基于动态压缩的无线传感网数据重构模型研究

陆兴华，袁子越，王潇齐，黄嘉昊

(广东工业大学华立学院，广东 广州 511325)

0 引 言

采用无线传感网进行物理信息采集，在信息探测和数据监测中具有重要的应用前景。其中，无线传感器网络是指，在无线通信方式下于某一固定监测区域中通过部署传感器节点组成的网络，该网络可起到信息协调、采集以及感知等作用[1]。而无线传感器网络节点在进行数据传输过程中存在无效信息干扰的情况，一定程度上降低了数据传输效率；此外，无线传感网络的节点传输方式通常采用多跳传输方法将数据上传到sink节点，但sink节点是数据转发中心，需转发大量数据，因此无线传感网络在传输数据时还存在耗能高的问题[2]。因此，如何延长无线传感器网络的使用寿命，以及如何降低无线传感网络数据传输的能耗，已成为无线传感网络研究领域中的重点研究问题。

刘义颖等[3]为实现低采样代价收集传感数据的目的，提出基于联合稀疏模型的无线传感网数据重构算法。主要采用了联合编码与联合解码方法对数据进行压缩和还原处理，过程中结合了回溯迭代方式，实现无线传感网络数据的重构，该方法具有能耗低的优点，但这种能耗低的方法存在重构残差值高的问题。王军等[4]考虑了无线传感网节点及数据的特性，提出一种数据联合稀疏预处理模型，在簇型传感网中应用了分布式压缩感知方法，并结合公共分量异常数据稀疏方法构建无线传感网络数据重构模型，通过上述方法降低了节点通信量，延长了网络寿命，但该方法存在重构时间开销大的问题。

针对上述问题，该文提出基于动态数据压缩的无线传感网数据重构模型。主要贡献如下：

(1)利用无线传感网数据的动态特性构建无线传感网数据的分布式采集和存储结构模型，并进行无线传感网数据动态压缩重构的自适应分配。

(2)应用相空间重构技术，提高无线传感器网络数据的动态压缩能力，并经仿真实验，验证提出的动态数据压缩重构算法的重构性能。

1 无线传感网数据处理

1.1 数据调度处理

为了实现无线传感网数据重构，需构建无线传感网络数据采样的节点分布模型，并根据模型分析数据的模糊迭代状态，利用特征分布属性输出到多模状态重组结果，完成无线传感网数据调度。为了实现对无线传感网数据信息的优化提取和动态压缩重构，采用统计信息处理方法进行无线传感网数据信息融合处理[5]，构建无线网络的多维节点组网模型，如图1所示。

图1 无线传感网络数据采样的节点分布模型

根据图1所示的无线传感网络数据采样的节点分布进行数据分布式结构重组，结合空间区域重构方法，进行无线传感网络数据统计分析，采用多维相空间重构技术[6-7]进行无线传感网络数据的信息融合，得到无线传感网数据采样的模糊迭代状态方程为：

A(x)=AJ(x)a(x)+B(1-b(x))

(1)

其中，a(x)为无线传感网数据终端信息采集的负载，b(x)为无线传感网数据分布属性类别集，J(x)为无线传感网数据压缩的维度，采用分布式信息融合方法进行数据结构重组，得到特征分布属性值为ck，无线传感网数据的多模状态重组输出为：

(2)

其中，zi为i点处采集的无线传感网络数据的实测值。根据无线传感网数据动态压缩重构的自适应分配结果，采用一个连通的无向图G=(V，E，W)表示无线传感网数据的特征分布，其中V为无线传感网数据的拓扑维数，V={v1,v2,…,vN}。采用多维空间分布式重构方法，得到无线传感网数据的统计分析模型，采用差异性动态压缩重构方法进行无线传感网数据信息流融合，无线传感网数据调度函数为：

(3)

其中，xj(t)表示无线传感网数据的模糊平均集D中的平均信息熵，描述了在第j个聚类中心的样本子集，lj(t)表示数据挖掘的全局加权值。根据上述对无线传感网数据采样结果进行信息重组和特征识别。

1.2 数据梯度向量计算

采用多分布的传感器阵列进行无线传感网数据采样，对采集的无线传感网数据进行特征重组，在满足约束条件下得到无线传感网数据的类信息熵满足：

esupt(D)>θ

(4)

采用模糊C均值聚类方法，构建无线传感网络数据的特征提取模型，根据特征提取结果进行数据的融合处理，使用一个四元组结构来描述无线传感网数据的信息关联特征：

(5)

其中，Xij为无线传感网数据特征信息流在Tij时刻的关联维数，Pij为互信息量，通过空间区域信息融合方法，得到无线传感网数据分布的最优概率，(supk1(D),…,supkf(D))为无线传感网数据的模糊度特征集[8]。通过谱分析方法，得到数据多维重构输出为：

(6)

根据无线传感网数据的关联规则集，对于supt(D)的计算，提取无线传感网数据的相似度特征[9-10]，结合语义信息聚类方法，得到无线传感网数据的高分辨特征重构输出为：

(7)

(8)

其中，m,n表示无线传感网数据的几何特征相似度。根据上述分析，进行动态数据压缩处理，根据无线传感网数据特征分布式检测结果进行数据重构。

2 无线传感网络数据重构

2.1 动态数据压缩处理

通过上述过程完成了数据调度处理和数据梯度向量计算，在此基础上，进行数据动态压缩，提出基于动态数据压缩的无线传感网数据重构模型，特征压缩输出数据包为：

(9)

(10)

