文摘
无线传感器网络的数据传输进程(轮)经常经历错误和包丢失由于环境干扰。为了解决这个问题,我们提出一个基于丢包的压缩传感数据采集算法匹配(CS-PLM)。被证实,在树的路由,对通信链路的丢包将严重损害数据重建精度的基于压缩感知(CS)的数据采集过程。进一步指出,包丢失在CS的基础数据收集展览相关的效果。同时,我们设计一个稀疏观测矩阵基于丢包匹配,并验证设计矩阵满足限制等容财产(RIP)任意一个概率接近于1。因此,压缩数据的可靠传输采用多路径可以保证备份CS节点之间的路由。仿真结果所示,60%的丢包率的链接,CS-PLM算法仍然可以确保收集的数据的有效重建CS算法和重建的相对误差小于5%。因此,验证,该算法可以有效地缓解敏感性为CS包丢失数据采集算法基于不可靠的链接。
1。介绍
无线传感器网络中的节点(轮)通常密集部署和收集的数据中存在大量的冗余,导致节点的能量的浪费。压缩感知(CS)算法是一种新技术,可以很大程度上降低采样频率和并行执行抽样过程的压缩过程。结果,该技术吸引了很多研究人员的关注。
为了平衡,减少节点的能量消耗以及延长网络生命周期,研究者提出基于压缩传感数据采集算法。目前,大多数这些算法都集中在如何有效地减少网络能量消耗,延长网络的生命周期(<一个href="#B1">1- - - - - -<一个href="#B3">3]。例如,它提出了在文献[<一个href="#B4">4)采用稀疏矩阵测量每个测量的降低沟通成本。遥感数据的空间和时间相关性利用在<一个href="#B5">5)进一步提高压缩比,减少测量。多级分层集群拓扑采用(<一个href="#B6">6)网络中收集数据,以及减少发送和接收数据包的数量在每一层的节点。因此,传输数据包的总数减少整个网络。指出在<一个href="#B7">7)测量块对角矩阵可以保证用较少的重建精度测量和延长网络的生命周期。近年来,CS理论的进展,研究人员开始研究基于CS的数据收集算法的实际应用。被认为是在(<一个href="#B8">8),现实中的数据稀疏数据集将随时间和空间。因此,提出了采用自回归AR模型预测数据的数量变化,自适应地调整测量重建性能达到最优。指出在<一个href="#B9">9],无线连接的环境噪声对突出的影响undersampled CS网络中数据的传输。因此提出了一种近似梯度下降方法重建下的压缩数据噪声的影响。TF-packet损失问题的无线链接在实际应用场景中,有相对较少的工作学习计算机科学的基础数据收集算法。由于无线链接的动态和不对称,信道干扰,天线方向和高度,不当等,不可靠的链接通常是数据采集算法所面临的关键问题在实际传感器网络(<一个href="#B10">10]。
对CS数据收集问题基于不可靠的链接,我们提出一个基于丢包的压缩传感数据采集算法匹配(CS-PLM)。在该算法中,网络中的节点分为两种类型,即。,the traditional forwarding (TF) nodes and the compressive sensing (CS) nodes. The packet loss of TF nodes does not exhibit the correlation while the lost packets of CS nodes are strongly correlated. In the process of the Compressive Sensing data gathering, a packet loss will lead to the loss of the data gathered from multiple nodes; the packet loss correlation effect is caused by the superimposed transmission of the collected data from each node of the multihop link in the CS compression sampling process. The closer the packet loss node水槽,丢包的影响就越大。特别是,如果数据包的下一跳邻居节点沉丢失,相关效应将会导致某些节点采集的数据的整个网络。而TF节点只继电器数据在传统的数据采集方式,包丢失没有相关性。测量结果,我们设计一个稀疏矩阵匹配基于包丢失恢复如果包丢失发生在TF节点收集数据。因此,经济复苏问题丢失的数据包转换成CS的稀疏匹配抽样过程。然而,对于丢失的数据包在CS节点,我们设计的多路径备份传输方案来保证可靠的数据传输,避免丢包的相关效应。因此,不可靠的链接是缓解的影响基于CS的数据收集过程和重建精度得到保证。
本文的主要贡献如下。
①通过分析路由树结构,指出包损失将严重破坏CS的重建精度的基础数据收集过程和包丢失在CS的基础数据收集过程展览相关的效果。
②我们设计一个人民解放运动测量矩阵,进一步证明这个矩阵满足限制等容财产(RIP)任意一个概率接近于1。
③我们建议多路径备份路由传输方案基于混合CS保证可靠的CS投影数据的交接。
2。相关的工作
由于其功能简单的编码和复杂的解码,压缩传感理论已广泛应用于网络收集数据的区域。目前,基于计算机科学的研究的数据收集算法在无线传感器网络主要集中在如何使用CS技术来减少网络网络数据收集过程的能源消耗。大多数这些作品假定网络链接是一个理想的链路丢包的影响在CS基础数据收集过程被忽略。传输数据包的数量提出了在文献[<一个href="#B11">11]在树下基于拓扑有或没有CS数据采集算法。此外,基于混合CS数据采集方法相结合,提出了基于传统继电器与CS数据收集方法的数据收集方法。结果表明,网络可以进一步降低能源消耗更少的数据包传输在拟议中的协议。
