新型节能数据采集方案利用无线传感器网络的时空相关性

文摘

一种新型节能的数据采集方案,利用时空相关性提出了集群无线传感器网络。双预测方法,是用于星团内传播来减少时间冗余,和混合压缩传感是受雇于intercluster传播来减少空间冗余。此外,一个错误阈值选择的方案提出了预测模型通过优化能源消耗和恢复精度之间的关系,这使得该方法适用于不同的应用程序环境。此外,传输能耗派生来验证该方法的效率。仿真结果表明,该方法具有更高的能源效率与现有方案相比,和水槽可以恢复使用该方法测量合理的准确性。

1。介绍

无线传感器网络(网络),通常由大量密集部署和协作的电池供电的传感器,被广泛应用于各种应用领域,如环境、工业和军事(1]。然而,能源约束网络限制性能的一个主要挑战。轮,大部分能量被消耗在三个阶段:传感、数据处理和数据传递,能量消耗的数据交付主导能源预算。因此,能源效率高的数据收集方法是延长网络寿命的关键。

主要有两种类型的数据收集方法轮为:基于移动下沉的数据收集方法(2)和静止的水池基础数据收集方法(3]。在移动水槽场景中,长时间的推迟是一个不可避免的问题4),因此移动速度和水槽的旅行路径设计的困难。然而,固定的水槽可以避免上述问题。在静止的水池的场景中,由于观测数据应通过多次反射传播给水槽转发传播,高传输能耗的传感器是一个必须考虑的问题,这取决于路由模型和数据还原技术。因此,高节能与高效的路由是关键数据收集固定水槽的场景。

因为观察之间的重叠区域不同的传感器和数据的渐进变化观察到传感器,测量从一个时空相关的传感器网络是(5),导致现有的观测数据之间的冗余信息。因此,数据收集方法,利用固有的相关性已被广泛研究提高能源效率的轮6]。在[7- - - - - -11),数据简化方法,提出了利用时间相关性和空间相关性,以减小传输能耗。此外,许多数据压缩算法是用于减少这些数据收集方法获取数据,网络编码(NC)和压缩感知(CS)技术应用于数据采集方法(7,8),利用空间相关性减少数据传输。在[9- - - - - -11),主成分分析(PCA)方法或不同的预测模型应用于减少时间冗余。然而,冗余信息仍然是过度使用上面的方法(后7- - - - - -11),这将导致低的能源效率。

为了进一步提高能源效率,数据收集方案探索时间和空间相关性(12- - - - - -15]。在[12),一个集体的预测计划利用时空相关性(警察)给出了网络的节能。应对方法,时间冗余和空间冗余的数据,分别减少预测方法和基于相似性的subcluster方法。然而,能源成本的频繁更新集群和subcluster拓扑很大。框架用的专用组合数据预测和压缩是讨论了集群网络(13)(称为DPPCA方法为方便起见)。框架,最小均方(LMS)双预测算法用于减少时间冗余,和一个集中的PCA技术是用来消除空间冗余的感知数据。然而,这些计划(12,13)是不实际的在不同的监测环境中由于采用固定误差阈值的预测算法。空间和时间按压,多分辨率压缩和查询(MRCQ)中给出了框架14),组织传感器节点层级结构和建立多分辨率遥感数据在网络的摘要。在[15),一个neighbor-aided克罗内克压缩传感网络方案提供。然而,延迟的方法13- - - - - -15不容忽视,因为减少时间冗余的操作只能从连续时间间隔收集足够的数据后执行。因此,这些计划(13- - - - - -15)不适合网络与高实时传输的要求。

解决上述问题,进一步提高能源效率,我们提出一个节能数据采集方案利用了网络的时空相关性。上述方法的区别,双预测和混合压缩传感技术连接,消除冗余提高能源效率的方法。具体来说,双重预测是利用在星团内传播,和一个新的误差阈值选择方法适用于预测阶段,即通过优化能源消耗和恢复精度之间的关系。此外,混合压缩传感采用intercluster传播期间,和集群头(CHs)聚合所有获得的值只有在值的数量不少于对CS重建所需数量的预测。因此,该方法具有较高的能源效率和合理的质量。

