基于混合压缩感知的分簇式网络数据收集方法

为了减少分簇式传感器网络中的数据传输量并均衡网络负载,提出了一种采用混合压缩感知(compressive sensing, CS)进行数据收集的方法.1)选取各临时簇中距离簇质心最近的一些节点为候选簇头节点,然后依据已确定的簇头节点到未确定的候选簇头节点的距离依次确定簇头;2)各普通节点选择加入距离自己最近的簇中;3)贪婪构建一棵以Sink节点为根节点并连接所有簇头节点的数据传输树,对数据传输量高于门限值的节点使用CS压缩数据传输.仿真结果表明:当压缩比率为10时,数据传输量比Clustering without CS和SPT without CS分别减少了75%和65%,比SPT with Hybrid CS和Clustering with Hybrid CS分别减少了35%和20%;节点数据传输量标准差比Clustering without CS和SPT without CS分别减少了62%和81%,比SPT with Hybrid CS和Clustering with Hybrid CS分别减少了41%和19%.     

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。     

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.     

节能的基于EM分簇与压缩感知的数据收集方法

在稠密无线传感网进行数据收集的过程中,网络寿命的延长一直是人们重点关注的问题。为了减少能耗延长网络寿命,从考虑网络数据传输距离和数据传输量两个角度,提出一种基于EM分簇与压缩感知相结合的数据收集方法。本文在分簇之前从能耗角度对最优簇数进行了分析。仿真实验表明该方法能极大地减少数据收集能耗,从而延长无线传感网络寿命。     

基于均衡分簇的无线传感器网络压缩数据收集

应用压缩感知（CS）理论结合稀疏随机投影的无线传感器网络（WSN）压缩数据收集（CDG）可以大大减少网络传输的数据量。针对随机选择投影节点作为簇头来收集数据导致网络整体能耗不稳定和不平衡的问题,提出两种平衡投影节点的压缩数据收集方法。对于节点分布均匀WSN,提出基于空间位置的均衡分簇法：首先,均匀划分网格;然后,在每个网格选举投影节点,依距离最短原则成簇;最后,由投影节点收集簇内数据到汇聚节点完成数据收集,从而使得投影节点分布均匀、网络能耗均衡。对于节点分布不均匀的WSN,提出基于节点密度的均衡分簇法：同时考虑节点的位置和密度,对节点数量少的网格不再选择投影节点,将网格内的少量节点分配到邻近的网格,从而平衡网络能量,延长网络寿命。仿真结果表明,与随机投影节点法相比,所提的两种方法的网络寿命均延长了25%以上,剩余节点数在网络运行中期均能达到2倍左右,具有更好的网络连通性,显著提高了整个网络的生命周期。     

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。     

基于压缩感知和双簇头交替的WSNs路由算法

提出了一种基于压缩感知和双簇头交替的无线传感器网络分层路由算法CS-DC HA(Compressed Sensing-Double Cluster Head Alternation)。该算法对DCHS(Deterministic Cluster-head Selection)算法进行改进,利用压缩感知理论优化稀疏采样过程;采用双簇头交替方法进行路由选择,进而实现减低能耗;同时以贝叶斯算法进行稀疏信号重构。通过实验可以看出,相比于传统的无线传感器监测网络,CS-DCHA算法保证了在一定的信号重构精度条件下,能降低无线传感器网络的能耗并延长其生存时间。     

WSN中一种基于混合CS的分簇数据收集方案

针对现有数据收集方案的不足, 提出了一种基于混合CS的分簇数据收集方案。首先网络被划分为多个簇, 簇内节点的数据通过最短路径路由直接发送到簇头上, 而簇头基于压缩感知（CS）对收到的数据进行融合, 并通过一棵骨干路由树将各个簇头的数据发送到sink上, 以最小化数据传输总次数为优化目标, 对簇的大小与数据传输次数之间的关系进行了理论分析, 得到了可以保证数据传输次数最小的簇大小。进一步地, 簇内的数据传输问题被建模为K-median问题, 簇间的数据传输问题被建模为Steiner树问题, 并分别提出了集中式和分布式算法来解决该问题。仿真实验结果表明, 该方案是有效的, 在降低数据传输次数方面要优于传统的方法。     

WSN中基于压缩感知的数据收集方案

提出一种基于压缩感知的数据收集方案.依据感知数据的空间相关性分析,计算出事件发生的区域范围.基于剩余能量的成簇算法对区域范围内的节点进行分簇.各个节点将感知到的原始数据,基于压缩感知理论,进行数据的稀疏表示并采用随机高斯矩阵进行观测,将其观测值发送和存储在簇头节点上,当有移动收集者进入簇头的通信范围后,进行数据收集.理论分析和仿真实验结果表明,该方案能有效延长网络生命周期.     

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.     

