一种无线传感网络节点融合数据收集方法与流程

本发明涉及一种基于无线传感网络节点选择数据收集方法，其通过压缩感知、主成分分析和框架势原理来选择代表节点以减少网络中参与数据收集的节点数目，并利用路由树来收集代表节点数据，本发明可以有效减少网络数据传输量。

本发明包括以下步骤：1)通过混合压缩感知技术收集一段时间内的传感器数据；2)通过压缩感知与主成分分析(PCA)和框架势(FP)的结合，设计稀疏矩阵和稀疏观测矩阵，并确定代表节点参加数据收集；3)利用“由上到下”的顺序构建融合数据传输路由树；4)数据在路由树上的传输顺序被设置为“从下到上”，以减少融合数据传输次数；5)运用一种数据收集策略，将压缩感知的M轮数据收集变为1轮数据收集。本发明能有效减少了参与数据收集的节点数目，同时保证汇聚节点(Sink节点)处数据重构的精度，并通过路由树上的数据融合减少了网络数据传输量。

背景技术：

利用无线传感网络进行数据收集是近年发展起来的一种新兴的信息采集技术，其在环境监测、工业控制等领域有着广泛应用。它大规模、多跳的特点会产生大量数据包影响网络吞吐量、端到端延时等性能；并且其多对一的传输特点会导致网络能耗负载不均衡，越靠近汇聚节点(Sink节点)的节点能量消耗越大。因此，研究适合无线传感网络特点的数据传输方法具有非常重要的实际意义和应用价值，其中利用数据融合进行数据传输可以有效的减少网络的数据传输量。

压缩感知技(Compressive Sensing，CS)术是一种新出现的数据融合方法，相比于传统的数据融合方法，它不仅能减少网络数据量，还能保证传感器数据重构的精度，其主要的三个步骤包括信号稀疏表示、信号投影和信号重构。因此，可在压缩感知的基础上开发一种新的数据融合收集方法，在减少参与数据收集的传感器节点数的同时，设计一种数据传输机制，将所有M轮(M为观测矩阵的行向量个数)投影值收集融合为一轮数据收集，在保证数据重构精度的同时，最大限度的减少网络数据传输量。

技术实现要素：

本发明提供了一种无线传感网络融合数据收集方法，目的在于通过优化参与数据收集的节点数目和代表节点数据传输过程，降低网络的数据传输量，以降低网络数据传输时的能量消耗。

无线传感网络数据传输模型

图1是无线传感网络进行数据传输的基本示意图，假设整个无线传感网络由N个节点组成，它们随机的分布在一个监控区域内，每个节点都有相同的通信半径r，如果两个节点间的距离小于r，那么这两个节点就可以互相通信。考虑到每个节点很难与Sink节点直接进行通信，因此节点会采用多跳的方式将他们收集的数据传输给Sink节点，如图1中虚线中路径所示，即为一条数据传输路径。假设每个节点到Sink的平均跳数为d，如果网络中每个节点都要进行数据收集，则Sink节点将会收到N个数据包，则每个数据包的平均传输跳数为O(d)，因此整个网络的数据传输量为：

T₁＝O(dN)

本发明的构思如下：

若要减少网络的数据传输量，则需减少节点传输数据包所需的跳数或减少Sink节点收到的数据包数，可将压缩感知技术运用无线传感网络的数据收集过程中，这样通过数据融合的方法，每个节点只需向下一跳节点发送M个数据包即可，因此M也将收到M个数据包用于数据重构，因此压缩感知下的网络数据传输量为：

T₂＝O(NM)

由于M取值一般小于d，因此运用压缩感知可以减少网络数据传输量。然而，采用普通压缩感知方法的无线传感网络数据收集过程有很大的局限性。首先，其要求所有节点都参与数据收集，这对能量受限的传感器网络仍然是很大的开销。其次，由于Sink节点需要M个投影值才能够重构传感器数据，所以每个数据重构过程每个节点都需要向下游节点发送M个数据包，这样整个网络的数据传输量依然很大。

本发明针对现有压缩感知数据收集方法中存在的不足，提出一种基于节点选择的数据收集方法，通过应用压缩感知与主成分分析的结合来减少参与数据收集的节点数，并通过框架势来选择代表节点以保证数据重构的精度，最后通过构建路由数来收集代表节点的数据。将该方法用于传感器网络的数据收集，可以有效减少整个网络的数据传输量。

本发明方案的实施方法包括以下内容：

1)通过混合压缩感知(Hybrid-CS)来收集一段时间内的传感器数据，为主成分分析提供分析数据；

2)利用主成分分析对混合压缩感知收集的数据进行分析，得到稀疏矩阵；并结合框架势原理对稀疏矩阵进行分析，确定参与数据收集的代表节点和稀疏观测矩阵，以减少参与数据收集的节点数目；

3)通过“由上到下”的算法设计路由树连接Sink和所有代表节点，将数据融合过程分散到路由树上的每个代表节点进行，并运用“由下到上”的算法确定路由树上的代表节点数据传输顺序，以减少节点传输数据包的次数；

