一种自适应无线传感器网络的无损数据压缩方案

文摘

能源是一个重要的考虑在设计和部署的无线传感器网络(网络),因为传感器节点通常由电池供电能力有限。由于无线传感器节点的通信单元是主要的电力消费者,数据压缩是一种可能的技术,可以帮助减少无线传感器节点之间交换的数据量导致节电。然而,无线传感器网络具有很大的局限性在沟通,处理,存储,带宽,和权力。因此,任何数据压缩方案提出了网络必须是轻量级的。在本文中,我们提出一种自适应无损数据压缩(ALDC)算法对无线传感器网络。我们建议ALDC计划执行压缩无损使用多个代码选项。自适应压缩方案允许压缩动态适应变化的来源。被压缩的数据序列划分为块,和最优压缩方案申请每一块。使用各种真实的传感器数据集我们展示的优点提出的压缩算法相比与其他网络最近提出的无损压缩算法。

1。介绍

无线传感器网络(网络)适用于大规模数据收集和他们已经变得越来越重要,在许多领域持续的监控。轮已发现应用在环境监测等领域,工业监测、健康和健康监测、地震和结构监测、库存位置监控、监控、电力监控、工厂和过程自动化、对象跟踪、精准农业、灾害管理和设备诊断(1- - - - - -5]。

传感器网络节点通常是自发的,他们相互通信无线执行常见的任务。节点随机部署在大量和分散在传感器领域以特别的方式。每个节点配备电池,无线收发器,微处理器,传感器和记忆。一旦部署,传感器节点形成一个网络通过短距离无线通信。每个传感器节点采集的数据无线传输到水槽直接或通过多次反射的沟通。

技术进步在微机电系统(MEMS)在最近的过去有导致的生产非常小尺寸传感器节点。微小的尺寸放置严重资源限制节点从一个有限的电源、通信带宽有限,处理速度有限,有限的内存和存储空间。除了大小之外,其他的传感器节点约束包括但不限于以下:极低功耗;在高密度运营能力;必须是廉价的(低生产成本)和是可有可无的;自治和无人值守运行;并对环境适应性(6]。

上面提到的由于硬件的限制,无线传感器节点只能配备有限的电源。此外,更换传感器节点电池几乎是不可能的对于大多数应用程序,因为节点通常部署在大量的恶劣环境。因此,传感器网络的生命周期显示了强烈的依赖电池寿命。因此重要的是要仔细管理每个传感器节点的能耗单元为了最大化网络寿命的基础。此外,无线传感器节点也约束处理和内存。因此,软件设计用于轮应该是轻量级的,算法的计算需求网络应该提高运作效率低。

传感器网络中传感器节点消耗的能量在传感、处理和传输。但通常情况下,能量由传感节点通信模块的数据传输和接收的能量多处理(1- - - - - -4,7- - - - - -13]。一个重要的方法来节约能源和最大化网络生命周期基础上通过使用高效数据压缩方案(5,8]。数据压缩方案可以用来减少网络中信息交换导致储蓄的权力。这储蓄由于压缩直接转化为终身扩展网络节点(14]。压缩数据的本地单节点以及中间路由节点受益较少的数据处理(15]。

为了使用网络最有效、高效的压缩方案应该使用,不仅减少流数据的大小,而且还需要最少的资源来执行压缩。我们本文的目的是完成这一连续网络数据收集应用程序利用时间相关使用本地数据压缩方案这被证明能显著提高传感器网络节能在实际部署(15]。仔细研究本地数据压缩算法提出了网络文献表明,大多数的算法不能动态调整变化的源数据统计。因此,压缩性能通过算法不是最优的。因此我们在本文中提出一种自适应无损数据压缩(ALDC)方案基础上。该算法能够适应变化的源数据统计来最大化性能。提出ALDC算法压缩采样数据时使用多个代码块自适应选择。我们建议ALDC算法运行在一个通过,可以应用于多个数据类型。

本文的其余部分组织如下。部分2讨论相关工作。部分3礼物我们提出ALDC算法。节4最近,该算法评估并与使用现实世界的WSN数据无损压缩算法。最后,我们总结论文部分5。

