从时空双维度扩展无线传感网的低功耗方法技术

本发明专利技术提供一种从时空双维度扩展无线传感网的低功耗方法，其主要改进之处在于，包括以下步骤：步骤S1，通过对无线传感网网络部署的形式化建模，为传感数据进行进一步处理提供数学表述；步骤S2，通过应用压缩感知理论，定义测量矩阵和表示矩阵分别在一维空间和二维空间中的表现和使用方式，为恢复算法进行原始传感数据恢复做好准备；步骤S3，通过恢复算法恢复出原始传感数据。本发明专利技术能够以少量采样数据高概率地恢复原始传感数据。

【技术实现步骤摘要】
从时空双维度扩展无线传感网的低功耗方法
无线自组织传感网不仅在研究领域非常活跃，在工业界及生活消费领域均衍生出诸多应用，比如环境监测，紧急预警，结构化监测等。本专利技术属于无线自组织传感器网络领域，尤其涉及一种无线传感网部署理论方法。
技术介绍
从实验室的小规模测试平台到室内中等规模的部署比如MoteLab和Kansei，到最近几年室外大规模的部署，无线传感网的规模获得了长足的扩展。其中VigilNet包括200个节点用来做长期的军事监控，Trio则是实现了一个太阳能供电的包含557个节点的无线传感网络，GreenOrbs是一个野外部署的包含330个节点的森林监控系统，CitySee是一个部署在城市环境中用于实时大规模二氧化碳环境监测无线传感系统，共包括1096个中继结点和100个传感结点。尽管规模上千的无线传感网系统已经出现，然而，继续无限的扩大无线传感网的规模是不太可能的。换言之，仅通过部署更多的传感器结点来获取更精细或细粒度的感知是不现实的。原因有以下几点：首先，大规模即意味着更多的数据交互，由于物理资源的限制，譬如能量或者内存，而且根据之前基于GreenOrbs系统系统的研究发现，无线传感网内部协议栈间高并发和不规律性同样会导致大规模无线传感网系统无法在保证低功耗和不影响效率的前提下正常协同工作。其次，通过对现场通讯链路的测量发现，实际部署同样是另一个限制WSN网络规模的主要因素。正如在CitySee系统中所示，城市区域内会有很多“黑洞”(例如，建筑物等)，这些“黑洞”会通过干涉、反射等方式来影响无线信号，这样一来出于经济和应用上的双重考虑，不得不花费大量精力设计部署方案，使得在保证网络连通性的基础上最小化中继节点的数量，同时绕过这些“黑洞”位置压缩感知理论(CompressiveSensing)的最新研究表明以远低于奈奎斯特采样定律规定的稀疏采样表示成为可能，尤其适合于资源受限的无线传感网领域。应用于CO2浓度问题，测量方案则是以某种时间地点分布对CO2浓度进行测量收集，并利用压缩感知理论进行CO2传输过程的重建，以此获得全局的CO2浓度信息。本文提出的全新方法基于压缩感知和稀疏采样理论，在达到上述目标方面显示了巨大的潜力。但是将压缩感知理论应用于CO2浓度测量领域有以下几点挑战需要解决，首先，目前没有系统的方法来选择压缩感知理论中表示矩阵(Ψ)的构建，表示矩阵用来稀疏地刻画CO2的传播过程。一般而言，表示矩阵通过经验设计并且需要一些先验知识。其次，在压缩感知理论框架下，测量计划是通过一个测量矩阵(Φ)来表示。最常用的测量矩阵是高斯矩阵，但是高斯测量矩阵并不是稀疏的，即每次测量对应多次采样的线性组合。然而CO2浓度测量问题中，由于CO2采集装置的物理特性，每一次测量对应CO2传播过程的一次采样，这也导致测量矩阵极其稀疏。由于压缩感知理论要求测量矩阵(Φ)和表示矩阵(Ψ)尽可能不相关，而稀疏的测量矩阵并不是很好设计不相关性。第三点，需要考虑影响CO2浓度数据在时间和空间双重维度上扩展性的各个因素，比如不同的气体传播模型。
技术实现思路
