文摘

压缩感知(CS)已广泛应用于无线传感器网络的目的是减少数据收集近年来通信开销。在本文中,我们首先1比特压缩传感应用于无线传感器网络,进一步减少了通信开销,每个传感器需要发送。此外,我们提出一种新颖的盲重建出的CS算法优于其它先进的盲目比特CS重构算法的基础下设置。在真正的传感器数据集实验结果证明我们的方法的效率。

1。介绍

由于巨大的实际和潜在的无限的应用,无线传感器网络将吸引越来越多的注意力从两个研究和工业社区(1]。为了设计有效的无线传感器网络拓扑控制等基础研究方面,(2),多次反射公平访问(3),节能路由(4- - - - - -6),和数据聚合协议(7,8),必须深入探索。

在典型的无线先生网络,部署传感器节点定期收集感知数据和发送他们水槽(或基站)通过共享无线频道。由于传感器节点只有有限的计算能力和能源,它是可取的设计简单和节能数据收集(或聚合)方法来减少各个传感器的数据传输消耗。

从自然现象观察的感官数据通常有intratemporal层际空间的相关性,提出了各种方法来利用这些特征(9]。最近,魏et al。7)提出了一个prediction-based数据聚合相结合的灰色模型和卡尔曼滤波。郭et al。8]试图找到历史数据的潜在法律的帮助下粒子群优化和神经网络,从而减少不必要的传输基于实际和预测之间的偏差值在每个传感器节点。除了这些有效的方法之外,另一个有前途的分类法是压缩感知(CS) (10,11)为基础的方法。压缩传感可以完全恢复的信号只有几个非零元素或一些非零系数在某些变换域,如小波基础或离散余弦变换,从很少的预测。

王等人。12)首先利用层际空间的相关性之间的感官数据大规模无线传感器网络中传感器节点使用压缩传感。在这种方法中,每个传感器节点分为编码传感器节点或数据传感器节点。编码传感器节点添加和存储加权感官数据传感器节点发送的数据,然后基站或收集器可以恢复所有的感官数据通过查询只有很小一部分的编码传感器节点。该方法是完全分布式的,但为了生成预测,传感器节点之间的通信开销比较大。

在[13),作者提出了一个节能压缩数据采集(CDG)方法在大规模网络多次反射。在这种方法中,一个生成树扎根在基站将生成,和树包含所有的传感器节点。给一个通过投影随机矩阵 ,每个叶节点发送投影向量的长度到它的父节点的生成树。在收到其所有子节点的投影向量,中间节点向量,然后把结果向量添加到自己的父节点。最后,基站可以恢复所有的原始感知数据从最终投影向量。类似于CDG计划,罗等。14和香等。15提出了一种混合CS方法。在这种方法中,每个叶节点只需要发送自己的单一的感官数据而不是投影向量到它的父节点。最近的工作在这个方向是专注于设计优化稀疏投影矩阵(16,17]。

虽然可以减少通信开销,CDG-based方法,利用层际空间的相关性至少有以下两个费用。首先,投影生成树需要再生即使只有离开或者加入一个传感器节点,第二是,传感器节点之间需要精确的时间同步。

徐et al。18)提出了一种层次化的数据聚合使用压缩传感(hdac)方案,以解决当地稀疏而不是全球稀疏。

Intratemporal相关性在[首次利用利用压缩传感19]。观察,感官的稀疏数据可能在不同的时期,不同王et al。20.)建议使用智能压缩传感自适应调整的数量预测,每个传感器节点需要发送。

Caione et al。21)评估产生不同的投影矩阵的计算开销和得出结论,稀疏二进制矩阵生成计算开销最低。此外,作者成功恢复感官数据来自多个传感器节点的预测使用分布式压缩感知(22]。

在[23- - - - - -26),完成矩阵技术(27),这是压缩传感的扩展,网络被用于减少采样和传输成本。基本的想法是,而不是使用统一的采样,每个传感器节点随机样本,在一定概率下的感官数据发送给基站。在收到所有不完整的感官数据从传感器节点、基站可以形成一个低等级不完整矩阵和恢复丢失的感官数据使用矩阵填充法。

