文摘

无线传感器网络(网络)越来越多地用于地铁隧道的结构健康监测,显示出许多有前途的优势传统监控方案。与此同时,随着网络规模的增加,系统不能处理大数据,确保高效的数据通信,传输和存储。被认为是解决这些问题的一个可行的方案,数据压缩可以减少传感器节点之间旅行的数据量。本文基于优化算法的空间和时间上的数据压缩提出了应对这些问题的出现在了网络的地下隧道环境。介绍了空间和时间相关函数的数据压缩和数据恢复。验证,该算法适用于地下隧道网络。

1。介绍

众所周知,传统结构健康监测主要依靠手工工作,这是一个劳动密集型和耗时的过程。利用无线传感器网络(网络)被认为是一种很有前途的解决方案来解决这些问题。网络已经安装在伦敦地铁的一些部分,布拉格地铁和巴塞罗那地铁执行任务的结构健康监测1,2]。

同时,作为一个新兴技术,有一些限制了网络的应用在地铁隧道监控、大数据通信、传输和存储等。数据压缩是一种很有前途的方法来克服这些局限,从而减少数据容量数据传输之前也降低了功耗。各种数据压缩方法在文献中出现:一个分布式数据压缩方法(3和一个本地数据压缩方法4]。分布式压缩方法大致分为四个主要技术:分布式源建模(DSM),分布式变换编码(DTC),分布式源编码(DSC)和压缩感知(CS)技术(5]。一般来说,分布式网络数据压缩方法通常应用于密集的传感器网络。Ciancio等人介绍了分布式能源利用小波压缩算法的基础上。然而,该算法只考虑空间冗余传感器数据(3]。霁等人提出了贝叶斯压缩感知来估计原始信号基于compressive-sensing测量(6]。但是compressive-sensing测量的数量在他们的研究相对较少,导致相应的高恢复错误。

与此同时,为了达到满意的覆盖率,典型的网络密集部署在传感器领域(7]。因此,空间近端传感器对单个事件是高度相关的。此外,网络也需要定期执行的观察和感知事件的传播特征,从而构成连续传感器测量传感器节点之间的时间相关(8]。空间和时间相关性的存在构成了重大挑战数据压缩和数据恢复。周等人开发了一个简单的DSC时空上自适应压缩相关的传感器读数(9]。然而,拟议的DSC计划并不是有效的编码效率。

基于上面的分析中,我们开发一个优化算法轮为地下隧道,考虑两个属性:时间相关属性和空间相关性属性。我们的算法被认为是一个扩展时空数据压缩算法(10),躺在我们进一步探索传感器节点之间的相关属性进行相应的数据压缩和恢复基于关联度(11,12]。

在本文中,我们提出了一个优化算法基于时间和空间数据压缩。介绍了时间和空间相关函数测量传感数据的关联度。传感数据的时间和空间相关性程度决定了传感器节点的传播内容。传输传感信号的变化,而不是原始信号,基站可以减少路由路径的数据流的体积并保存能量,从而延长网络的生命周期。

本文的其余部分组织如下。部分2提出了一种网络模型安装在地下隧道。节3,基于优化算法的时间和空间数据压缩提供了解决这些问题的新兴网络的数据通信和传输。部分4通过一些实验验证算法的有效性进行了使用数据从一个真正的获得网络用于地铁结构健康监测系统。基线数据传输的能耗分析基于该算法。最后一部分总结了本文的结论。

2。无线传感器网络部署模型

我们部署了WSN在上海隧道。图1显示了一个隧道模型和传感器节点部署。基站是50米距离隧道入口和垂直于隧道的嘴。为了获得的具体分布位置,我们建立一个笛卡尔坐标系统,设在平行于地面,设在垂直于地面,设在垂直于- - -相互重合。

每个圆图1包含一个或两个传感器节点和路由节点作为一个单元。一个圆可以与相邻圆设在负方向。最后一个圈包含所有其他圆圈和本身的数据,向基站传输数据。这就完成了传播的过程。

对于一个圆,我们考虑传感器节点之间的时间相关性,而我们认为两个相邻圆之间的空间相关性。介绍了两个函数来显示相关学位:时间相关函数和空间相关函数。和两个相关阈值和将检测的相关程度。是用来测量相关的程度相同的节点在不同时刻,用于测量的相关程度不同的节点在同一时刻: 在哪里表示节点的传感信息在时刻,包含传感信息组件,表示空间和时间相关函数组件的传感信息,分布在闭集和表达(2),在组件是加权值吗条件下的。考虑

