论文部分内容阅读
无线传感器网络(Wireless Sensor Networks,WSNs)通过传感器节点之间的相互协作,周期性地在监测环境中采集数据,已得到广泛应用。但由电池供电的节点能源受限且数据处理能力弱,密集部署的节点致使网络中存在大量冗余信息,节点部署环境复杂多样,无线传输链路不可靠,数据丢包率高,这些特点限制了WSNs的发展。将压缩感知(Compressive Sensing,CS)应用于WSNs,解决了能量空洞问题,减少了节点传输能耗,延长了网络寿命。但目前基于CS的数据收集研究,大多以减少能耗为目的,并未考虑实际网络环境中存在的问题,如部署环境恶劣丢包率高,重构精度受丢包影响大,无法建立固定路由,连续周期采集数据时空冗余度高等,简单的假设节点部署于理想环境,无线链路完全可靠,可以建立固定路由且鲁棒性强,是不符合实际情况的。本文研究内容依托国家重大专项项目,以减少节点能耗,延长网络寿命,降低丢包率对CS数据重构精度的影响为目标,针对不同的实际应用场景,对基于CS的WSNs数据收集方法理论应用进行了深入研究,主要创新点如下:1.在分簇拓扑路由中,单簇、单数据收集周期的场景下,针对已有基于CS数据收集算法性能对丢包敏感问题,本文深入研究了WSNs中传输丢包对CS数据重构精度的影响,通过分析真实采集数据矩阵,提出了一种稀疏块观测矩阵,使得可应用矩阵补全(Matrix Completion,MC)理论补全观测值中的丢失数据,且有效减少了簇首收集每个观测值的能耗。在此基础上结合MC与CS理论提出基于稀疏块观测矩阵的压缩感知数据收集算法,sink首先基于MC理论恢复丢失数据,保证观测值矩阵的完整性,减少丢包率对CS观测值的影响;其次利用CS理论与稀疏块观测矩阵重构网络数据,减少数据收集量,延长网络寿命。本文通过对节点发送与接收数据包的能耗进行建模,给出了所提数据收集算法中最优簇个数,理论分析和仿真结果表明,当丢包率小于50%时,所提算法能够有效提高重构精度。2.在多簇、单数据收集周期的场景下,针对观测矩阵不能根据丢包情况实时更新导致全网数据的联合重构精度受丢包率影响问题,本文以降低并均衡网络能耗、减少丢包对数据重构精度影响为目标,提出数据收集算法。簇内成员节点以一定的概率随机向簇首发送采集数据,簇首基于收到的数据包信息反向构造随机稀疏子观测矩阵,且每轮数据收集后实时更新该子观测矩阵,避免观测发生丢包节点,降低丢包对数据收集的影响;sink根据各个簇的子观测矩阵构造具有分块对角结构的全网观测矩阵,利用簇间相关性集中重构网络数据。本文建立网络能耗模型,给出了所提数据收集算法中全网总能耗表达式与最优簇个数。本文分别采用真实数据和模拟数据对算法仿真,理论分析与仿真结果表明,所提算法在无丢包理想链路下能够重构出全网数据,增加数据收集轮数;在丢包链路下有效降低丢包对数据重构精度的影响。3.在多簇、多数据收集周期的场景下,针对如何同时利用感知数据的时空相关性以减少观测次数,和如何降低丢包对数据重构精度的影响问题,本文结合克罗内克压缩感知和分簇拓扑路由提出数据收集算法,分别在时间上和空间上对数据建模,提出空间观测矩阵与时间观测矩阵,并将此二者的克罗内克积作为簇内的时空子观测矩阵,在利用采集数据的时空相关性的同时,减少了丢包率的影响。为了利用不同簇采集数据的簇间相关性,Sink基于各个簇的子观测矩阵,构建具有分块对角结构的全网观测矩阵。本文建立能耗模型分析网络能耗,给出了所提算法中最优簇个数与数据采样率。理论分析与仿真结果表明与已有算法相比,所提算法在丢包链路与理想链路中能够有效均衡了网络能耗与算法性能。4.非固定路由且sink可移动的场景中,本文结合分布存储思想和无线信道的广播特性提出数据收集算法,使得广播数据包在网络内有序传输并最终收敛。所提算法选取部分节点作为源节点广播自身采集数据,源节点的邻居节点在一定条件下接收数据包且合并数据,并以一定的概率广播合并后数据包,以减少接收和发送数据包次数。全网广播数据结束后,sink随机访问部分节点并读取存储的数据,根据此数据构建稀疏观测矩阵和观测向量,重构全网数据,以此减少丢包对数据收集的影响。本文证明了所构建观测矩阵的任意行满足独立不相关性质。为了分析所提算法的能效性,本文基于随机几何图论推导了网络中总的发送和接收数据包次数的表达式。理论分析与仿真结果表明所提算法重构精度高,有效减少了网络中数据包发送、接收与合并次数,数据广播阶段快速收敛,能够有效减少丢包对数据重构精度的影响。本论文在不可靠链路下,以优化网络能耗和提高数据重构精度为目标,分别对单簇单收集周期的固定路由场景、多簇单收集周期的固定路由场景、多簇多收集周期固定路由场景和无固定路由随机广播数据收集场景进行研究,由简单场景到复杂场景,由空间相关性到时间相关性,由静态路由到动态路由,提出相关数据收集算法。