2。相关工作

能源通常更有限的网络比其他无线网络传感装置的性质和困难在充电或换电池。数据压缩的能力提供能源效率取决于之间的有利的权衡计算能量和传输能量作为公认的文学。任何数据压缩方案设计用于轮应该是轻量级的,和计算需求的算法应该提高运作效率低由于网络限制在硬件方面,能源,处理,和记忆。由于这些原因,研究人员因此专为网络设计和开发各种压缩算法。有两个网络数据压缩的一般方法。一个是分布式数据压缩方法,另一个是本地数据压缩方法。分布式数据压缩方法利用高空间相关性固定在密集网络中传感器节点的数据。在这种方法的一些主要技术包括分布式源编码(DSC) [16,17)、分布式变换编码(DTC) (18,19)、分布式源建模(DSM) [20.,21],和压缩感知(CS) [22]。然而分布式压缩方法节约能源为代价的源数据信息丢失,因此将不会被考虑。相反的本地数据压缩方法,利用时间相关,存在于采样传感器数据来执行其压缩在每个传感器节点将被考虑。一些提议的本地数据压缩算法基于时间相关的网络包括:有损算法(轻量级时间压缩(LTC) [14],K-RLE [23)、微分脉冲编码modulation-based优化(DPCM-Optimization) [24];LZW无损压缩算法(传感器节点(S-LZW) [15(LEC)[],无损的熵压缩3),修改后的自适应哈夫曼压缩方案(4),median-predictor-based数据压缩(MPDC) [25),two-modal传输(TMT) [26])。一些应用领域所需的精度要求传感器节点具有很高的准确性,不能容忍测量数据被压缩破坏过程。因此,在本节中,我们将关注本地数据无损压缩算法。

作者在15]介绍了无损压缩算法叫做S-LZW LZW的改编版本(27)专门为资源受限的传感器节点。它使用自适应字典技术与动态代码长度。字典结构允许算法适应变化的输入和重复利用的感知数据。然而,遭受日益严重的字典问题及其算法压缩效率仍然需要改进。

在[3),作者介绍了霍夫曼编码在无线传感器节点。他们简单的无损的熵压缩(LEC)算法是基于静态的霍夫曼编码利用时间相关传感器数据计算中存在的一个压缩版本使用一个小字典,ADC的分辨率的大小。该算法特别适用于计算和内存资源受限的传感器节点。该算法是静态的。因此,该算法不能适应变化的源数据统计。在文献[4),该算法是一种经典的自适应哈夫曼编码的修改版本。该算法不需要先验知识的统计源数据和压缩执行自适应基于时间相关,存在于源数据。这个算法的缺点是计算量。在[25),作者提出一种压缩算法,使用中值预测decorrelate感觉到数据。该算法简单,可以实现在几行代码并使用LEC压缩表。压缩算法也有类似的复杂性LEC但降低压缩效率。LEC算法优于它以来,该算法将不会被用于与我们的算法进行比较。

在[26),作者提出了一个新的方案叫做" two-modal传输(TMT)预测编码。在第一模态传输压缩模式,内部的压缩比特错误条件下降区间是传播。第二模态传输,称为noncompressed模式,最初的原始数据之外的错误条件下降区间而不压缩传输。修改后的预测编码基于two-modal传输的方法解决了编码效率下降的问题由于大误差项的低性能预测。采用二阶线性预测。水槽节点负责计算的线性预测系数值。算术编码被选为编码方案。作者应用最优M-based字母表。这个压缩算法的缺点是计算量。这样,实现了网络的方案,水槽节点,而不是能源有限公司,搜索最优预测系数的最优结合R和最优米M-based字母编码。这些最优参数然后传播给其他传感器节点,使他们进行预测编码基于two-modal传输算法。

LEC算法很简单,它需要低内存执行。低计算复杂度,给出了最佳无损压缩比性能至今为止。但是,LEC sensor-measured数据算法不能适应不断变化的相关性。因此,获得的压缩比和扩展节能获得不是最优的。这因此给改进的余地。因此在本文中,我们提出一种新的无损数据压缩算法轮为称为自适应无损数据压缩(ALDC)算法。我们的算法适应变化的源数据统计数据压缩性能最大化。我们建议ALDC算法运行在一个通过使用多个代码选择自适应,可以应用于多个数据类型。这种改进,我们提出ALDC算法优于LEC算法。