计算机科学的应用研究(<一个href="#B2">2,<一个href="#B12">12]在集群路由结构下。由于单跳传输是采用集群拓扑,包丢失的链接不存在相关性。因此,基于CS数据采集算法对丢包的链接。基于CS数据采集算法(<一个href="#B14">13]不可靠的链接下的集群拓扑测量矩阵的列向量调整根据包丢失集群中的节点。因此,包丢失的影响基于CS数据重建可以缓解。树状网络多次反射路由拓扑通常用于大规模的网络。基于c的数据采集与多次反射路由算法研究了文献[<一个href="#B15">14,<一个href="#B16">15],不可靠的无线连接被忽视而被特别注意测量矩阵之间的最优匹配在CS和树状路由拓扑的结构。然而,CS在多次反射路由数据包的传输需要从多个节点数据的加权叠加。多个原始数据可能会丢失一旦发生丢失包的情况。因此,CS数据包的传输是高度敏感的多次反射路由下的包丢失。
这是通过模拟显示在[<一个href="#B17">16- - - - - -<一个href="#B19">18)数据重建精度在树下拓扑可以严重影响链接上的包丢失和稀疏随机调度(SRS)进一步提出了基于CS数据采集网络损耗。在这个协议中,稀疏测量矩阵构造根据水槽一端接收条件,这是进一步用来重建原始遥感数据中的所有节点网络和缓解包损失CS数据重建的影响(<一个href="#B20">19- - - - - -<一个href="#B23">22]。然而,该算法只是局限于应用程序场景遥感数据的空间相关性网络是相对强劲的。
还有其他数据收集方法在传统网络如ARQ,多路径传播,网络编码,等等。然而,有相对较少的工作研究可靠的CS网络基础数据采集算法。此外,基于CS的数据收集算法比传统的方法更敏感的包丢失。因此,研究CS数据采集算法基于不可靠的链接是相当有意义的CS理论在实际的应用场景。
在无线传感器网络中,严重的包丢失将破坏的通信性能,传感器网络的服务质量和应用效果。近年来,基于CS数据采集理论的研究前提是理想的链接,,因为无线连接的动态特性,信道干扰和不对称的冲突、错误的方向,和高度的天线,不可靠的链接在实际应用中经常遇到的问题。有许多方法来保证可靠传输的链接在传统无线传感器网络的数据采集方法,而是我们所知,几乎没有工作可靠的基于压缩感知的传感器网络数据采集方法。此外,CS数据收集方法的敏感性链接包损失远远高于传统的数据采集,因此,研究压缩传感数据采集算法在不可靠的链接是对压缩传感技术的应用具有重要意义的传感器网络。
3所示。网络模型和问题描述
计算机科学是一门新技术,样本的稀疏信号频率低于奈奎斯特采样频率和达到目标的射影变换信号从高维空间到低维。压缩信号的精确重构实现通过优化重建算法,在许多领域被广泛研究和应用由于其良好的压缩性能。
假设节点随机部署的传感器网络和收集数据来标示 。假设稀疏对基地吗和测量矩阵 ,收到了向量可以表示为 。水槽节点可以重建原始数据与某些精度通过求解优化问题在以下:
在哪里 传感矩阵和吗是规范的传感数据向量这是定义为
数据采集过程中轮,每一轮的CS基础数据采集与执行*独立测量,就是表示如下:
假设普通传感器节点和一个固定的汇聚节点部署的传感器网络。所有传感器节点与固定位置一致,随机部署在监测区域的大小<我>一个×<我>一个。水槽节点中心的监控区域,传感器节点定期收集和传输到水槽节点的传感数据。此外,传感器节点的传输功率可以动态调整和自适应。水槽节点假定,并有很强的计算能力,以便它可以定期收集和重建传感数据和获取网络中所有节点的位置信息。最小生成树(MST)路由建立了网络中所有节点进行数据采集,即。一个连通的无向图 构造, 传感器节点的集合, 是链接的设置MST,(<我>问)表明,链接与概率有关 。如果我们将<我>p=1-<我>问,那么p表示链接的丢包率。此外,CS技术是用于数据采集的基础上,表现出以下特点:①离散傅里叶变换(DFT)是用于稀疏变换的基础传感数据的向量。稀疏变换和正交稀疏的基本介绍(<一个href="#EEq5">5)和(<一个href="#EEq5">6),分别。当测量收到水槽一端,我们采用正交匹配追踪(OMP)算法来重建原始遥感数据。②相对误差<我><我>η采用(<一个href="#EEq5">7)作为指标来表示基于CS的重建精度和较低的<我><我>η意味着更多的准确的重建。如果相对误差大于5%,重建被认为是失败的。
CS数据收集过程基于不可靠的链接下的树状拓扑如图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig1/" target="_blank">1。
如果丢包发生在年代之间的联系5和水槽结束,所有的数据包对应5以及S的子节点5将丢失,框架如图所示<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig1/" target="_blank">1。因此,损失更为严重,如果丢包发生在一个链接靠近水槽。此外,由于加权叠加数据包传输节点之间在CS的基础数据收集过程中,水槽一端还收到一个加权叠加每次测量后的数据。结果,水池节点不能获取信息是否包丢失或发生丢失的数据包的数量。假设水槽一端接收加权叠加数据网络中所有节点的电流测量,在此基础上执行重建恢复成原始的遥感数据<我>X。
因此,CS数据收集基于不可靠的链接展示以下特点:①一个包丢失的链接将导致多个节点的数据丢失;即。,the packet loss exhibits the correlation effect. ② The Sink node has no information on the packet loss situation for the nodes in the network and regards the measurement data of the nodes in the network as the data projection to perform reconstruction. That is, the sensing data for compression does not match the sampling of the measurement matrix.
