WSN中一种基于压缩感知的数据恢复算法

无线传感器网络应用大多依赖完整的传感器数据,但由于无线传感器网络常出现数据丢失现象,丢失率较高,当前的数据恢复方案效果较差。根据Intel Indoor和GreenOrbs2个项目的真实数据,证实温度和光照的变化之间存在较高的关联度。以此为基础,提出一种基于多属性协助和压缩感知的数据恢复精度优化算法（MACS）。利用属性特征恢复多属性数据集,进行基于真实数据驱动的仿真实验。结果表明,当丢失率低于60％时,MACS算法对所有数据进行恢复的差错率低于5％,即使丢失率高达85％,MACS算法也可以对所有数据实现估计,且差错率低于10％。     

WSN中基于多属性协助和压缩感知的数据恢复算法

无线传感器网络应用大都依赖完整的传感器数据,防止数据丢失是一项重要的研究工作,然而由于无线传感器网络的数据丢失模式特殊、丢失率高,当前的数据恢复方案效果不尽如人意。根据Intel Indoor和Green Orbs两个项目的真实数据,证实了温度和光照的变化之间往往存在很高的关联度。以此为基础,提出一种基于多属性协助和压缩感知的数据恢复精度优化算法(MACS)。最后,进行了基于真实数据驱动的仿真实验。仿真结果表明,MACS算法性能优于当前其他算法。一般地,当丢失率低于60%时,MACS算法对所有数据进行恢复的差错率低于5%。即使丢失率达85%,MACS算法也可以对所有数据实现估计且差错率低于10%。     

压缩感知联合多属性关联的数据恢复算法

为提高无线传感器网络的数据恢复效果,提出一种新的数据恢复算法。利用联合稀疏分解的方法,融合多种参数信号,提取出共同分量,使用信号分块方法,减少选择初始稀疏度与步长所带来的影响。实验结果表明,与分段正交匹配追踪算法、稀疏度自适应匹配追踪算法等相比,该算法能降低误差,提高重构信号的精度,并有效缩短运算时间。     

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。     

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。     

多稀疏基分簇压缩感知的WSN数据融合方法

针对传感器节点采集数据精度与能量消耗的矛盾,提出多稀疏基分簇压缩感知的无线传感器网络WSN（Wireless Sensor Network）数据融合方法。该方法利用改进的阈值对随机部署的传感器节点进行簇首选择继而形成最优簇,簇首采用伯努利随机观测矩阵对簇内节点信号进行线性压缩投影,然后将压缩的信息传送给汇聚节点,减少数据传输即降低通信能耗,从而提高网络的生命周期。根据传感器节点监测信号在有限差分和小波中都具有可压缩特性,汇聚节点在有限差分和小波两个稀疏基的约束下,利用OOMP算法分别对线形压缩投影信息进行重构;并采用最小二乘法融合重构信号,提高数据精度。仿真实验结果表明,多稀疏基分簇压缩感知的WSN数据融合方法在减少数据发送的情况下,能提高整个网络的生命周期,解决采集数据精度与网络生命周期的矛盾。     

WSN中基于压缩感知的高能效数据收集方案

可靠高效的数据收集是无线传感器网络（Wireless sensor networks,WSN）应用中的关键问题.然而,由于无线通信链路的高失效率、节点资源受限以及环境恶劣等原因,网络容易发生丢包问题,使得现有的数据收集方法无法同时满足高精度和低能耗的要求.为此,本文提出了一种基于压缩感知的高能效数据收集方案.该方案主要分为节点上的数据处理和数据收集路径优化两个步骤.首先设计了基于指数核函数的稀疏矩阵来对感知数据进行稀疏化处理,然后综合考虑了数据的传输能耗和可靠性等因素,采用分块矩阵的思路,将单位矩阵和准循环低密度奇偶校验（Low density parity check,LDPC）码的校验矩阵相结合构造了测量矩阵,并证明了它与稀疏矩阵之间满足限制等距性质（Restricted isometry property,RIP）.最后,将数据收集路径优化问题建模为哈密尔顿回路问题,并提出了基于树分解的路径优化算法进行求解.仿真结果表明,在网络存在丢包的情况下,本文方案仍然能够保证数据收集的高精确度,相比于其他数据收集方案而言,本文方案在数据重构误差和能耗方面的性能更优.     