基于网络编码的WSNs数据收集方法

无线传感器网络(WSNs)监测数据的收集方式方法是目前的研究热点,而无线传输的广播特性又使得网络编码非常适合于无线网络。在介绍网络编码原理、核心思想以及在WSNs应用现状的基础上,提出了一种基于部分网络编码的自适应WSNs数据收集方法,该方法针对簇网络拓扑结构,簇成员节点把网络编码数据发送给簇头节点,簇头节点利用随机网络编码的方式把数据传输到Sink节点。实验结果表明:该机制具有能耗较低和汇报数据较准确的特点。     

UWSNs中基于压缩感知的移动数据收集方案

由于水下无线传感器网络(UWSNs)工作环境的特殊性,降低节点能耗和保证数据收集的实时性是至关重要的问题.提出一种基于压缩感知(CS)的移动数据收集方案.以DEBUC协议和CS理论为基础,簇内节点依据设计的稀疏测量矩阵决定是否参与压缩采样,并将获得的测量值传输至簇头.通过AUV的移动来收集各个簇头上的数据到数据中心,该问题被建模为带有邻域的旅行商问题,并提出了近似算法进行求解.在数据中心处利用CS重构算法进行数据重构.仿真实验结果表明:相比于已有的水下移动数据收集算法,该方案在保证数据收集可靠性的同时,降低了数据收集延时,延长了网络寿命.     

联合智能优化和分簇CS的WSNs稀疏数据采集

为提高无线传感器网络（Wireless Sensor Networks,WSNs）数据处理效率和降低网络能耗,提出了一种基于自适应智能优化和分簇压缩感知的WSNs稀疏数据采集方案。首先,建立分簇WSNs稀疏数据通信模型,通过定量分析节点密度与网络数据通信总跳数的关系,给出网络自适应分簇结果,并采用簇内观测矩阵测量数据获取和簇间多跳通信方式完成WSNs压缩感知数据采集;其次,采用StOMP算法进行稀疏信号重构,针对网络节点数据包丢失等链路不可靠情况,引入相关性矩阵变换策略,以降低错误数据传输对数据重构的影响,针对数据稀疏度未知特性和StOMP算法参数配置难的缺陷,将一种新型自适应智能优化（Improved Adaptive Intelligent Optimization algorithm,IAIO）算法应用于CS重构算法中,在理论分析IAIO全局寻优能力的基础上,实现对稀疏数据的可靠重构。最后,仿真结果表明,该方案能够实现稀疏信号的精确重构,而且降低了网络通信总量,提高了网络生存时间。     

基于WSNs的压缩频谱感知稀疏基设计

研究了现有利用无线传感器网络(WSNs)进行区域压缩频谱感知的算法,针对其运算量大,准确性有限的问题,设计了以子带基作为稀疏基进行压缩感知(CS)的算法;证明了子带基作为稀疏基的正交性和完备性;同时计算表明子带基满足重构的约束等距条件.仿真结果显示:以子带基进行重构可以准确给出频谱的占用位置和幅值,比传统的边缘检测算法提高了压缩频谱感知的准确性和鲁棒性,同时具有更高的压缩比,运算量小,适于在WSNs中实施.     

WSNs中一种基于簇结构的密钥预分配方案*

为了解决无线传感网络中簇结构的基础安全问题,提出一种二层二项式密钥预分配方案,它能够很好地完成两簇头间密钥对的生成,满足对节点极小的能量损耗、极少的通信负载和存储空间要求。它有效地解决了节点获取攻击问题,提高了网络恢复度,同时成功地解决了多项式密钥预分配方案中的“K-security”问题。     

基于矩阵的无线传感器网络数据融合方案

数据融合是降低无线传感器网络（ WSNs）能耗的重要手段,为了有效地节省WSNs节点的能量,提出一种基于矩阵的层簇式数据融合方案。在簇头选举时,考虑节点的剩余能量和相对密度,并利用矩阵运算对簇内成员节点采集的数据进行数据融合处理。最后将所提方案与传统的LEACH协议进行仿真比较,实验结果表明：相比于传统的LEACH协议,所提方案可以有效降低数据冗余,减少数据传输量,节约节点能耗,进而延长网络生存期。     

覆盖范围可变时WSNs优化算法

无线传感器网络（WSNs）具有放置方便,自组织,移动性强等特点,为了保证安全生产,可以将网络中的节点放置在煤矿井下狭长工作面上,用来对大型设备的工作情况和环境参数进行监测以提供实时信息。基于上述环境,提出了监测区域可变的覆盖算法,在B样条数学理论和Matlab工具的支持下做了算法仿真。结果表明：通常情况下覆盖度随着节点通信半径的增大而增加;合理选择第一个簇首会达到较高的覆盖度;合适的节点密度不但可以有效覆盖监测区域,还可延长网络寿命。     

基于压缩感知的无线传感器网络动态采样方法

基于固定采样率的无线传感网（WSN）压缩感知（CS）在收集随时间变化的数据时难以获得满意的数据恢复精度。针对该问题,提出了一种基于数据预测和采样率反馈控制的动态采样方法。首先,汇聚节点通过分析当前采样时段与上一采样时段获取数据的线性度量指标,预测数据的变化趋势;然后,根据预测结果计算感知节点未来的采样率,并通过反馈控制机制对感知节点的采样过程进行动态调节。实验结果表明,相比基于目前广泛采用的基于固定采样率的无线传感网压缩感知数据收集方法,该方法能够有效提高压缩数据的恢复精度。