4所示。算法设计与实现
4.1。设计SPLM测量矩阵
为了解决遥感数据之间的不匹配问题的抽样测量矩阵,我们设计一个稀疏测量矩阵基于丢包匹配(SPLM)。在每个测量,省略包丢失的信息节点的测量矩阵。结果,包丢失问题,基于CS数据收集树拓扑下转化为测量矩阵投影基于稀疏匹配问题。因此,大规模的测量和采样完成网络中的数据;同时可以避免错误判断数据收集情况在水槽的一端。这一过程的详细实现如下。
链路状态矩阵,定义1 (LSM)。LSM记录被定义为一个矩阵,它的链路状态信息的大小<我>米×<我>N,在哪里是测量的数量和是网络中节点的数量。LSM的条目定义如下:
定义2(密度随机预测,DRP)。组成的矩阵的每一行包含O (<我>N非零元素和DRP矩阵通常是由 稀疏矩阵测量基于丢包匹配使用的随机性包损失现实构建随机测量矩阵稀疏的链接。施工过程可以通过乘以LSM DRP element-wise,如图所示 如果不可靠的链路的丢包率<我>p,然后每个条目的苏丹人民解放运动矩阵定义如下: 测量矩阵的设计应保证大部分的正交基满足约束。然而,把条件的证明是一个np难问题。它是指向<一个href="#B11">11),如果度量矩阵是满秩的,那么,这个矩阵的投影后,数据可以准确地重建任意概率接近于1。因为SPLM矩阵中的每个元素遵循离散随机分布(<一个href="#EEq11">11),每一行可以被看作是一个随机变量产生的随机序列 ,可以进一步表达了一个离散随机过程 。
定理3。为一个矩阵 与独立同分布 和离散随机序列 ,如果随机变量这构成了序列的分布(<一个href="#EEq11">11),矩阵将满秩任意概率接近 。
证明。假设矩阵满足上面的条件不是满秩。,一个set of coefficients exists for the ith row of the matrix so that 并不是所有的系数 是0。定义了随机过程 为行向量 ,均值和方差函数如下:
定义了随机过程 作为 ;均值和方差函数
因此,<我>X(<我>n),<我>Y(<我>n分别表示不同的随机过程。离散随机过程<我>X(<我>n),可能的值的随机变量<我>X(<我>我) 。状态空间的长度是 。离散随机过程<我>Y(<我>n),可能的值的随机变量<我>Y(<我>我) 与 。因此,状态空间的长度是(2<我>米1 。
定义的情况(<一个href="#EEq12">12)持有事件,的情况下,并非所有的系数 0为事件B和系数的情况下,只有一个吗 , …是零事件c呢
解决的概率可以转化为求解的概率两个我。d随机过程(<我>n),(<我>n同时)有相同的状态。根据分布(<一个href="#EEq11">11),不同的国家有不同的概率随机过程的状态空间<我>X(<我>n)。简单的分析和没有任何一般性的损失,我们设置的参数(<一个href="#EEq11">11),<我>p=1/3。然后 因此,事件的概率非常小;即。,the original assumption does not hold and the matrix是满秩的概率接近于1。
评估的性能SPLI矩阵,经典的CS数据采集算法,即。CDG算法(<一个href="#B19">18),进行比较选择。三种不同的方法被用于包丢失的比较处理,如图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig2/" target="_blank">2,应用CDG CDG-DRP意味着一个不可靠的树拓扑结构与相关包丢失的影响。密度测量矩阵是用来衡量整个网络数据;CDG-SPLI表明CDG算法应用于不可靠的树拓扑包丢失在哪里展览相关影响。稀疏矩阵测量基于丢包标签是用来衡量整个网络的数据;CDG-SPLI-NC表明CDG算法采用稀疏矩阵测量基于丢包标记测量网络数据不考虑包丢失的相关效应。这是显示在图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig2/" target="_blank">2CDG-SPLI算法的重建精度和CDG-SPLI-NC算法显著高于CDG-DRP算法利用密度测量矩阵。这是由于这一事实的水槽一端CDG-DRP算法存在的错误判断数据包接收条件。然而,这个问题可以避免CDG-SPLI和CDG-SPLI-NC算法采用SPLI矩阵测量。可以看出,数据包接收条件的误判水槽一端的重建精度会严重恶化CS基础数据采集算法。至于两种算法采用SPLI测量矩阵,CDG-SPLI-NC算法不考虑相关性的影响包丢失和基于CS数据重建具有精度高。相对重建误差时可以低至1.8%丢包率是40%。然而,对于CDG-SPLI算法关联效应存在,相对重建误差超过5%时丢包率超过10%;即。,the reconstruction fails. This is due to the fact that the correlation effect would cause the loss of the entire network data when the packet loss ratio is high. Therefore, the severe lack of CS measurements further deteriorates the reconstruction accuracy. Henceforth, in the data gathering process with correlated packet losses, it is not sufficient if we simply solve the misjudgment of the packet reception situation at the Sink end.
