基于分布式压缩感知的无线传感器网络环境监测研究

Wireless sensor networks are widely used for environmental monitoring, the key regions of the various status information can be obtained through the analysis of the probed data. However, due to the limited energy of nodes, so the actual the network scale and operational life is limited, which restricted the promotion and application of wireless sensor networks. The project intends to use distributed compressive sensing technology to solve this problem. You can restore accurate regional data state in the terminal when less data is transferred in the collection of environmental data, To do this, the following key issues will be broken through: (1) Study the establishment of a distributed compressed sensing model applicable to wireless sensor networks; (2) Design a cluster-based routing protocol based on the principle of compressed sensing, developing new data transmission and forwarding rules, reducing the number of data transferred; (3) Research automatic generation algorithm on distributed sparse random measurement matrix in a cluster or inter-clusters; (4) Research distributed signal reconstruction algorithm based on clustering routing protocol. The project focus on the use of distributed compressive sensing theory, to solve precise processing of regional environmental detection data in wireless sensor networks. The research results of the project will be of great significance for promoting the further development and application of wireless sensor networks.

无线传感器网络被广泛用于环境监测，通过对探测数据的分析可以获得重点区域内的各种状态信息。但是，由于节点能量有限，所以实际部署的网络运转寿命与节点数目有限，制约了无线传感器网络的推广与应用。本项目拟运用分步式压缩感知技术来解决这个问题，在采集环境数据时传输较少的数据，即可在终端恢复出精确的区域数据状态。为此，将对如下关键问题进行突破性研究：(1) 研究建立一个适用于无线传感器网络的分布式压缩感知模型；（2）设计基于分布式压缩感知技术的无线传感器网络分簇路由协议，制定新的数据传输和转发规则，减少数据传输次数；（3）研究簇内和簇间分布式稀疏随机测量矩阵自动生成算法；（4）研究基于分簇路由协议的分布式信号重构算法。本课题着眼于运用分布式压缩感知理论，解决无线传感器网络中对区域环境检测数据的精确处理问题。项目的研究成果对于推动无线传感器网络进一步的发展与应用具有重要意义。

无线传感器网络被广泛用于监测区域数据收集。但是，由于节点能量有限，所以实际部署的网络运转寿命与节点数目有限，制约了无线传感器网络的推广与应用。本项目研究将压缩感知技术运用于无线传感网，采集较少的环境数据，恢复出精确的区域数据状态。三年来，主要工作及创新成果如下:.（1）提出基于虚拟高斯能量扩散模型的随机采样零编码数据收集模型，在采样的同时进行数据压缩，避免在路由的过程中进行数据压缩，减少采样数据的传输次数；不需要为每个传感器节点分配投影矩阵；根据提出的随机采样零编码数据收集模型，提出一种高效的丢失感知数据恢复方案，可以显著减少采样传感器的数量；使用不完全采样，扩展监测区域。实验表明，随机采样零编码数据收集模型，在重构监测区域感知数据方面具有良好的性能。.（2）提出一个基于区域化压缩感知的能量有效的数据收集方法。该方法将无线传感器网络进行区域化，在每个区域进行独立采样测量，有效地解决了中心区域载荷过重的问题，结合直接传输和压缩感知的优势，极大地降低了整个网络的传输能耗；针对区域测量矩阵的设计和采样停止时机的选择，提出相应的解决方案，进一步减少了数据收集过程的能量消耗。实验表明，基于区域化压缩感知的能量有效的数据收集方法性能更优，以上两个解决方案也是有效的。.（3）提出了一种层次式混合概率包标记(LMPPM)算法。该算法对无线传感器网络进行分簇，将每个簇看成一个大的“簇节点”，整个网络由一些大的“簇节点”构成，每个“簇节点”内部又包含一定数量的传感器节点。在“簇节点”之间采用等概率包标记法，在“簇节点”内部采用基本概率包标记法。实验分析表明，该算法在收敛性、最弱链方面优于BPPM 算法，在节点计算与存储负担方面优于EPPM 算法，是在资源约束条件下的一种整体优化。