無線傳感器網(wǎng)絡(luò)壓縮采樣與數(shù)據(jù)重建方法研究.pdf

1、無線傳感器網(wǎng)絡(luò)作為一種全新的信息獲取技術(shù)，已經(jīng)被廣泛應(yīng)用于環(huán)境監(jiān)測(cè)、林火探測(cè)、基礎(chǔ)設(shè)施檢測(cè)、精準(zhǔn)農(nóng)業(yè)等相關(guān)領(lǐng)域。但由于傳感器節(jié)點(diǎn)存在能量、存儲(chǔ)空間受限等問題，這制約無線傳感器網(wǎng)絡(luò)在長期、大范圍目標(biāo)監(jiān)測(cè)的實(shí)際應(yīng)用。壓縮采樣在數(shù)據(jù)采樣過程中就實(shí)現(xiàn)壓縮，是一種解決無線傳感器網(wǎng)絡(luò)能量受限問題的有效手段。因此，本文對(duì)壓縮采樣及數(shù)據(jù)重建問題進(jìn)行研究，并提出周期排序分簇壓縮采樣及數(shù)據(jù)重構(gòu)方法、數(shù)據(jù)缺失壓縮采樣的非參數(shù)貝葉斯插值方法。主要研究工作如下：

2、
　　1)針對(duì)目前存在的基于壓縮感知的無線傳感器網(wǎng)絡(luò)壓縮采樣方法通常假設(shè)被采集的傳感器數(shù)據(jù)是稀疏的或可壓縮的，然而許多場(chǎng)景中真實(shí)傳感器數(shù)據(jù)的稀疏性并不理想，本文提出了一種能量高效的周期排序分簇壓縮采樣方法。該方法在分簇路由的基礎(chǔ)上上引入壓縮感知技術(shù)，從而能夠有效的減少網(wǎng)絡(luò)負(fù)載并支持更大的網(wǎng)絡(luò)。此外，通過對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單的處理可大大提高稀疏性，并且通過理論分析證明用于預(yù)處理的計(jì)算能耗很小，可以忽略不計(jì)?？紤]大多數(shù)傳感信號(hào)具有良好的短時(shí)

3、穩(wěn)定性，采用周期排序的方式對(duì)提出的方案進(jìn)行改進(jìn)，進(jìn)一步降低網(wǎng)絡(luò)能耗。除此之外，對(duì)提出的數(shù)據(jù)收集方法分別從能耗和時(shí)延特性進(jìn)行理論分析，并利用真實(shí)傳感數(shù)據(jù)進(jìn)行仿真分析，實(shí)驗(yàn)結(jié)果表明本文提出的算法能夠在保證數(shù)據(jù)精度的同時(shí)有效減少網(wǎng)絡(luò)能量消耗。
　　2)針對(duì)目前基于稀疏表示的數(shù)據(jù)插值方法通常假設(shè)信號(hào)在固定的正交基或超完備字典下是稀疏，而固定結(jié)構(gòu)的字典缺由于乏自適應(yīng)性，難以最優(yōu)表示稀疏性動(dòng)態(tài)變化的信號(hào)，本文提出一種基于非參數(shù)貝葉斯的數(shù)據(jù)插值

4、方法。該方法在結(jié)合稀疏表示理論和非參數(shù)貝葉斯學(xué)習(xí)的基礎(chǔ)上，采用非參數(shù)貝葉斯方法進(jìn)行字典學(xué)習(xí)，從而實(shí)現(xiàn)對(duì)稀疏性動(dòng)態(tài)變化信號(hào)的最優(yōu)稀疏表示。在信號(hào)最優(yōu)稀疏表示的基礎(chǔ)上，考慮數(shù)據(jù)插值問題可以等效為一個(gè)稀疏采樣問題，建立觀測(cè)數(shù)據(jù)、丟數(shù)據(jù)與先驗(yàn)知識(shí)的非參數(shù)貝葉斯模型。通過對(duì)模型的學(xué)習(xí)獲得包括最優(yōu)字典和稀疏系數(shù)在內(nèi)的所有模型參數(shù)，并利用學(xué)習(xí)出的最優(yōu)字典和稀疏系數(shù)進(jìn)行插值，可以實(shí)現(xiàn)丟失數(shù)據(jù)的準(zhǔn)確恢復(fù)。采用真實(shí)的土壤濕度數(shù)據(jù)和溫度數(shù)據(jù)進(jìn)行仿真分析，實(shí)驗(yàn)

5、結(jié)果表明本文提出的數(shù)據(jù)插值方法的能夠準(zhǔn)確恢復(fù)丟失數(shù)據(jù)。
　　本文針對(duì)無線傳感器網(wǎng)絡(luò)（WSNs）的能量受限和能量消耗不平衡性問題，從壓縮采樣方面去解決WSNs能量受限問題。提出通過對(duì)網(wǎng)絡(luò)中數(shù)據(jù)進(jìn)行周期排序，提高信號(hào)的稀疏性，從而獲得高能效的壓縮采樣方法，降低和平衡網(wǎng)絡(luò)能耗，提高網(wǎng)絡(luò)生命周期。利用壓縮采樣可以降低和平衡網(wǎng)絡(luò)能耗，但壓縮采樣必然會(huì)產(chǎn)生信息丟失。針對(duì)數(shù)據(jù)缺失壓縮采樣下的數(shù)據(jù)丟失問題，利用非參數(shù)貝葉斯無需事先假定信號(hào)服從具體