無(wú)線傳感器網(wǎng)絡(luò)高效持續(xù)數(shù)據(jù)收集技術(shù)研究.pdf

1、由監(jiān)測(cè)區(qū)域內(nèi)大量分布的傳感器節(jié)點(diǎn)通過(guò)分布式自組織形式構(gòu)成的無(wú)線傳感器網(wǎng)絡(luò)已經(jīng)成為一種新型的信息獲取與處理方式，被廣泛應(yīng)用于包括環(huán)境監(jiān)測(cè)、智慧城市管理以及文物環(huán)境監(jiān)測(cè)與預(yù)防性保護(hù)等領(lǐng)域。數(shù)據(jù)收集是各類無(wú)線傳感器網(wǎng)絡(luò)應(yīng)用的基礎(chǔ)，是連接物理世界和信息世界的重要途徑。高效的數(shù)據(jù)收集方法可以提高網(wǎng)絡(luò)的能量效率和數(shù)據(jù)收集效率，是當(dāng)前無(wú)線傳感器網(wǎng)絡(luò)研究領(lǐng)域的熱點(diǎn)問(wèn)題之一。
　　隨著無(wú)線傳感器網(wǎng)絡(luò)研究與應(yīng)用的不斷深入，無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)收集需求

2、也更為多樣，不同的網(wǎng)絡(luò)部署場(chǎng)景對(duì)數(shù)據(jù)收集方法在能量效率、可擴(kuò)展性和動(dòng)態(tài)適應(yīng)性等方面提出了要求。本文在分析總結(jié)當(dāng)前已有無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)收集方法的基礎(chǔ)之上，針對(duì)不同的網(wǎng)絡(luò)部署（單跳網(wǎng)絡(luò)與多跳網(wǎng)絡(luò)）和網(wǎng)絡(luò)感知狀態(tài)（“密集”數(shù)據(jù)采集與“稀疏”數(shù)據(jù)采集）著重進(jìn)行了如下三方面的研究工作:
　　首先，本文研究了單跳“密集”數(shù)據(jù)采集的無(wú)線傳感器網(wǎng)絡(luò)中基于表示節(jié)點(diǎn)的數(shù)據(jù)收集方法。無(wú)線傳感器網(wǎng)絡(luò)中存在的空間相關(guān)性使得具有相似感知狀況的傳感器節(jié)點(diǎn)可以

3、相互表示進(jìn)行數(shù)據(jù)采集以減少網(wǎng)絡(luò)能量消耗。針對(duì)當(dāng)前已有基于表示節(jié)點(diǎn)的數(shù)據(jù)收集方法仍存在能量開(kāi)銷大、表示節(jié)點(diǎn)集合過(guò)多、集合分布不均勻且內(nèi)部數(shù)據(jù)相關(guān)性低等問(wèn)題，本文提出了傳感器節(jié)點(diǎn)表示能力度量模型以及基于該模型的表示節(jié)點(diǎn)分簇算法，解決了分布式網(wǎng)絡(luò)中傳感器節(jié)點(diǎn)感知狀況相似性度量及相似節(jié)點(diǎn)分簇的問(wèn)題。本文的節(jié)點(diǎn)表示能力度量模型能夠利用傳感器節(jié)點(diǎn)局部的感知信息交換評(píng)估各個(gè)節(jié)點(diǎn)在設(shè)定區(qū)域內(nèi)代表其他節(jié)點(diǎn)進(jìn)行數(shù)據(jù)采集的能力。表示節(jié)點(diǎn)分簇算法利用節(jié)點(diǎn)度量模