最近,比特CS已经吸引了越来越多的关注的能力平衡的成本细化量化和额外的成本测量(28]。在本文中,我们关注intratemporal相关性和第一比特CS适用于网络数据收集。

本文的其余部分组织如下。节2,我们描述出CS的基本理论,然后提出我们的比特CS框架和新算法。节3,我们评估我们的方法的效率使用真正的传感器网络数据集。最后,我们得出结论本文并提出未来的研究工作。

2。提出了框架和算法

2.1。1比特CS

而不是直接传输完整的量化预测,比特CS只发送的信号投影值,如 符号是一个符号函数,这样吗,是一个给定的高斯随机矩阵,只有()非零元素。现在的问题是试图恢复稀疏信号从信号测量。

Boufounos和Baraniuk28首先表明,我们可以准确地重建规范化,通过 在哪里和表示规范和规范的一个矢量,分别是一个对角矩阵的对角元素是元素的向量。同时,约束在(2)强加于比特之间的一致性要求测量解决方案,和约束限制的解决方案这也意味着估计范围失去了规模的信息。

在[28],作者放松约束和使用定点延续(FPC)算法解决以下替代模型: 在哪里是调优参数和 BIHT [29日]目前是最快的之一,准确的重建算法解决以下模型: 但模型(5)需要稀疏的水平之前的信息,网络是不实际的。

我们分类重建算法没有稀疏的前要求水平盲目1比特CS。

在[30.),作者提出了一种有效的盲比特CS方法,这是限制步骤收缩(RSS)算法,解决模型(2)。该算法采用信赖域方法为非凸优化单元球体,并可证明的收敛性保证。

盲目的比特CS算法是一个正在进行的研究方向,近年来吸引了越来越多的关注(31日,32]。

在下一小节,我们利用传感器数据的可压缩特性,提出一种新颖的盲比特CS框架和一个新的基于BIHT重建算法。

2.2。我们的框架和算法

在网络中,每个传感器节点收集的测量intratemporal相关性,因此可以在某些变换sparsified基础。例如,从实验部分,我们可以看到感官数据从两个真正的WSN数据集可以表示为只有很少在离散余弦变换(DCT)系数。我们假设每个传感器节点感知数据的预测,需要发送向量和 在哪里原始感知数据和吗是一个给定的高斯随机投影矩阵。假设可以sparsified系数通过正交变换矩阵,这样;然后(6)可以写成下面的方程: 在哪里。方程(7)= (1),可以通过基站恢复的归一化系数。

尽管规模inforamation丢失在投影操作,轮只有有限的测量精度。出于这一事实,我们首先建议1比特数据采集CS网络框架,提出了算法1。在我们的框架的主要思想是,每个传感器节点发送额外的规范价值基站。

观察,只有一小部分的系数主导的能量开始时,这些系数几乎集中(见图1和2在接下来的实验部分为例),我们提出一种新的盲比特CS算法基础上基于BIHT [29日]。我们调用算法BBIHT,细节描述的算法2。

在我们BBIHT算法,计算所有BIHT解决方案安排从1到max_稀疏的水平(从步骤2到5算法2)。现在的问题是如何找到最好的解决方案所有BIHT精度最高的解决方案。我们BBIHT动机通过观察的事实之间的方差的行BIHT解决方案不同的稀疏级别可以显示最好的稀疏的级别最高的精度。也就是说,如果方差大于阈值stop_var,这是一个相对小的价值,我们可以知道有关稀疏级别并不是最好的稀疏的级别,然后之前的稀疏程度是最好的稀疏的级别(从步骤7到12算法2)。

我们可以看到从算法2,BBIHT的重建精度主要取决于BIHT的重建精度最好的稀疏程度。同时,调整max_的价值会影响计算时间和重建精度。例如,当max_= 1时,我们只需要计算BIHT一次;因此,计算时间是最低的,但与此同时,最贫穷的重建精度。

在下一节中,我们可以发现BBHIT WSN数据集很好实际工作。

3所示。实验结果

在本节中,我们两个真正的WSN数据集上运行大量的数值实验证明了算法的有效性。第一个数据集是一个现实世界中跟踪从英特尔伯克利实验室,我们选择1号温度传感器节点收集的信息,3月2日,200433]。另一个数据集是在太平洋海洋温度数据收集(7.0 n, 180 w) 3月29日,200834]。所有的实验都使用MATLAB在同一台计算机上执行。1比特FPC和RSS的仿真代码,是最先进的比特盲目CS算法,都从原来的作者。

