基于空时压缩的传感网络分簇优化方法技术

本发明专利技术公开了一种基于空时压缩的传感网络分簇优化方法，该方法采用让感知节点轮流成为簇头的方式均衡网络中各感知节点的能耗；根据传感器网络中的感知节点数量进行分簇，有效的控制了簇的分布与规模；基于能量与距离模型优化算法动态的优化各簇内的簇头数量，减小了各簇内的能量消耗，提高了网络的自组织性与自适应性；运用压缩感知理论充分挖掘感知数据的空时相关性，并在簇头和感知节点处实现了空时压缩，进一步减少了网络中的数据传输量；在相同网络环境下，对比其他方案方法，其具有更低的能量消耗并且有效的延长了网络的生命周期。

Clustering optimization method for sensor networks based on space-time compression

The invention discloses a clustering optimization method for sensor networks based on space-time compression, which balances the energy consumption of each sensor node in the network by letting the sensing node take turns to be the cluster head, clusters according to the number of sensing nodes in the sensor network, and effectively controls the distribution and size of clusters; and based on energy and distance. Off-model optimization algorithm dynamically optimizes the number of cluster heads in each cluster, reduces the energy consumption in each cluster, improves the self-organization and self-adaptability of the network; utilizes compressed sensing theory to fully mine the spatial-temporal correlation of sensing data, and achieves space-time compression at cluster heads and sensing nodes, further reducing the network energy consumption. In the same network environment, compared with other schemes, it has lower energy consumption and effectively prolongs the network life cycle.

【技术实现步骤摘要】
基于空时压缩的传感网络分簇优化方法
本专利技术涉及一种基于空时压缩的传感网络分簇优化方法，属于无线通信网络、无线传感器网络

技术介绍
无线传感器网络在监测、管理等多种智能服务中，发挥着越来越重要的作用，目前无线传感器网络已经应用于多个领域，其中包括军事、工业、环境监测以及医疗服务等。然而，无线传感器网络中各传感节点电池容量较小的问题限制了无线传感器网络的应用范围。回收耗尽节点并部署新节点或对耗尽节点续电的思路显然是不现实的。所以，如何延长无线传感器网络的寿命成为了一个重要的问题。当前已提出的用于解决无线传感器网络生命周期问题的方案大致可分为如下两类：第一类方案从网络通信路由的角度出发，目的在于减小传感网络中的数据传输距离，尽管此类方案在成功的优化了节点间的通信能耗，在一定程度上缓解了传感网络的通信压力，但并未从根本上解决由通信数据量过大引起的网络生命周期较短的问题。第二类方案从减小数据传输量出发，只考虑挖掘感知数据的空间相关性或时间相关性，尽管该类方案从一定程度上减小了网络的数据传输量，但只考虑了一类属性，未能充分地挖掘数据的相关性。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于空时压缩的传感网络分簇优化方法。为了达到上述目的，本专利技术所采用的技术方案是：基于空时压缩的传感网络分簇优化方法，包括，将传感器网络中的所有感知节点分为若干个簇；传感器网络进入循环运行，每次循环运行的过程如下：1)计算每个簇内的最佳簇头数，每个簇内选举出相应数量的簇头，2)基于空时压缩原理进行传输数据，3)汇聚节点对数据进行实时重建。根据感知节点数，确定簇数，具体关系如下：其中，Nk为簇数，N为感知节点数，b为正整数。各簇中，根据当前存活感知节点数，获得最佳簇头数；其中，kop为最佳簇头数，a为当前存活感知节点数，W为簇的边长，dtoSink为感知节点离汇聚节点的距离。簇头选举的过程为，簇内每个感知节点都拥有一个阈值，每个感知节点随机产生一个随机数，并将随机数与自身的阈值比较，若随机数小于自身的阈值，则该感知节点被选为簇头，簇内其他感知节点自动加入最近的簇头。阈值与最佳簇头数kop存在以下关系，其中，T(i)为第i个感知节点的阈值，p为簇内簇头占簇内总节点数的百分比，r为循环运行次数，C为在轮循环运行中未当选簇头的感知节点。基于空时压缩原理进行传输数据的过程为，假设簇头I拥有n个感知节点；每个感知节点在M个时隙内采集M个数据；感知节点采用m×M阶观测矩阵Φ进行时域压缩，并将时域压缩数据发送给簇头I；簇头I将接收的n个时域压缩数据编写为m×n矩阵yI；将每个感知节点发送的第l个时域的时域压缩数据编写成n×1矩阵y′I,l，采用t×n阶观测矩阵Φ′对y′I,l进行空域压缩，矩阵yI被压缩为t×m的矩阵ZI；簇头I将ZI传输至汇聚节点。采用压缩采样匹配追踪算法进行数据重建。本专利技术所达到的有益效果：本专利技术采用让感知节点轮流成为簇头的方式均衡网络中各感知节点的能耗；根据传感器网络中的感知节点数量进行分簇，有效的控制了簇的分布与规模；基于能量与距离模型优化算法动态的优化各簇内的簇头数量，减小了各簇内的能量消耗，提高了网络的自组织性与自适应性；运用压缩感知理论充分挖掘感知数据的空时相关性，并在簇头和感知节点处实现了空时压缩，进一步减少了网络中的数据传输量；在相同网络环境下，对比其他方案方法，本专利技术具有更低的能量消耗并且有效的延长了网络的生命周期。附图说明图1为本专利技术设计的基于空时压缩的传感网络分簇优化方法的平面示意图；图2为将100个感知节点随机散布在100*100的网络中的示意图；图3为本专利技术与其他方法在相同网络环境下网络剩余能量的比较示意图；图4为本专利技术与其他方法在相同网络环境下网络存活节点的比较示意图；图5为本专利技术与其他方法的生命周期对比示意图。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。如图1所示，基于空时压缩的传感网络分簇优化方法，包括以下步骤：步骤1，根据传感器网络中的感知节点数N，将所有感知节点分为Nk个W×W的簇，各簇相互独立。Nk与N的关系如下：其中，Nk为簇数，N为感知节点数，b为正整数。步骤2，传感器网络进入循环运行，每次循环运行的过程如下：1)计算每个簇内的最佳簇头数，每个簇内选举出相应数量的簇头。各簇中，根据当前存活感知节点数a，基于能量与距离模型优化算法获得最佳簇头数kop。当前循环最佳簇头数推导过程如下：单个感知节点的能耗Enon-CH定义为，Enon-CH＝L·ETX+L·Efs·d2toCH其中，L为感知数据包的长度，ETX为传输数据时每比特的能耗，Efs为自由空间模型下每比特的能量消耗，dtoCH为感知节点到簇头间距离；每个簇头以及拥有的感知节点所覆盖的范围大约为W2/k，k表示簇头数量，该范围是一个平面直角坐标系下节点密度为ρ(u,v)的任意形状的区域。感知节点与簇头间距离平方的数学期望为：假设该区域是一个半径为的圆，并将直角坐标系转换为极坐标系，节点密度ρ(s,σ)是一个常数，然后上述公式可变形为，若子簇所占区域的感知节点的密度均匀，则节点密度可表示为ρ＝(1/(W2/k))，上述公式可改为：将距离平方的期望代入簇头的能耗与子簇内单个感知节点的能耗可得：其中，ECH为簇头能耗，ERX的值等于ETX，ERX为接收数据时每比特的能耗，EDA为数据融合的能量消耗；然后，整个子簇的能耗为：其中，Esub-cluster为整个子簇的能耗；然后，将子簇的能耗乘以子簇的数量可获得整个簇的能耗，则整个簇的总能耗由以下公式表示：在上述公式中对k求导并令导数为0，求解后可获得簇中簇头数量的最优值，其中，W为簇的边长，dtoSink为感知节点离汇聚节点的距离。簇头选举的过程如下：簇内每个感知节点都拥有一个阈值，每个感知节点随机产生一个0～1的随机数，并将随机数与自身的阈值比较，若随机数小于自身的阈值，则该感知节点被选为簇头，簇内其他感知节点自动加入最近的簇头形成子簇。阈值与最佳簇头数kop存在以下关系：其中，T(i)为第i个感知节点的阈值，p为簇内簇头占簇内总节点数的百分比，r为循环运行次数，C为在轮循环运行中未当选簇头的感知节点。2)基于空时压缩原理进行传输数据。基于空时压缩原理进行传输数据的过程为：21)假设簇头I拥有n个感知节点；22)每个感知节点在M个时隙内采集M个数据；23)感知节点采用m×M阶观测矩阵Φ进行时域压缩，并将时域压缩数据发送给簇头I；24)簇头I将接收的n个时域压缩数据编写为m×n矩阵yI；yI＝[yI,1yI,2yI,3...yI,n]T其中，yI,j为从属簇头I的第j个感知节点的时域压缩数据，j∈[1,n]；25)将每个感知节点发送的第l个时域的时域压缩数据编写成n×1矩阵y′I,l，采用t×n阶观测矩阵Φ′对y′I,l进行空域压缩，矩阵yI被压缩为t×m的矩阵ZI；ZI＝Φ′·y′I＝Φ′·[y′I,1y′I,2y′I,3...y′I,m]＝Φ′·Ψ′·[θ′I,1θ′I,2θ′I,3...θ′I,m]＝Φ′·Ψ′·θ′I＝Θ·θ′I＝[zI,1zI,2zI,3...zI,m]其中，y本文档来自技高网...

