图像压缩结构分布于无线多媒体传感器网络

文摘

在无线多媒体传感器网络(WMSN),网络能耗的最小化是一个至关重要的任务不仅是对标量数据也为多媒体。在这个网络中,相机节点(CN)捕捉影像,将他们传输到一个基站(BS)。多个传感器节点在整个网络(SNs)也将促进网络的正常运行。图片需要传输大量的能源由于图像大小和距离;然而,SNs资源约束。图像压缩是用来减少图像大小;然而,伴随着一个计算复杂度权衡。此外,直接形象传播BS需要更多的能量。因此,在本文中,我们提出了一个分布式图像压缩架构在WMSN延长整个网络的生命周期(高通量)。我们的计划包括三个子任务:确定最优相机半径CN寿命延长,分布图像压缩任务中潜在的SNs平衡能量,,最后,采用多次反射层次路由方案减少长途传输能量。 Simulation results show that our scheme can prolong the overall network lifetime and achieve high throughput, in comparison with a traditional routing scheme and its state-of-the-art variants.

1。介绍

互联网起着至关重要的作用在通信连接世界各地的人们通过数以百万计的网络设备(1]。先进的低成本设备的可用性导致了物联网的发展(物联网)。互联网正在向物联网和云计算,包括大数据,已成为最重要的全球技术平台为未来(2]。通常,物联网是由聪明的东西(或智能设备),有能力检测(感觉)或合作(交流),物理环境和其他设备在大型和容易实现渠道(无线)和可选的预处理或控制这些设备提供一些特定的任务(处理)1]。

无线传感器网络(WSN)是另一个物联网的关键部分,它是用于许多领域、交通、军事、工业和环境监测和控制2,3]。一般来说,一个无线传感器节点(SN)由一个现成的和廉价的传感器、数据处理器,内存,接收器/收发器,和权力单位捕捉标量数据,如温度、压力、湿度、速度、加速度和位置(4]。最近,已经从标量数据变化信息的多媒体数据,如图像、视频和音频数据。物联网和云计算还提供后端解决方案处理如此巨大的多媒体数据流,它有很高的计算要求;例如,无线多媒体传感器网络(WMSNs)用于视频、视频会议和视频监控5]。

WMSN扩展了一个典型的基础上通过添加多媒体服务和设备,如互补金属氧化物半导体(CMOS)摄像头和一个麦克风,捕捉图像、视频或音频,它允许设备检索不仅标量数据,而且多媒体流。为了便于理解,所有设备或传感器节点(SN) WMSN内,主要有两种类型的节点:相机节点(中枢神经系统)和典型的传感器节点,称为正常节点(NNs),传统上被用来帮助传播或执行其他scalar-based传感任务。通常,CN抓住了多媒体内容并将其发送给一个神经网络进行处理或传输到基站(BS)。虽然有各种实际传输方案(6- - - - - -9),层次结构通常应用,如基于集群的方法(10),直播能源优化和分区的关键优势,延长网络的生命周期。

图1显示了一个示例SN部署;在这里,有两个可能的集群:神经网络的传输集群(这里,其表现为集群包括头部)一个相机集群。如图1(一),传输集群通常会形成根据标准相关的能源使用,如距离和剩余的力量。在每个集群中,传感器节点集群成员将数据发送到相应的负责人(CH)前进一步传输向BS聚合数据。同样,在图1 (b)引入CN,相机集群是一个集群,一个CN和许多附近的海军新闻,通常作为中继节点对BS。在这个集群,集群优化相机难以实现,因为每个节点的能量已经改变随着时间的推移。此外,太小的覆盖范围可能导致有不够多传感器节点进行处理或传输数据,而有太大的覆盖范围可能会导致更多的能量为通信节点成员的需要。

一般来说,一个锡(NN或CN)有资源约束,如内存有限,缓冲区大小,数据处理,数据传输,和能力很难充电的电池(11]。此外,多媒体数据需要大量的带宽和数据交付更多的能量,导致SNs迅速耗尽精力,缩短了网络寿命;大多数WMSN的能量用于数据传输。一个可能的解决方案是这样的数据压缩来减少它们的大小。一个图像可以被压缩,因为它是由许多像素彼此密切相关。利用这种相关性,图像压缩技术可以有效地减少图像的大小(12]。

尽管提出了许多图像压缩技术,但大多数都非常复杂,有很高的资源需求;因此,他们不能在一个资源受限的WMSN[很好地执行13- - - - - -16]。如果图像压缩过程依赖于单个SN,这个传感器节点可能会很快耗尽精力。几死SNs会导致整个网络的失败,尤其是SNs,或将网络分解成一个不平衡的结构。因此,在WMSN的路由协议的设计,必须考虑分布式图像压缩(17]。然而,设计一个分布式方案,克服了SN的限制是具有挑战性的,因为延长网络寿命之间总是会有取舍的压缩质量和能量(如计算和传动功率)。

此外,远程数据传输需要更多的能量比短途传播,导致源SNs迅速消耗他们的精力;因此,直接从每个数据通信SN WMSN是无效的;因此,建议多次反射的沟通。然而,所有传感器节点中选择一个继电器传感器节点转发来优化能源使用的网络也是一个复杂的任务18]。

为了克服上述问题,我们提出一种新颖的分布式体系结构的多次反射图像压缩,即DICA,延长网络生命周期,提高吞吐量的使用组合模糊逻辑系统(FLS)和发布出去是依靠计算方法。本文的主要贡献有三种:我们应用FLS的确定最优相机集群大小;我们设计一个分布式图像压缩技术,将压缩任务中典型的SNs(不是相机节点);和我们实现了一个分层多次反射路由技术的网络分割成层,类似地,FLS的采用最佳中继节点的选择。

本文的其余部分组织如下:部分2强调一些关键的相关工作在分布式架构WMSNs的图像压缩。部分3详细描述了我们的系统模型。部分4提供我们的建议的体系结构的细节(DICA)。部分5详细介绍了仿真配置,然后提出并讨论了结果。我们建议的体系结构的性能评估对各种指标,与节能分布式图像压缩方案相比,在资源受限的多次反射无线网络(EEDIC) [14两跳集群),图像传输方案在无线多媒体传感器网络,最大化网络的生命周期(2职业)(19),和传统的和简化路由协议,即低能量自适应聚类(LEACH) [6]。最后,结论和未来的研究方向进行了讨论6。