3所示。自适应无损数据压缩算法

在本节中,我们描述我们提出自适应无损数据压缩(ALDC)算法。自适应压缩方案允许压缩动态适应变化的来源。我们建议ALDC计划执行压缩无损使用两个自适应无损的熵压缩(亚历克)代码选择自适应。两个亚历克代码选项,即2-Huffman表亚历克,亚历克3-Huffman表,最初是在我们的文章题为“一个有效的无损的无线传感器网络的自适应压缩算法。“2-Huffman表亚历克,亚历克3-Huffman表都是自适应编码方案,自适应地使用两个霍夫曼表和三个霍夫曼表,分别。霍夫曼表两个亚历克代码所使用的选项表中给出1,2,3。霍夫曼表设计、抵达后使用多真实的无线传感器节点的数据集和不同水平的相关性。虽然2-Huffman表亚历克使用霍夫曼编码表和霍夫曼编码表B, 3-Huffman表亚历克使用霍夫曼编码表,霍夫曼编码表B和c·霍夫曼编码表两个亚历克代码选择压缩采样的数据块。虽然2-Huffman表亚历克编码块抽样数据按照算法的伪代码1,亚历克3-Huffman表编码块抽样数据按照算法的伪代码2。的伪代码编码函数的算法1和算法2给出了算法3。每个编码函数编码作为一位序列由两部分组成和(例如,): 在哪里 方程(3)返回的索引位置在其集团。表示索引的二进制表示位。类别(组数)。这也是低阶位的数量需要编码的值。注意,如果= 0,不是代表。因此,在这个实例中,=。一次生成,是附加到比特流形成的压缩版本的一系列措施。我们建议ALDC方案采用预测编码的原则,以更好地捕捉潜在的抽样数据之间的时间相关性存在持续的监控。在预测编码中,线性或非线性预测模型在第一阶段使用,而许多编码方案在第二阶段使用。

3.1。预测模型

源符号的动态范围是一个关键因素在实现压缩。出于这个原因,我们采用一个微分的动态范围压缩方案减少源符号从而增加其压缩性。预测方法采用我们使用了一个线性模型,仅限于采取连续抽样数据之间的差异。目的为我们的应用程序的压缩环境数据如温度、相对湿度和地震数据,这种预测方法是简单和有效的。此外,这也确保了计算复杂度的压缩方案是尽可能低,因为网络中传感器节点的计算能力相对较低。因此,预测样本是由 即预测样本等于过去观测到的样本。残渣(即。,the error term) is then calculated by subtracting the predicted sample from the current sample. Hence, the residue的区别是 为了计算第一个渣我们假设 在哪里是默认的测量分辨率传入的数据集(例如,的动态范围考虑源符号)。注意,每个是一个正整数价值范围内它在二进制表示位。我们选择中央之间的正整数的值等于2^R可能正整数的值。在我们的预期应用程序中使用的测试数据集,默认为相对湿度和温度测量分辨率数据集是12位和14位,分别。因此,对于每个应用程序,通过编码器和译码器。因此,该算法自适应不同数据源与传入的数据。计算出的残渣然后作为熵编码器的输入。也就是说,用于无损编码吗使用一节中描述的编码方案3.2。

3.2。熵编码

为了达到最大压缩比和扩展最大节能,提出实现ALDC算法压缩一次抽样数据块使用两个亚历克自适应代码选项。我们建议ALDC算法运行在一个通过,可以应用于不同的数据类型。我们的熵编码问题是如何有效地编码块一次整数值样本使用两个亚历克自适应代码选项。两种不同的方法来解决这个熵编码问题将在这一节中讨论。方法,即,蛮力的方法和决定区域的方法。

3.2.1之上。蛮力的方法

图1显示的实现的原理框图ALDC算法使用蛮力的方法。代码选项1和代码选项2代表2-Huffman表亚历克,亚历克3-Huffman表,分别。从图1的块样品由简单的单位延迟预测预处理获得的残留。然后由自适应编码(压缩)编码器使用代码选项。编码比特流的大小通过使用两个代码生成选项进行比较。代码选择收益率最小的编码比特流的大小(即。,然后选择最高压缩)。这段代码生成的编码比特流选项然后添加到代码选择标识符(ID)和之后发送到水槽。解码器使用ID来标识代码选项用于编码。重复这个过程,直到结束的源数据。压缩函数的伪代码使用蛮力方法给出了算法4。蛮力方法保证最优压缩比为每个数据集,因为它总是达到最好的代码为每个块选项被选中样本。然而,蛮力方法需要更多的内存(缓冲两个代码的编码比特流选项进行比较),也是计算密集型(因为编码是通过为每个块代码选项样品)。

