基于时空相关性分簇的无线传感器网络压缩数据收集方法

摘要

一种基于时空相关性分簇的无线传感器网络压缩数据收集方法，它包含以下步骤：一、初始化阶段；二、时空相关性度量；三、网络成簇：汇聚节点根据节点间的时空相关性计算值，得到分簇信息后向全网广播信息，簇内节点再动态的选出簇头节点；四、压缩数据收集；五、数据重构。通过以上步骤，基于时空相关性分簇的无线传感器网络压缩数据收集方法，在相同重构误差的情况下，减少了数据传输次数，均衡了网络能耗，避免了某个节点因能耗问题过早死亡，延长了网络生存时间。

主权项

一种基于时空相关性分簇的无线传感器网络压缩数据收集方法，其特征在于：它包含以下步骤：步骤一，初始化阶段：在这个阶段，每个传感器采集数据，并把采集到的原始数据以多跳的方式发送给汇聚节点；汇聚节点保存每个传感器节点在各个时间槽的采样数据；步骤二，时空相关性度量：当汇聚节点收到数据后，进行数据的时空相关性度量阶段；汇聚节点根据步骤一中收集到的数据，按照基于时空相关性分簇的无线传感器网络压缩数据收集方法提出的区域数据相关性度量方法，计算任意两个传感器节点间的数据时空相关性；令x^(k),x_i分别为网络第k次采样的数据向量和第i个传感器在T个时间槽的采样向量，N为网络中节点的数目；定义Gmax_dst为邻域内两个节点间的最大距离，即最大跳数，网内任意两个节点间的距离小于Gmax_dst时，归为一个邻域N_c；只考虑在邻域N_c中节点对数据的相关性计算，以符合实际情况；所述基于时空相关性分簇的无线传感器网络压缩数据收集方法提出的区域数据相关性度量方法,具体如下，步骤2.1：计算任意邻域内两个节点的时间相关性，如果邻域内的任意节点对(i,j)存在时间相关性，ρ_m(i,j)>ρ_{m_min}，ρ_m(i,j)表示邻域内两个节点的时间相关性；其中ρ_{m_min}为自定义的时间相关性阈值，$\begin{array}{c}{\rho }_m(i,j)={\rho }_m\left(i\right)+{\rho }_m\left(\right(j)\\ =\frac{1}{2T}(\frac{\underset{k=1}{\overset{T}{\Sigma }}(x_i^{\left(k\right)}-E[x_i\left]\right)(x_i^{(k+m)}-E[x_i\left]\right)}{{\sigma }_{x_i}^2}+\frac{\underset{k=1}{\overset{T}{\Sigma }}(x_j^{\left(k\right)}-E[x_j\left]\right)(x_j^{(k+m)}-E[x_j\left]\right)}{{\sigma }_{x_j}^2}),\left(i,j\right)\in N_c\end{array}$式中，N_c表示上述中定义的邻域，和表示第i个节点分别在第k次和第k+m次的采样值，x_i表示第i个传感器在T个时间槽的采样向量，E[x_i]和分别表示第i个传感器在T个时间槽的采样均值和采样方差，同理可知E[x_j]和的表示含义；步骤2.2：计算任意邻域内两个节点的空间相关性，如果邻域内的任意节点对(i,j)存在空间相关性，则需满足ρ_s(i,j)>ρ_{s_min}，ρ_s(i,j)表示邻域内两个节点的空间相关性；其中ρ_{s_min}为自定义的空间相关性阈值，${\rho }_S\left(i,j\right)=\frac{1}{T}\underset{k=1}{\overset{T}{\Sigma }}\frac{\left(x_i^{\left(k\right)}-E\left[x_i\right]\right)\left(x_j^{\left(k\right)}-E\left[x_j\right]\right)}{{\sigma }_{x_i}{\sigma }_{x_j}},\left(i,j\right)\in N_c$式中，N_c表示上述中定义的邻域，表示第i个节点在第k次的采样值，x_i表示第i个传感器在T个时间槽的采样向量，E[x_i]和分别表示第i个传感器在T个时间槽的采样均值和采样标准差，同理可知E[x_j]和的表示含义；步骤2.3：计算任意邻域内两个节点的时空相关性，如果邻域内的任意节点对(i,j)存在时空相关性，则需满足ρ_ms(i,j)>ρ_msmin，ρ_ms(i,j)表示邻域内两个节点的时空相关性；其中ρ_msmin为自定义的空间相关性阈值，ρ_ms(i,j)＝ρ_m(i,j)*ρ_s(i,j)式中，ρ_m(i,j)和ρ_s(i,j)的含义分别在步骤2.1和步骤2.2中给出了；步骤三，网络成簇：汇聚节点根据任意两个传感器节点间的数据时空相关性，得到分簇信息后向全网广播信息，簇内节点再动态的选出簇头节点；具体如下，步骤3.1：根据设定的自定义的空间相关性阈值ρ_msmin和步骤二中得到的时空相关性数据，若邻域内节点数据相关性大于阈值门限，就认为这两个节点之间存在一条连边(u,v)，构造图模型G，图的顶点就是网络中传感器节点，图的边定义为上述连边(u,v)；步骤3.2：根据图模型G中节点度值和节点剩余能量确定分簇和簇头节点；根据步骤3.1得到的图模型G中的连边关系，若区域内所有节点都相连，则分为一个簇，簇内以概率P_ch＝E_residual/E_max选出簇头节点，其中E_residual表示节点的剩余能量，E_max表示节点的初始能量，P_ch表示节点当选为簇头的概率；步骤3.3：汇聚节点确认簇内节点数目和簇头节点的位置，并由压缩感知理论确定簇内压缩感知采样数目不少于C kln(n/k)，其中C为采样因子，k为簇内信号的稀疏度，n为簇内节点数目；C kln(n/k)示以自然数e为底的指数；步骤四，压缩数据收集：由于汇聚节点保存有每个节点的历史数据，当数据的相关性变化小于设定的阈值时，分簇信息不需要改变，直接进行压缩感知数据收集；所述压缩数据收集方法具体如下：步骤4.1：簇内节点和簇头节点使用相同的伪随机数产生器，生成测量系数Φⁱ，所以测量系数不需要在网络中传输；簇内节点采用压缩感知数据收集的方法，将原始数据与测量系数的线性运算结果传递给簇头节点；簇内节点按照步骤4.2进行数据传递；簇内节点采用的压缩感知数据收集方法具体如步骤4.2所述；步骤4.2：测量矩阵Φⁱ为对应第i个簇的子矩阵，CHⁱ表示第i个簇的簇头节点，负责收集簇内的所有数据xⁱ，则单个簇内数据收集表示为yⁱ,yⁱ＝Φⁱxⁱ；步骤4.3：簇头节点CHⁱ采用最小距离平方生成树算法，将测量值yⁱ传输到汇聚节点；步骤五，数据重构：汇聚节点接收来自簇头的数据，构成测量值向量然后汇聚节点产生相同的随机矩阵Φ，并对原始收集数据进行重构，假设网络中分为5个簇，则重构式满足：式中，测量系数Φⁱ为对应第i个簇的子矩阵，xⁱ表示第i个簇内的采样向量，yⁱ表示对应第i个簇的压缩感知测量值。