本专利技术的目的在于克服现有技术中存在的不足，提供一种从时空双维度扩展无线传感网的低功耗方法，能够以少量采样数据高概率地恢复原始传感数据。本专利技术采用的技术方案是：一种从时空双维度扩展无线传感网的低功耗方法，其主要改进之处在于，包括以下步骤：步骤S1，通过对无线传感网网络部署的形式化建模，为传感数据进行进一步处理提供数学表述；步骤S2，通过应用压缩感知理论，定义测量矩阵和表示矩阵分别在一维空间和二维空间中的表现和使用方式，为恢复算法进行原始传感数据恢复做好准备；步骤S3，通过恢复算法恢复出原始传感数据。进一步地，步骤S1具体包括：对无线传感网区域通过网络建模为一系列n层同心圆，同心圆中的每一层等量均匀分布n个传感器结点；将一系列同心圆中的每一层n个传感器(i，j)的读数xij记为一维向量ωi，其中i指第i层同心圆，j指第i层同心圆上第j个传感器，n2个传感器构成一个n×n的方阵；在n2个传感器的位置中挑选N个位置部署传感器，其中N＜＜n2；对于每一个位置的传感器结点，需要得到其T个时刻点的传感数据，只选取M个时刻进行采样，其中M＜＜T。进一步地，步骤S2具体包括：对一维传感数据而言，以RN空间中的一维向量x来表示一维传感数据，其中N代表一维向量的长度，该一维向量即包括了无线传感网中所挑选的N个传感器结点的传感数据；如果x是稀疏的，那么通过M个随机采样结合线性变换矩阵Φ，可以得到如下的公式(1)，yM×1＝Φx……………………………………………(1)其中M＜＜N，M×N维的矩阵Φ称为测量矩阵；原始传感数据x能够以少量采样数据y恢复出来当且仅当x是足够稀疏表示；为了使得x满足稀疏性，通过将x映射到另一空间，x能够转换为稀疏表示，即必然存在一个可逆矩阵Ψ使得转换后的x满足稀疏性；其中Ψ是一个N×N的矩阵，则x的变换表示如下所示：x＝Ψs………………………………………(2)其中||s||0＜＜N，s是x在Ψ空间上的投影，矩阵Ψ称为表示矩阵；结合上面两个公式可以得出y＝中x＝中Ψs………………………………………(3)从而能够根据设计的测量矩阵Φ和表示矩阵Ψ以及少量采样数据y来恢复原始传感数据x；假定输入的二维传感数据X在某种变换下是稀疏的，即X可以表示成，X＝BSA……………………………………………(4)其中B和A是非奇异矩阵，S是一个矩阵，即原始二维传感数据X在变换域内的表示；构造一个vec()函数，vec()函数定义如下：vex(X)＝(x(1，1)，...x(k，1)，x(1，2)，...，x(k，2)，...，x(1，k)，...，x(k，k))T二维空间采样数据Y表示为Y＝Φvec(X)…………………………………………(5)A，B和S重写为：其中是克罗内克积；根据(4)和(6)得，又结合Y＝Φvec(X)得：更进一步地，测量矩阵采用周期性采样矩阵，即测量时间采用离散性的时间片；或者采用高斯矩阵；对于表示矩阵，提出表示矩阵的扩展矩阵ME，得到原始二维传感数据X在扩展矩阵ME上的投影，即S＝MEX，表示矩阵为或者，采用二维小波变换矩阵MH，相应的表示矩阵记为更进一步地，测量矩阵和表示矩阵设计后，必须量化测量矩阵和表示矩阵之间的不相关性；测量矩阵和表示矩阵的不相关度的计算如下，首先将测量矩阵Φ的每一行向表示矩阵Ψ的每一列产生的空间上投影，然后采用此空间的上最稀疏投影来表示测量矩阵和表示矩阵的不相关度；计算公式如下所示：其中指的测量矩阵Φ的第j行，ζj指的是表示矩阵Ψ的列空间上产生投影的相关系数；因此衡量不相关度的计算公式可以定义如下：其中，指的是ζj的第i个元组，1(A)是一个表示函数，如果A等于“真”那么计为1否则计为0，对于I(Φ，Ψ)，其值代表了测量矩阵和表示矩阵的不相关度。进一步地，恢复算法包括：第一类是直接优化最小的l0范式，即或，第二类是通过最小化l1范式来降低复杂度，，即本专利技术的优点在于：本专利技术将无线传感网与压缩感知理论相结合，解决了大规模无线传感网中网络负载过重导致丢包率大的问题，通过合理设计测量矩阵与表示矩阵，仅通过少量采样即达到高概率恢复全部原始传本文档来自技高网...