3.2.2。决定区域的方法

如上所述节3.2。1,蛮力的方法需要更多的内存(缓冲的编码比特流代码选项进行比较),也是计算密集型(因为编码是通过为每个块代码选项样品)。然而,传感器节点有严格限制的内存、计算能力和精力。因此我们将注意力转向的问题选择一个选项,高效编码块的代码样品不使用蛮力的方法,因为它已被证明,方法是不必要地复杂。在[28),作者介绍了一种高性能自适应编码模块使用蛮力方法的选择代码选项。因为蛮力的方法是计算详尽的和/或硬件要求,作者后来提出了一个简单的选择决定区域的蛮力的方法,使用一个表,完全是基于的基本序列的长度标准样品来源(非负整数)。的基本序列的长度标准样品来源的总和标准样品在一块+来源(块大小)。然后使用计算总和与决定区域的表来选择最好的代码选择编码。因此,在这种新方法,只有一个选项是使用代码块标准样品来源。这导致了大量的储蓄的计算需求和硬件。出于这一决定区域的简单方法,我们发现如果我们提出ALDC地区我们可以使用类似的决定完全由某些方法定义和表达式最佳代码选项选择使用实证方法。

为此,使用蛮力方法讨论的部分3.2。1在算法的伪代码4我们生成的模式代码选择使用,而压缩每个数据集通过重复以下程序为每个块残留在年底前达到数据集:(一)计算每个剩余样品的绝对值的总和在一块残留。将计算和存储在数组求和。(b)块编码(压缩)残留使用代码选项(即2-Huffman表亚历克和3-Huffman表亚历克)。(c)选择最好的代码选择收益率最小的编码比特流为每个块大小残留。如果2-Huffman表选项选中,亚历克是最好的代码的代码选择标识符(ID) 2是生成并存储在ID数组,否则代码选项生成标识符(ID) 3,而不是和存储在ID数组。

程序(一)(c)是重复的块大小32和48个不同的数据集。此后,我们绘制的ID数组对对应的数组使用数据和标记只不同的测试数据集。这些情节中给出数据2和3块大小32和48个样品,分别。注意,一些数据点的阴谋策划了好几次。从故事情节(数字2和3),这两个代码的压缩性能选项在两个区域重叠。32的块大小,这两个地区的总和值范围内和。同样,48块大小,这两个地区在这两个代码的性能选项重叠在范围值之和和。根据不同的块大小(32或48),任何和价值在这两个区域可以作为决定区域边界和价值导致大约相同的压缩比。为简单起见,我们决定区域边界和价值定义为每个范围和价值,是块大小的倍数。因此,块大小的32岁和两个重叠的区域,决定区域边界和值是96和384年,分别。同样,48块大小的重叠区域和,决定区域边界和值是144和576年,分别。因此,我们得出结论从上述给定的块大小n,两个决定区域边界和值可以计算为3和12分别,从而使两个决定区域边界和值的倍数(块大小)。两个决定区域边界值和情节(数字表示2和3)作为“第一边界”和“第二边界”。表4给出了总结我们所使用的决策区域提出ALDC算法。用表4,使用决定区域的编码程序的方法简化了以下步骤:(1)计算总和 (2)检查是否。如果满足这个条件,然后2-Huffman表亚历克代码选项被选中,其代码选择标识符生成ID。从2-Huffman表编码bitsream亚历克然后连接ID。否则,搬到下一个步骤。(3)检查是否。如果满足这个条件,然后3-Huffman表亚历克代码选项被选中,其代码选择标识符生成ID。从3-Huffman表编码bitsream亚历克然后连接ID。否则,搬到下一个步骤。(4)检查是否。如果满足这个条件,然后2-Huffman表亚历克代码选项被选中,其代码选择标识符生成ID。表的编码bitsream 2-Huffman亚历克然后连接ID。

实现的原理框图ALDC算法的使用方法是决定区域图4。将看到的部分4,ALDC决定区域方法的压缩性能几乎是相同的与那些获得使用蛮力的方法。这表明决定地区表的正确性4通过经验观察,抵达。因此,我们建议用户ALDC压缩方案应该使用决定区域的方法。ALDC强力性能的方法仅作为基准的用户ALDC压缩方案。

3.3。数值例子使用决定区域的方法

在本节中,我们提出一个数值例子显示的台阶ALDC算法使用决定区域的方法。假设一个块的温度和样品14是ADC的分辨率:(1)我们计算出残留通过应用(5)和(6)。因此,我们有 (2)应用(7),我们计算绝对值之和的残留块8-residues。也就是说,我们计算 (3)接下来,我们确定的边界地区表定义决定4:

