常分量进行单独重构,从而避免了对相同数据分量的重复处理,提高了对包含异常成分数据处理的效率。另外,分布式压缩感知技术充分利用数据间的相关性,可有效减少传感器网络的数据采集量,加强其对抗异常数据的鲁棒性。对两类异常数据模型的数值仿真结果表明:相比于传统的基于单组测量值的压缩感知技术,基于分布式压缩感知技术的数据处理方法在提高异常数据重构准确率的同时,将采样数据量减少了约33%,证明了该方法的有效性。     

基于小波树模型的CoSaMP压缩感知算法

无线传感网络存在网络带宽限制和传感器节点的能耗问题,实际应用中通常希望可以通过重构算法从采集的少量数据中还原出原始信息,压缩感知理论为上述问题提供了一个解决思路。利用压缩感知理论,对无线传感器网络中温度传感器的监测信号进行了压缩感知的应用研究。针对传统压缩采样匹配追踪(CoSaMP)算法中测量次数多、重构精度低等问题,利用信号的小波系数所形成的连通树的结构特性,提出了基于小波树模型的压缩采样匹配追踪算法。将该算法应用到无线传感器网络监测信号的压缩感知仿真实验中,与传统压缩采样匹配追踪算法的重构性能进行比较,结果表明该算法较传统压缩采样匹配追踪算法在一定范围内对无线传感器网络中的温度信号具有更好的压缩感知性能。     

无线传感器网络中基于压缩感知的分簇数据收集算法

针对无线传感器网络(WSNs)能量有限、通信链路不可靠的特点,提出一种基于稀疏分块对角矩阵进行压缩感知的分簇(SBDMC)数据收集算法.该算法以稀疏分块对角矩阵作为观测矩阵以减少参与收集节点数目;采用分布式分簇路由实现数据的分布式收集;通过分析能耗模型得到最优簇头数目以减少网络能耗.在此基础上,给出一种有效的分簇路由数据收集算法.仿真分析表明:提出的算法较之已有算法可以减少通信能耗、延长网络寿命,同时均衡能耗负载.     

WSN中基于压缩感知的分簇数据收集算法

为减少无线传感器网络的数据通信量和能量消耗,基于WSN节点数据时空相关性的特性,提出一种将K-means均衡分簇和CS理论相结合的数据收集方法。首先,通过K-means聚类算法均匀划分网络成簇。然后,各簇首对采集到的数据进行基于时空相关性的压缩感知并传输至基站Sink节点。最后,Sink节点采用OMP算法对收集到的数据进行精准重构。仿真结果表明,该算法有效减少了无线传感器网络的数据通信量和压缩感知算法重构过程所需要的观测量。     

基于数据融合的压缩感知多目标定位算法

文中提出一种基于数据融合的压缩感知多目标定位算法,该算法能够同时处理多种不同类型的定位数据。与传统算法相比,该算法以目标个数的稀疏性为基础,通过压缩感知技术来重构目标位置向量,从而大大减少了传感器的数目。算法分为数据预处理和数据融合定位两个阶段。在数据预处理阶段,将不同类型的数据转换到同一个数量级,使得各类型数据能被充分用于提高目标定位性能;在数据融合定位阶段,提出一种基于多测量向量的压缩感知重构算法来估计目标位置向量。仿真证明,相比于现有的压缩感知定位算法,所提算法具有更高的定位精度和更强的鲁棒性。     

在线矩形特征选择的压缩跟踪算法

针对压缩跟踪算法无法选择合适的矩形特征,易出现目标漂移、丢失现象,提出了一种基于在线矩形特征选择的压缩跟踪算法。首先,在初始化阶段生成投影矩阵,利用该投影矩阵提取特征来构造候选特征池,在特征池中使用矩形特征来表示目标特性,并去除与目标差异较大的矩形特征,最后计算分类分数最大的窗口,并将其作为目标窗口,从而实现跟踪。实验结果表明,该算法特征总数量比压缩跟踪算法特征总数量减少了13%,且跟踪精度和鲁棒性方面得到了改善,对于320pixel×240pixel大小的视频平均处理帧速为20frame/s,满足实时性要求。     

基于压缩感知的多目标定位中的测量矩阵设计

根据传感器网络中定位问题天然的稀疏性,研究了基于压缩感知理论的多目标定位方法。首先将目标位置信息表示成一个稀疏向量,将定位问题转化为向量估计问题。通过部署少量传感器测量接收信号的强度值,求解一个₁范数最优化问题便可精确地重构出位置向量。相对于当前压缩感知定位中常用的稀疏随机测量矩阵,提出了一种改进的测量矩阵设计方法,指示传感器节点进行有规律、均匀的部署。仿真结果表明,相较于传统随机测量矩阵,改进测量矩阵在定位精确度和稳定性上都体现了巨大优势。     

