压缩感知在无线传感器网络中的应用

周玉伟+张玉兰+任云

【摘 要】本文通过应用压缩感知方法，选择托普利兹矩阵作为观测矩阵，将采集到的数据进行融合，大大减少网络通信的数据量，从而延长无线传感器网络寿命。

【关键词】压缩感知；托普利兹；无线传感器网络寿命

0 引言

无线传感器网络（Wireless Sensor Network，WSN）是由大量低成本，能量受限的传感器节点以一定的拓扑结构组成的无线自组织网络。凭借其隐蔽、容错、部署便捷等优点，WSN在目标跟踪、医疗护理、智能交通、军事等领域有着广泛地应用。由于成本、体积的限制，传感器节点电池容量不是很大，并且由于工作环境特殊，或者节点熟练庞大，人们无法频繁更换电池。因此，在获得有用信息前提下，怎么延长整个无线传感器网络的寿命是国内外学者的研究重点。在WSN中，传感器节点能量主要消耗在三个方面：数据传输、信号处理和硬件操作。其中，数据传输消耗的能量占总能量消耗的90%。针对上述问题，WSN在传感器节点采集数据的过程中运用数据融合技术是一种有效的手段。

压缩感知CS（Compress Sensing）由美国学者Tao、Romberg和Donoho等人在泛函分析和逼近论的理论基础上，根据信息论的研究成果建立了压缩感知理论。CS理论指出：只要信号是稀疏的或可压缩的，我们就可以采用远低于奈奎斯特频率的采样频率采样信号，进而精确恢复信号。这一理论突破了奈奎斯特采样定理的局限，为获取信号与传感器设计提供了崭新的方法，成为近年来的一个热点研究领域。Baron于2005年提出的分布式压缩感知DCS（Distributed Compressive Sensing）理论，为压缩感知在WSN的应用提供了研究思路。

3 压缩感知在WSN中的实现方法

在实际应用中，无线传感器网络是由大量廉价的微型传感器节点构成的，可以通过网络协议形成“信息感知簇”，由簇首将观测矩阵中M个行向量包含的伯努利序列分发给每个簇成员即采集节点，每个采集节点按照低速率采样得到采样数据，然后与接收到的伯努利序列进行简单运算得到一个压缩观测值，每个采集节点只需向簇首发送一个压缩观测数据即可，簇首将接收到的压缩观测数据向sink节点传递，由sink节点完成信息的解压缩和信息的提取。

4 实验仿真

在仿真实验中，将N=100个传感器节点随机均匀分布在100m×100m，汇聚节点sink位于区域中心。在实验中选择稀疏M为30且信号长度N为256，随机选择30个位置，观测矩阵为托普利兹矩阵并进行归一化处理，仿真结果如图3所示（纵坐标代表信号的幅值，横坐标代表信号的长度）。

5 结论

通过运用压缩感知技术的应用，选择托普利兹矩阵作为观测矩阵。该矩阵的结构特点适合WSN传感器节点进行低速采样，采取发送压缩观测值的策略减少了网络通信数据量，延长传感器的使用寿命，从而保证无线传感网络的稳定性，为未来无线传感网络性能的优化提供了一种有效的方法。

【参考文献】

[1]吕方旭，张金成，刘立阳，等.基于WSN的多声源目标定位算法[J].传感技术学报，2012，25（8）：1121-125.

[2]Lan F， Akyildiz， Mehmet Can Vuran. Wireless Sensor Networks[M].America： John Wiley and Sons，2010，46-49.

[3]D.L Donoho. Compressed sensing[J].IEEE Trans. Inf. Theory，2006，52（4）：1289-1306.

[4]E.J. Candes and T. Tao. Near-optimal signal recovery from random projections： Universal encoding strategies[J].IEEE Trans. Inf. Theory， 2006，52（12）：5406-5425.

[责任编辑：王楠]