第一个边界,

第二个边界。(4)接下来,我们确定地区使用的表4。自,这意味着属于第一个决策。因此,亚历克2-Huffman表被选中作为最好的代码选择编码和它的代码选择标识符生成ID。注意,因为我们只使用两个代码选项,选项的代码标识符ID是“0”(亚历克2-Huffman表)或“1”(亚历克3-Huffman表)。(5)接下来,我们进行编码使用算法1并附加编码比特流生成的ID在步骤4以上。最终的输出编码的值是:

输出是颜色编码和解释彼此分离的目的。红色的“0”是一个代码标识符ID告诉解码器2-Huffman表选项,亚历克代码是用于编码的8块样品。绿色的“0”是一个表标识符ID告诉解码器,霍夫曼编码表中给定表12-Huffman表使用的亚历克代码选择编码的8块样品。因此,编码是按照算法来完成的3用表1。注意,编码函数算法3编码每个样本两部分:霍夫曼编码组和二进制代码表示的每个索引的位置组中使用位。如果为零,那么也是零,在这个例子中,二进制代码表示不是必需的。因此,蓝色的“1001”和粉红色的“1010”代表剩余价值的集团和二进制代码,分别。接下来,两个蓝色“00”代表该组织代码的两个剩余价值0自二进制代码表示不是必需的。后,下一个是蓝色的“01”和粉红色的“0”,分别代表剩余价值的集团和二进制代码−1。接下来,是蓝色“01”和粉色“1”,分别代表剩余价值的集团和二进制代码1。接下来,两个蓝色“00”表示两个剩余价值的组织代码0。最后,蓝色的“101”和粉红色的“110”代表集团和残值的二进制代码表示6。一起把所有的代码,最后编码值的输出发送到译码器是001001101000000100110000101110,是由共有30位与112位如果原始样本值是未压缩的传播。因此,对于给定的8块的温度样本,总储蓄的位是82位。这将节约能源为传感器节点,因为它现在必须对其无线电传输更少数量的比特。

4所示。模拟和分析

来验证我们的算法的有效性,我们测试它对各种真实环境数据集部分中讨论4.1。温度我们考虑相对湿度数据集,数据集,和地震数据集。压缩性能计算压缩比,计算使用以下公式: 薪酬在哪里得到压缩后的比特数和源自未压缩的数据的大小。每一个未压缩的样本数据是由16位无符号整数。

4.1。数据集

从SensorScope实际环境监测传感器网络数据集29日)是用于我们的模拟。我们使用相对湿度和温度测量三个SensorScope部署:Le部署Genepi HES-SO鱼网部署和卢斯部署。公开数据集被用来使尽可能公平的比较。这些部署使用TinyNode节点(30.)由TI的MSP430单片机,Xemics XE120, 5广播和Sensirion SHT75传感器模块(31日]。相对湿度和温度传感器都是连接到一个14-bit模拟-数字转换器(ADC)。原始的默认测量分辨率相对湿度(raw_h)和原始温度(raw_t)分别是12位和14位。每个ADC输出raw_h和raw_t转化为衡量和分别在比例和摄氏度(中描述31日]。发表在SensorScope部署的数据集对应于物理措施和。但压缩算法raw_h和raw_t。因此,在应用压缩算法之前,物理措施和被转换成raw_h和raw_t通过使用转换功能的反向版本(31日]。表5总结了数据集的主要特征。参见[3]更多细节关于这些数据集的特点。此外,我们还使用了一套地震数据收集的数字地震台OhioSeis位于博林格林,俄亥俄州,下午2点到3点的时间间隔1999年9月21日(UT) [32]。我们计算信息熵原始数据集的,可能值的数量吗(ADC)的输出的概率质量函数。此外,信息熵残余的信号也被计算。这些都是记录在表中6。

图5显示了分配块的原始测试数据集和图6显示了连续样本数据分布的差异(渣)的测试数据集。虽然有差异分布在原始数据见图5,剩余分布见图6是相似的。每当任何数据集较低的残留均值和标准差较低,他们的熵会很低。因此,如果熵压缩算法(如我们的方案)应用于一个低熵的数据集,压缩比可以实现将会很高。我们建议ALDC计划只在残留。因此,因为许多现实世界的残余分布连续监测数据集相似,我们提议ALDC(使用蛮力的方法或决定区域方法)算法可以应用于不同类型的数据集和收益率仍然令人满意的压缩比。“这是由于自适应使用不同的霍夫曼编码表,处理不同级别的数据相关性两个代码(熵)的选项。