2。相关工作

通常,传感器网络需要一个路由协议数据传输的能耗降到最低。clustering-based方法,低能量自适应聚类层次结构(LEACH)是一个著名的网络路由协议。这个协议是一种自适应和自组织聚类协议生成一个随机值选择CH在SNs中旋转。它最初的设计是单跳路由协议,通过SNs CH传输数据,然后转发向BS聚合数据。通过这种方式,浸出可以分配在SNs网络实现能源减少,从而延长了网络的生命周期(6,20.]。

不幸的是,当网络的规模增加,浸出变得低效自遥远的CHs消耗他们的能量快BS传输数据;因此,浸出不适合大规模网络。为了缓解这个问题,多次反射浸出,浸出的延伸,。在多次反射浸出,而不是直接发送数据到b,通过中间CHs CH发送数据,这是接近于BS。这种方法可以显著降低能量,延长网络的生命周期21]。注意,还有几个浸出衍生品为目的的网络生命周期优化(22]。

许多研究人员网络应用浸出。然而,浸出的影响没有考虑WMSNs的多媒体数据,如图像和巨大的规模和其他因素,如计算能力和空间约束。幸运的是,如前所述,一个图像通常有大量的冗余信息,可以被利用图像压缩技术来减少图像大小,图像传输种WMSNs得到了改进。在过去的几十年中,许多压缩技术被提出,可以分为两类:离散余弦变换(DCT)方法和离散小波变换(DWT)方法(21]。作为前者的一个例子,JPEG是一个著名的和广泛使用的基于dct的图像压缩算法,因为它是非常快和能源效率和需要较少的内存比其他算法(23]。

相比之下,后者算法执行比前者更好的算法的压缩比和图像质量,但一些权衡高计算复杂度(21]。如JPEG2000是另一个著名DWT-based算法的主要优势提供一个更好的图像压缩比、更好的图像质量和较高的电阻数据传输错误和解码错误;因此,焊点图像传输不需要延长网络的生命周期在WSN或WMSN的上下文中。

如JPEG2000采用WMSNs的一些作品;例如,左et al。19两跳集群)提出了一种图像传输方案,是基于传统的浸出。他们把集群分为两类:相机正常集群和集群。相机在第一轮集群形式;固定相机半径是仔细考虑,以确保相机集群有一个适当的节点数量从CN接收图像,然后压缩图像,然后再把它传递给通过CH BS。起初,固定相机优化集群半径确定基于传输半径调整。如果相机半径太小,不会有足够数量的传感器节点的集群相机,而如果半径太大,图像传输可能需要更多的能量比图像的压缩。此外,相机集群之间可能发生冲突。

之后,摄像头的节点分配最大的图像压缩任务节点剩余能量在其半径相机集群节点成员的能量平衡。然后,摄像头的节点制定TDMA调度基于压缩时间,压缩图像的传输时间,原始图像的传输时间。如JPEG2000也被用来制造图像尺寸小。实验结果表明,这种方法可以通过平衡能量延长网络寿命。然而,集群设置相机只有一次在网络初始化并不有效,因为相机集群成员节点的能量不断改变随着时间的推移,由于很多因素。在最坏的情况下,CN仍然有能量,但没有住集群中的节点处理和传送图片到目标。此外,如JPEG2000是复杂的单个节点压缩图像和网络不能使用传统的浸出。

离我们最近的工作是由吴et al。14]。在这项研究中,选择小波图像压缩标准如JPEG2000图像压缩技术。作者分布图像压缩任务的计算负载在SNs,目的是延长网络生命周期。方法的主要思想,提出了小波变换的任务分发给许多SNs组。降低计算复杂度和需求,使用了两个方法。在第一种方法中,图像分为行和列与特定的大小,而在第二个方法中,图像裁剪成相同大小的网格。这两种方法发送和分发这些小图像的小波变换SNs从来源到目的地。然而,在第一种方法,两个双向无线收发器所需的SNs加入每一层的小波变换,这可能会导致更高的能耗,而在第二个方法中,没有明确的讨论网络负载平衡集群的形成。

应对的问题14),田et al。15CH选择]提出一种算法是基于距离和负荷系数为提高集中如JPEG2000编码算法。首先,CN被抓获后,图像被分成的图像块。每一个CN发送的那些块集群中的节点剩余能量最高的执行的第一级小波分解。生成结果,四次能带:新低(LL)、低(LH),高低(HL),高(HH)。然后,参加了小波变换的SNs将数据传递给下一个集群的CH。接收数据后,CH前锋只有一次能带(LL)一群SNs的下一个层次小波变换,而剩下的部分波段(LH、HL和HH)被发送到集群中的其他三个SNs独立编码。这个过程会一直重复,直到达到所需的图像压缩比和压缩到达b。该算法可以减少能源消耗,提供网络的负载均衡,延长网络生命周期。不幸的是,图像的质量不满意,与原如JPEG2000进行比较。

纳斯里等。24)提出了一个有效的网络多次反射如JPEG2000图像压缩方法。这个方法将图像压缩任务在SNs一路上BS,类似于上述研究。首先,在收到查询从CN源SN, CH₁选择多个传感器节点SN_1我 。源SN将原始图像划分为许多瓷砖和发送他们这群SNs (SN₁₁、锡₁₂、锡₁₃,SN₁₄)1 d DWT分解(垂直分解)。这群SNs将结果发送给CH₂然后CH₂将这个结果发送给其他组SNs (SN₂₁、锡₂₂、锡₂₃,SN₂₄其他1 d DWT)分解(横向分解)。因此,1级数据检索。接下来,CH₃选择你₁分配到一组SNs (SN_31日、锡₃₂、锡₃₃,SN₃₄一维小波变换。