【技术保护点】
一种从时空双维度扩展无线传感网的低功耗方法，其特征在于，包括以下步骤：步骤S1，通过对无线传感网网络部署的形式化建模，为传感数据进行进一步处理提供数学表述；步骤S2，通过应用压缩感知理论，定义测量矩阵和表示矩阵分别在一维空间和二维空间中的表现和使用方式，为恢复算法进行原始传感数据恢复做好准备；步骤S3，通过恢复算法恢复出原始传感数据。

【技术特征摘要】
1.一种从时空双维度扩展无线传感网的低功耗方法，其特征在于，包括以下步骤：步骤S1，通过对无线传感网网络部署的形式化建模，为传感数据进行进一步处理提供数学表述；步骤S2，通过应用压缩感知理论，定义测量矩阵和表示矩阵分别在一维空间和二维空间中的表现和使用方式，为恢复算法进行原始传感数据恢复做好准备；步骤S3，通过恢复算法恢复出原始传感数据。2.如权利要求1所述的从时空双维度扩展无线传感网的低功耗方法，其特征在于，步骤S1具体包括：对无线传感网区域通过网络建模为一系列n层同心圆，同心圆中的每一层等量均匀分布n个传感器结点；将一系列同心圆中的每一层n个传感器(i，j)的读数xij记为一维向量ωi，其中i指第i层同心圆，j指第i层同心圆上第j个传感器，n2个传感器构成一个n×n的方阵；在n2个传感器的位置中挑选N个位置部署传感器，其中N＜＜n2；对于每一个位置的传感器结点，需要得到其T个时刻点的传感数据，只选取M个时刻进行采样，其中M＜＜T。3.如权利要求2所述的从时空双维度扩展无线传感网的低功耗方法，其特征在于，步骤S2具体包括：对一维传感数据而言，以RN空间中的一维向量x来表示一维传感数据，其中N代表一维向量的长度，该一维向量即包括了无线传感网中所挑选的N个传感器结点的传感数据；如果x是稀疏的，那么通过M个随机采样结合线性变换矩阵Φ，可以得到如下的公式(1)，yM×1＝Φx……………………………………………(1)其中M＜＜N，M×N维的矩阵Φ称为测量矩阵；原始传感数据x能够以少量采样数据y恢复出来当且仅当x是足够稀疏表示；为了使得x满足稀疏性，通过将x映射到另一空间，x能够转换为稀疏表示，即必然存在一个可逆矩阵Ψ使得转换后的x满足稀疏性；其中Ψ是一个N×N的矩阵，则x的变换表示如下所示：x＝Ψs………………………………………(2)其中||s||0＜＜N，s是x在Ψ空间上的投影，矩阵Ψ称为表示矩阵；结合上面两个公式可以得出y＝Φx＝ΦΨs………………………………………(3)从而能够根据设计的测量矩阵Φ和表示矩阵Ψ以及少量采样数据y来恢复原始传感数据x；假定输入的二维传感数据X在某种变换下是稀疏的，即X可以表示成，X＝BSA……………………………………………(4)其中B和A是非奇异矩阵，S是一个矩阵，即原始二维传感数据X在变换域内的表示；构造一个vec()函数，vec()函数定义如下：vex(X)＝(x(1，1)，...x(k，1)，x(1，2)，...，x(k，2)，...，x(1，k)，...，x(k，k))T二维空间采样数据Y表示为Y＝Φvec(X)………………………………………··(5)A...

【专利技术属性】
技术研发人员：李恒，神克乐，马强，
申请(专利权)人：儒安科技有限公司，
类型：发明
国别省市：江苏,32