4.2。CS-PLM算法
不可靠的链接拓扑树下,基于CS数据采集不仅对包丢失展品相关效应还受到误判的问题在水槽一端数据包接收情况。然而,SPLI矩阵只能解决误判水槽一端。因此相关的机制仍需研究解决相关的问题影响的过程中基于CS数据采集。从本质上讲,包丢失的相关效应是由加权叠加处理数据包在CS的基础数据收集过程中,这也是基于CS数据采集的优势。因此,最有效的方法解决相关的效果是保证链路传输的可靠性,避免相关损失的出现。
保证可靠传输的成本在整个网络链路是巨大的。减少网络的维护成本,根据苏丹人民解放运动测量矩阵的性能分析,本文设计了一种混合CS网络中的数据采集方法,将整个网络节点的节点划分为传统转发(TF)节点和CS节点,TF节点转发数据的地方传统的数据采集方式,和包丢失不展览相关的效果。CS节点传输和接收数据基于CS数据采集方式和包丢失是相关的。因此,对于TF节点之间的数据采集,简单地采用苏丹人民解放运动测量矩阵可以克服包丢失的影响基于CS数据重建。然而,对于CS节点,除了使用苏丹人民解放运动的测量矩阵,必须设计相应的机制,以确保CS节点之间数据传输的可靠性。
本文设计了一种基于多路径传输机制备份路由,确保CS节点之间数据传输的可靠性。在正常情况下,CS节点使用MST路由数据包发送和接收数据。如果一个包丢失发生在CS链接,发送节点的数据包会选择另一个传输路径和使用备份路径将数据包发送到水槽。的节点可以被看作是源在水槽目的地节点。有很多方法可以构建路径从源到目标节点。减少能源消耗的备份路径传输能耗最小生成树是用于构建路由。网络的能量消耗模型如下:
在哪里1电路和能源消耗系数的吗2是功率放大系数,<我>d是传输距离,是路径损耗的因素 。的价值通常需要2在自由空间。因此,路由的能量消耗的最小化问题可以建模为优化问题如(<一个href="#EEq20">20.),就是从源节点到目标节点的距离,<我>K啤酒花的数量,是连接节点之间的距离。
上述优化问题采用拉格朗日乘数法来解决。网络的能源消耗最低当且仅当源节点和目的节点之间的距离是相同的每一跳。我们进一步特征距离的值在(<一个href="#EEq20">21)。最后,跳的最优数量需要之间的最大和 。我们建议备份路径集中的施工方法,可以分为以下四个步骤:①根据每个节点的位置信息,水槽节点计算的距离从自身到节点;②水槽一端比较了距离每个节点的特征距离 。如果 ,单跳备份路径构造。否则,啤酒花的最优数量首先计算。然后根据和距离相等的原则为每一个跳上CS的链接节点水槽,中继节点进一步派生的理想位置。③根据中继节点的理想地点,水槽最终选择了CS节点作为中继节点最近的理想位置。④构建与最小能耗路由广播从水槽节点CS节点和相关继电器节点。
CS-PLM算法首先将整个网络中的节点分为TF节点和CS节点。MST路由树构建节点在整个网络的节点的子节点在网络 。具体地说, 的水槽和结束= 0的节点的链接。定义<我><我>ε=<我>米1作为识别的阈值的节点类型和决策是由每个节点。如果><我><我>ε,节点参与数据收集在一个CS方法和定义是CS节点。如果≤<我><我>ε,节点参与数据收集在一个传统的继电器方法和定义为TF节点。因此,在数据采集过程中,传输数据包的数量<我>PN(<我>我)为节点是
CS-PLM算法在数据采集过程中,TF节点收集数据在MST路由在传统继电器的方法。如图所示白色节点图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig3/" target="_blank">3,包丢失不展览相关的效果。然而,CS沿着CS的MST路由节点收集数据的方法。如图所示的黑色节点图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig3/" target="_blank">3包丢失是相关的。CS的MST路由节点直接连接到TF节点,所有节点收集数据需要加权叠加后完成所有子节点的数据采集。进一步叠加数据组合成一个数据包适合CS节点之间的传输。相关标志位都包含在节点ID的一部分子节点的数据包,以确定每个节点的数据接收状态。
对于一个不可靠的链接,不处理将如果包丢失发生在TF节点之间的联系。然而,如果一个包丢失发生在CS之间的联系节点,数据包的数据直接发送到水槽最终使用的最低能耗备份路径。每一轮的数据收集后,水槽节点建立一个人民解放运动测量矩阵根据每个测量过程中丢包和进一步使用苏丹人民解放运动测量矩阵和测量收到水槽一端重建原始遥感数据。