4)通过一种数据收集策略，用一轮数据传输过程收集所有投影值以形成观测值向量，并在Sink处重构信号，将重构后的信号更新到主成分分析所需数据的集合中，以用作新一轮的主成分分析；

1)中，压缩感知包括三个方面，即将信号稀疏表示，信号投影和信号重构，其表达公式为：

式中，x＝(x₁，x₂，L x_N)^T为网络中N个传感器的原始数据，ψ为N×N维稀疏矩阵；θ为N×1维K阶稀疏数据，其中只有K个非零数，其余N-K个数为零或接近于0；φ为维观M×N测矩阵，其与x相乘可得到M×1维观测值y(k＜M＜N)。而混合压缩感知是压缩感知的改进，其将网络中的节点分为转发节点和压缩节点，可进一步减少网络数据发送量，分类方法为：

式中，n_i为节点i的类型，V_C为压缩节点集合，V_F为转发节点集合，Q_i为第i个节点子节点的数目，图2为混合压缩感知与普通数据收集和压缩感知数据收集过程的对比。

2)中，利用主成分分析将信号降维，可得：

其中，为混合压缩感知收集的前L轮信号的均值，。U为N×K维的正交矩阵，α为K×1维主成分分析稀疏后的信号。与压缩感知原理结合，即：

矩阵U框架势属性的定义为：

式中，a_i，a_j为矩阵U的第i，j个行向量，Ω为矩阵所有行序号的集合。

3)中，“由上到下”的路由树构建思想即为父节点向下选择自己的子节点，而“由下到上”的思想即从最下层子节点开始向上确定数据的传输顺序。

4)中，所设计的数据收集机制即每个节点以向量为数据传输单位，并根据每个节点在所选择节点集合中所处的位置来确定每个节点收集信号在向量中的位置。

与现有基于压缩感知的数据收集机制相比，本发明具有以下优点。

1)本发明通过混合压缩感知来收集前一段时间的数据，为主成分分析提供数据基础，这样既可以保证数据的可靠性，又可以进一步减少网络的数据传输量。

2)本发明利用压缩感知、主成分分析和框架势原理的结合，有效的减少了参与数据收集的节点数，而且根据这种方法所选出的节点，具有很强的代表性，这样就使Sink处的数据重构有很好的重构精度。

3)本发明利用“从上到下”和“从下到上”的思路分别确立数据收集的路由树和数据传输的顺序，有效的保证了网络适应拓扑结构变化的能力，并将数据融合的过程由在Sink处进行分散到了在每个节点进行。

4)本发明方法利用所设计的数据传输机制，使整个M轮的数据传输过程融合为一轮传输过程，减小了每个节点进行数据传输的次数，从而减少了整个网络的数据传输量。

附图说明

图1是无线传感网络数据收集过程示意图。

图2是混合压缩感知与压缩感知和基本数据收集过程对比图。

图3是本发明的总体流程图。

图4是数据收集路由树的形成过程图。

附图符号说明

图2中，传输路径为简单的链式路由，路径旁的数字代表节点发送的数据包数，带下划线的数据代表经过数据融合后的数据包数。

图3中，集合x^(l)＝{x^(l-L+1)x^(l-L+2)，Lx^(l)}，l＝L,L+1,LL代表WSN从时刻l-L+1到时刻l收集的L个N维重构信号集合，ψ^(l+1)为l+1时刻的稀疏矩阵，代表l+1时刻的稀疏观测矩阵，T^(l+1)为l+1时刻的数据收集路由树。

图4中，带有阴影的节点为代表节点，图中箭头旁的数字代表父节点选择子节点的顺序，π_i代表节点i的父节点，C_i代表节点i的子节点集合。

具体实施方式

如图3所示，为本发明的总体流程图，整个流程图分为5大步骤，现结合图3对本发明的具体实施方式作详细说明。

步骤1，利用混合压缩感知收集主成分分析所需的数据集合。

混合压缩感知将整个网络的节点分为两个部分，分别为转发节点和融合节点，其分类方法根据式(1)确定，根据式(1)可知融合节点和转发节点的数量与M值的大下有很大关系，为了减少整个网络的数据发送量，同时保证混合压缩感知的数据重构精度，一般设M＝35％N，M值确定后即可根据式(1)确定节点类型。开始混合压缩感知数据收集后，节点i需要向下游节点发送的数据包数为：

式中，s_i为第i个节点发送的包数量，图2为链式路由下的混合压缩感知数据收集过程、普通数据收集过程和压缩感知数据收集过程的对比，箭头旁的数据代表节点发送的数据包数，带下划线的数据代表融合后的数据包数。

步骤2，运用主成分分析来减少参与数据收集的节点数目，并利用框架势原理来选择代表节点。

步骤2.1，运用主成分分析减少参与数据收集的节点数。

设有集合x^(l)＝{x^(l-L+1)x^(l-L+2)，L x^(l)}，l＝L，L+1，LL代表WSN利用混合压缩感知从时刻l-L+1到时刻l收集的L个N维信号集合，则此L个信号的均值和协方差矩阵为：