4.2。压缩性能

我们提出的压缩性能ALDC算法将计算使用(10为不同的值)(块大小)和七个章节中讨论真实的数据集4.1。节3.2,我们提出了两种不同的方法对ALDC算法的实现。这些方法是蛮力的方法和决定区域的方法。ALDC提出算法的性能将成为这两种不同的评估方法。我们的模拟,(块大小)的值1、2、4、8、16、32,48岁,64,80,96,…320。

4.2.1。准备压缩性能使用蛮力的方法

对于每个数据集,使用蛮力的方法,计算ALDC的压缩性能不同的价值。数据7,8,9,10,11,12,13显示了压缩比与块大小的ALDC算法通过七个真实的数据集使用蛮力的方法。从数据明显7来13,ALDC算法的压缩性能的七个数据集使用蛮力方法增加块大小的增加。很小的值由于高、较低的压缩性能得到ID开销成本,使苦恼压缩的好处。然而,获得的压缩性能明显高于块大小的范围。这是由于ID开销成本低与高适应性的变化感觉数据统计这样的块大小。的值(块大小)以外的48个结果在提高压缩比和压缩性能甚至会在某种程度上可以看到一些情节。因此,对于优化使用ALDC算法,压缩性能的价值(块大小)可以固定在48 ()。

4.2.2。使用决定区域方法的压缩性能

我们提出的压缩性能ALDC为不同值的计算为每个七数据集使用决定区域的方法。结果绘制在数字14,15,16,17,18,19,20.。数据14来20.具有相同的特性和特征数据与相应的情节7来13。注意,压缩比的范围实现通过为每个七ALDC数据集是一个函数的熵(见表6熵的残留数据集)的残余信号送入编码器。因此,低熵的数据集(例如,LU84温度数据集)收益率高压缩比,而高熵的数据集(例如,LG20相对湿度数据集)收益率低压缩比。因此,数据功能,影响算法的压缩性能是熵的残余信号送入编码器。这证实了ALDC实际上是一个熵编码器。

4.2.3。蛮力之间的性能比较方法和决定区域的方法

确定计划的决策区域方法的正确性和有效性的方法实现ALDC,我们在本节中比较其压缩性能(图14图20.与(图)7图13)获得使用蛮力的方法。为便于比较,我们绘制相应的数据的所有七个数据集在相同的情节。这些情节是如图21,22,23,24,25,26,27。从故事情节(图21图27),可以看出,压缩比ALDC算法的性能通过决定区域方法7个数据集使用几乎是相同的,对于一些数据集使用蛮力方法所得结果与相同。注意到在一些点的轻微的区别是由于重叠的两个代码的性能选项,在两个边界地区。总而言之,我们可以说,决定区域方法的性能相当于获得使用蛮力的方法。决定区域方法比蛮力计算更轻量级的方法,它需要更少的资源使它适合网络实现。针对这一点,我们建议每个用户提出ALDC算法实现只决定区域的方法。从今以后,任何提到ALDC算法在本文中应采取的意思是决定区域的方法。

4.3。与其他无损压缩方案性能比较

在本节中,我们提出我们的仿真结果,证明我们提出的无损压缩性能和有效性ALDC算法。我们提出的无损压缩性能ALDC算法使用决定区域方法(32块大小和48)和其他最近提议的无损压缩算法LEC和S-LZW表7所有的七个真实的数据集。通过S-LZW算法的压缩性能采用从[3]用以下固定参数:MINI-CACHE条目= 32,马克斯•DICT条目= 512块大小= 528字节,和字典策略=冷冻[3,15]。此外,无损压缩性能通过LEC算法和记录在表7是我们模拟的结果后的LEC算法描述的原始论文尽可能。因此可以从表7,我们提出ALDC算法优于所有其他网络最近提议无损压缩方案。此外,一个好的看看图10图16表明,块大小的ALDC 1的压缩性能(即。,当)是相当高的(仅仅落后于LEC的表演),比通过S-LZW算法对所有七个数据集。同样,与块大小,小如说4(即,),无损压缩性能通过我们提出ALDC算法使用决定区域方法比通过其他先前提出的无损压缩算法对所有的七个数据集。