4.3。数据收集和分析
CS-PLM算法的数据收集过程可以分为三个阶段。第一阶段是传感器网络的初始化、节点的网络,积累的先验信息接收每个链接的状态,和节点的配置测量向量完成。在第二阶段,基于CS数据采集是有损的链接和有效执行的基于CS的采样和收集是实现网络的所有节点。在第三阶段,基于CS的重建是实现采样数据和原始数据是网络中的节点进一步收购。算法详细的操作如下:
传感器网络的初始化:由水槽,建立了最小生成树(MST)路由实现节点网络。然后水槽一端心跳数据包广播网络中所有节点。在心跳数据包的接收,网络中的节点打开自己的计时器。在时间内<我>T1,节点传输和继电器的数据包路由到水槽和数据包包含心跳信息。在这个过程中,每个节点跟踪实时数据包接收状态的接待链接并将结果存储在内存中。这个结果在内存将进一步采用丢包类型的先验信息预测基于滑动窗口的计划。也就是说,接待序列为每个节点开始直到结束<我>T1。然后水槽结束第一次广播随机种子<我><我>ξ。接待的随机种子节点结合种子有自己的ID和生成的消息 。测量的一个列(<我><我>φ我1,<我><我>φ我2、…进一步为每个节点生成并存储在其自己的内存。
CS的基础数据收集:在基于CS的数据收集过程中,每个节点增加收集数据<我>迪与相应的测量系数<我><我>φij根据路由。然后添加消息顺序传送到水槽里。当一个节点识别其包丢失在这个过程中,概率密度函数<我>f1(<我>z),<我>f2(<我>zz)的随机变量在两个不同的丢包类型,确定当前的比特误码率<我>Pb链接和数据包的长度。根据(<一个href="#EEq15">15),决定阈值<我><我>ξ计算两种类型的包丢失。在滑动窗口中,随机变量的值计算和我们进一步比较的价值与阈值<我><我>η。当<我>z<<我><我>η,重传方案用于包复苏。假定传输的最大数量<我>max_num,在实时更新滑动窗口法在重传。如果<我>max_num达到和节点的接收的数据仍未恢复的,那么的价值呢将与阈值<我>ξ根据最新的更新滑动窗口。当前包丢失类型进一步预测再根据比较结果和相应的经济复苏计划将被采纳。具体来说,基于时间序列的相关性预测时采用<我>z><我><我>η和一个<我>k订单时间序列相关<我>香港构造节点的数据包丢失。根据(<一个href="#EEq17">17)的预测价值 计算出丢失的数据包和进一步传播到下一个单节点,假设预测数据包丢失的包是一样的。因此,基于CS的测量和取样和预测订单完成是更新。
数据重建:当水槽一端接收到在一个轮数据采集测量,测量向量 构造和水槽可以测量矩阵终结吗根据随机种子<我>ξ和id在整个网络。根据稀疏的基地 ,CS重建算法被用来重建稀疏信号我们可以恢复原始信号向量的计算<我>d=<我>Ψ·<我>年代。根据上述过程,包丢失的预测类型,失去了数据包重传,可以简单的串行执行基于时间相关的预测和执行的复杂性 。因此,performance-limited单一节点,该算法能保证实时在线操作。至少,对整个网络<我>N×<我>米接收或发送的数据包必须为一轮CS-PLM算法的数据采集操作是网络中节点的数量是测量的数量。在CS的操作基础数据采集算法,接收或传输一个数据包包含一个乘法,补充一些内容,没有复杂的递减操作。此外,根据CS理论,测量的数量<我>米≥O (),是原始数据的稀疏度,这可能被视为一个常数。通过考虑整个网络,CS-PLM算法的复杂性 ,这表明CS-PLM算法没有造成额外的计算与传统相比CS密集投影数据采集算法。
5。绩效评估
为了评估CS-PLM算法的性能,我们采用工具MatlabR2014a执行模拟。基于网络模型在本文中,我们假定网络部署 监控区域和400年网络中传感器节点被放置。原始数据来源认为遵守二维高斯分布。