3.1。稀疏的WSN数据集

数据1和2分别的DCT系数这两个数据集。从结果我们可以看出,一些系数主导能源,大部分系数几乎是零。事实上,太平洋海洋数据集的前4 DCT系数占据超过99.97%的能源。因此,两个数据集可以sparsified在DCT变换,因此可以使用CS和压缩比特CS。

3.2。重建实验

我们实验的设置如下。矩阵的元素遵循先验知识,与零均值高斯分布方差。是一个DCT正交变换矩阵。和stop_var在BBHIT分别设置为0.1和0.01。

我们进行了200次试验,在每次试验中我们固定阅读向量的长度250多样从25到500年。信号测量计算的(6)。我们获得估计使用RSS [30.FPC[],出28),我们的BBHIT介绍了,分别。

平均信噪比(信噪比)为每一个原始感知数据对估计是计算。信噪比是用

数据3和4太平洋海洋的SNR值数据集和伯克利实验室数据集使用RSS,比特FPC,分别和BBIHT算法。结果表明,BBIHT算法可以实现相对比RSS和比特FPC算法精度高,特别是对于太平洋海洋数据集,这是比另一个稀疏的数据集。中所描绘的一样,同样的数据,我们可以看到,当= 1(这意味着我们只使用1位为每个投影),信噪比仍高于20分贝。因此,BBIHT可以显著减少通信开销,同时实现一个合理的精度高。

当= 1,数据5和6显示重建的结果数据的比特盲目CS算法和原始数据的两个数据集,分别。如我们所见,重新阅读我们的BBIHT和RSS适合原始数据的数据集,因为他们有良好的信噪比的值。

3.3。压缩比的比较

通常,传感器网络阅读是IEEE单精度浮点值;以传统的CS投影现值24位是必要的。例如,太平洋海域的CS投影值数据集e + 03−914.8860和1.1418之间的谎言,和16位是不够的存储投影。因此,传统CS的压缩比 在CDG方案中最好的压缩比是0.1(5.1节(13])。

在BBIHT模式中,我们只需要1位来存储每个投影和24位存储额外的规范价值在算法1。因此,BBIHT在我们实验的压缩比 当总是这样,BBIHT压缩比小于。因此,BBIHT显著减少了通信开销超过传统的CS方法,仍然可以达到一个合理的重建精度。例如,数据的描述3和5,我们可以看到太平洋海洋数据的信噪比高于20 db和精度是足够的。在这种情况下,BBIHT压缩比。

3.4。平均CPU时间

数据7和8的平均CPU时间三个盲人比特CS算法的两个数据集,分别。我们可以看到的平均CPU时间BBIHT低于1秒的时候小于1。同时,请注意,我们可以调整在算法2平衡计算开销和信噪比的准确性,因为控制运行轮BIHT(从步骤2到5的算法2)和搜索范围最好的稀疏的级别(从6到12的步骤的算法2)。数据9和10给出了CPU时间和信噪比下的归一化值不同价值。

从结果我们可以看出,CPU时间几乎线性减少减少。但是信噪比几乎相同的时候太平洋海洋数据集和英特尔伯克利数据集;原因是max_ 还包括实际的最佳稀疏的水平在这些价值观。在实际场景中,也可以通过分析历史感官数据最小化最优估计的CPU时间,同时实现良好的信噪比。

4所示。结论和未来的工作

在本文中,我们首先提出了一个框架和一个新的盲1比特CS算法网络的数据采集。现实世界两个传感器实验数据集显示我们初步但有趣的结果;我们可以实现更多的压缩比,这意味着更少的通信开销,重建精度仍然是合理的和可接受的。

深入理论分析BBIHT和更多的其他类型的真正的传感器实验数据集不同的调优参数剩余的为我们的未来的工作。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持最高的关键学科开放基金的一部分在浙江省大学计算机软件与理论(浙江师范大学。ZSDZZZZXK28)。作者要感谢Zaiwen温家宝共享原始RSS的实现算法。