ISSN 1000-9825, CODEN RUXUEW E-mail: jos@https://www.doczj.com/doc/407677795.html,
Journal of Software, Vol.21, No.6, June 2010, pp.1364?1377 https://www.doczj.com/doc/407677795.html, doi: 10.3724/SP.J.1001.2010.03518 Tel/Fax: +86-10-62562563
? by Institute of Software, the Chinese Academy of Sciences. All rights reserved.
?
传感器网络中误差有界的小波数据压缩算法
张建明1,2, 林亚平1,3+, 周四望3, 欧阳竞成1
1(湖南大学计算机与通信学院,湖南长沙 410082)
2(湖南城市学院计算机科学系,湖南益阳 413000)
3(湖南大学软件学院,湖南长沙 410082)
Haar Wavelet Data Compression Algorithm with Error Bound for Wireless Sensor Networks
ZHANG Jian-Ming1,2, LIN Ya-Ping1,3+, ZHOU Si-Wang3, OUYANG Jing-Cheng1
1(College of Computer and Communication, Hu’nan University, Changsha 410082, China)
2(Department of Computer Science, Hu’nan City University, Yiyang 413000, China)
3(College of Software, Hu’nan University, Changsha 410082, China)
+ Corresponding author: E-mail: yplin@https://www.doczj.com/doc/407677795.html,
Zhang JM, Lin YP, Zhou SW, Ouyang JC. Haar wavelet data compression algorithm with error bound for
wireless sensor networks. Journal of Software, 2010,21(6):1364?1377. https://www.doczj.com/doc/407677795.html,/1000-9825/3518.
htm
Abstract: Wireless sensor networks usually have limited energy and transmission capacity, and they can’t match
the transmission of a great deal of data. So, it is necessary to approximate or aggregate raw data sampled by sensors
in networks. By designing an error tree and solving the regression equations set, this paper proposes a data
compression scheme with infinite norm error bound for wireless sensor networks. The algorithms in the scheme can
simultaneously explore the temporal and multiple-streams correlations among the sensory data. The temporal
correlation in one stream is captured by the 1D Haar wavelet transform. For multivariate monitoring sensor
networks, some streams from one sensor are selected as the bases according to the correlation coefficient matrix,
and the other streams from the same sensor node can be expressed with one of these bases using linear regression.
Theoretically and experimentally, it is concluded that the proposed algorithms can effectively exploit the temporal
and multiple-streams correlations on the same sensor node and achieve significant data reduction.
Key words: wireless sensor network; infinite norm error bound; wavelet compression; regression
摘要: 无线传感器网络通常能量、带宽有限,难以适应大量数据传输的需求,需要对原始采样数据进行网内近似
或聚合.通过设计误差树和解回归方程组,提出了一种无穷范数误差有界的数据压缩方案.该方法可以同时探索传感
器数据中的时间相关和多属性间相关.通过一维Haar小波变换来消除单个数据流中的时间相关.若单个传感器节点
可以采集多种物理量,即产生多个数据流,则根据相关系数矩阵选择其中的若干个数据流作为基信号,其他数据流借
助一个基用线性回归参数来表示.实验结果表明,该算法能够有效地利用传感数据中存在的时间相关和多属性间相
? Supported by the National Natural Science Foundation of China under Grant Nos.60973031, 60973127 (国家自然科学基金); the
Scientific Research Fund of Hu’nan Provincial Construction Department of China under Grant No.200609 (湖南省建设厅科技计划)
Received 2008-08-17; Accepted 2008-10-27
张建明等:传感器网络中误差有界的小波数据压缩算法1365
关,显著减少了冗余数据.
关键词: 传感器网络;无穷范数误差限;小波压缩;回归
中图法分类号: TP393文献标识码: A
无线传感器网络(WSN)能够协作地实时监测、感知、采集网络分布区域内的各种环境或监测对象的数据,并对这些数据进行处理,获得详尽而准确的信息,传送到需要这些信息的用户[1].无线传感器网络是一种全新的信息感知、获取和处理技术.如果说Internet实现了数字世界的联网,那么传感器网络的出现则实现了数字世界与模拟世界的联网,标志了普适计算时代的到来.
WSN具有电源能量有限、通信能力有限、节点计算能力有限、传感器节点数量大且分布范围广、网络动态性强、感知数据流巨大、以数据为中心等特点.数量众多的传感器节点采集数据后,直接将原始数据传输到基站是不可行的,一是带宽不够,二是能量将很快耗尽.有研究[2]指出,数据通信的耗能远高于数据计算的耗能,传送1位数据的耗能是执行1次加法运算的480倍,数据传输消耗了总能量的70%.如何有效地减少网络内部的数据量,从而延长网络生命周期并减少数据的传输延迟,是研究人员面临的一个重要课题.
1 相关工作
在有网内处理的情况下,传感器节点采集的数据与要传输的数据是可以不同的.节点通过数据感知部件采集原始数据,经过数据处理部件处理后,再进行数据传输,由此减少待传输的数据量.大致有两类公认的办法[3]:数据汇聚(data aggregation)和数据近似(data approximation).
聚集函数(aggregate function)包括如COUNT,SUM,AVG等.使用聚集函数可节省能量,但丢失了数据中大量的原始结构,只提供粗糙的统计量,掩饰了令人感兴趣的局部变化.为获得数据不同粒度的表示,可尝试采用数据挖掘的方法.美国工业与应用数学学会(SIAM)在SDM 2005大会第一次组织了WSN数据挖掘的Workshop;而这在传感器网络的研究人员中被称为基于模型的数据汇聚(model-based data aggregation).
数据近似可视为基于模型的数据获取,通过对WSN采集到的感知数据进行分布式建模,只要传输模型参数,极大地减少数据传输量,从而节省网络能量,延长网络生命.根据采用模型的不同,现有方法主要包括4类:基于概率模型[4,5];基于时间序列分析模型[6,7];基于数据挖掘模型[8];基于数据压缩模型[9?12].
DIMENSIONS[9]是一种层次结构系统,先在底层的各个传感器节点对监测到的数据进行小波压缩,然后基于WavRoute路由协议,由中间层的汇聚节点收集底层节点传来的数据,并在汇聚节点进行进一步的小波压缩后传送到上一层节点.DIMENSIONS在底层节点挖掘数据的时间相关性,在汇聚节点挖掘底层各节点间数据的空间相关性,但在底层节点与中间层的汇聚节点间存在冗余数据的传输.RACE算法[10]针对单个传感器节点产生的数据,给出了一种比特率(bit rate)自适应的Haar小波压缩算法,通过阈值来选择重要小波系数,从而保持CBR 或LBR.该算法在单个节点内运行,通过消除时间相关性减少冗余数据的传输,但没有考虑邻近节点间数据的空间相关性及属性间的相关性.Ciancio等人[11]研究小波的分布式压缩算法,这些算法通过在邻近的节点间交换信息,在数据传送到汇聚节点前分布式挖掘网络中数据的空间相关性,极大地减少了冗余数据的传输.虽然分布式压缩算法有效地减少了网络中冗余数据的传输,然而节点间需要交换信息,由此产生的能量消耗、网络延时等代价尚需要在理论上进行进一步的定性分析.我们针对任意支撑长度的小波函数给出了一种基于环模型的分布式时-空小波数据压缩算法[12],该算法可以同时消除传感器网络中数据的时间和空间相关性.Garofalakis[13]通过引入概率小波大纲第一次提出了数据重构误差有界的小波压缩技术.