CS-PLM算法重建精度的不同网络丢包率在图所示<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig4/" target="_blank">4。相比之下,我们也调查稀疏随机调度的性能(SRS)基于CS算法(<一个href="#B2">2)和CDG-SPLM算法。这是显示在图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig4/" target="_blank">4这三种算法的重建误差性能与丢包率增加而CS-PLM算法优于他人。之间的性能差距的重建误差CS-PLM算法和其他人也扩大了丢包率。绩效差距的原因在于SRS算法采用稀疏测量矩阵重构原始数据。一方面,大量的抽样数据测量的目的是远远不够的。另一方面,包丢失的数量将减少测量和重建精度进一步削弱了由于缺少抽样。虽然CDG-SPLM算法可以克服在水槽数据包接收状态的误判问题,包丢失在CS的相关基础数据收集过程将严重影响重建精度。然而,拟议中的CS-PLM算法可以完成尽可能多的测量,克服了在水槽一端误判问题以及包丢失相关性。这些改进能保证软件的可靠性数据收集过程基于不可靠链接和高度精确的基于CS的重建。此外,根据仿真结果,CS-PLM算法仍能保证有效重建聚集数据丢包率为60%,证明了该算法的鲁棒性。
为了评估算法的性能在不同程度的相关性,我们选择两个数据集不同的稀疏度;即。,the results are illustrated in Figure<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig5/" target="_blank">5CS-PLM算法重建精度和SRS算法,在链路丢包率设置为20%。这是显示在图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig5/" target="_blank">5同样的算法,较低的稀疏程度会提高重建精度,因为数据关联度与稀疏度增加,根据CS理论,可以进一步提高重建精度。稀疏度设置为11时,该算法仅略优于SRS算法当稀疏度23日CS-PLM算法更好的性能比SRS算法。这是因为当数据是弱相关,SRS算法无法恢复数据精确,因为它只是基于少量的压缩样本。然而,CS-PLM算法完成尽可能多的测量和有效的重建可以保证数据集与普通程度的相关性。一般来说,CS-PLM算法可以有效降低CS的强烈依赖数据采集算法基于相关可靠的数据集。CS数据采集可以进一步保证基于不可靠的链接与普通关联度数据集。
网络生命周期表现为不同的算法比较图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig6/" target="_blank">6CDG-Retransmission算法的进一步采用重传方案基于CDG算法解决包丢失而导致不可靠的链接。网络生命周期定义为轮的数量从一开始到第一个节点故障。这是显示在图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig6/" target="_blank">6拟议中的CS-PLM算法提高了网络的生命周期400%和140%相比,SRS算法和CDG-Retransmission方案。这是由于SRS算法的能量不平衡导致空置的能力和网络的早期失效。重传方案采用CDG-Retransmission算法包丢失恢复而更多的数据包传输,因此网络生命周期缩短。
根据CS理论,关联数据的测量矩阵和稀疏的基础会影响算法的重建性能。验证CS-PLM算法的性能在不同的稀疏的基础上,我们选择两个稀疏的基地。离散余弦变换(DCT)和离散傅里叶变换(DFT)作为比较。相关结果如图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig7/" target="_blank">7。这是显示在图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig7/" target="_blank">7与不同的丢包率,该算法执行更好的DCT基础;即。,the DCT base exhibits weaker correlation with the SPLM matrix in comparison with the DFT base and we can obtain a higher reconstruction accuracy by choosing the DCT base to perceive the changing sparsity degree.