本文的其余部分组织如下。部分的背景和系统模型进行了讨论2。节3,我们详细介绍一下我们提出的协议。部分4讨论了仿真结果和结论给出了部分5。

2。背景和系统模型

2.1。混合压缩传感

压缩传感(16),作为一种先进的抽样理论,提供了一种新的数据压缩方案,它表明,只有一小部分数据预测需要重建所有的原始数据,其中包含许多零条目。假设一个数据向量x有一个K-简约表示下 变换的基础上,也就是说,: 在哪里 。 ,它有K( )非零的条目。在这个前提下,应用投影变换x;也就是说, 在哪里是一个 ( )测量矩阵,它满足限制等距原则(RIP) [17]。是相应的系数向量的 ,和 。然后米维向量z可以用来恢复原始数据x通过求解一个 - - - - - -范数最小化。

根据这一理论,只有几个测量足以重建所有原始数据网络下沉的CS。图1(一)显示了数据收集的过程用纯c,其中每个节点编码数据与其相应的系数向量在测量矩阵然后发送米维向量这是聚合的编码向量和( )实现数据向量。在这种情况下,每个节点需要发送出去数据。然而,原始数据需要传输的数量可能会小于在前面的节点的链接,它并不是最好的选择直接应用CS在每个节点编码。

为了避免这个问题,修改后的混合压缩传感方法讨论了(18]。在混合CS方法中,每个节点最初设置为原始数据直接传输。然后,一旦一个中间节点收到以上( )原始数据或任何编码数据,中间节点切换到CS聚合模式。在这种情况下,避免不必要的传输数据采集的混合CS。图1 (b)显示了数据收集的过程和混合CS,其中每个节点发送原始数据直接如果读数小于的数量 。否则,节点编码数据与相应的系数向量和发送米维编码向量。显然,混合CS具有更高的能源效率。

2.2。系统模型

见图2基于集群的无线传感器网络传感器节点被认为是。整个网络分成集群。两个集群成员(CMs)和集群头(CHs)不断生成的一组数据,需要收集的下沉。让 表示观测数据从网络即时和数据向量也可以写成 在哪里是原始数据向量的吗kth集群。成员节点集群中选择性地把他们的数据来预测模型的CH,和获得的数据向量CHs 在哪里是获得矢量的数据吗kth CH。然后CHs的所有数据转发到水槽通过多次反射与混合压缩传感通信。假设每个CH知道集群中的所有节点的CS投影向量。的米维测量向量得到水槽中 在哪里是一个常数 测量矩阵满足条件。水槽可以从数据向量与CS恢复算法,如基础追求(BP)和正交匹配追踪(OMP)。

3所示。该方法

3.1。该方法的总体描述

在拟议的方法中,双预测(17)和混合压缩传感有节的减少能源消耗的数据采集网络集群。此外,一个错误阈值选择原则旨在使该方法适用于各种环境。

图3显示了该方法的图基于集群的基础上。的方案,双预测技术首先应用于星团内传播,消除测量数据的时间冗余。预测方法,集群成员有选择地传输CHs的测量,和CHs用预测的值代替实际的没有收到。接下来,混合使用CS在intercluster传播来减少空间冗余。混合CS, CHs聚合获得的数据,然后发送/未编码的编码向量通过多次反射水槽沟通。最后,水槽可以与CS算法恢复原始数据。该方案的细节在下面给出。

第一阶段(星团内传输)。在每一个采样时间t,每个节点获得一个观测值从周围的环境,然后预测使用preconstructed预测模型。有两种情况下,应考虑节点如下:
案例1。如果预测之间的误差和观测值超过阈值 ,这是指定基于误差阈值选择原则(这将是讨论的部分3.2),也就是说, 的节点转移的实际价值CH。
案例2。如果预期值是可以接受的,也就是说, 集群头计算用相同的预测模型来近似实际的数据。在这种情况下,避免不必要的传输。

第二阶段(intercluster传输)。让 集群的数据向量表示从集群中,获得集群中的节点的数量吗j,是一个真实的价值获得直接或预测价值计算的CHkth节点集群 。假设 是集簇头的数据转移到集群头 。有两种情况需要考虑集群的头如下:
案例1。如果 ,集群的头发送的数据向量没有聚合, 和元素的数量是 案例2。如果 , 和

阶段3。水槽获得数据向量 与CS并重建原始数据恢复算法,如基础追求(BP)和正交匹配追踪(OMP)。

3.2。误差阈值选择的原则

如部分3.1,一个节点CH如果将其观测值 在哪里是一个用户给定的误差阈值。这意味着价值决定了传输的数量在每一次瞬间,它影响数据恢复在水槽的准确性。因此,重要的是要选择一个适当的错误阈值与预测数据采集方案。

