基于时间相关性无线传感器网络数据压缩和优化算法.docVIP

基于时间相关性无线传感器网络数据压缩和优化算法 　　摘要：针对无线传感器网络（WSN）数据采集存在数据冗余度大、累积误差大和数据精度低等问题，根据采集数据之间的时间相关性，提出一种无线传感器网络数据压缩与优化算法该算法通过分析时间序列中采集数据的线性关系，建立分段一元线性回归模型；根据采集数据与回归模型预测值之间的误差，自适应地调整下一个采集时间，并动态地优化回归模型仿真结果表明该算法在不同的数据变化情况下，均能降低数据冗余度和网络通信量，提高采集数据的重构精度最后在真实的无线传感器网络应用环境中验证了算法的可行性 关键词：无线传感器网络； 时间相关性； 时间序列； 一元线性回归； 网络通信量； 采集数据 中图分类号： TP393 文献标志码：A 0引言 作为物联网的底层技术支撑，无线传感器网络（Wireless Sensor Network，WSN）广泛应用于军事侦察、环境监测、医疗保健、公共安全和智能建筑等领域，承担着数据感知、处理和传输的压力[1]对监测对象进行实时数据监测是WSN的一个非常重要的应用，例如：土壤湿度监测[2]、气候监测和管道监测[3]等为了获取精确信息，WSN节点连续采集数据，产生的海量数据对能量、存储能力和网络带宽均有限的WSN带来了巨大压力因此，重构精度高和数据量少是一对相互矛盾的性能指标优化WSN采集数据算法，在满足精度要求的同时降低数据量成为目前研究的重点之一 1相关工作 目前，国内外已经有许多学者对WSN采集数据算法进行了研究文献[4]提出的USAC（Utilitybased Sensing And Communication）算法通过自主地改变置信区间来调整采样频率，但是其规则性较强ODLRST（OneDimensional Linear Regression model based Spatial and Temporal）[5]算法利用一元线性线性回归模型，在单个节点处压缩感知数据，消除时间冗余文献[6]提出了一种无线传感器网络中的数据回归建模算法，通过节点之间的相互协作实现分布式网内数据处理文献[7]从理论上提出了一个低复杂度的回归方法，该方法适用于不同噪声和不同密度的无线传感器网络环境，并且数据重构均方差低文献[8]指出环境参数常呈现出分段线性的周期规律，提出基于分段线性回归（Segment Linear Regression，SLR）算法来匹配监测量的变化趋势 虽然上述研究工作对WSN采集数据算法研究起到了一定的推动作用，但是WSN节点的采样频率不能根据采集数据的变化自适应优化，仍然存在大量冗余数据，因此需要进一步优化 WSN节点在进行连续采样时，采集数据按照时间顺序构成一个时间序列通过时间序列分析发现，由于物理现象的连续性，同一节点一段时间内的采集数据之间具有较高的时间相关性[9]回归分析是研究因变量对自变量依赖关系的一种统计分析方法，能够分析出时间序列中采集数据与时间之间的时间相关性因此，本文根据时间序列，提出一种基于时间相关性的无线传感器网络数据压缩与优化算法（Temporal Correlation Data Compression Protocol，TCDCP）节点利用自身计算能力对采集数据时间相关性进行分析，建立分段一元线性回归模型，并实时自适应地调整节点的采集频率，动态地调整回归模型针对采集数据具有周期性变化规律和时间相关性的应用环境，节点只需要传输少量数据就可以对原始感知数据进行逼近估计，大大减少了WSN节点间频繁的数据传输，提高了数据处理效率仿真和真实实验验证了该算法的有效性 2TCDCP算法 2.1算法概述 随机部署在监测区域中的WSN节点感知、采集并传输的环境信息由于感知数据具有周期性变化规律和时间相关性，因此可以看作是一个以采样时间t为自变量，其对应的感知数据α为因变量的分段线性函数关系TCDCP算法根据该特性，采用基于LEACH（Low Energy Adaptive Clustering Hierachy）[10]的分簇结构，利用双预测模型[11]，即簇内节点和汇聚节点采用完全相同的模型进行数据预测 算法主要分为三个阶段，其模型架构如图1所示第一阶段根据时间序列中的采集数据建立一元线性回归模型；第二阶段使用自适应调整采样时间的思想，在感知数据满足该模型时，实时自适应地调整节点的采样频率；第三阶段根据监测数据的变化，反馈误差信息，实时调整回归预测模型算法建立了数据量与数据精度的折中准则，从而在误差允许范围内有效地减少数据传输量，节省节点的能量算法的相关参数及其含义如表1所示 2.2WSN线性回归模型 由于监测数据可以用线性化的时间函数形式来表示，因此一元线性回归模型可以为其