完成一维小波变换后,SNs在这组将中间结果发送回CH₃其他1 d小波变换。CH₃发送2级数据CH₄量化。然后,CH₄将二级数据发送到单个传感器节点,即SN_4我为量化,而其他SNs集群中唤醒。水平的数量取决于压缩的目标。量化后,SN_4我将数据发送给CH₅。然后,CH₅将量化的部分波段划分为多个较小的代码块的大小并将它们发送给一组节点,即SN_5我(SN₅₃、锡₅₂、锡₅₃,SN₅₄),独立的代码块进行熵编码产生压缩比特流。这一过程持续进行直到压缩到达b。这个方案可以减少内存消耗的SNs将原始图像划分为瓷砖和阻塞量化部分波段为多个较小的代码块进行熵编码。这个方案也可以图片分发给许多节点,但需要在之前的许多集群传送未压缩图像的图像是完全压缩;因此,大量的能量是在数据传输过程中使用。

另一个建筑节能如JPEG2000图像压缩是陆等人提出的。25]。在这个方法,也有两种类型的集群:相机正常集群和集群。相机集群有一个CN CH。首先,CN捕获图像划分成块。然后,瓦片被发送到相机的成员节点集群共享压缩任务总能源消耗降到最低。完成压缩任务后,SNs将压缩发送到正常的CH。然后,CH将压缩转发到b。通过比较与CN执行所有压缩的计划任务和发送压缩图像,这种方法可以减少能源消耗的CN和提高网络的生命周期。不幸的是,在这个实验中,提高网络生命周期只在密集的SN部署。

除了路由协议和图像压缩的一个开创性的形式的计算智能(CI) (26),模糊逻辑系统(FLS)可用于许多领域优化系统存在不确定性时系统不需要完整的信息。很多研究采用FLS的网络,特别是对于路由和集群。例如,Brante et al。27)开发了一种fuzzy-logic-based中继选择方案网络多次反射。瞬时信道条件和剩余能量作为模糊输入选择中继节点。不幸的是,当网络中节点密度的增加和继电器选择大幅增长,端到端性能的影响。

此外,如上所述在[26),作者认为,在聚类过程中,CH选择应该基于剩余能量和旋转周期性平衡能源消耗。因此,远离的CHs的废话比那些死得早靠近BS。这里,FLS-based不平等提出了集群网络分割成大小不同的集群。BS附近的小的集群大小比遥远的集群。FLS的三个变量,即距离b,剩余能量,和节点度,用于计算竞争半径,而竞争中的每个SN半径计算模糊选择使用FIS和两个输入变量,也就是说,CH和节点度的距离,来决定是否加入集群。然而,随着网络规模的增加,集群在WSN变得不平衡,从而降低网络的性能,因为节点度和剩余能量时考虑CHs SNs被分配到集群。

Bagci和Yazici28)也提出了fuzzy-based聚类方法。在他们的论文中,每个SN生成一个随机数在0和1之间。随机数的SN低于预定义的阈值变成一个试探性的CH。每一个试探性的CH计算竞争半径用FLS的两个输入变量:BS和剩余能量的距离。广播消息发送每个初步CH竞争与其他当地初步CHs。如果一个试探性的CH接收广播消息来自另一个试探性的CH能量高于其剩余能量在竞争范围内,试探性的CH退出广播消息;然而,如果暂时CH接收广播消息从初步CHs的能量低于其剩余能量,它成为了CH。与其他不平等和公平的聚类算法相比,该算法可以表现得更好;不幸的是,它可能会导致不平衡的能源消耗在WSN如果随机选择的SNs CHs剩余能量较低。

3所示。系统模型

3.1。网络模型

在本文中,我们提出以下假设:网络(我)(SN)所有传感器节点随机部署和统一的目标区域 。(2)网络是由两种类型的SNs:相机传感器节点或相机节点(中枢神经系统)和典型的传感器节点或正常节点(NNs)。(3)中枢神经系统的数量远远少于NNs的数量。(iv)所有的得到都是同质每种类型;因此,他们有相同的初始能量,计算能力,内存,等等。(v)SNs都不知道自己的位置,成为静态部署后。(vi)所有SNs有相同的通信范围 。(七)每个SN可以近似距离其他SNs基于接收到的信号强度指数(RSSI) [29日]。(八)单个b是位于一个特定的位置,在传感器领域和有足够的硬件,软件,和持续的电源。(第九)操作分为轮。一个完整的传播形象从CN BS被认为是圆的。

3.2。能源消耗模型

传输和接收数据时,数据包基于IEEE 802.15摄氏度的框架,在网络或WMSNs,每个SN消耗能量。能源消费是基于数据包的大小,发送方和接收方之间的距离。本文适应一个简化的模型,用于浸出的通信能量消耗模型。发射和接收的能量消耗给出的数据(1)和(2),分别19]。 在哪里是能量消耗的每一点电路;发送方和接收方之间的距离。对应于自由空间,而对应于多路径衰落;他们是能量耗尽的放大器短期和长时间的距离,分别。 是参考发送方和接收方之间的距离。如果这个距离小于 ,然后使用;否则,应用。

SN当它接收的能量消耗有些包如下:

接收数据后,数据聚合的SN需要能量。能源消耗的数据聚合计算如下: 在哪里信息的数量和吗是能量用于聚合一些数据。

如JPEG2000,小波图像压缩方案,用于这项研究。能耗分为两部分:离散小波变换(DWT)能源消耗和编码的能源消耗。图像压缩能耗/位,表示 ,计算如下(30.]: 在哪里是所需的分解的小波变换。

在一个实现StrongARM sa - 1100 206 MHz的设备, , ,和距离我们大约50 nj /位,10 pj /,和0.0013 pj /位/米⁴,分别。 ,表示离散小波变换能量消耗,成本大约220 nj /,而消耗的能源约20 nj /位(14,19]。

3.3。定义和符号

在继续之前,该算法提出了下面的定义和符号。

定义1(传感器节点)。无线传感器网络由传感器节点。我们表示 ,在那里 和代表了传感器节点。

定义2(邻近节点)。你的邻居的传感器节点集被定义为 ,在那里是一组传感器节点部署在该地区吗 ,表示广播范围(SNs的通信半径),和之间的欧几里得距离吗和 ,这是使用RSSI近似。