目前,多数分布式压缩算法[9,11,12]都是建立在节点之间具有空间相关性的假设之上,实现代价较大.实际上,人们通常希望用最少的节点监测最大的范围,即用最少的投入来获得最大的监测效果,通常使节点的放置尽量彼此独立[14].因此,当节点监测值之间不存在空间相关性或空间相关性不稳定时,设计在各节点上独立运行的算法是更好的选择.本文不考虑数据的空间相关性,仅考虑数据的时间相关和多属性间的相关.
根据不同应用的数据收集模式,WSN可以分成两类:(1) 持续传输,节点连续周期性地将数据逐跳转发到基
1366 Journal of Software 软件学报 V ol.21, No.6, June 2010
站;(2) 事件触发传输,只有当感兴趣的事件发生了,节点才生成报告传给基站.本文研究持续周期性传输数据时如何尽量减少数据量.假设每个节点采集一种或多种物理量,我们的算法安置于单个的传感器节点.利用时间和属性间的相关性,本文提出了基于小波的误差有界的单属性、多属性数据压缩算法,并采用C 语言对提出的压缩算法进行实现.模拟实验结果表明,该算法能够减少传输的数据量,比分布式算法具有更好的实时性.
2 预备知识
2.1 一维Haar 小波分解算法
设数据向量s =[2,6,5,11],进行1D Haar 小波分解如下:逐对计算相邻数据的平均值,得到数据个数为原向量一半的低分辨率的新向量[4,8],称为近似分量.在平均化过程中丢失了一些信息.为了能够重构原来的向量,计算原数据对的差再除以2,得到[?2,?3],称为细节分量.至此,原向量通过一级分解为[4,8,?2,?3].对近似分量重复以上过程,直至新近似分量只含有1个数据.最终,原向量通过二级分解后为[6,?2,?2,?3].
当近似分量含有2j 个数据时,定义其分辨率为2j ,分辨率级(level of resolution)为j .记H j f 为信号f (f ∈L 2( )) 在分辨率2j 下的逼近,则H j f 可以进一步分解为f 在分辨率2j ?1下的逼近H j ?1f (通过低通滤波器得到)及位于分辨率2j 与2j ?1之间的细节D j ?1f (通过高通滤波器得到)之和.其分解过程如图1所示,其中k ≤j .
Fig.1 The k -level decomposition of the Mallat’s algorithm
图1 Mallat 算法的k 级分解
不妨设原始数据向量包含N 次采样且N =2n ,若原始数据的个数不足2n ,可以通过平行延拓的方式加以补充.根据能耗模型计算压缩开销和传送开销,可以确定最佳分解级数.考虑到我们的算法是本地执行,没有节点间的协作消息开销,直接根据本地缓存的数据个数来确定分解级数为最大值n =log 2N .Micaz 等节点的嵌入式程序采用nesC 语言开发,为便于实现,本文所有算法用类C 语言描述并对时间和空间复杂度作了优化.本节各算法中,原始采样数据、小波系数、重构数据都存放在s [0..N ?1]中,而t [0..N ?1]为辅助空间.
算法1. 1D Haar 分解. 输入:采样数据. 输出:小波系数.
1: for (k =N ; k >=2; k =k /2) {
//进行最大分解级数次分解
2: average _pos =
0; //前半部分放近似分量 3: detail _pos =k /2; //后半部分放细节分量 4: for (i =0; i 5: t [average _pos ++]=(s [i ]+s [i +1])/2; 6: t [detail _pos ++]=(s [i ]?s [i +1])/2; } 7: for (i =0; i 显然,算法1共要计算2log 112N i i N ?=?? ???? ∑=2(N ?1)次,时间复杂度为O (N ),空间复杂度为O (N ). 2.2 一维Haar 小波重构算法 将图1所有箭头改为逆方向即为重构流程,得到算法2,其时间复杂度为O (N ),空间复杂度为O (N ). … 张建明 等:传感器网络中误差有界的小波数据压缩算法 1367 算法2. 1D Haar 重构. 输入:小波系数. 输出:重构数据. 1: for (k =2; k <=N ; k =k *2) { //此for 语句循环n 次,n 为重构级数 2: for (i =0; i 3: t [2*i ]=s [i ]+s [k /2+i ]; 4: t [2*i +1]=s [i ]?s [k /2+i ]; } 5: for (i =0; i 传感器节点采集的很多监测属性如温度、湿度、光照、振动等在连续时间内的变化较小,多数邻近的数据相同或相近,用小波分解这样的感知数据时,绝大部分能量集中在低频系数上,高频部分的大量系数为0或近似为0.即使感知对象异常变化,感知数据存在波动异常,小波变换的多级分解特性可以缓解异常波动对整体数据的影响,保证了部分细节分量值仍然近似为0.压缩(丢弃)值为0的细节分量,不会影响数据的重构;压缩值不为0的细节分量,会对数据的精度产生影响.压缩越多的细节分量,数据的压缩率越高,但由此带来的数据误差也越大.我们要在保证误差有界的前提下,最大程度地压缩细节分量. 2.3 误差度量 假设采集的N 个数据为s [0],…,s [N ?1],重构出的近似数据为[0],...,[1]s s N ?%%. 定义1(绝对误差).|[][]|abs i e s i s i =?%. 定义2(相对误差).|[][]|/[]rel i e s i s i s i =?%. 定义3(采样数据的规范化). s [i ]的规范化为norm (s [i ])=(s [i ]?s min )/(s max ?s min ),s max ,s min 分别为一段时间内采样数据的最大值、最小值.显然,norm (s [i ])的值在[0,1]之间.当处理多种物理量的数据时,采样数据规范化可以防止幅度小的属性被幅度大的属性淹没. 定义4(规范化误差).|([])([])|norm i e norm s i norm s i =?%.易知max min ()abs norm i i e s s e =?. 定义5(2-范数平均误差).2||||e .2-范数平均误差体现了两个向量间的整体误差限. 定义6(∞-范数平均误差).0||||max ||i i N e e ∞≤<=.∞-范数平均误差保证了每个重构数据与对应采样的误差限. 3 单属性的误差有界小波数据压缩算法 传感器网络中的分布式小波压缩算法由多个节点协同完成,小波变换的计算量分散在各个节点,小波系数也分散在各个节点,每个节点的计算量都较小.在分布式算法中,二级小波变换的性能略优于一级小波变换,因为虽然进行第2级小波变换会增加额外的耗能与延时,却取得了更好的去相关性[12].但分布式算法不能总是靠提高小波分解级数来提高性能,那样会不断增加通信开销和延时.我们的算法在各传感器节点上独立运行,节点间没有协作,因此可以小波分解到最大级,充分消除数据的时间相关.单属性的误差有界小波压缩算法(SWCEB)分为4步:小波分解、系数选择、量化、熵编码,在系数选择时保证了误差限. 3.1 小波系数选择 N 个采样数据通过n 级小波分解后得到N 个小波系数,其中第1个数据为近似分量,其余N ?1个数据为细节分量.待编码小波系数由小波系数选择算法确定.在满足误差限的前提下,从N 个系数里面挑选出最少数量的 m 个系数.针对不同的误差度量,有不同的系数选择算法. 3.1.1 针对||e ||2的小波系数规范化 要求重构误差||e ||2≤ε.阈值化是选择高频系数的一种方法.通过对系数加阈值,节点仅传输特定的高频小波系数.不同小波系数在重构过程中所起的作用不一样,需要先规范化小波系数.