基于压缩感知的多目标定位与功率估计

因传感器网络中定位问题具有的天然稀疏性,压缩感知理论被广泛应用于其中以减少数据采样量。然而,现有的基于压缩感知的定位技术往往需要目标的发射功率作为先验条件,这并不符合实际中目标完全未知的情况。基于此,提出了一种多目标定位和发射功率估计的方法,该方法将目标位置和功率信息建模成一个稀疏向量,从而将定位和功率估计问题转化为稀疏向量估计问题。该方法包括离线和在线两个阶段:离线阶段主要是部署一些射频发射器并测量接收信号强度值,从而构建感知矩阵;在线阶段中,通过部署少量传感器测量接收信号强度值,求解一个₁范数最优化问题便可精确地重构出稀疏向量。仿真结果验证了该多目标定位和功率估计方法的有效性和鲁棒性。     

An energy-efficient data gathering method based on compressive sensing for pervasive sensor networks

This paper proposes an energy-efficient data gathering method called CN-MSTP (Combining Minimum Spanning Tree with Interest Nodes) for pervasive wireless sensor networks, basing on Compressive sensing (CS) and data aggregation. The proposed CN-MSTP protocol selects different nodes at random as projection nodes, and sets each projection node as a root to construct a minimum spanning tree by combining with interest nodes. Projection node aggregates sensor reading from sensor nodes using compressive sensing. We extend our method by letting the sink node participate in the process of building a minimum tree and introduce eCN-MSTP. We compare our methods with the other methods. Simulation results indicate that our two methods outperform the other methods in overall energy consumption saving and load balance and hence prolong the lifetime of the network.     

基于车联网的数据动态压缩采集策略

车联网能高效地实现感知区域的覆盖,因此被应用于大规模城市感知。同时,为了解决车联网难以传输大量数据的问题,一些研究者使用压缩感知对具有时空相关性的数据进行压缩。但是,目前在车联网中应用压缩感知的研究并没有考虑数据和车辆分布变化的特性,很可能导致不可接受的误差。为了保证数据的重构精度,提出面向车联网的动态压缩感知方法。该方法能自动分析感知对象的数据特征、车辆分布和观测数量之间的关系。在压缩感知的基础上加入观测数量调整功能,通过对当前感知对象的数据特征和车辆分布的分析, 实时调整压缩感知中观测矩阵的参数,从而控制观测数据的数量,提升重构精度,实现更高质量的数据传输。实验表明与现有车联网中的压缩感知方法相比,面向车联网的动态压缩感知方法在重构精度上提升了15.3%。     

A Compressed Sensing Based DV-Hop Location Algorithm for Wireless Sensor Networks

A compressed sensing based DV-hop location algorithm is presented to improve the performance of the conventional DV-hop location algorithm in WSNs （wireless sensor networks）. The sensor network can be divided into multiple grids. Compared with the grid number, the number of targets in the network is generally sparse. Therefore, the localization of the targets in the network can be transformed into a sparse signal reconstruction issue. Theoretical analysis and experimental results on the proposed algorithm show that it is able to greatly reduce the amount of data flow in the network, balance the load of communication, prolong the lifetime of the WSNs, and improve the target location accuracy, compared to the DV-hop location ones.     

无线传感器网络数据融合技术

数据融合技术是无线传感器网络的一个关键技术,能减少传感器节点间的传输量,从而明显提高网络感知效能,延长网络生命周期,减小时间延迟。通过对尚处于研究阶段的数据融合技术进行详细分析与研究,阐述了数据融合技术的重要性,并分类介绍了现有的主要数据融合方法,最后指出该研究领域当前面临的挑战以及需要进一步研究的方向和有前景的研究课题——压缩感知。     

Adaptive compressive sensing based sample scheduling mechanism for wireless sensor networks

Sample scheduling is a crucial issue in wireless sensor networks (WSNs). The design objectives of efficient sample scheduling are in general two-folds: to achieve a low sample rate and also high sensing quality. Recently, compressive sensing (CS) has been regarded as an effective paradigm for achieving high sensing quality at a low sample rate. However, most existing work in the area of CS for WSNs use fixed sample rates, which may make sensor nodes in a WSN unable to capture significant changes of target phenomenon, unless the sample rate is sufficiently high, and thus degrades the sensing quality. In this paper, to pursue high sensing quality at low sample rate, we propose an adaptive CS based sample scheduling mechanism (ACS) for WSNs. ACS estimates the minimum required sample rate subject to given sensing quality on a per-sampling-window basis and accordingly adjusts sensors’ sample rates. ACS can be useful in many applications such as environment monitoring, and spectrum sensing in cognitive sensor networks. Extensive trace-driven experiments are conducted and the numerical results show that ACS can obtain high sensing quality at low sample rate.     

基于链模型的分布式小波压缩算法

针对任意支撑长度的小波函数,提出一种基于链模型的分布式数据压缩算法,在数据传送到簇头前去除传感数据的相关性,避免冗余数据的传输。设计一个适合于小波变换的链模型,选择小波系数在链上存放的最佳传感器节点位置,确定进行分布式小波变换的链。基于此链给出一个适合任意支撑长度小波函数的分布式小波压缩算法。从网络耗能和数据重构精度的角度设计模拟实验,验证了算法具有较好的性能。