传感器节点传输数据的数据包和许多系统建议不超过90个字节的数据包大小。例如,TinyOS操作系统设置默认数据包有效载荷至29个字节。因此,我们利用这个固有的传感器节点传输方式通过收集样本来源缓冲区。我们一起编码缓冲区的样本。使用正确的缓冲区大小(和/或块大小),编码可以实时完成。因此,我们提出ALDC算法具有显著的优势,超过其他无损压缩方案。而其他全新方案只能应用于实现容忍延迟应用程序(例如,S-LZW)或实时(delay-intolerant)应用程序(例如,LEC),我们建议ALDC方案可以适用于这两个场景。我们的方案实现真实数据集的压缩性能高达74.02%。

算法的复杂性,我们提议ALDC算法简单。LEC算法相比,我们的算法只需要稍微更多的内存。当S-LZW相比,我们的算法需要更少的内存。

5。结论

在本文中,我们提出了一个轻量级无线传感器网络自适应无损数据压缩算法。我们建议ALDC计划执行压缩无损使用两个代码的选择。我们提出ALDC算法是有效和简单,特别适用于资源受限的无线传感器节点。我们建议ALDC压缩方案允许压缩动态适应变化的来源。我们的算法减少传输的数据量,有利于节能。此外,我们的算法可以用于监测系统,不同类型的数据,还提供满意的压缩比。此外,我们提出ALDC算法考虑了不同的实时需求的数据压缩。因此,我们全新算法适合实时和实现容忍延迟传播。我们的方案实现了压缩性能74.02%使用真实的数据集。我们也报告和分析使用真实数据集之间的性能比较提出ALDC和其他最近提议无损压缩方案轮为LEC和S-LZW。 We showed that our proposed ALDC algorithm outperforms all the other recently proposed lossless compression schemes. In future, we intend to carry out a formal mathematical modeling and analyses of the Decision Regions Approach of our proposed ALDC algorithm.