近似分量对每个数据的重构都有 1368 Journal of Software 软件学报 V ol.21, No.6, June 2010 影响,低分辨率级的系数比高分辨率级的系数影响的重构数据个数更多,应该具有更高的权.对Haar 小波而言, 设l 代表分辨率级,对所有0≤l ≤n ?1,将当前l 级的细节分量s [2l ],…,s [2l +1?1]都除以.取规范化后小波系数绝 对值最大的m 个系数即可,已经证明[13]这种系数选择方法对Haar 小波最小化||e ||2而言是最优的.为选择最少的系数个数m ,对m 依次从1~N 进行穷举:将N ?m 个绝对值较小的小波系数置0,调用算法2,直到||e ||2≤ε为止. 3.1.2 针对||e ||∞的误差树 这里研究为保证重构误差||e ||∞≤ε的小波系数选择算法.为了便于分析重构过程中的误差,我们用误差树 (error tree)[10,13]来表示分解和重构过程.如图2所示,每个内部节点对应一个小波系数,每个叶节点对应一个原始采样数据.误差树自底向上构造,逐级计算小波系数. Fig.2 Error tree for our example one-dimensional data vector (N =8) 图2 数据向量(N =8)的误差树 设s [0..N ?1]保存了小波分解后的系数,[0...1]s N ?%为重构出的数据.用leftleaves (t )表示以节点s [t ]为根的子误差树中s [t ]的左孩子的所有叶子节点,rightleaves (t )表示以节点s [t ]为根的子误差树中s [t ]的右孩子的所有叶子节点,path (t )表示误差树中从s [t ]到根s [0]的路径上s [t ]的所有祖先节点. 性质1(节点个数). 误差树有N 个叶节点和N 个非叶节点. 性质2(不需零化的节点). 根据小波系数的值、误差限ε来判定哪些节点可以被置为0(称为零化),从而不需要传输:① 若要求||e ||∞≤ε,所有绝对值大于阈值的小波系数不能被零化;② 值等于0的小波系数不用考虑零化;③ 近似分量s [0]参与每个叶节点的重构,不能被零化,对分析误差也没有影响.因此,系数零化过程中可以不考虑这3种节点.下面的candlist 和nodelist 中都剔除了这3种节点. 性质3(重构公式). 重构计算方法为,() [][]j i j s path i s i s j δ∈=∑%,其中,1, ( ) or 0=1, ()i j i leftleaves j j i rightleaves j δ+∈=?? ?∈? . 为了根据||e ||∞≤ε来确定要置为0的小波系数,定义3个辅助数据结构. int flag [N ]; //初值为1;若打算将小波系数s [i ]近似为0,则置flag [i ]＝0 struct { int pos [N ]; //可能被零化的小波系数(称为候选系数)在s [0..N ?1]中的下标 int length ; //本列表的长度,显然不超过N } candlist; //候选系数列表 typedef struct { float coeff [n +1]; //每个叶节点数据重构时,涉及到的小波系数的值(含参与重构运算的符号) int pos [n +1]; //coeff 中对应的小波系数在s [0..N ?1]中的下标 int length ; //本列表的长度,显然不超过n +1 } NodeList ; //每个叶节点数据重构时,影响其重构误差的节点列表 NodeList nodelist [N ]; //误差树的N 个叶节点需要N 个节点列表来表示 张建明等:传感器网络中误差有界的小波数据压缩算法1369 算法3. 构建候选系数列表. 输入:小波系数s[0..N?1],误差限eps. 输出:candlist. 1: candlist.length=0; 2: for (i=1; i 为了节省内存,没有按常规的方法存储误差树.误差树的内部节点用s[0..N?1]表示,其中,s[1..N?1]是一棵高度为n的满二叉树,s[0]作为根是s[1]的父节点;误差树的叶节点代表重构出的采样数据,每个叶节点需要一个NodeList类型的节点列表来存储参与该叶节点重构的所有小波系数.算法4时间复杂度为O(N log2N). 算法4. 构建每个叶节点的重构相关节点列表. 输入:s[0..N?1],flag,误差限eps. 输出:nodelist,flag. 1: for (i=N/2; i //此轮循环创建可重构出第k个、第k+1个叶节点的nodelist[k],nodelist[k+1] 2: k=2*i?N; 3: if (s[i]==0) flag[i]=0; //参考性质2 else if (fabs(s[i])<=eps) { //第k个叶节点是第i个小波系数的左孩子nodelist[k].coeff[nodelist[k].length]=s[i]; nodelist[k].pos[nodelist[k].length++]=i; nodelist[k+1].coeff[nodelist[k+1].length]=?s[i]; //第k+1个叶节点是第i个小波系数的右孩子 nodelist[k+1].pos[nodelist[k+1].length++]=i; } 4: son=i; 5: j=i/2; //沿误差树向上找到当前小波系数节点i的父节点j 6: while (j>0){ 7: if (s[j]==0) flag[j]=0; else if (fabs(s[j])<=eps) { if (2*j==son){ //son是j的左孩子 nodelist[k].coeff[nodelist[k].length]=s[j]; //第k个、第k+1个叶节点是第j个系数的左孩子 nodelist[k].pos[nodelist[k].length++]=j; nodelist[k+1].coeff[nodelist[k+1].length]=s[j]; nodelist[k+1].pos[nodelist[k+1].length++]=j; } else //son是j的右孩子 同上,将小波系数的下标为j、值为?s[j]分别保存到nodelist[k],nodelist[k+1]各域中; } 8: son=j; 9: j=j/2; //参考性质3,依次处理path(i)的节点j j while of 10: } //end of i for 11: } //end 基于上述数据结构,逐个分析候选列表里的系数:计算与某候选系数相关的所有叶节点的重构值,若所有叶节点重构值都符合精度要求,则该候选系数可零化,相应地,将flag标志数组中对应元素置0.算法5的时间复杂度为O(N2log2N). 算法5. 确定可以零化的小波系数. 输入:candlist,nodelist,flag,误差限eps. 输出:flag. 1370 Journal of Software软件学报 V ol.21, No.6, June 2010 1: for (i=0; i { //依次考察每个候选小波系数i 2: small=1; //先设可以零化 3: for (j=0; j 5: for (k=0; k 6: if (flag[nodelist[j].pos[k]]==0) error+=nodelist[j].coeff[k]; 7: for (k=0; k 8: if (candlist.pos[i]==nodelist[j].pos[k]) error+=nodelist[j].coeff[k]; 9: if (fabs(error)>eps) small =0; //叶节点j在误差限外,i不能零化 10: } //end of for j 11: if (small) flag[candlist.pos[i]] =0; //所有叶节点都在误差限内,则零化i节点 12: } //end of for i 这样,我们只要传输flag[i]=1的s[i],0≤i≤N?1.