定义3(节点)。的邻居节点度是SN的领域内广播半径 。传感器节点的程度表示为 。传感器节点的程度就越高是,更多的传感器节点周围吗和更好的覆盖是一个集群。

定义4(成员节点)。任何SN可以集群的成员。簇头选举后,任何传感器节点在簇头的覆盖范围或其距离小于有机会成为一个节点的集群成员。

定义5(竞争半径)。的竞争半径集群是由一个适当的相机相机节点大小。的竞争半径相机节点被定义为而且应该满足

定义6(集群通信)。对能源效率,SNs都分为集,称为集群。一组SNs包括许多SNs的,其中只有一个是当选为簇头(CH),而其余的只是成员节点。CH成员节点发送的数据,然后将数据转发到下一个目的地。

定义7集群(相机)。在相机的集群中,有一个相机节点和它相邻的节点 。这个集群形成共享的处理和传输任务相机节点。相机节点集群作为集群的相机。

定义8(图像压缩集群)。在数据传输图像压缩集群形成。这个集群用于压缩图像传输之前BS。高能相机集群中的节点的选择是集群的集群图像压缩 。图像压缩的邻近节点集群是图像压缩的集群成员。

在我们的算法中,我们使用九种不同控制消息:(我)CH-Msg (ID):这消息发送的通信CH邻国宣布自己是一个CH和只包含CH的ID。(2)CL-Join-Request-Msg (CH_ID ID):这消息发送的邻近节点通信CH请求加入集群通信。消息包含的ID CH和SN的ID,想要加入集群。(3)routing_level Level-Msg (ID):BS和沟通CHs广播这个消息,其中包含id和路由水平信息,他们的邻居建立分层路由结构。(iv)Level-Request-Msg (ID):在特定的时间,沟通CHs,不会收到任何Level-Msg,广播这个消息邻近SNs请求路由级别信息。请求CH的ID存储在此消息。(v)routing_level Level-Reply-Msg (ID):在收到一个Level-Request-Msg从请求通信CH, SN的回答Level-Request-Msg,它包含的ID和路由水平信息。(vi)Cam-Msg (ID、cam_energy node_degree):CN发送一个Cam-Msg,包含其ID、剩余能量和节点度,相邻节点集群形成一个相机。(七)Cam-Join-Request-Msg (ID、能源):这消息发送的CN的邻近节点加入集群相机。消息包含ID和CN的相邻节点的剩余能量。(八)Relay-Msg (ID)来源:这消息发送的SN邻国寻找中继节点,包含源节点的ID。(第九)Relay-Reply-Msg (ID、routing_level能源):在收到Relay-Msg,源节点的相邻节点发送此消息源节点。这消息包含他们的id,路由信息水平,和剩余能量。

4所示。分布式图像压缩在多次反射无线多媒体传感器网络架构

在本节中,我们提出了分布式图像压缩在多次反射无线多媒体传感器网络架构,即DICA详细描述。我们建议的体系结构分为5个阶段每轮:集群通信设置,多次反射层次路由设置,相机集群设置,集群设置,图像压缩和图像传输(见图2)。

4.1。集群通信设置

在我们建议的体系结构,在继续之前到另一个阶段,建立了集群的通信。为目的的转发图片BS, WMSN分为许多集群,这被称为集群通信。每个集群通信都有自己的CH和成员节点。成员节点将数据发送给他们的CHs,然后将数据转发到目的地。我们应用浸出,这是一个开拓基于集群路由算法有效的能源消耗在WMSNs而言,集群设置为我们的沟通。保护中枢神经系统的能量,中枢神经系统不能作为以来CH CH消耗更多的能量用于数据传输和聚合。

4.2。多次反射层次路由设置

集群通信已经成立后,下一步是多次反射层次路由设置阶段。在这里,一个水平层次路由信息结构构造为多次反射通信提供更好的路由信息。每个SN领域都有自己的路由。路由层面是一个数字,用于识别多近SN BS。路由从1开始,路由偏低水平表明,SN BS附近。这个设置阶段进行只有在第一轮的网络,通信集群设置完成后。这个算法依赖于通信的CHs广播路由信息水平,这比整个网络广播更有效。多次反射层次路由设置的细节描述的算法1。

在此阶段,最初,路由的SNs领域都设置为0。BS广播Level-Msg与ID和路由的水平= 1其通信半径内的所有社交。从b接收该广播消息后,所有SNs保存路由级别信息。在这种情况下,接收广播消息CH, CH不仅可以节省路由层次信息,但也增加了路由级别1和最后重播邻国。重复这个过程,直到没有更多的CHs接收广播消息。如果一个SN接收多个消息,它检查现有的路由信息,保存之前对新信息。较低的路由被接受和更高的一个被丢弃,所以更新路由节点的水平最低的一个。

CHs不会收到任何广播消息为一个特定的时间被认为是远离其他CHs;然而,它是可能的,他们的邻居路由信息水平。因此,这些CHs广播Level-Request-Msg他们的邻居请求路由级别信息。如果有一个相邻节点接收Level-Request-Msg和路由水平不等于0,它回答了Level-Request-Reply-Msg,它包含信息的路由水平CH来源。从邻国收到回复后,CH保存接收到的路由层次信息以备将来使用。

如果不止一个收到回复消息,CH选择最低的路由信息。然后,这CH增加了路由信息由1和广播它的邻居。如果源CH不收到任何回复来自邻国在特定的时间 ,它等待另一个特定的时间 。在最坏的情况下,如果仍然没有任何回复源CH,源CH路由水平设置为最大值(在这里,100)。得到,之后等待一个特定的时间和不接受任何路由信息水平,这些节点路由水平设置为最大值。

4.3。相机集群设置

相机集群由一个CN,充当这个集群和附近的CH成员节点。一旦集群通信设置和multihierarchical路由设置完成,相机集群设置阶段进行。因为成员节点的能量正在改变,这一阶段必须实现在每一轮在集群网络,确保相机图像处理和传输的节点有足够的成员。

这一阶段的详细算法描述的算法2。在这里,CN广播Cam-Msg在其邻国竞争半径形成集群相机。竞争半径计算将在下一节讨论。Cam-Msg包含ID、剩余能量和节点度,上一轮的CN。

收到这个消息后,CN计算相机的邻近节点集群成员,这将在稍后讨论。在相机计算集群成员,FLS的成本计算。计算这个成本后,其值在0和1之间,邻近的节点生成一个随机数在0和1之间,也就是当地的机会。如果当地的机会比模糊成本低,相邻节点发送Cam-Join-Request-Msg,它包含ID和剩余能量的节点,CN。然后,这个节点成为相机集群成员。