如果,这表明关联度较低,这意味着感应值很大程度上改变的时刻来。

如果,这表明,关联度高,这意味着感应值保持几乎稳定的时刻来。

同样的,采用阈值来评估空间相关函数。应该注意的是,的值和是由感知信息需求,分布式的开集(0,1)。正确的选择值有助于确保有效的压缩性能和恢复程度高。

3所示。优化算法基于时间和空间相关性

每一个圆图1被视为一个集群包含许多传感器节点。整个数据压缩算法称为集群压缩。集群中的每个传感器节点经历时间和空间数据压缩。在每一个集群,一个传感器节点被选为参考节点负责数据传输基于节电。从那一刻来每个传感器节点都需要计算时间相关程度作为标准来确定数据传输内容的链接。目前,两个传感器节点在同一集群需要计算空间关联度用作标准来确定传播内容的链接。这些参考节点结合路由节点位于集群形成一个路由路径和负责数据传输。

3.1。集群压缩算法

每个传感器节点的时间相关函数是用来测量时间相关的程度对本身位于圆在一个特定的时间间隔。是用来测量空间相关性的程度对两个节点在同一时刻。时间和空间变化的感知价值是通过路由节点传播到下一个集群中,从而完成集群的压缩。表达的时间和空间相关性压缩算法是算法1。

它指出,时间和空间感知的变化值,和,而不是原始的感应值,通过路由节点传输到下一个集群。

3.2。分析优化算法

目前的变化空间传感节点之间的信息和节点是;的时候的变化空间传感节点之间的信息和节点是。期间从和的变化值,时间节点的传感信息是;时间的变化遥感信息的节点是。如果节点之间的距离和路由节点在同一集群节点之间比这短和路由节点,节点将被选择作为一个参考节点基于节能和负责转发的变化值传感数据,,,通过路由节点到另一个集群。节点的情况是相同的。应该指出,如果关联度高,遥感数据的变化值等于0。不需要参考节点传输到另一个节点的传感信息。

从图1,我们看到有很多圈位于部署模型。每一圈作为一个单元具有多个输入和一个输出。传感器节点的输入意味着传感数据;输出是指遥感数据的变化。圆传播循环的变化,圆传输变化两圈和自己圈。同样,圆负责转发所有的变化从节点到基站。第一圈的输出表示如下:

同样的,圆的输出得到如下: 沿着路由路径,最后基站接收所有的数据从所有的圈子。一个矩阵可以用来表示数据由基站接收。考虑 形成传感矩阵的每一行在哪里代表相应的每个集群的输出。基于恢复算法,数据将在稍后恢复接近原始数据的值。恢复数据的基础上,我们进一步熟悉地下隧道中的每个节点的现状。

3.3。路由策略

传感器节点在图1根据他们的位置和编号预计在一个正方形区域固定相对距离。路由节点和传感器节点接近这些路由节点形成一个路由路径上的所有数据发送到基站。路由路径的选择取决于最小的能源消耗。一些传感器节点选择的路线,而另一些则没有入选的路线。系数是用来表示节点之间的关系和路由路径。输出模型制定如下:

3.4。数据恢复

数据恢复的过程是相反的数据压缩。由基站数据采集的过程由两个阶段组成。

目前,原始遥感数据传输到基站没有数据压缩。用这些数据构造一个初始传感矩阵。

目前,压缩数据传输到基站。用这些数据形成一个压缩传感矩阵。

恢复数据矩阵得到下图: 同时,介绍了复苏的错误评估恢复效果,定义如下: 在哪里传感器节点的原始数据,而是回收价值。

4所示。仿真和实验结果

我们的无线倾斜安装监控系统目前上海地铁12号线利津路站。监控系统的功能是探测地下隧道的变形在早期阶段。

4.1。时间和空间的相关性

所有数据来自传感器节点位于地下隧道。我们执行以下模拟基于遥感数据的节点、节点和节点位于地下。

目前,我们有两套传感节点的数据和节点,分别。目前我们拿到了两套传感节点的数据和节点。根据这些数据,我们得到了时间相关的节点和节点(见图2)。可以看出,颞关联度非常高的相关系数大于0.965。时间相关程度高意味着不同时刻的传感数据几乎是无关紧要的稳定时间。我们的优化算法使使用高关联度的财产减少传输的数据量,从而节约能源。

目前,我们获得了三套传感节点的数据、节点和节点,分别。节点被选为参考节点实现的空间相关性节点和节点。从图3,空间相关性值的节点有下界的0.9731,而这些节点由下面的0.9514和0.9003上有界的。根据以上的数据分析,我们可以得出结论,传感节点的数据和节点不受空间位置的影响。所以参考节点的传感数据结合变化值是用来恢复原始遥感数据的后者。

4.2。传感器节点时间复苏

图4显示了时间恢复错误与测量对应节点的数量和节点。我们可以看到经济复苏的错误节点是一个小比节点。我们恢复错误订单大小低于其他数据压缩和恢复方法提出了文献[13,14]。此外,有界复苏的波动误差曲线的节点不影响恢复性能。当测量的数量逐渐增加,经济复苏错误仍在一定范围内。因此,可以得出结论,数据压缩方案是有效的复苏相对误差水平。