基于分类的分布式压缩感知算法

在无线传感器网络中,压缩感知是一种新兴的数据融合方法,能利用少量数据采样进行数据恢复。由于具有较好的节省能耗的性质,压缩感知受到研究人员越来越多的关注。然而,传统的应用于无线传感器网络中压缩感知方法是在汇聚节点得到所有节点的加权和,然后利用重构算法对整个网络中各节点的数据进行恢复,并没有考虑到网络节点的分布式的特性。因此,当网络拓扑较复杂时,应用压缩感知时数据需要传输的次数并不会低于利用最短路径树时数据需要传输的次数。在该文中,我们考虑如何将压缩感知技术更好的和网络节点的分布式结构相结合,使得该技术的更加符合无线传感器网络的需求。     

基于二次规划的无线传感器网络数据恢复算法

为提高无线传感器网络数据压缩感知中恢复算法的实时性,提出一种基于二次规划的无线传感器网络数据恢复算法。该算法将压缩感知重构中的欠定线性方程组求解转化为有界约束二次规划问题,在此基础上结合阿米霍步长准则对二次规划进行求解,从而对网络数据进行恢复。理论分析和仿真结果表明,所提算法可准确恢复网络数据,并且相比传统压缩感知恢复算法,可明显降低数据恢复的计算复杂度,有效提高网络数据恢复算法的实时性。     

基于改进自适应遗传算法的移动WSN覆盖方法

针对传统的WSN覆盖模型的弊端,尤其是如果一个传感器失效,K-覆盖模型需要至少k个传感器节点监测其范围内是否有目标需要覆盖,提出了一种基于改进自适应遗传算法的移动WSN覆盖方法,在能量资源有限的前提下,尽可能长时间的对指定的目标进行连续监测。该算法考虑到了移动传感器是可以连续和变速运动的,从而能够保证所有目标都在它们的覆盖范围内。仿真结果表明,在使用移动节点的情况下,与其他常用模型相比,改进方法的生存周期和数据包数量都有明显提高。     

基于空间相关性与灰色模型的WSN数据压缩方法

针对目前无线传感器网络（WSN）数据压缩方法的计算复杂度高、压缩效率和数据恢复准确率较低的情况,提出基于簇头-基站分离式结构的WSN数据压缩方法。该方法在WSN的单层分簇结构的基础上,要求感知节点将采集的原始数据分段发送,采用原有WSN数据压缩方法对簇头节点接收的数据进行空间相关性压缩,在基站采用灰色模型进行数据恢复。另外,通过实验分析灰色模型与灰色马尔可夫链模型对数据的恢复效果,给出算法最优模型与段长。仿真结果表明,提出的方法相比传统线性回归方法在较高压缩效率时可显著提高数据恢复精度。     

基于改进SL0压缩感知的WSN多目标定位

为提高定位的精度与速度,将改进的平滑[l0]（smoothed [l0],SL0）压缩感知算法应用于无线传感网络（WSN）定位中。首先通过感知区域的网格化,将定位问题转化为压缩感知问题,采用更陡峭的近似双曲正切函数去逼近[l0]范数,将压缩感知重构中的[l0]范数最小化问题转化为求解光滑函数最小值的最优化问题。其次,针对算法中因最速下降法“锯齿现象”导致的收敛速度慢、估计不精确等缺点,引入了混合优化算法,该算法结合了最速下降法和修正牛顿法的优点,提高了重构精度和速度。仿真结果表明,改进的SL0算法相对于匹配追踪（OMP）、基追踪（BP）、SL0算法等在定位精度与实时性上有了明显提高。     