4.3.1。模糊逻辑系统

模糊逻辑或一组,是由德(31日),是一种有效的技术来改善决策网络等资源受限的网络因为FLS的可以减少资源消耗,同时保持有效的性能和许多控制问题提供良好的解决方案通过模仿人类的思维过程。FLS的包括四个关键部分:模糊推理引擎,模糊规则,和defuzzifier,如图3(32]。

fuzzifier变脆的输入,并将它们转换成一个模糊集,这是由一个语言学术语,如“附近”,“媒介,”或“远”,使用一个成员函数。这个过程被称为模糊化。用于量化语言术语,隶属函数映射nonfuzzy输入值在模糊语言术语中,反之亦然。有不同形式的隶属度函数,如三角形、梯形、高斯、分段线性的,和单;然而,有一些常用的隶属度函数,也就是说,三角形、梯形、高斯。隶属度函数的选择取决于研究者的经验和评估。应用隶属函数模糊化和去模糊化。模糊化过程后,推理是由推理系统基于一组规则,存储在规则库。这些规则通常是一个if - then规则条件和结论。最后,FLS的defuzzified使用成员函数的输出。 Defuzzification transforms the fuzzy set back into a crisp output value [33]。

4.3.2。竞争半径

竞争半径是相机集群的最重要的因素之一因为它是用来限制SNs可以相机集群的成员。如果竞争半径太大,可能需要更多的能量为CN与节点成员交流,而如果它太小,可能有不足数量的SNs加入相机集群以及图像处理和测深仪发射到b。基于RSSI的竞争相机半径计算使用以下公式: 在哪里表示的最大RSSI SNs和是相机的重量半径,用于调整相机半径。这个相机的重量半径范围在0和1之间。在第一轮,= 1。

半径来确定相机的重量 ,FLS的应用。在FLS的,三个输入变量。首先,CN能量的剩余能量CN,比例: 。第二,相机节点度是其他中枢神经系统的数量竞争半径内的CN,除以总数量的中枢神经系统网络: 。最后,节点度摄像机集群的SNs相机集群在上一轮,除以SNs的总数: 。在这里,设置为0在第一轮的网络。

如图4,这三个变量具有相同的语言变量的模糊集:低,中,高。由于梯形和三角形隶属度函数适用于实时操作和他们的计算并不复杂34),我们应用模糊输入和输出变量。制定所有模糊隶属函数的输入参数是基于[32和我们的实验。Mamdani的方法是选择模糊推理技术,用于输入语言变量的集合映射到输出设置(35]。一组27模糊规则和输出隶属度函数如表所示1和图5,分别。

4.3.3。相机集群成员

相机集群成员算法还采用集群FLS的确定相机的大小。并不是所有的SNs在竞争半径可以相机集群的成员;只有合格的选择加入这个集群。如表所示2,三个模糊逻辑输入变量用于相机节点选择成员。他们每个人都有自己的隶属函数。第一和第二变量是相机节点能量和节点度,分别是一样FLS的竞争半径的输入变量,如图4;因此,我们只讨论第三变量,即RSSI,这是一个测量无线电信号的力量从相机节点(参见图6)。弱、中、强的语言输入变量的模糊集。该三角形隶属函数用于弱和强,而梯形隶属函数应用于介质(36]。

模糊推理规则依赖于27日,来自三个模糊输入变量,如表所示2。输出,如图7,是模糊成本,决定了节点的可能性可以相机集群的成员。

4.4。图像压缩集群设置

图像压缩集群形成分布式图像压缩的SNs做准备。在图像压缩集群设置阶段,最初,CN选择相机中高能SN的集群。这个高能SN成为图像压缩的集群头(我)。并不是所有的邻居我自动成为图像压缩的集群成员。我选择的一组SNs最高能量作为集群参与图像压缩图像压缩。SNs的数量取决于压缩的目标;然而,我通常选择四个高能SNs在其通信半径是图像压缩的集群成员。

4.5。图像传输

图像传输阶段的目的是确保图像已被抓获,压缩,打发BS成功地跳了跳。在这个阶段,主要有两个子阶段:分布式图像压缩和中继节点的选择。

4.5.1。分布式图像压缩

在本文中,我们将离散小波变换和编码在图像压缩不同的传感器节点集群。开始时,相机节点捕获图像,然后将这张图片同样划分为多个小图片(在这里,4)。

(1)离散小波变换(DWT)。简要地讨论了,离散小波变换是一种有效的信号分析技术,已广泛应用于图像处理,特别是图像压缩。在这里,如JPEG2000采用DWT的压缩技术。DWT的图像分解为一组部分波段和分解产生的水平四个部分波段:新低或图像近似(LL),高低或对角细节(HL)、低(LH)或水平的细节,和高或垂直细节(HH)。会降低图像的规模,而其他部分波段图像的细节。你可以进一步分解产生另一个层面的部分波段。分解的水平越高,图像压缩规模越小;然而,图像压缩的大小并不能提高当分解水平达到5 - 6。的一个例子3水平的DWT分解如图8。

(2)如JPEG2000。如JPEG2000可以有损或无损,根据小波变换和量化方法,应用。它利用嵌入式块编码和优化截断(EBCOT)图像压缩技术。如JPEG2000和JPEG的区别是,如JPEG2000采用DWT,而JPEG利用DCT。如JPEG2000远比其祖先,因为它可以提供更高的压缩比。此外,小波压缩技术如如JPEG2000更健壮的传输和解码错误。在这里,我们选择如JPEG2000 WMSN的资源受限的网络(14,37,38),如图9。最初的编码,如JPEG2000压缩应用DWT数字转换和编码转换系数生成输出codestream(压缩)。解码流程,codestream解码和dequantized。最后,逆DWT用于重建图像。