引用

1. g . Anastasi m .孔蒂m . Di弗朗西斯科·a .主席帕萨雷拉,“无线传感器网络节能:一项调查,“特设网络,7卷,不。3、537 - 568年,2009页。视图:出版商的网站|谷歌学术搜索
2. n .木村和s . Latifi”一项调查在无线传感器网络中,数据压缩”国际会议信息技术学报》:编码和计算(特点' 05),卷2,2005年4月8日至13日,页。。视图:谷歌学术搜索
3. f . Marcelloni和m .维”,一个高效的无损压缩算法的微小节点监测无线传感器网络,”电脑杂志,52卷,不。8,969 - 987年,2009页。视图:出版商的网站|谷歌学术搜索
4. c . Tharini和p . Vanaja野生动物”,设计修改数据自适应哈夫曼压缩算法对无线传感器网络来说,“计算机科学期刊,5卷,不。6,466 - 470年,2009页。视图:出版商的网站|谷歌学术搜索
5. j .活跃、b·穆克吉和d . Ghosal“无线传感器网络调查,”计算机网络,52卷,不。12日,第2330 - 2292页,2008年。视图:出版商的网站|谷歌学术搜索
6. i . f . Akyildiz和m . c . Vuran无线传感器网络约翰•威利& Sons奇切斯特,英国,2010年。
7. c . Tharini和p v .野生动物”,一种有效的无线传感器网络的数据采集方案,“欧洲科学研究杂志》上,43卷,不。1,第155 - 148页,2010。视图:谷歌学术搜索
8. i . f . Akyildiz w·苏y Sankarasubramaniam,大肠Cayirci,“无线传感器网络:一项调查,”计算机网络,38卷,不。4、393 - 422年,2002页。视图:出版商的网站|谷歌学术搜索
9. k . Dolfus t·布劳恩,“无线网络压缩方案的评价,”学报》国际国会超现代通信和控制系统和研讨会(ICUMT 10)2010年10月,页1183 - 1188。视图:出版商的网站|谷歌学术搜索
10. a . van der Byl r·尼尔森和r·h·威尔金森“压缩技术对无线传感器网络的评价,”IEEE Africon学报》上2009年9月,页1 - 6,。视图:出版商的网站|谷歌学术搜索
11. k·c·巴尔和k . Asanović“节能意识无损数据压缩,”ACM交易计算机系统,24卷,不。3、250 - 291年,2006页。视图:出版商的网站|谷歌学术搜索
12. f . Marcelloni和m .维”,一个简单的数据压缩算法在无线传感器网络中,“IEEE通信信,12卷,不。6,411 - 413年,2008页。视图:出版商的网站|谷歌学术搜索
13. t . Srisooksai k . Keamarungsi p Lamsrichan, k .荒木”实际的无线传感器网络中数据压缩:一项调查,“网络和计算机应用》杂志上,35卷,不。1,37-59,2012页。视图:出版商的网站|谷歌学术搜索
14. t . Schoellhammer e . Osterweil m . Wimbrow b·格林斯坦和d·埃斯特林,“轻量级的时间压缩小气候的数据集,”《第29届IEEE国际会议在本地计算机网络(LCN ' 04)2004年11月,页516 - 524。视图:出版商的网站|谷歌学术搜索
15. c·m·萨德勒和m . Martonosi”数据压缩算法为能源设备在延迟容忍网络”诉讼的第四届国际会议在嵌入式网络化传感器系统(SenSys 06年)2006年11月,页265 - 278。视图:出版商的网站|谷歌学术搜索
16. 美国美国普拉丹,j .魏仁芳和k . Ramchandran“分布式压缩在一个密集的微传感器网络,”IEEE信号处理杂志,19卷,不。2,51-60,2002页。视图:出版商的网站|谷歌学术搜索
17. j .周、d·佩特和k . Ramchandran“分布式和自适应信号处理方法在传感器网络降低能耗,”美国22日联合年会在IEEE计算机和通信的社会2003年4月,页1054 - 1062。视图:谷歌学术搜索
18. A . Ciancio和A·奥尔特加”多次反射无线传感器网络的分布式小波压缩算法使用起重,”《IEEE国际会议音响、演讲和信号处理(ICASSP 05),4卷,页IV825-IV828, 2005年3月。视图:出版商的网站|谷歌学术搜索
19. a . Ciancio美国模式、a·奥尔特加,b . Krishnamachari”节能数据表示和路由基于分布式的无线传感器网络小波压缩算法,”第五届国际研讨会论文集在传感器网络的信息处理(IPSN 06年)2006年4月,页309 - 316。视图:出版商的网站|谷歌学术搜索
20. j·j·肖,崔,z .问:罗,和a·j·戈德史密斯,”电力调度的通用分散估计在传感器网络中,“IEEE信号处理,54卷,不。2、413 - 422年,2006页。视图:出版商的网站|谷歌学术搜索
21. j·b·Predd s . r . Kulkarni和h诉穷,“无线传感器网络分布式学习”,IEEE信号处理杂志,23卷,不。4,56 - 69,2006页。视图:出版商的网站|谷歌学术搜索
22. d . l . Donoho“压缩传感,”IEEE信息理论,52卷,不。4、1289 - 1306年,2006页。视图:出版商的网站|谷歌学术搜索
23. e . p . Capo-Chichi h . Guyennet, j . m . Friedt”K-RLE:一种新的数据压缩算法对无线传感器网络来说,”学报》第三届国际会议上传感器技术和应用程序,(SENSORCOMM ' 09)2009年6月,页502 - 507。视图:出版商的网站|谷歌学术搜索
24. f . Marcelloni和m .维”,支持节能和lossy-aware数据压缩在无线传感器网络多目标进化优化,“信息科学,卷180,不。10日,1924 - 1941年,2010页。视图:出版商的网站|谷歌学术搜索
25. a . k .孔雀王朝、d·辛格和a . k . Sarje”基于中值预测的数据压缩算法对无线传感器网络来说,“国际期刊的智能传感器和特设网络,1卷,不。1,第65 - 62页,2011。视图:谷歌学术搜索
26. y梁和w·彭”,最大限度地减少能源消耗在通过two-modal无线传感器网络传输中,“计算机通信评审,40卷,不。1,十三至十八页,2010。视图:谷歌学术搜索
27. t·a·韦尔奇”高性能的数据压缩技术。”电脑,17卷,不。6,8-19,1984页。视图:谷歌学术搜索
28. r . f .大米,p . s .叶和w·米勒,“算法非常高的速度普遍无噪声编码模块,“喷气推进实验室出版实验室,卷91,不。1、外墙面,1991页。视图:谷歌学术搜索
29. “SensorScope部署主页”,2012年,http://sensorscope.epfl.ch/index.php/Main_Page。视图:谷歌学术搜索
30. “TinyNode主页”,2012年,http://www.tinynode.com/。视图:谷歌学术搜索
31. “Sensirion主页”,2012年,http://www.sensirion.com/。视图:谷歌学术搜索
32. “地震数据集”,2012年,http://www-math.bgsu.edu/?zirbel/。视图:谷歌学术搜索

版权

版权©2012乔纳森·迦纳王国图雷等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。