注意,接收方重构数据时也需要flag数组.为减少传输的数据量,flag可以用一个二进制位串bitflag来代替,一个flag[i]用一个二进制位表示. 3.2 小波系数的量化 常用的量化方法有矢量量化和标量量化两种.标量量化因为算法简单,更加适合无线传感器网络.标量量化是将小波系数映射到一个整数区域,每个小波系数对应此区域中的一个元素.对一组小波系数,设最大的系数值为s max,最小的系数值为s min,采用m位均匀量化,则量化步长step=(s max?s min)/2m.量化位m越大,步长越短,量化精度越高.然而,此时需要更多位表示小波系数,使得数据的压缩比降低. 3.3 量化系数的熵编码 编码方法直接影响到数据的压缩效率.一般来说,不同的编码算法适合具有不同统计特性的数据集.对不同统计特性的数据集采用相同的编码算法,会产生不同的压缩效果.游程编码通过形成串的字符、串的长度及串的位置来进行编码,实现简单,其压缩率取决于数据流中的重复字符出现的次数和平均游程长度. 3.4 本算法的性质及应用 传感器网络一般采用多跳通信,形成一棵以Sink为根的汇聚树.Sink节点附近、事件处理热点区域、数据传输链路重载区域都容易出现能量空洞(energy hole),使网络的生命周期过早结束.能量空洞避免机制研究已引起广泛关注.本节提出的SWCEB算法在多跳链路上执行多次压缩后,总误差限等于各次压缩误差限之和.利用该性质,可根据节点及其后继节点数据量、带宽和剩余能量,自适应地提高误差限进一步进行压缩,使离Sink近的节点具有较低的数据率,避免能量空洞. 性质4(误差限的可累加性). 在传输过程的不同节点上执行多次SWCEB压缩算法,保持累加的误差限. 证明:设Sensor1采集的原始数据为向量S0,小波分解后得到误差树T0,在误差限为ε1进行小波系数零化,得到误差树T1,重构可得到近似序列S1.根据算法要求有||S1?S0||∞≤ε1. Sensor1将数据T1和一个bitflag传输给下一跳.在多跳传输过程中,某节点Sensor i发现自己或其后续节点的能量偏低(可根据接收到的数据T1和bitflag重构得到序列S1),对接收的数据T1再次启动压缩,在误差限为ε2进行小波系数零化,得到误差树T2,重构可得到序列S2.根据算法要求有||S2?S1||∞≤ε2. Sensor i将数据T2和一个新的bitflag传输给下一跳.利用范数的三角不等式||X+Y||≤||X||+||Y||,此时误差限为||S2?S0||∞=||(S2?S1)+(S1?S0)||∞≤||S2?S1||∞+||S1?S0||∞≤ε1+ε2. □ 4 多属性的误差有界小波数据压缩算法 设每个节点在N个时刻可采集M种属性数据.传感器节点第i个属性Attr i监测到的数据是一个长度为N 的时间序列s i=(s i,0,s i,1,…,s i,N?1),其中s i,j表示第i个属性在第j时刻采集的数据.这样,该传感器上的原始数据被 张建明 等:传感器网络中误差有界的小波数据压缩算法 1371 抽象为一个矩阵S 0, 0,00,1 0,101,01,11,110 011 1,0 1,1 1,11......[,,...,]...N N N M M M N M s s s s s s s s S t t t s s s s ????????????????? ???==?????? ???????? M M O M M . 4.1 方案概述 方案1:把每个时间序列s i 包含的数据按定义3进行规范化,把多个序列连接成一个序列(s 0,s 1,…,s N ?1)(或按 时间把数据归并成一个序列011(,,...,)T T T M t t t ?),将规范化误差作为误差限,使用第3节的SWCEB 压缩算法即可. 方案2:用二维Haar 小波变换.传感器节点载有的传感模块个数一般不多,M 远小于N ,而二维小波变换做完全分解要求矩阵最好为方阵且大小为2的幂次方.因此,二维小波变换适用于传感模块尽可能多,或者考虑传感器节点间的空间相关性时,即尽量增大M 的值.多维小波的标准分解方法,对于二维信号就是先对每一行进行求均值和差值的过程,即对每一行进行一维Haar 小波变换;然后使用同样的方法对每一列进行求均值和差值. Chakrabarti [15]提出了非标准分解,交替地在各维上逐级进行求均值和差值. 方案3:选出基信号,回归表示其他信号.不同属性的感知数据以及同一属性不同时段的数据具有相关性. Antonios [3]指出,以股票市场的工业和保险指数分别作为X 轴和Y 轴坐标作散点图,直观地看,近似一条直线.每个时间序列本身不是线性的,他提出的SBR 算法将根据所有序列数据分布特征挑出的基信号为自变量,使用回归模型分段近似其他序列.原始的多个时间序列可以表示为基信号加上一些回归参数.当传感器测量的属性间相关性较大时,此方案比较好.但SBR 没有考虑误差限问题,只是在满足数据压缩的条件下最大程度地压缩数据,可能导致两个问题:误差还没有满足要求算法也终止;误差已经满足要求却还在不断压缩. 4.2 基于回归的多属性误差有界小波数据压缩算法 基于回归的多属性的误差有界小波数据压缩算法(MWCEB)分为3大步:挑选基信号;用SWCEB 算法处理基;其他信号用回归参数表示.把某属性的N 次采样看成是一个离散型的随机变量的N 次实验,属性X 的N 次实验的测量值记为(x 0,x 1,…,x N ?1).各属性间的关系用相关系数来度量. 定义7(方差). 离散型随机变量X 的数学期望为1 01()N i i i i i E X p x x N ?=== ∑∑,方差为D (X )=E ((X ?E (X ))2). 定义8(协方差). 随机变量X 和Y 的协方差Cov (X ,Y )=E ((X ?E (X )(Y ?E (Y ))).协方差用来衡量两个样本之间的相关性有多少,也就是一个样本的值偏离程度会对另外一个样本的值偏离产生多大的影响. 定义9(相关系数矩阵). 样本的相关系数1 [(())(())]N xy x E X y E Y r ???. 如X ,Y 呈正(负)相关,则r 为正(负)值;r =1(?1)时为完全正(负)相关,所有散点都在回归直线上.散点分布在回归直线上下越离散,r 的绝对值越小,相关越不密切.若每个节点可采集M 种属性,则用相关系数矩阵R 表征属性间的关系,矩阵中第i 行j 列个元素代表第i 个属性Attr i 与第j 个属性Attr j 的相关系数. 定义10(X j 在基集合上的最佳相关). 设有M 个时间序列X 0,X 1,…,X M ?1,相互之间可能存在相关,已将它们划归到基集合BaseSet 和候选集合CandSet ,在集合中用序号代表序列.定义候选集合里元素X j 在基集合上的最佳相关为bestfit j =max(|r ij |),i ∈BaseSet .候选集合中的元素将用基集合中与自己相关系数绝对值最大的元素回归近似,如果误差太大则自己变成基.显然,基集合里元素的最佳相关为1.为实现后面的算法,定义辅助数组bestfit 表示各个序列在已选出的基集合上的最佳相关. struct { double r ; //bestfit [i ].r 表示X i 与已选出基集合的元素之间具有的相关系数绝对值的最大值 int pos ; //bestfit [i ].pos 表示X i 将用X pos 作基进行回归,X i 通过基集合中的X pos 达到最佳相关 } bestfit [M ]; 1372 Journal of Software 软件学报 V ol.21, No.6, June 2010 struct { int rowno [M ]; //候选属性的序号.