(3)分布式如JPEG2000压缩。如图10发送之前,每一个小图像,CN形成集群基于图像压缩算法进行了讨论4.4。分布式图像压缩的详细算法描述的算法3。一旦图像压缩集群设置完成,CN将每个小图片发送给我。从CN接收图像之后,我的第一级适用于DWT的图像,得到次能带你,HL、HL和霍奇金淋巴瘤。这个流程将继续通过编码HL、HL和HL和发送压缩数据通信CH,而剩下的将被发送到最近的SN图像压缩集群的进一步处理。

最近的SN执行相同的步骤与前面的过程。接到你后,最近的SN实现DWT的另一个层面;编码的新HL、HL和霍奇金淋巴瘤;然后将压缩数据发送给我,而新会被发送到最近SN图像压缩集群。重复的过程,直到目标实现压缩。如果没有足够的SNs在图像压缩集群,最后SN图像压缩集群执行剩下的图像压缩任务。在这种情况下,没有图像压缩集群中的成员,和我执行所有图像压缩任务。分布式图像压缩后,我聚集压缩图像并将其发送给通信CH。然后,CH向前压缩图像通过其他CHs跳,跳的废话基于中继节点选择算法,提出了部分4.5.2,直到压缩到达b。

自之间有一个权衡压缩和传输的复杂性,保护能源消耗的SNs参与压缩任务在处理之前正常的压缩任务如前所述,每个SN需要执行以下预处理的计算:(我)如果节点是我,它需要计算实现整个压缩任务的能源消耗和转发压缩CH。(2)如果节点是图像压缩中的成员节点集群和被选中参与图像压缩的任务,它需要计算处理所有的能源消耗剩余的图像压缩任务并将压缩数据转发给我。

图像压缩的SNs集群选择实现预处理任务如果这个任务消耗更少的能量比正常任务;否则,SNs执行正常任务。

4.5.2。中继节点选择

在这项研究中,中继节点选择算法来选择下一个CHs提出了压缩BS跳了跳。

我们描述了中继节点的算法,给出了算法4,如下所示:首先,CH广播一个来源Relay-Msg,其中包含它的ID,周边CHs通信半径内找到一个继电器CH。一旦邻近CHs接收广播消息,CHs回复源CH通过发送一个Relay-Reply-Msg直接,其中包含id,剩余能量和路由的水平。从邻近的CHs接收应答消息后,源邻近CHs的CH组选择路由水平低于本身计算模糊成本使用FIS,如后所述。如果没有邻近CHs路由水平较低,源CH选择那些有相同的路由水平本身。选择邻近CH模糊成本最高是谁选为继电器CH压缩转发到b。重复这个过程,直到压缩到达b。

这个继电器节点算法也使用FLS的作为选择的决策系统继电器CH。在本部分中,获得的模糊成本的过程中继节点算法详细解释。有两个模糊输入变量为每个模糊集。第一个模糊输入变量是邻近的CHs的剩余能量,它有三个语言输入值:低,中,高。评价,三角形隶属函数也申请中,而较低和高使用梯形隶属函数,如图4。第二个变量是邻近的RSSI CHs,它有三个语言输入值:强、中、弱。他们使用三角形隶属函数,如图6。我们也使用Mamdani作为模糊推理的方法技术。中继节点选择,有9模糊规则表中描述3。输出模糊变量,如图11,是模糊成本,决定下一个中继节点。选择highest-fuzzy-cost CH的中继节点。

DICA的整体流程的流程图如图12。

5。实验结果和讨论

5.1。实验设置

我们的算法是使用MATLAB模拟。进步党是随机部署在一个地形区域300 m×300 m的维度。评估我们的方法的效率,实验稀疏和密集的网络。传感器节点的数量(包括神经网络和CN)是不同的从100年到200年。在这里,中枢神经系统的数量设置为1比较(随机)19]。CN和得到的初始能量15 J和10个,分别。的通信半径所有的传感器节点是75 (39,40]。CN捕捉512×512像素的灰度图像,每个平均分割成4块传输之前。

这里,有5个DWT的水平。图像压缩的量化值设置为10 (16]。我们的算法相比传统的WSN路由算法和两个先进的分布式图像路由体系结构,即浸出,2职业(19],EEDIC [14]。在浸出方法,整个CN压缩图像压缩发送给通信CH。然后,压缩转发到b。换句话说,传统的浸出方法不知道多媒体传输。总结了仿真参数表4。在我们的模拟试验中,有两个场景。第一个场景是与100年进行社交,而第二个场景200 SNs实现。我们执行十试验和平均结果。

5.2。结果和讨论

在本节中,我们提出和评估的结果模拟WMSNs的分布式图像压缩架构。我们比较的表现方法与EEIC, 2职业,浸在能源消耗方面,网络的生命周期,在不同尺度的网络吞吐量。

5.2.1。层次路由水平评价

首先,备用的分层路由算法的例子和密集的网络图所示13。在这些例子中,整个网络分为4层,对应3路由的水平。最接近的SNs的BS路由一级,最远的路由三级。所有的SNs,无论是在稀疏或密集的网络,有自己的路由的水平。

5.2.2。网络剩余能量评价

剩余能量的CN和NNs轮的数量一组subfigures(图所示14)。我们提出的方法优于LEACH, EEDIC, 2职业方法而言,平衡网络能耗,延长网络的生命周期。在图14,随着轮数的增加,我们提出的方法优于其他方法。CN和得到的能量在我们的方法略有减少,其次是EEDIC和2职业方法,在浸出方法,SNs的剩余能源急剧减少,特别是CN。

这些结果表明,我们的方法可以将压缩和传输任务在SNs和更好的平衡的SNs网络的能源消耗比其他两种方法。此外,我们的多次反射层次路由算法执行通过减少SNs的传播能量。稀疏和密集的网络,我们的方法可以产生SN节能约80%,40%,和10%相比,浸出,EEDIC,分别和两个职业。

5.2.3。网络生命周期评价

在WMSNs,整个网络的生命周期评价证明节能性能是很重要的。图15提供了一个洞察网络生命周期的轮对的数量比例的能量仍然在CN。结果表明,我们提出的方法可以提高稀疏和密集的社交网络的生命周期。一来用户数量的增加,我们的算法仍然表现良好。我们提出的方法提高了网络的生命周期在浸出了大约80%。2职业和EEDIC比较,我们的方法可以提高约20% - -40%的网络生存时间在网络。