基于感知概率的无线传感器网络k重覆盖算法*

基于布尔感知的无线传感器网络多重覆盖控制模型未考虑实际应用中环境因素对节点感知能力的影响,为弥补这种不足,提出了一种分布式k重覆盖算法（KCAPSM）,该算法采用了感知概率模型,依据节点感知能力的强弱,将监测区域中的任一点被相关节点监测的情况赋值为某一概率,并通过节点与邻居交换信息,根据能量大小竞选找出k组不相交工作节点集,保证监测区域中每一点被k重覆盖。实验表明,KCAPSM算法让冗余节点处于休眠状态,节省了网络能量,优化了资源。     

基于压缩感知理论的WSNs时序信号分段压缩算法

针对压缩感知理论(CS)应用在无线传感器网络中时序信号在传输过程存在压缩比率低、通信能耗高等问题,提出了一种时序信号分段压缩算法来解决在信号稀疏度未知及高稀疏度条件下,压缩感知数据重构算法中存在的重构效率低,重构精度差,影响网络生命周期的问题.该算法将采集数据中非零元素个数作为分段依据,通过减少段内非零元素组合数量来提高信号重构精度,同时利用了压缩感知理论特性实现了对信号的高压缩率.实验结果表明,在以混沌量子免疫克隆重构(Q-CSDR)算法为重构算法、在信号盲稀疏度及稀疏度高于40的条件下,能够以大于0.4的压缩比率对信号进行压缩,其重构信号的均方误差小于0.01,能够延长网络寿命2倍左右.     

无线传感器网络中利用改进型SDN-WISE协议的大数据处理方法

针对无线传感器网络（WSN）中数据量大、处理成本高的问题,提出了一种基于软件定义网络（SDN）和多播数据流路由算法的大数据方法,在WSN中实现大数据技术并计算其通信成本。首先,将MapReduce接口动态加载到WSN的适合节点中。然后,通过在控制器和传感器节点上改进SDN-WISE协议,在网络内实现map和reduce功能。最后,采用多播路由算法找到网络中MapReduce的最优部署方案,以确保部署方案的通信成本最小。通过操作系统Contiki集成上述功能和组件,在WSN中实现提出的方法并计算相应成本。在不同限制条件下的WSN中实现大数据处理实验,实验结果表明,该方法具有较好的经济性。     

WSN中基于树的负载均衡的数据收集算法

部署无线传感网络WSNs(Wireless Sensor Networks)的根本目的在于数据收集.然而,节点能量有限特性给具有低能耗的数据收集算法的设计提出了挑战.为此,提出基于树的负载均衡的数据收集TLBDG(Tree-based Load Balanced Data Gath-ering)算法.TLBDG算法构建了一棵以基站为根的负载均衡的数据收集树,并以最小跳数路径转发数据包.TLBDG算法具体思想为:先依据节点离基站的跳数形成层次结构,然后再生成以基站为根的树型数据传输路道.实验结果表明,提出的TLBDG算法能够均衡负载,并延长生命周期.     

无人值守WSN中数据概率复制生存仿真与研究

无人值守无线传感器网络通常部署在恶劣或敌对环境中,在静态汇聚节点(或基站)部署困难情况下,感知节点无法完成实时的数据汇聚传输,需在汇聚周期内维持数据的生存.现有节点信息副本复制的数据生存方案未考虑节点信誉和运行状况,副本分发机制缺乏有效和针对性,效率较低.为解决上述问题,提出了一种适合无人值守传感器网络的节点信誉度的概率随机副本复制方案.根据节点信誉度模型完善了现有数据副本概率随机分发机制,提高了信息副本分发的有效性,避免了重复分发及冗余存储,降低了开销,进而确保了数据的生存概率.仿真结果表明了改进方案的优越性.     

基于MMAS的无线传感器网络数据融合算法*

提出了一种基于MAXMIN蚂蚁系统（MMAS）无线传感器网络的数据融合算法。该算法采用定向扩散的机制进行兴趣散布;利用MMAS算法构造一个最小Steiner树,源节点的数据发送到构造好的最小Steiner树上,经过融合后传输到sink节点,降低了网络中传输的数据量。通过与Dijkstra算法比较,NS2仿真表明该算法降低了网络能耗,增加了网络生存时间。