根据中心极限定理,我们假设无偏预测和误差正态分布。在本文中,我们选择一个简单的自回归(AR)模型预测方法,这只是一个例子很容易理解。此外,该错误的选择原则是普遍的不同预测方法在预测误差分布模型的这些方法可以估计。

一个l阶AR预测可以表示为 在哪里 预测模型的参数,可以由Yule-Walker方程或最小二乘法。假定观测值可以写成 在哪里是零均值和方差的预测误差 ,也就是说, 。一个固定的错误阈值 ,一个节点的概率将其观测数据 在哪里是高斯白噪声的运作。显然,确保双预测是更节能的方案,额外的计算能力要远低于减少能量的传播;也就是说, 在哪里和是单一的能源成本预测和CH发送一个值,分别。一般来说,大于 ,假设 。因此,错误阈值需要满足

在实践中,这个值是未知的。作者在10)使用而未知的价值 ,在哪里和的标准差和相关系数平稳时间序列 ,分别。

结合(14)和(16),很明显,一个更大的导致较低的能耗,但降低了恢复精度。因此,选择必须权衡能源消耗和恢复之间的精度。

一个节点发送的能源消耗数据的CH方法 均方误差(MSE)的过程 在哪里 和 因此,一个可以获得以下:

制定优化的 在哪里是一个用户给定的参数表示可接受的最大恢复精度。在实践中,的价值是在0和1之间,它反映了预期的比率预测误差最大误差。一个更大的(即意味着更少的能源成本。,high energy efficiency) and lower recovery accuracy. The users can determine an appropriate根据能源效率之间的权衡和恢复精度为不同的应用程序;这是因为不同的应用有不同的要求,能源效率和恢复精度。例如,一些应用程序需要高能源效率和低恢复精度,而其他人则需要低能量效率和恢复精度高。因此,的价值需要根据特定的应用程序需求决定的,我们只给提出的性能仿真方法在一个给定的值。

在方程(解决上述优化问题21), 被当作一个变量。在这种情况下,上述优化转化为一个简单的线性规划问题,可以解决现有的算法(19]。一次 计算,根据相应的可以获得和高斯分布表。

具体地说,为了确保系统的能源效率,一个小传输概率是必需的。同时,星团内传输的准确性应保证在一定程度上。在这种情况下,估计精度更高的预测模型(但一般高计算复杂度)应该考虑。

3.3。该方法的程序

算法1说明了提出的阈值选取的数据收集算法。作为讨论的部分3.1该方法的,过程是以下4项:

首先,每个集群成员计算其误差阈值根据误差阈值选择原则章节中讨论3.2。

然后,星团内传输的开始。集群成员预测当前值并比较预测值与实际观察到的一个。如果它们之间的误差大于误差阈值,集群成员将观察到的阅读发送给对应的簇头。其他,集群头预测当前值相同的预测模型。

接下来,一旦集群头收集所有数据成员,intercluster传输开始。如果数据需要传输的数量小于一个集群头米,集群头直接发送这些数据。集群头收集这些数据维度与压缩传感部分中讨论2。1并发送编码后的数据。

最后,水槽可以根据获得的原始数据数据向量和一些CS恢复算法。

忽略计算重建过程的复杂性。假设应用预测模型的复杂性 ,第一阶段的计算复杂性 。第二阶段的计算复杂性这取决于矩阵乘法的复杂性 。因此,总计算算法的复杂性1是关于 。

3.4。传输能源成本分析

在这篇文章中,减少沟通成本意味着节能,同时保证用户定义的数据的准确性。如图3,计划总结两个交流阶段:星团内传输与压缩感知进行预测和intercluster传输。

假设有在网络节点(p是集群头),每个节点收集的数据。在星团内传输中,每个节点的成本能源预测当前值,然后节点发送它的观测数据集群的概率 ;否则,集群头需要预测数据的概率( )。预期的能源成本的这个过程是每个集群成员 。因此,星团内传播的能量消耗

在intercluster传输中,每个簇头的能量消耗对于每一个时间 ,在哪里数据的数量CH需要发送(部分中定义3.1),是一簇头的能量消耗发送数据。因此,传输能量intercluster传输成本 在哪里在网络集群的数量。