初始时保存了所有时间序列的序号 int len ; //初始时长度为M } cand ; //候选集合 double rowsum [M ]={0}; //最初表示相关系数矩阵的行元素和,后来表示期望收益数组income 定义11(增加X j 为基的期望收益). 设有M 个时间序列已划分为基集合和候选集合.此时若添加X j 到基集 合,定义期望收益(||),{||}j jk k jk k k income r bestfit k r bestfit =?∈>∑.最初,候选集合包含M 个序列,基集合为空.将相 关系数矩阵元素的绝对值按行求和,将和最大对应的时间序列加入基集合作为第1个基.继续寻找其他基,每次选择候选集合中期望收益最大的X j 加入基集合;同时修改bestfit 为最新值,这样,bestfit [i ].pos 始终指明候选集合里的X i 将用X pos 作基进行回归. 算法6. 基信号挑选算法. 输入:M 种属性在N 个时刻的采集数据S 0,收益界eps . 输出:bestfit . 1: 使用S 0,根据定义9计算相关系数矩阵r [0..M ?1][0..M ?1]; 2: 计算rowsum [0..M ?1]各元素为相关系数矩阵r 每行各元素的绝对值和; 3: 初始化候选集合cand ,其中数组cand .rowno 保存了所有时间序列的序号; 4: 数组cand .rowno 按非递减排序:第i 个元素cand .rowno [i ]以rowsum [cand .rowno [i ]]为排序关键字; 5: temp =cand .rowno [??cand .len ]; //挑选rowsum 中值最大的为第1个基temp 6: for (i =0; i bestfit [i ].r =fabs (r [temp ][i ]); bestfit [i ].pos =temp ; } 7: do { //算法主体:根据期望收益挑选基 for (i =0; i for (i =0; i //挑选出了新基,每个候选基计算更新自己的期望收益 for (j =0; j rowsum [cand .rowno [i ]]+=fabs (r [cand .rowno [i ]][cand .rowno [j ]])?bestfit [cand .rowno [j ]].r ; double rtemp =0; //用temp 表示期望收益最大的属性的序号 for (i =0; i //期望收益大于收益界,选择X temp 作基 对于每个候选基,如果最佳相关发生变化,修改bestfit ; 将X temp 从候选集合cand 删除,同时候选集合元素减少1个; } } while ((cand .len >0) && (rowsum [temp ]>=eps )); 一般地,若M 回归过程:首先对基的采样数据进行小波变换,然后在误差限内对变换后的小波系数进行零化,直接用重构 出的数据作为回归的基信号X ,这就避免了基的重构误差传播给其他候选属性.候选属性Y aX b =+%,求a ,b 使2 ||||Y Y ?%最小.最小化2()i i i Q y ax b =??∑,则00Q a Q b ??=??????=???,有()()0()(1)0i i i i i i i y ax b x y ax b ????=?????=??∑∑,解这个二元一次方程组求 a ,b .这样,候选属性用若干对回归参数表示即可. 张建明等:传感器网络中误差有界的小波数据压缩算法1373 性质5(误差有界). MWCEB算法通过调整收益界和每次处理的数据个数,可以确保||e||∞满足误差限要求. 证明:基信号挑选算法将不同的属性按相关性分到某个基代表的组中,组中的其他信号用回归参数表示.收益界的选取决定了基信号的个数,收益界越小,需要的基越多,误差越小.通过减少收益界,使相关性较小的组分裂成多个组内更相关的组.极端情况,每个属性一组,自己作基直接传输给接收方,可以确保||e||∞满足误差限要求,但这退化成用SWCEB算法处理的单属性情况.另外,当回归重构误差较大时,减少每次处理的数据个数,即将基信号分段作为多次回归的基,用更多的线段去近似,理论上也可以减少误差,但这会使压缩效果变差. □ 5 实验 数据集A由Catterall等人提供(https://www.doczj.com/doc/407677795.html,/~catterae/alife2002/),包含5个Smart-It无线传感器节点同时采集的1 690次数据.Smart-It节点可以采集声强、温度、光强等6种属性.数据集B由Samuel Madden等人提供(https://www.doczj.com/doc/407677795.html,/labdata/labdata.html),包含54个Mica2Dot节点同时采集的230多万次数据.每个Mica2Dot节点采集4种属性数据:温度、湿度、光强和电压,我们分别记为0#,1#,2#,3#属性.根据定义9计算相关系数矩阵,数据集A的属性间数据相关性很小,数据集B的属性间相关性大. Micaz节点存储的采样数据、小波系数、回归参数、段的均值等均需要2个字节进行存储,而对于序号、计数器等不大的整数可用1个字节存储.采用VC++ 6.0在PC机上实现算法.没有进行量化和熵编码.数据压缩性能用空间节省率(space savings)度量,定义为压缩后减少的数据量除以原始数据大小. 5.1 单属性或属性间相关性小时 文献[16]通过构造数据流的分段常量近似提出了两种朴素的在线压缩算法,消除了单属性数据中的时间相关并保证误差有界.我们选择其中性能更好的PMC-MEAN算法与本文第3节提出的SWCEB算法进行比较. PMC-MEAN算法用段中所有数据的均值及此段的结束时间来表示一个段,整个数据流由若干个段组成.为节省空间,段的结束时间用1个字节表示,若段的结束时间用2个字节表示,则PMC-MEAN性能会比下面的结果更差.此外,SWCEB要用一个等于原始数据长的二进制位串bitflag来说明零化系数的位置. 使用数据集A第1个传感器开始的1 024次采样.我们研究节点缓冲区分别积累16,32,64,…,1 024次采样再压缩时算法的性能: (1) 选择光强作为待传输的数据.光强波动大,数据范围为[1,171],均值为67.485 4,均方差为74.796 9.实 验结果如图3、图4所示; (2) 选择温度为待传输数据.温度取值仅为{22,23},均值为22.1025,均方差为0.303 4.温度波动很小,精度 不高.实验结果表明,PMC-MEAN性能更优; (3) 选择声强为待传输数据.声强波动大且频繁,数据范围为[1,104],均值为9.030 3,均方差为17.399 8.实 验结果如图5、图6所示. 实验结果表明: ①为获得较高空间节省率,批处理压缩算法应以节点缓冲区大小为上限尽可能多积累一次处理的数据; ② SWCEB一次处理数据的最佳数目与数据集本身的分布、要求的||e||∞有关.当要求的||e||∞变小或原序列数据波动变大时,相关数据范围缩小,一次处理的数据量要减少;但是数据太少会降低消除时间相关的效果; ③当要求||e||∞较小、原序列数据波动大时,SWCEB可以比较精确地逼近原序列;而PMC-MEAN效果较差,甚至出现待传输数据反而变多的情况; ④当要求||e||∞较大、原序列数据波动小时,PMC-MEAN作为一种粗略估计算法开销更小. 