【技术保护点】
1.基于空时压缩的传感网络分簇优化方法，其特征在于：包括，将传感器网络中的所有感知节点分为若干个簇；传感器网络进入循环运行，每次循环运行的过程如下：1)计算每个簇内的最佳簇头数，每个簇内选举出相应数量的簇头，2)基于空时压缩原理进行传输数据，3)汇聚节点对数据进行实时重建。

【技术特征摘要】
1.基于空时压缩的传感网络分簇优化方法，其特征在于：包括，将传感器网络中的所有感知节点分为若干个簇；传感器网络进入循环运行，每次循环运行的过程如下：1)计算每个簇内的最佳簇头数，每个簇内选举出相应数量的簇头，2)基于空时压缩原理进行传输数据，3)汇聚节点对数据进行实时重建。2.根据权利要求1所述的基于空时压缩的传感网络分簇优化方法，其特征在于：根据感知节点数，确定簇数，具体关系如下3：其中，Nk为簇数，N为感知节点数，b为正整数。3.根据权利要求1所述的基于空时压缩的传感网络分簇优化方法，其特征在于：各簇中，根据当前存活感知节点数，获得最佳簇头数；其中，kop为最佳簇头数，a为当前存活感知节点数，W为簇的边长，dtoSink为感知节点离汇聚节点的距离。4.根据权利要求1所述的基于空时压缩的传感网络分簇优化方法，其特征在于：簇头选举的过程为，簇内每个感知节点都拥有一个阈值，每个感知节点随机产生一个随机数，并将随机数与自身的阈值比较，若随机数小于自身的阈值，则该感知节点被...

【专利技术属性】
技术研发人员：陈思光，周嘉声，王志浩，蒋帅，朱雨晴，王堃，殷俊，孙雁飞，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32