结合(22)和(23),总传输能量消耗

4所示。结果与讨论

评价该方法的性能,面积固定的基于集群的网络。为简单起见,利奇(20.)是用于模拟中的聚类方法,并为每个节点成为簇头的概率被设置为0.1。在模拟节点的数量综合网络的价值从500年到1500年,网络中的每个节点T= 1000值需要聚集。的参数该方法的范围从0.01到0.95。使用简单的基于“增大化现实”技术的预测仿真,和十个历史数据值可以缓存每个节点构造的参数预测模型。MICAZ[的能量消耗模型21)是用于能源评估我们的工作。在MICAZ模型中,一个比特的传输成本是600 nJ和计算能量每个时钟周期是3.5新泽西。假设数据是16位。与该方法相比,可用的方案,即:,DPPCA [13]和CHCS [18),也模拟,具体来说,DPPCA固定阈值的方法与预测程序设置为0.1根据参考。在MATLAB软件模拟运行。

图4显示失败的预测的百分比和均方误差曲线和不同的误差阈值的一个节点的第一阶段提出的方法。在图4MSE的均方误差,该方法的预测阶段。显然,如果预测失败的瞬间,节点需要发送原始数据CH。随着误差阈值的增加,预测失败的百分比减少和MSE性能退化。当误差阈值大于0.2,预测失败的比例往往会略有减少,在MSE性能仍迅速退化,因为预测误差服从近似高斯分布。

图5给出了误差阈值曲线和该方法的不同 。在图5,是一个用户给定的参数,和一个更大的意味着更大的MSE的第一阶段该方法的性能。在模拟中,k= 30被认为是确定阈值的错误。从图5时,误差阈值迅速增加大于0.8。根据MSE性能图4,MSE性能将在这里太穷。因此,一个合理的应该选择在实际应用。

图6给传输曲线的数量与数量的集群网络的方法。从图6,你会发现传输总数的增加作为网络集群数量的增加,因为更多的集群网络意味着更多的intercluster传输,虽然预测模型应用于星团内传播,intercluster传输更大的数量。此外,随着集群的数量增加,传输不同的总数往往是相同的。这是因为星团内传输的数量将减少(注意,其限值将趋向于零)随着集群的数量增加,和的值仅影响星团内传输,所以差距星团内传输的数字不同成为小集群的数量增加。

图7显示传输曲线的总数与网络中节点的数量的不同的方法。在图7,“正常的”方法是在传输无压缩操作。从图7,一个人可以看到,该方法的传输能耗小于那些可用的方法。与常规方法相比,该方法减少了传输能耗降低了50%。此外,该方法可以减少传输能量消耗约40%和20%与CHCS和DPPCA方法相比,分别;这是因为该方法使用双预测自适应误差阈值和混合压缩传感。此外,随着节点数的增加,该方法将有更好的能源效率,这也表明,该方法适用于大规模的网络。

图8给出了MSE性能对节点的数目不同的方法。在图8,(CHCS18]和[DPPCA13相比该方法)。从图8,一个可以看到MSE性能改善随着节点数的增加。这是因为网络的所有节点的分布区域被认为是固定的,和节点密度的增加而增加的节点总数。在这种情况下,观察到的区域节点的重叠度较高,这意味着增加观测数据的空间相关性。因此,MSE性能改善与固定压缩传感压缩比时应用于intertransmission阶段。此外,一个可以看到的MSE性能CHCS方法是最好的因为它只有intercluster压缩,但成本的大部分能量在传输阶段可以看到从图7。的MSE性能DPPCA方法好一点= 0.8,但优势逐渐减弱随着网络规模的增加,和DPPCA方法总是要比该方法花费更多的能量,可以看到从图7。当小于0.4,提议的MSE性能更好,同时该方法仍然有更高的能源效率。因此,考虑到能源成本和MSE性能,该方法与自适应阈值在实际应用具有明显的优势。

5。结论

在本文中,一种新型节能数据采集方案利用空间和时间相关性提出了集群网络。方法使用双预测来减少时间冗余在星团内传播,和混合CS技术是利用来减少空间冗余在intercluster传播。通过这种方式,传输能量成本大大降低。提高该方法的可用性对于不同的环境,一个错误阈值选择原则基于MSE和能源成本之间的权衡。CHCS和DPPCA方法相比,该方案可以大大减少传输能量消耗。此外,该方法提供了足够的数据恢复精度,它可以执行在大型和密集的网络。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持国家重点研究和发展项目的一部分,中国yfc1314903格兰特在2018部分由中国国家自然科学基金会拨款61372124和拨款61427801,自然科学基金中国江苏高等教育机构(18 kj13510034)和11批中国博士后科学基金特别资助(2018号t110530)。