1374 Journal of Software 软件学报 V ol.21, No.6, June 2010 Fig.3 Compressing light sensor data using PMC-MEAN Fig.4 Compressing light sensor data using SWCEB 图3 用PMC-MEAN 算法压缩光强数据 图4 用SWCEB 算法压缩光强数据 Fig.5 Compressing sound sensor data using PMC-MEAN Fig.6 Compressing sound sensor data using SWCEB 图5 用PMC-MEAN 算法压缩声强数据 图6 用SWCEB 算法压缩声强数据 5.2 属性间相关性大时 从数据集B 取出第1个传感器的全部采样,按日期时间排序,选出最开始的1 024次采样作为实验数据.如果每次处理数据的个数小于等于2,则回归不能带来任何压缩;另外,为了便于用小波压缩挑选出的基,数据长度最好为2的幂次方,所以每次处理数据的个数最少为4. 采用MWCEB 算法,实验过程是:① 为提高整体节省率,传感器节点根据全体1 024次采样的整体相关性来挑选基,并分组;② 每组的基信号分别执行SWCEB 算法,进行小波分解、 零化后传输.接着在本地重构出基信号用于回归,这样,基的重构误差就不会影响回归误差,并且重构出的基信号比原来更规整,更适合于作为基;③ 非基属性使用自己所在组的基执行线性回归算法,计算出回归参数后传输.非基属性的原始数据不用再传输.另外,由于各种属性数据的分布不同,采用规范化误差作为误差限. 如果同一组中的非基属性用基信号回归重构时不能满足误差限,则将信号等分成段再用基信号中同时间的段进行回归.研究在不同收益界、误差限下,回归基信号长度为4,8,16,…,1 024时的空间节省率.见表1,利用算法6得到:方式1收益界太大,误差太大;方式4收益界太小,退化为单独传输各属性,没有利用属性间相关.只考虑方式2、方式3. 按方式2实验:1#属性(湿度)是基信号,执行SWCEB 算法.图7表明,不同规范化误差下,空间节省率与每次处理的数据长度的关系,因此在压缩各组的基时,选择每次处理长度为 1 024.实验发现,压缩基时使用的规范化误差越小,后面回归时效果越好,因此选择ε=0.01.在满足误差限的前提下,使用尽可能长的数据段可获取更高的空间节省率.图8是规范化误差为0.145 47时温度的重构数据与原始采样的对比,按512个元素一段进行回归, 16 32 64 128 256 512 1k 2k 4k 9080706050403020100 Number of grouping data items S p a c e s a v i n g s (%) 100 ε=10 ε=5 ε=2 ε=1.5 ε=1 ε=0.6 16 32 64 128 256 512 1k 2k 4k 9080706050403020100 Number of grouping data items S p a c e s a v i n g s (%) 100 ε=10 ε=5 ε=2 ε=1.5 ε=1 ε=0.6 16 32 64 128 256 512 1k 2k 4k 9080706050403020100 Number of grouping data items S p a c e s a v i n g s (%) ε=10 ε=5 ε=2 ε=1.5 ε=1 ε=0.5 10016 32 64 128 256 512 1k 2k 4k 9080706050403020100 Number of grouping data items S p a c e s a v i n g s (%) 100ε=10 ε=5 ε=2 ε=1.5 ε=1 ε=0.5 张建明 等:传感器网络中误差有界的小波数据压缩算法 1375 只需传输2×2个回归参数.图9为规范化误差为0.280 07时电压的重构数据与原始采样的对比,1 024个元素一段,只需传输2个回归参数.2#属性(光强)是单独的基信号,执行SWCEB 算法即可.按方式2压缩时,各属性的空间节省率、规范化误差见表2. 按方式3实验:0#属性(温度)是基信号,执行SWCEB 算法.图10为规范化误差为0.202 39时电压的重构数据与原始采样的对比,按1 024个元素一组进行回归.1#(湿度),2#(光强)作为基信号需要单独传输(见表3). Table 1 Relation between benefit bound and attributes grouping 表1 收益界与分组的关系 Scheme Benefit bound bestfit [i ].pos , i =0,1,2,3 1 ≥0.158 1 1 1 1 2 [0.085,0.157] 1 1 2 1 3 [0.030,0.084] 0 1 2 0 4 [0,0.029] 0 1 2 3 Table 2 Summary of the 2nd schme Table 3 Summary of the 3rd schme 表2 方式2小结 表3 方式3小结 Attribute Space savings (%) Normalized error Attribute Space savings (%) Normalized error 0# (temperature) 99.609 4 0.145 47 0# (temperature)91.113 3 0.020 00 1# (humidity) 88.476 6 0.010 00 1# (humidity) 88.476 6 0.010 00 2# (light) 85.937 5 0.050 00 2# (light) 85.937 5 0.050 00 3# (voltage) 99.804 6 0.280 07 3# (voltage) 99.804 6 0.202 39 Fig.7 Compressing base data (1# attribute) using SWCEB Fig.8 Reconstruction by regression (0# based on 1#) 图7 用SWCEB 算法压缩基(1#属性) 图8 回归重构(0#属性以1#属性为基) Fig.9 Reconstruction by regression (3# based on 1#) Fig.10 Reconstruction by regression (3# based on 0#) 图9 回归重构(3#属性以1#属性为基) 图10 回归重构(3#属性以0#属性为基) 实验结果表明: ① MWCEB 算法的压缩性能优良.实验中,通过选择合适参数,基属性的空间节省率可以达到85%以上,非 Number of grouping data items of base attribute S p a c e s a v i n g s (%) 0 200 400 600 800 1000 1200 Time T e m p e r a t u r e 0 200 400 600 800 1000 1200 2.782.762.742.722.702.682.66 Time V o l t a g e 2.80Raw voltage Reconstructed voltage Time V o l t a g e 1376 Journal of Software软件学报 V ol.21, No.6, June 2010 基属性的空间节省率达99.8046%. ②非基属性的规范化误差较大,但RACE[10],PMC-MEAN[16]等算法即使规范化误差比本文算法大也达不到这么高的空间节省率.RACE在规范化误差为0.191时空间节省率仅为87.5%. ③将基信号等分分段作多次回归,类似于分段线性近似,理论上可以减少误差.