其中，pdrop为无线传感网数据的关联规则分布函数。设输出的功率损耗为Hi(i∈C1)，提取无线传感网数据的信息差异度特征分量[13-14]，实现无线传感网数据的优化动态压缩重构，输出为：

(11)

根据以上方法，提取无线传感网数据的动态结构特征值，通过动态数据压缩和信息感知进行数据结构重组。

2.2 无线传感网数据重构输出

采用多模状态重组的方法进行无线传感网数据动态压缩重构的自适应分配，得到数据模糊聚类分布模型为：

(12)

根据无线传感网数据的相互耦合关系，引入高维相空间重构，对采集的无线传感网数据进行特征重组，提取无线传感网数据的多分辨特征量，得到无线传感网数据动态压缩重构输出的统计信息为：

(13)

设无线传感网数据动态压缩重构的核函数为k(xi,xj)，采用最小二乘规划算法[15-16]，得到数据重构的优化规划函数为：

(14)

通过模糊隶属度分析，得到无线传感网数据的动态压缩重构的输出检测概率为：

(15)

其中，yk表示无线传感网数据的多元信息特征分布集[17-18]。则无线传感网数据动态压缩重构的简化数学模型可以用下述公式进行描述：

Gn=bn1a1+bn2a2+…+bnnan

(16)

其中，bnn和an都具有较强的关联性，表示无线传感网数据的振荡值和干扰项[19-20]。综上算法设计，实现对无线传感网数据重构模型优化设计。

3 仿真实验与结果分析

为了验证该方法在实现无线传感网络数据重构中的应用性能，进行了仿真测试分析，建立无线传感网数据重构的相空间模型，采用Matlab[21]进行数据分析。假设对无线传感网数据采样的长度为1 024，数据的规模大小为200，测试集规模为120，无线传感网络数据的属性类别数为65，对数据的初始频率f1=1.52 Hz，终止采样频率f2=2.43 Hz。根据上述参数设定，进行无线传感网数据重构，得到的无线传感网数据测试集如图2所示。

图2 无线传感网数据测试集

以图2的数据为研究对象，进行无线传感网数据重构，采用多模状态重组的方法进行无线传感网数据动态压缩重构的自适应分配。

3.1 数据重构残差分析

将传感数据的采集周期T设定为250，采样率设为0.5，在大小为100×100的网格区域内随机分布250个传感器节点，用原始数据与重构数据的残差来表示文中算法的重构性。当残差小于2×10-14时，算法表现出了较高的数据重构性。

(a)原始数据

由图3可知，文中方法的残差值低于2×10-14，表明该方法具有较好的重构性。这是由于文中在进行数据重构时考虑了数据特征，先对数据特征进行重构，得到数据梯度向量，通过对梯度向量的应用及分析，有效降低了无线传感节点的通信量，从而降低了数据重构残差，提升了数据重构效果。

3.2 节点位置关系获取精度测试

在数据重构过程中，分析节点间位置关系为关键性步骤，节点位置高精度的获取可以得到更为理想的数据多模状态重组结果。以此为基础，利用三种方法对节点位置信息获取精度进行测试，如图4所示。

根据图4实验结果可以明显看出，在数据规模的不断扩大下，两种传统方法的节点位置获取精度均出现了不同幅度的下降，相比之下，文中方法在整个实验过程中节点位置信息获取精度平稳，且精度能够保持在90%以上，受数据规模影响不大，说明该方法的应用稳定性更强。

图4 不同方法的节点位置获取精度

3.3 数据离群结果测试

当数据量较大时，数据集会出现离群点，离群数据无法完成相应的数据处理，会严重影响数据重构效果。本节实验对此进行测试。对比方法与上节实验相同，以文献[3]方法和文献[4]方法作为实验对照组，与所提方法的数据离群结果进行比较。为了增强实验结果的可读性，将实验数据分布规定在一定范围内。在不同方法下数据分布的均匀度以及离群数据情况测试结果如图5所示。

(a)文献[3]方法

图5中的正方形数据表示范围内正常待处理数据，而分布为范围圈外侧的五角星数据为离群数据。分析图5的实验结果得知，文献[3]方法以及文献[4]方法下数据分布不均匀，且离群数据较多。采用文中方法进行数据重构时，集离群点更少，且数据分布更为均匀。这是因为文中方法利用重组结果融合并调度无线传感数据，增强了数据可利用性。

3.4 数据重构时间开销分析

以时间开销为指标进行性能测试，测试时间开销，得到的对比结果见表1。

表1 时间开销对比 ms

分析表1得知，随着数据规模的增大，数据重构所需开销也随之增加，经对比可知，文中方法进行无线传感网数据重构的时间开销较短。这是由于采用了动态数据压缩处理，通过分析动态数据压缩输出的信息分量，得到无线传感网数据的信息差异度，利用信息差异度进行数据态压缩重构，可有效提升重构效率，减少时间开销。

4 结束语

进行无线传感网的数据检测优化设计，结合对无线传感网数据的压缩处理技术，进行无线传感网的信息重构，提高无线传感网数据的挖掘能力，提出基于动态数据压缩的无线传感网数据重构模型。结合空间区域重构方法，进行无线传感网络数据统计分析，采用多维相空间重构技术进行无线传感网络数据的信息融合，采用模糊C均值聚类方法，构建无线传感网络数据的特征提取模型，引入高维相空间重构，对采集的无线传感网数据进行特征重组，提取无线传感网数据的多分辨特征量，进行无线传感网数据动态压缩重构的自适应分配和重构。分析得知，该方法提高了数据的重构能力，且能够高精度地获取节点位置信息，降低处理时间的开销。