4.3。传感器节点空间复苏

图5代表了空间恢复错误与测量对应节点的数量和节点。节点的空间相关误差的原因低于节点如图5是该节点空间关联程度高于节点上面的插图。此外,对于节点或节点,它的时间恢复性能优于空间恢复性能基于时间恢复错误订单大小低于空间恢复错误。当测量数量的增加,空间恢复错误上有界的一些常量。因此,该算法适用于地下隧道环境。

网络是用来监视地下隧道的结构健康。地下隧道时,主要通过列车引起的振动,传感器节点部署在地下隧道开始样品这些信号。地下隧道时无振动上面所提到的,这些传感器节点仍然样品不变的信号。而不是原始的信号,这些信号的变化是沿着路由路径转发到基站。

低恢复错误意味着恢复值非常接近于原始值。可以看出时间复苏的性能优于空间恢复基于前者的低恢复错误。当感应到信号随时间和空间变化,该算法仅捕获变化来完成数据恢复;当感应到信号是不分时间和空间,该算法利用高相关属性来实现一个完整的恢复具有高逼近原始信号。与此同时,高相关属性有助于消除了网络的冗余信息,减少数据量需要的基站。

4.4。能耗优化分析

图6显示了这样一个网络,其中传感器密集部署在该地区的利益和定期监测环境。假设传感器,表示为,,,基站,形成多次反射的路线。让表示节点获得的读数。直观的方式传输,2,,基站是通过多次反射继电器如图1。节点传输的阅读,传递其阅读和传递阅读来。的路线,传送所有阅读的下沉。我们可以观察到带来更多的流量负载与其他节点由于传输的数据量。显然,节点将很快消耗传感器网络的能量和寿命将大大缩短。在图6,阅读的总数传播和阅读传播。数据传输的总数在基线数据传输模型。

由于密集部署在该地区的利益,从所有节点是空间相关的传感数据。假设数据中,,之间的空间相关性很高,而阅读呢和不是空间相关。基于上面提到的数据压缩算法,数据传输的模型更改如下。节点从节点接收的阅读空间之间的关联度,发现阅读和阅读的节点;然后这只传输节点的阅读。同样的,节点只传输节点的阅读。因为之间的读数和是不相关的,节点需要传输其阅读和之间的差异和到节点。数据传输的模型是描述如图7。

相比之下,图6数据传输的总数量,如图7大大降低,从而节约能耗,延长了网络的生命周期。更多相关阅读资料,无线传感器网络可以节省更多的能量。网络可以实现非常高的能源利用效率。

摘要能源模型只考虑能源消耗在数据接收和传播。代表一个节点发出的能量消耗位的数据距离,代表单个节点的能量消耗长度数据。为了评估方法,我们选择了“一阶广播模式”(15];因此,

在我们的工作中,我们假设一个简单的模型,一个无线电消散新泽西/运行发射机或接收机电路;通信通道被认为是多路径衰落路径损耗指数;然后发射器放大器。单元传输范围是20米。单元数据的长度是400位。在图6,每个节点需要和代表数据接收和传输节点的数量。每个节点的能源消费总量表示如下:

在图6、节点将需要接收和传输。在图7、节点只需要一个传输。节点和节点有一个接收和发送。节点有一个接收和两个传输。节点有两个接收和三个传输。

从图8,它可以观察到,能源消耗增加线性增加的节点上的基线数据传输。然而,能源消耗仍然稳定,如果节点之间数据是空间相关的。一般来说,基于空间相关性属性数据压缩,这是适用于传感器节点密集部署的情况,可以降低网络的总能源消耗的基础上,减少传输的数据量。另一方面,密集部署的传感器节点会导致冗余信息的出现,这就增加了网络的整体能耗。空间相关分析提供了新的见解最优传感器位置和传感器领域有助于避免重叠。根据空间相关属性,最优数量的传感器被放置在适当的位置来实现令人满意的报道。

5。结论和未来的工作

针对许多问题如数据通信,传输和存储在大型网络中,我们提出一个基于时间和空间数据压缩优化算法来解决这些问题。传输传感信号的变化,而不是原始信号,基站可以减少路由路径的数据流的体积,节省能耗,从而延长网络的生命周期。通过模拟验证执行上面的数据压缩算法是可行的地下隧道网络。同时,有效恢复性能确保恢复数据的准确性,这些恢复数据是非常有效和可靠的执行一个分析在地下隧道结构健康。

本文只关注多次反射数据传输模式。在未来,单跳数据传输模式是我们主要关心的事。此外,时间延迟的影响无线传感器网络上的数据传输将被考虑。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

这项工作是由中国国家基础研究计划(973计划:批准号2011 cb013803)。