但我们发现,实验中回归数据段长至少为512.原因是当回归区间较短时,求回归参数的线性方程组为病态方程组,方程组系数的微小误差导致根(回归参数)较大变化,虽然可以用迭代改善法等计算方法求解,考虑到传感器节点资源有限就不作特别处理.这样当基分段太多时,任何一段计算回归参数出了问题,很容易造成该段回归结果超过规范化误差. ④ MWCEB适合于属性间相关性较大、非基属性空间节省率非常高但精度要求不太高的场合.进一步地,可以根据非基属性允许的误差限,动态确定每次参与回归计算的采样数据个数,即进行自适应分段回归. 6 结论 针对传感器节点的数据采样之间不存在空间相关性或空间相关性不稳定,本文设计了在各节点上独立运行的误差有界的数据压缩算法.当单属性或属性间相关性小时,采用第3节提出的一维Haar小波压缩算法SWCEB;当属性间相关性大时,采用第4节提出的基于线性回归和Haar小波的压缩算法MWCEB.在WSN基于模型的数据获取中,如何构造误差小并能随时间动态演化的模型值得深入探讨.如何同时考虑数据的空间相关,特别是不规则空间分布时的相关,突破现有采用Voronoi多边形的方法,也是我们下一步研究的重点. References: [1] Li JZ, Gao H. Survey on sensor network research. Journal of Computer Research and Development, 2008,45(1):1?15 (in Chinese with English abstract). [2] Kimura N, Latifi S. A survey on data compression in wireless sensor networks. In: Proc. of the Int’l Conf. on Information Technology: Coding and Computing, Vol.2. Piscataway: IEEE Press, 2005. 8?13. [3] Deligiannakis A, Kotidis Y, Roussopoulos N. Dissemination of compressed historical information in sensor networks. The VLDB Journal, 2007,16(4):439?461. [doi: 10.1007/s00778-005-0173-5] [4] Chu D, Deshpande A, Hellerstein JM, Hong W. Approximate data collection in sensor networks using probabilistic models. In: Proc. of the 22nd Int’l Conf. on Data Engineering. Piscataway: IEEE Press, 2006. 48?59. [5] Kanagal B, Deshpande A. Online filtering, smoothing and probabilistic modeling of streaming data. In: Proc. of the IEEE 24th Int’l Conf. on Data Engineering. Piscataway: IEEE Press, 2008. 1160?1169. [6] Najafi H, Lahouti F, Shiva M. AR modeling for temporal extension of correlated sensor network data. In: Proc. of the Int’l Conf. on Software in Telecommunications and Computer Networks. Piscataway: IEEE Press, 2006. 117?120. [7] Tulone D, Madden S. PAQ: Time series forecasting for approximate query answering in sensor networks. In: R?mer K, Karl H, Mattern F, eds. Proc. of the Wireless Sensor Networks (EWSN 2006). LNCS 3868, Berlin: Springer-Verlag, 2006. 21?37. [8] Borgne YL, Bontempi G. Unsupervised and supervised compression with principal component analysis in wireless sensor networks. In: Ganguly AR, et al., eds. Proc. of the Knowledge Discovery from Sensor Data (Sensor-KDD 2007). Boca Raton: CRC Press, 2008. [9] Ganesan D, Estrin D, Heidemann J. DIMENSIONS: Why do we need a new data handling architecture for sensor networks? SIGCOMM Computer Communication Review, 2003,33(1):143?148. [doi: 10.1145/774763.774786] [10] Chen HM, Li J, Mohapatra P. RACE: Time series compression with rate adaptive and error bound for sensor networks. In: Proc. of the 2004 IEEE Int’l Conf. on Mobile Ad-Hoc and Sensor Systems. Piscataway: IEEE Press, 2004. 124?133. [11] Ciancio A, Pattem S, Ortega A, Krishnamachari B. Energy-Efficient data representation and routing for wireless sensor networks based on a distributed wavelet compression algorithm. In: Proc. of the IPSN. New York: ACM Press, 2006. 309?316. [12] Zhou SW, Lin YP, Zhang JM, Ouyang JC, Lu XG. A wavelet data compression algorithm using ring topology for wireless sensor networks. Journal of Software, 2007,18(3):669?680 (in Chinese with English abstract). https://www.doczj.com/doc/407677795.html,/1000-9825/18/669. htm [doi: 10.1360/jos180669] 张建明 等:传感器网络中误差有界的小波数据压缩算法 1377 [13] Garofalakis M, Gibbons PB. Wavelet synopses with error guarantees. In: Proc. of the ACM SIGMOD. New York: ACM Press, 2002. 