取协方差矩阵的K个最大的特征值对应的单位特征向量，并按对应特征值大小降序排列后，形成N×K维的U作为压缩感知的稀疏矩阵ψ，利用PCA原理形成的稀疏矩阵ψ可以很好的稀疏原始信号；同时，为了减少参与数据收集的节点数目，还需要设计一种合适的稀疏观测矩阵φ_e，其须满足：

(1)每行只有一个非0元素，且非0元素的值为1。

(2)每列至多只有一个值为1的非零元素，且0向量的数目为N-M个。

在此稀疏观测矩阵下的数据收集过程，每轮只有一个节点进行数据收集，只需要从N个节点中选择M个代表节点进行数据收集即可形成观测值y。

步骤2.2，运用稀疏矩阵的框架势性质选择代表节点。

由于稀疏观测矩阵φ_e的内容每时刻并不固定，且稀疏观测矩阵每行的非零值对应每一轮参与数据收集的节点，同时为了使Sink处的重构数据精度满足要求，则应该使被选择出的代表节点尽可能的能代表所有N个节点的信息。因此，可运用框架势原理来选择每个数据采集时刻的稀疏观测矩阵，矩阵的框架势定义如式(5)，矩阵的框架势值越大，其代表性越差，所以从N个节点中选择M个节点，就相当于从稀疏矩阵U中选择M个能让稀疏矩阵U的FP最小的行。

根据稀疏矩阵的框架势选出代表节点的序号后，只需要在N×N维单位矩阵中保留对应于1^(l+1)中序号的行即可形成l+1时刻的稀疏观测矩阵

步骤3：利用“由上到下”的思路构造路由树，使数据融合过程由Sink分散到每个节点进行，并让路由树的构造能够很好的适应传感器拓扑结构的变化。

构造路由树前，每个节点j∈1^(l+1)到Sink的最短路径P_js和此路径的跳数h_j需要被提前知道，这可以通过Sink发布一个广播消息实现，设广播消息数据包为m^(l+1)，则其需要包含的内容包括：

每个收到此广播数据包的节点会继续将其发送给它的邻居节点，而之前已经收到过此广播包的节点则会丢弃重复收到的广播数据包。通过此广播过程，每个节点可以知道其到Sink节点的最短跳数和路径，并且每个节点可根据m^(l+1)来判断其自身是否为代表节点。

广播过程后，即可“由上到下”构建路由树，即由父节点选择子节点，整个构造过程的步骤如下：

输入：j∈1^(l+1)到Sink的最短路径P_js和此路径的跳数h_j；所有h_j的最大值h_max；

输出：路由树T^(l+1)；

以上步骤中，Sink节点的序号被设置为j_sink＝0，三个集合A，B，C_J分别代表需要选择子节点的节点集合、已有子节点的节点集合以及节点i的子节点集合。通过以上步骤构造出的路由树，每个父节点可以有多个子节点，而一个子节点只能有一个父节点，一旦父节点到子节点的连接建立，那么在此轮数据收集过程中，此连接将不会改变。

图4是“由上到下”构建路由树的两个过程，图4(a)是从邻居节点中选择子节点后的路由，图4(b)为开始发送发现消息后形成的路由。

步骤4：运用“由下到上”的方法来决定代表节点传输数据的顺序，以减少节点数据传输的次数。

构建路由树后，各传感器融合后的数据将延路由树进行传播，因此如果没有一个合适的数据传输顺序，父节点将需要多次传输子节点发来的数据，因此需要一个正确的传输顺序，等父节点收到所有子节点发来的数据包后，父节点将这些数据与自己的数据进行融合，再将融合后的数据包发送给其父节点，此时将有效的减少节点的数据传输次数。决定节点传输数据包顺序的步骤如下：

输入：T^(l+1)，1^(l+1)，每个节点的C_j；

输出：数据传输顺序；

以上步骤中，sum_j为节点j将所有子节点数据与自己的数据相融合后的数据。整个步骤首先从的节点开始传输数据，一旦父节点收到子节点的数据包，就将其与自己的数据相融合，而当父节点收到所有子节点的数据包后，就会将融合后的数据包发送给它的父节点，重复整个过程直到所有节点传输完数据。

步骤5：在决定数据传输顺序后，利用所设计的数据传输机制，将所有M轮数据传输过程融合为一轮数据传输过程，Sink利用此过程收集的投影值进行数据重构，并利用重构后的数据更新x^(l)至x^(l+1)，以用作下一时刻的PCA分析。

由于不能将节点收集的数据进行直接相加得到观测值y，因此需要设计一种数据传输策略将不同节点收集的数据融合到一个观测值中，在这个策略中，每个代表节点用M×1维的投影向量来表示自己收集到的数据，这个向量中只有一个非零值，其他M-1个数据全部为零，非零值的位置对应于节点在集合1^(l+1)中的位置，这样不同节点收集的数据就可以通过此投影向量直接进行相加，最后Sink节点将会受到观测值y。

Sink节点收到此观测值y后，将对其进行数据重构，重构后的数据为用其更新x^(l)，并删除x^(l-L+1)，将可得到l+1时刻的