丢包率的影响相对重建误差如图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig8/" target="_blank">8与不同数量的测量。CS-PLM算法测量的数量设置为60,80年,120年和140年,分别。这是显示在图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig8/" target="_blank">8当测量的数量是60,相对重建误差变化明显的丢包率和丢包率增加会破坏经济复苏的准确性。然而,当测量数量的增加,丢包率对重建精度的影响进一步缓解。例如,当测量的数量是140,相对重建错误几乎相同的包丢失比率为10%,30%,50%。这一现象背后的原因是,该CS-PLM算法采用测量矩阵基于丢包匹配样本中的数据网络。丢包率的增加将导致更高的稀疏度的测量矩阵。为了保持重建精度,测量的数量应该增加处理稀疏度就越高。因此,更多的测量可以减少丢包率的影响在某种程度上对重建精度。
当事件源的衰减系数<我>n=0.01和附近的范围<我>r=2,CS-PLM算法的性能图所示<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig9/" target="_blank">9。当误比特率相对较低,也就是说,<我>Pb=10−5这三种算法的性能几乎是相同的。然而,当误比特率高达<我>Pb=10−3,CS-PLM算法优于他人。这是显示在图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig7/" target="_blank">7,当<我>Pb=10−3,CDG的数据重建算法的信噪比是27.33 db和高比特误码率明显影响CDG的性能算法。SRS-DG的数据重建算法的信噪比是29.72 db。自从SRS-DG算法用于恢复块损失,数据块是放弃了一次传输发生错误,错误节点与稀疏测量矩阵测量。因此,降低每次测量信息。丢失的数据块然后补偿是通过增加的数量测量通过下一轮的数据采集和重建信噪比因此增加。因此,这一轮的信噪比不高的数据重建。数据重建CS-PLM算法得到的信噪比为35.91分贝。传输错误预测的空间相关性的数据在一定条件下和废弃的信息因此减少。从今以后,在无线场景高比特误码率,CS-PLM算法不会引起额外的通信能耗和它可以克服错误的数据块数据重建的影响。因此CS-PLM算法验证的效率。
CS-PLM算法,保证恒定的数据压缩率的前提下,不同大小的网络需要不同的测量数据在数据收集过程,进而导致变化的阈值的判断节点类型。因此,不同的网络规模导致不同比例的节点类型,这不仅影响总包网络的吞吐量,但也影响CS节点之间建立备份路径的复杂性以及其传输的可靠性。因此,算法的性能受到网络的影响大小及相关结果见图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig10/" target="_blank">10链接上,丢包率设置为20%。根据曲线在图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig10/" target="_blank">10,结果表明,随着节点数的增加,网络中CS节点的比例减少。至于原因,在大规模网络树拓扑的分支将相当大,有许多小分支。然而,根据节点分类规则的混合c计划,通常只有主干中的节点会被归类为CS节点。因此,CS节点的比例减少,那么CS节点之间建立备份路径的复杂性。根据相对的曲线重建误差图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig10/" target="_blank">10CS-PLM算法重建精度的提高,越来越多的网络中节点。这是由于这一事实,CS网络中节点的比例减少,包丢失发生在网络有更大概率无关。结果,重建被备份路径的可靠性影响较小和更高的重建精度可以保证。根据上面的模拟中,CS-PLM算法具有更好的性能在大规模网络。自从SPLI CS-PLM算法测量矩阵的设计,根据CS理论,测量之间的相关矩阵和稀疏的基础会影响算法的重建性能。为了调查CS-PLM算法的性能在不同的稀疏的基地,我们采用DCT基地和DFT基地比较,如图<一个href="//www.newsama.com/journals/wcmc/2018/5131949/fig11/" target="_blank">11。结果表明,不同数量的测量,DCT基础下的算法性能更好。因此,可以得出结论,SPLI矩阵展品与DCT基础较低相关。即可以保证更好的重建算法的性能选择DCT基础数据稀疏的改变。
6。结论
为了解决CS数据收集问题基于不可靠的链接,我们提出了一个CS-PLM算法。我们设计了苏丹人民解放运动测量矩阵通过分析包丢失的影响基于CS数据采集,并通过仿真进一步验证相关的包丢失会破坏苏丹人民解放运动的重建性能测量矩阵。因此,网络中的节点分为TF节点和CS节点。包丢失TF节点之间不具有相关性和我们简单地采用苏丹人民解放运动测量矩阵进行投影测量。然而,除了采用苏丹人民解放运动测量矩阵测量投影,CS节点还保证传输可靠性的最低能耗备份路径,避免丢包的发生相关。这是仿真结果所示,当链路的丢包率是60%,CS-PLM算法仍能保证有效压缩数据的重建。与其他算法相比,该算法表现出极大的改进的重建精度和数据集的稀疏度。它可以准确地反映网络的影响大小,稀疏的基地,为数据采集和测量的数量在CS-PLM算法的性能。未来的工作可能会专注于移动节点丢包率的影响在重建精度当网络流量足够大或小。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由河南省教育部青年骨干教师培养在大学批准号2016 ggjs - 158;河南省教育部自然科学基金资助下19号a520006和18 b520026;洛阳科技高级研究所基金会在格兰特没有开始。2017 bz07;河南省自然科学技术研究部门科学基金会资助下号,182102210428和162102310474。