5.2.4。吞吐量评价

在本节,我们将讨论一个整体网络的吞吐量,这是网络性能最重要的措施之一。吞吐量是指连续的数据包的数量,包含一个完整的(完成)图像发送到b成功。如表所示5档案,我们的算法比其它算法更好的吞吐量,因为我们的算法依赖于CN最小化能耗分布和神经网络能量的压缩任务(首选)传输BS短距离跳了跳。备用和密集的网络,平均而言,我们建议的方法达到10%,70%,和80%更高的吞吐量和2职业相比,古冰岛诗集的,和浸出。

6。结论

分布式图像压缩架构(DICA) WMSNs提出。讨论了三个主要贡献。首先,最优相机使用FLS的集群是由。其次,图像压缩任务分布在SNs,接近图像压缩中的集群来节约能源。最后,多次反射层次路由了网络中保护和平衡能量。根据仿真实验,我们的算法可以提高能耗效率,平均10%,40%,和80%相比,2职业,EEDIC,浸出,分别,从而延长了网络的生命周期和增加吞吐量相比,每个算法的稀疏和密集的网络。

尽管DICA可以达到高度的能源效率和吞吐量,更多的调查,假设,可以进一步探讨和约束,如服务质量感知机制和复杂的数据压缩和聚合技术。对其他因素可能影响数据传输的高容量,综合模拟和分析可以深入调查,如可伸缩性的考虑,也就是说,网络密度和多样性、网络维度、路由选择、流动性,不规则的拓扑中,各种信号传播模型,和异构数据流量考虑额外的传输协议开销。在未来的工作中,我们将集中在修改的图像压缩技术来降低其计算复杂度,内存使用和能源消耗,这样可以更好的图像压缩在资源受限的无线传感器网络。此外,我们计划扩展我们的方案在WMSNs视频压缩和传输。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是孔敬大学通过赠款支持东盟和GMS国家的人员计划2016 - 2019和一个跨学科的格兰特(CSKKU2559)的计算机科学,孔敬大学。