4、型對(duì)傳感器節(jié)點(diǎn)的表示能力排名，以較低的能量開(kāi)銷快速且分布式地完成表示節(jié)點(diǎn)集合劃分。此外，本文設(shè)計(jì)了分簇內(nèi)基于隨機(jī)概率輪詢的工作調(diào)度和相應(yīng)的數(shù)據(jù)恢復(fù)策略。仿真實(shí)驗(yàn)結(jié)果表明本文所提方法在表示節(jié)點(diǎn)分簇、能量效率和數(shù)據(jù)準(zhǔn)確度等方面優(yōu)于已有的方法。
　　其次，本文研究了多跳“密集”數(shù)據(jù)采集的無(wú)線傳感器網(wǎng)絡(luò)中基于時(shí)間序列分析的數(shù)據(jù)收集方法。感知數(shù)據(jù)的時(shí)間相關(guān)性使其具有較強(qiáng)的可預(yù)測(cè)性，為高效的數(shù)據(jù)收集方法設(shè)計(jì)提供了可能。針對(duì)當(dāng)前已有基于概率模型

5、的數(shù)據(jù)收集方法存在復(fù)雜度高和數(shù)據(jù)精度不可控，以及已有單純基于時(shí)間序列分析方法忽視了對(duì)網(wǎng)絡(luò)空間相關(guān)性的有效利用等問(wèn)題，本文提出了基于時(shí)間序列分析和空間相關(guān)性的數(shù)據(jù)收集方法，解決了多跳網(wǎng)絡(luò)場(chǎng)景下的傳感器節(jié)點(diǎn)相似性度量和相似節(jié)點(diǎn)分簇的問(wèn)題。相比于復(fù)雜的概率模型，本文采用計(jì)算簡(jiǎn)便且預(yù)測(cè)準(zhǔn)確度高的自回歸模型來(lái)近似刻畫傳感器節(jié)點(diǎn)的感知狀況?；趥鞲衅鞴?jié)點(diǎn)的自回歸模型，本文設(shè)計(jì)了綜合考慮節(jié)點(diǎn)感知狀況量值和變化趨勢(shì)的節(jié)點(diǎn)相似性度量機(jī)制。本文的層級(jí)分簇算

6、法依附于已有的數(shù)據(jù)收集樹(shù)結(jié)構(gòu)，自頂向下地依據(jù)節(jié)點(diǎn)相似性度量分布式地完成相似節(jié)點(diǎn)的分簇。此外，本文設(shè)計(jì)了基于自回歸模型和相似節(jié)點(diǎn)分簇的雙向預(yù)測(cè)的數(shù)據(jù)收集方法，該方法充分利用了無(wú)線傳感器網(wǎng)絡(luò)的時(shí)空相關(guān)性，提高了網(wǎng)絡(luò)數(shù)據(jù)收集效率。大量的仿真實(shí)驗(yàn)驗(yàn)證了本文的基于時(shí)間序列分析的數(shù)據(jù)收集方法在能量效率和數(shù)據(jù)收集精度方法的高效性。
　　第三，本文研究了（單跳或者多跳）“稀疏”數(shù)據(jù)采集的無(wú)線傳感器網(wǎng)絡(luò)中基于壓縮感知的稀疏采樣數(shù)據(jù)收集方法。針對(duì)因網(wǎng)

7、絡(luò)部署成本或者能量節(jié)省造成的“稀疏”數(shù)據(jù)采集網(wǎng)絡(luò)場(chǎng)景，本文提出了基于壓縮感知的稀疏采樣數(shù)據(jù)收集方法框架，借助壓縮感知理論提高了稀疏采樣數(shù)據(jù)的利用效率，實(shí)現(xiàn)了持續(xù)完整的高精度感知數(shù)據(jù)收集。本文利用多元線性回歸模型來(lái)捕獲傳感器節(jié)點(diǎn)感知狀況間的相關(guān)性，并因此設(shè)計(jì)了可稀疏表示全局感知狀況的稀疏表示矩陣。通過(guò)實(shí)時(shí)的稀疏采樣數(shù)據(jù)處理，本文構(gòu)建了基于壓縮感知的全局感知狀況恢復(fù)系統(tǒng)，高精度地恢復(fù)全網(wǎng)所有傳感器節(jié)點(diǎn)的感知狀況。此外，本文以城市道路交通狀況