引用
-
w·方x姚明,x赵,j .阴和n .熊”随机控制方法利润最大化服务配置为移动朵云平台,“<我>IEEE系统,人,和控制论:系统,48卷,不。4、522 - 534年,2018页。
视图: 出版商的网站| 谷歌学术搜索周j . t . Wang,黄m . et al .,“光纤陀螺仪的存储技术与网络威胁。”<我>未来一代计算机系统卷,83年,第218 - 208页,2018年。
视图: 出版商的网站| 谷歌学术搜索诉k·辛格和m . Kumar“压缩传感的方法解决大规模网络的能量空洞问题,“<我>无线个人通信,1卷,2017页。
视图: 谷歌学术搜索P.-F。f·肖,c .沙H.-P。黄,R.-C。王,N.-X。熊,”节点调度策略实现全视图区域范围在相机传感器网络,”<我>传感器,17卷,不。6,货号。1303年,2017年。
视图: 出版商的网站| 谷歌学术搜索r·c·杨,j . Wan w·张关,和n .熊”测量的复杂性和时间序列的可预测性与灵活的多尺度熵的传感器网络,”<我>传感器,17卷,不。4、2017。
视图: 谷歌学术搜索诉Angayarkanni、诉Akshaya罗陀,“设计一个基于压缩传感检测系统对于老年人使用的WSN,”<我>无线个人通信,卷98,不。1,第437 - 421页,2018。
视图: 出版商的网站| 谷歌学术搜索f . Pareschi m .会d Bortolotti et al .,“能源分析解码器Rakeness-Based压缩传感的心电图信号,”<我>IEEE生物医学电路和系统,2017年。
视图: 谷歌学术搜索m·k·汗·m·设拉子,k . z Ghafoor汗,a . s . Sadiq g·艾哈迈德,“EE-MRP:节能多级无线传感器网络路由协议,”<我>无线通信和移动计算,卷2018,不。1、文章ID 6839671, 1-13, 2018页。
视图: 出版商的网站| 谷歌学术搜索l . m . Wu Tan, n .熊”数据预测、压缩和恢复在集群环境监测无线传感器网络应用中,“<我>信息科学卷,329年,第818 - 800页,2016年。
视图: 出版商的网站| 谷歌学术搜索z吴:熊、黄y和顾,“最佳服务分布在网络服务系统数据安全约束,“<我>传感器,14卷,不。8,14180 - 14209年,2014页。
视图: 出版商的网站| 谷歌学术搜索c, d . Puthal s p·莫汉蒂和e . Kougianos”Big-Sensing-Data云是未来管理:可伸缩的Cloud数据中心减排承诺的新一代的物联网、无线传感器网络”<我>IEEE消费电子杂志》第六卷,没有。4,48-56,2017页。
视图: 出版商的网站| 谷歌学术搜索卡纳和c . r .没吃,”Communication-efficient分散稀疏贝叶斯学习联合稀疏信号,”<我>IEEE在网络信号和信息处理,3卷,不。3、617 - 630年,2017页。
视图: 出版商的网站| 谷歌学术搜索| MathSciNetb .太阳,y郭:李,d .方”多个目标计数和本地化使用变分贝叶斯em算法在无线传感器网络中,“<我>IEEE通信,卷65,不。7,2985 - 2998年,2017页。
视图: 出版商的网站| 谷歌学术搜索y z太阳,x星,c . Li聂,曹y,“一种新颖的非线性多目标k-Degree覆盖保护协议在无线传感器网络中,“<我>杂志上的传感器,2016卷,2016年。
视图: 谷歌学术搜索j . t . Wang曾庆红,y赖et al .,“从网络数据收集到雾云基于移动元素,”<我>未来一代计算机系统,2017年。
视图: 谷歌学术搜索h . Djelouat h .称呼,a .阿米拉和f . Bensaali”联合稀疏恢复基于压缩传感的脑电图系统”<我>学报2017年IEEE 17国际会议上无处不在的无线宽带(ICUWB)20.17年9月,页1 - 5、萨拉曼卡。
视图: 出版商的网站| 谷歌学术搜索z太阳,y, y聂,w·魏j . Lloret和h的歌,“CASMOC:小说复杂的联盟策略与多目标优化的无线传感器网络覆盖,“<我>无线网络,23卷,不。4、1201 - 1222年,2017页。
视图: 出版商的网站| 谷歌学术搜索饼干的偏好j . t . Wang z Peng梁et al .,“在无线传感器网络的移动目标跟踪之后,“<我>ACM传感器网络交易,12卷,不。4、2016。
视图: 谷歌学术搜索现代奴隶制的声明z太阳,y, x星,w·魏h .歌曲,和w·李,“LPOCS:一种新的线性规划优化覆盖方案在无线传感器网络中,“<我>特设&传感器无线网络,33卷,不。1 - 4、173 - 197年,2016页。
视图: 谷歌学术搜索版权g, t . Wang m . Li w·贾和j .黄”mobility-enabled无线传感器网络高效对接算法,”<我>IEEE移动计算,11卷,不。1,47-60,2012页。
视图: 出版商的网站| 谷歌学术搜索饼干的政策f . h . s . Wang Yi, l . Wu周,和n . n .熊”挖掘概率代表移动传感器数据采集模式,”<我>互联网技术杂志》,18卷,不。2、321 - 332年,2017页。
视图: 谷歌学术搜索版权
版权©2018产品太阳等。这是一个开放分布式下文章<一个rel="license" href="http://creativecommons.org/licenses/by/4.0/">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。