引用

1. i . f . Akyildiz w·苏y Sankarasubramaniam,和e . Cayirci“传感器网络的一项调查,”IEEE通讯杂志,40卷,不。8,102 - 105年,2002页。视图:出版商的网站|谷歌学术搜索
2. y顾,f . Ren, y, j·李,“沉在无线传感器网络移动性管理的演变:一项调查,“IEEE通信调查和教程,18卷,不。1,第524 - 507页,2016。视图:出版商的网站|谷歌学术搜索
3. m .董、k Ota和a .刘”rm:可靠、节能为大规模的无线传感器网络数据收集,”IEEE物联网,3卷,不。4、511 - 519年,2016页。视图:出版商的网站|谷歌学术搜索
4. 张炳扬。程,张炳扬。玉”,在无线传感器网络数据收集:combine-TSP-reduce方法,”IEEE车辆技术,卷65,不。4、2309 - 2324年,2016页。视图:出版商的网站|谷歌学术搜索
5. m . Duarte s Sarvotham d男爵,m . Wakin Baraniuk r .,“分布式联合稀疏信号的压缩传感,”学报onSignals三十九艾斯洛玛尔会议的会议记录,系统和电脑,2005。太平洋格罗夫,页1537 - 1541年,加利福尼亚。视图:出版商的网站|谷歌学术搜索
6. 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
7. n阮、d·l·琼斯和s•“Netcompress:耦合网络编码和压缩传感在无线传感器网络高效的数据通信,”学报2010年IEEE车间在信号处理系统中,口2010美国,页356 - 361,2010年10月。视图:谷歌学术搜索
8. 周y l·h·杨,杨l . x,“改善压缩网络编码方案节能数据通信在无线传感器网络中,“Ksii交易网络信息系统,9卷,不。7,2488 - 2511年,2017页。视图:谷歌学术搜索
9. n . a . Alduais j·阿卜杜拉,a·贾米尔和h Heidari对伊朗伊斯兰共和国通讯社表示,“绩效评估提高实时多元数据简化模型的无线传感器网络,”IEEE传感器信,1卷,不。6日1 - 4,2017页。视图:出版商的网站|谷歌学术搜索
10. h .江、美国金和c .王”预测吗?一个节能clustering-based框架在无线传感器网络数据收集,”IEEE并行分布式系统,22卷,不。6,1064 - 1071年,2010页。视图:谷歌学术搜索
11. Raza, a . Camerra a·l·墨菲t . Palpanas g . p .山顶,“实用数据预测实际的无线传感器网络,”IEEE工程知识和数据,27卷,不。8,2231 - 2244年,2015页。视图:出版商的网站|谷歌学术搜索
12. m . Arunraja诉Malathi,“集体预测利用spatio时间相关(警察)能量高效的无线传感器网络,”KSII交易网络和信息系统,9卷,不。7,2488 - 2511年,2015页。视图:谷歌学术搜索
13. 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,“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
14. 研究。王,y y。谢长廷和研究。曾先生,”多分辨率时空编码在长期监测的无线传感器网络应用中,“电气和电子工程师学会。交易在电脑上,卷。58岁的没有。6,827 - 838年,2009页。视图:出版商的网站|谷歌学术搜索|MathSciNet
15. x l .全s小薛,c . Lu”Neighbor-aided时空压缩在无线传感器网络数据收集,”IEEE通信信,20卷,不。3、578 - 581年,2016页。视图:出版商的网站|谷歌学术搜索
16. 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|MathSciNet
17. 通用迪亚斯,b . Bellalta和美国的说法,“一项调查关于prediction-based数据减少无线传感器网络,”ACM计算调查卷,49号3,2016。视图:谷歌学术搜索
18. r·谢和x贾Transmission-efficient聚类方法使用压缩传感、无线传感器网络”IEEE并行和分布式系统,25卷,不。3、806 - 815年,2014页。视图:出版商的网站|谷歌学术搜索
19. 诉Chvatal,线性规划,5卷,不。1 w·h·弗里曼和公司,纽约,纽约,美国,1983年。
20. 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),卷2,p。8020年,IEEE, 2000年1月。视图:出版商的网站|谷歌学术搜索
21. 和p . s . b . Gedik l . Liu,“尽快:一种自适应抽样方法在传感器网络数据收集,”IEEE并行和分布式系统,18卷,不。12日,第1783 - 1766页,2007年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019周应et al。这是一个开放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。