引用

1. s . a .艾尔维b·阿夫扎尔·g·a·沙l . Atzori和w·马哈茂德,“物联网多媒体:愿景和挑战,”特设网络33卷,第111 - 87页,2015年。视图:出版商的网站|谷歌学术搜索
2. Agrawal和m . l . Das,“互联网的未来互联网应用的范式转变,”Nirma大学学报工程国际会议(NUiCONE 11)IEEE,页1 - 7,艾哈迈达巴德,印度,2011年12月。视图:出版商的网站|谷歌学术搜索
3. ——t·g·阮c, n . g .阮和s . Phoemphon”的一种新型节能集群协议对无线传感器网络区域范围的意识,“对等网络和应用程序,10卷,不。3、519 - 536年,2017页。视图:出版商的网站|谷歌学术搜索
4. 董w . et al .,“无线多媒体传感器网络的QoS路由算法,在计算和智能的进步,”第四届国际研讨会学报》,2009年ISICA黄石、z Cai和et al .,。,卷。5821,pp. 517–524, Springer, Berlin, Germany.视图:出版商的网站|谷歌学术搜索
5. 陈j . k . Chang c . Chen, h .曹国伟,“未来互联网、物联网和云计算在security-enriched城市计算和智能电网”第二届国际研讨会论文集(SUComS 11),R.-S。Chang郭宏源。金,S.-L。彭,Eds。,卷。223,pp. 1–10, Springer Berlin Heidelberg, Berlin, Germany.视图:出版商的网站|谷歌学术搜索
6. w·r·Heinzelman a切卓卡山,h··“节能无线微传感器网络的通信协议,”学报》第33届夏威夷国际会议系统科学(HICSS ' 00),2000年1月。视图:谷歌学术搜索
7. r . Mahakud s Rath m . Samantaray et al .,“无线传感器网络使用pegasi,能源管理”第二届国际会议上智能计算、交流和融合,ICCC 2016,页207 - 212年,印度,2016年1月。视图:出版商的网站|谷歌学术搜索
8. k·荣格,J.-Y。李,H.-Y。宋”,提高自适应簇头选择WMSN的青少年协议使用模糊逻辑”多媒体工具和应用程序,硕士论文,2016页。视图:出版商的网站|谷歌学术搜索
9. 问:刘h . Wang, m .刘“新人道:节能种路由协议基于谨慎,”学报》第12届世界大会在智能控制和自动化,WCICA 2016,页3219 - 3225,中国,2016年6月。视图:出版商的网站|谷歌学术搜索
10. 诉诉k Arora沙玛,m . Sachdeva”调查LEACH和其他的路由协议在无线传感器网络中,“Optik——国际期刊光和电子光学,卷127,不。16,6590 - 6600年,2016页。视图:出版商的网站|谷歌学术搜索
11. m . Macit v c Gungor, g .金枪鱼”的比较QoS-aware单路和多路径路由协议在无线多媒体传感器网络图像传输,”特设网络,19卷,第141 - 132页,2014年。视图:出版商的网站|谷歌学术搜索
12. h . Zaineldin m . A . Elhosseini和h·A·阿里“图像压缩算法在无线多媒体传感器网络:一项调查,“Ain Shams工程杂志》第六卷,没有。2、481 - 490年,2015页。视图:出版商的网站|谷歌学术搜索
13. t . Sheltami m . Musaddiq大肠Shakshuki,“数据压缩技术在无线传感器网络,”未来一代计算机系统卷,64年,第162 - 151页,2016年。视图:出版商的网站|谷歌学术搜索
14. h .吴邦国委员长和a . a . Abouzeid”节能分布式图像压缩在资源受限的无线网络多次反射,”计算机通信,28卷,不。14日,第1668 - 1658页,2005年。视图:出版商的网站|谷歌学术搜索
15. e . f .田j . Liu太阳,和c·王,“能源效率和负载平衡分布式图像压缩算法在WMSNs”学报2011年国际会议上先进控制工程与信息科学,2011年cei,页3421 - 3427,中国,2011年8月。视图:出版商的网站|谷歌学术搜索
16. m·纳斯里,赫拉里,h . Sghaier和h . Maaref“权衡分析能源消耗和图像质量的多次反射无线传感器网络,”国际期刊的无线信息网络,19卷,不。3、254 - 269年,2012页。视图:出版商的网站|谷歌学术搜索
17. 研究。伊乔·m·荣格,w . Ryu和j·金,“权力有效的无线多媒体传感器网络、集群”国际期刊的分布式传感器网络ID 148595条,卷。2014年,9页,2014。视图:出版商的网站|谷歌学术搜索
18. c·j·罗,d . Wu锅,j .咋”最优能源战略节点选择和数据中继WSN-based物联网,”移动网络和应用程序,20卷,不。2、169 - 180年,2015页。视图:出版商的网站|谷歌学术搜索
19. z左、问:陆和w·罗,“两跳集群图像传输方案在无线多媒体传感器网络,最大化网络的生命周期”计算机通信,35卷,不。1,第108 - 100页,2012。视图:出版商的网站|谷歌学术搜索
20. ——c . et al .,“绩效评估LEACH簇头选择技术在无线传感器网络中,”《第九届国际会议在计算和信息技术(IC2IT2013): 9日至10日,p . Meesad、h·昂格尔和s . Boonkrong Eds。,pp. 51–61, Springer Berlin Heidelberg, Berlin, Germany, May 2013.视图:谷歌学术搜索
21. 马t . et al .,“调查节能压缩多媒体和通信技术在资源受限的系统中,”IEEE通信调查和教程,15卷,不。3、963 - 972年,2013页。视图:出版商的网站|谷歌学术搜索
22. s . k .辛格·库马尔和j·p·辛格(manmohan Singh)”调查的继任者LEACH协议,”IEEE访问5卷,第4328 - 4298页,2017年。视图:出版商的网站|谷歌学术搜索
23. D.-U。李,h . Kim m·拉希米d·埃斯特林和j·d·约翰,正在“节能图像压缩为资源受限的平台,”IEEE图像处理,18卷,不。9日,第2113 - 2100页,2009年。视图:出版商的网站|谷歌学术搜索|MathSciNet
24. m·纳斯里,赫拉里,h . Sghaier和h . Maaref”高效JPEG 2000多次反射无线网络的图像压缩方案,“TELKOMNIKA(电信、计算机、电子和控制),9卷,2011年。视图:谷歌学术搜索
25. 问:陆、x你们和l .杜”的建筑节能图像在网络传输,”《国际网络安全会议上,无线通讯和可信计算,NSWCTC 2009,页296 - 299,中国,2009年4月。视图:出版商的网站|谷歌学术搜索
26. r . Logambigai Kannan a,“基于模糊逻辑的不平等的集群无线传感器网络,”无线网络,22卷,不。3、945 - 957年,2016页。视图:出版商的网站|谷歌学术搜索
27. g . Brante g·德·桑蒂·庇隆r·d·苏萨和t . Abrao“分布式模糊合作无线传感器网络基于逻辑的中继选择算法,”IEEE传感器杂志,13卷,不。11日,第4386 - 4375页,2013年。视图:出版商的网站|谷歌学术搜索
28. h . Bagci和a . Yazici”能源意识模糊不平等的聚类方法在无线传感器网络中,“应用软计算,13卷,不。4、1741 - 1749年,2013页。视图:出版商的网站|谷歌学术搜索
29. a . De San Bernabe j . r . Martinez-de Dios,和a . Ollero”高效集成的RSSI跟踪使用无线摄像机网络,”信息融合36卷,第312 - 296页,2017年。视图:出版商的网站|谷歌学术搜索
30. d . s . Taubman和m . w . MarcellinJPEG 2000:图像压缩基本原理、标准和实践卷。776年,Kluwer学术出版社,2002年。视图:出版商的网站
31. 洛杉矶德,“模糊集”,信息和计算,8卷,不。3、338 - 353年,1965页。视图:谷歌学术搜索|MathSciNet
32. b . Balakrishnan和s . Balachandran“FLECH:基于模糊逻辑的非均匀无线传感器网络节能聚类层次结构,”无线通信和移动计算卷。2017年,13页,2017。视图:出版商的网站|谷歌学术搜索
33. i s AlShawi l .严w·潘,b .罗,“终生增强无线传感器网络使用模糊方法和a *算法,”无线传感器系统,专业的会议WSS 2012英国2012年6月。视图:出版商的网站|谷歌学术搜索
34. j·m·孟德尔“模糊逻辑系统工程:教程”,IEEE学报》,卷83,不。3、345 - 377年,1995页。视图:出版商的网站|谷歌学术搜索
35. e·h·Mamdani,“应用模糊逻辑的近似推理使用语言合成,“模糊集和系统,26卷,不。12日,第1191 - 1182页,1977年。视图:出版商的网站|谷歌学术搜索
36. a . Alomari et al .,“基于动态模糊逻辑的路径规划mobility-assisted定位在无线传感器网络中,“传感器,17卷,不。8,1904年,页2017。视图:出版商的网站|谷歌学术搜索
37. c . Christopoulos a Skodras, t . Ebrahimi”如JPEG2000静态图像编码系统:概述,“IEEE消费类电子产品,46卷,不。4、1103 - 1127年,2002页。视图:出版商的网站|谷歌学术搜索
38. t, c . Yu, f·陈,“安全MQ编码器:一种有效的方式来保护JPEG 2000图像在无线多媒体传感器网络,”信号处理:图像通信卷,29号9日,第1027 - 1015页,2014年。视图:出版商的网站|谷歌学术搜索
39. Wicaz无线测量系统。可以从:http://www.openautomation.net/uploadsproductos/micaz_datasheet.pdf。
40. ——t·g·阮c, n . g .阮”电台不规则obstacles-aware模型对无线传感器网络来说,“《电信、电子和计算机工程,8卷,不。3、121 - 126年,2016页。视图:谷歌学术搜索
41. 美国库尔特·h·Yildiz, m . Yigit b . Tavli v c . Gungor,“在无线传感器网络中,数据包大小的优化对于智能电网的应用程序,“IEEE工业电子产品,卷64,不。3、2392 - 2401年,2017页。视图:出版商的网站|谷歌学术搜索
42. 蕾娜。可以从:http://www.ece.rice.edu/ wakin /图片/ lena512.bmp。

版权

版权©2017 Sovannarith亨et al。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。