476?487. [14] Pan LQ, Li JZ, Luo JZ. An approximate query processing algorithm with confidence based on model fitting in sensor networks. Journal of Computer Research and Development, 2008,45(1):73?82 (in Chinese with English abstract). [15] Chakrabarti K, Garofalakis M, Rastogi R, Shim K. Approximate query processing using wavelets. The VLDB Journal, 2001,10(3): 199?223. [16] Lazaridis I, Mehrotra S. Capturing sensor-generated time series with quality guarantees. In: Proc. of the 19th Int’l Conf. on Data Engineering. Piscataway: IEEE Press, 2003. 429?440. 附中文参考文献: [1] 李建中,高宏.无线传感器网络的研究进展.计算机研究与发展,2008,45(1):1?15. [12] 周四望,林亚平,张建明,欧阳竞成,卢新国.传感器网络中基于环模型的小波数据压缩算法.软件学报,2007,18(3):669?680. https://www.doczj.com/doc/407677795.html,/1000-9825/18/669.htm [doi: 10.1360/jos180669] [14] 潘立强,李建中,骆吉洲.无线传感器网络中基于模型拟合的可信近似查询处理算法.计算机研究与发展,2008,45(1):73?82. 张建明(1976－),男,湖南益阳人,博士生,副教授,CCF 学生会员,主要研究领域为传感器网络中的数据管理,数据挖掘. 周四望(1971－),男,博士,副教授,主要研究领域为传感器网络中的信号处理,小波分析. 林亚平(1955－),男,博士,教授,博士生导师,CCF 高级会员,主要研究领域为计算机网络,机器学习. 欧阳竞成(1967－),男,博士生,主要研究领域为P2P 中的信息检索与安全. 1.2 背景知识及研究现状 1.2.1 小波变换 数学界和工业界在共同研究数据表示技术的过程中所发展起来的小波分析技术[1],摈弃了传统Fourier 分析所必须的前提假设——平稳性，成为分析非平稳信号的有力工具。它的出现导致了我们从新的视角去研究信号压缩、噪声滤波等信号处理问题：一方面，由于小波基的紧支性和小波分解的多尺度结构，非线性小波逼近实质上等价于一个自适应的网格逼近，网格的分辨率在信号奇异点的邻域内被适当加细了；另一方面，由于小波基的无条件基特性，使它成为一大类信号的非线性逼近的最优基，许多信号在小波基的表示下，都可以获得稀疏的表示式。小波分析是传统傅里叶分析发展史上的里程碑，在许多使用传统傅里叶分析的地方，均可用小波分析所取代。小波分析在时域和频域同时具有良好的局部化性质，已经成为图像处理应用中的一个新的研究热点[2]。 小波分析方法的出现可以追溯到1910年Haar 提出Haar 规范正交基，以及1938年Littlewood-Paley 对傅里叶级数建立的L-P 理论。1984年法国地球物理学家Morlet 引入小波的概念对石油勘探中的地震信号进行存贮和表示。L. Carleron 使用了非常象“小波”的函数构造了Stein 和Weiss 的空间1H 的无条件基。直到1986年，法国数学家Meyer 成功地构造出了具有一定衰减性的光滑函数ψ，它的二进伸缩与平移()(){} Z k j k t t j j k j ∈-=--,:222/,ψψ构成()R L 2的规范正交基。Lemarie 和Battle 继Meyer 之后也分别独立地给出了具有指数衰减的小波函数。1988年Daubechies 构造了具有紧支集的正交小波基。Coifman, Meyer 等人在1989年引入了小波包的概念。基于样条函数的单正交小波基由崔锦泰和王建忠在1990年构造出来。1992年A Cohen, I Daubechhies 等人构造出了紧支撑双正交小波基。同一时期，有关小波变换与滤波器组之间的关系也得到了深入研究。小波分析的理论基础基本建立起来。 1987年，Mallat 将计算机视觉领域内多尺度分析的思想引入信号处理领域，并利用多分辨分析的概念，统一了这之前的各种具体小波的构造，并提出了现今广泛应用的Mallat 快速小波分解和重构算法，并将它用于图像分解和压缩重构。所谓Mallat 塔式快速小波变换算法，就是将一幅图像经过二维小波变换分解为一系列不同尺度(频率)、方向、空间局部变化的子带图像。一幅图像经过一次小波变换后产生4个子带图像：LL 表示原图像的最佳逼近，反映了原图的基本特性；HL 、LH 和HH 分别表示水平高频分量、垂直高频分量和对角线高频分量，反映图像信号水平方向、垂直方向与对角线方向边缘、轮廓和纹理。其中，LL 子带集中了图像的大部分能量，以后的小波变换都是针对上一级变换产生的低频子带(LL)再进行小波变换, 下标表示不同分辨率。图1-1是三级小波变换示意图,图1-2是分别对二幅图像进行两级和三级小波变换后的图像。由图1-2可以看出每一级的LL 部分集中了大部分能量，能粗略显示出原图像的概貌。 无线传感器网络的特点 大规模网络 为了获取精确信息，在监测区域通常部署大量传感器节点，传感器节点数量可能达到成千上万，甚至更多。传感器网络的大规模性包括两方面的含义：一方面是传感器节点分布在很大的地理区域内，如在原始大森林采用传感器网络进行森林防火和环境监测，需要部署大量的传感器节点；另一方面，传感器节点部署很密集，在一个面积不是很大的空间内，密集部署了大量的传感器节点。 传感器网络的大规模性具有如下优点：通过不同空间视角获得的信息具有更大的信噪比；通过分布式处理大量的采集信息能够提高监测的精确度，降低对单个节点传感器的精度要求；大量冗余节点的存在，使得系统具有很强的容错性能；大量节点能够增大覆盖的监测区域，减少洞穴或者盲区。 自组织网络在 传感器网络应用中，通常情况下传感器节点被放置在没有基础结构的地方。传感器节点的位置不能预先精确设定，节点之间的相互邻居关系预先也不知道，如通过飞机播撒大量传感器节点到面积广阔的原始森林中，或随意放置到人不可到达或危险的区域。这样就要求传感器节点具有自组织的能力，能够自动进行配置和管理，通过拓扑控制机制和网络协议自动形成转发监测数据的多跳无线网络系统。在传 感器网络使用过程中，部分传感器节点由于能量耗尽或环境因素造成失效，也有一些节点为了弥补失效节点、增加监测精度而补充到网络中，这样在传感器网络中的节点个数就动态地增加或减少，从而使网络的拓扑结构随之动态地变化。传感器网络的自组织性要能够适应这种网络拓扑结构的动态变化。动态性网络传感器网络的拓扑结构可能因为下列因素而改变：①环境因素或电能耗尽造成的传感器节点出现故障或失效；②环境条件变化可能造成无线通信链路带宽变化，甚至时断时通；③传感器网络的传感器、感知对象和观察者这三要素都可能具有移动性；④新节点的加入。这就要求传感器网络系统要能够适应这种变化，具有动态的系统可重构性。 可靠的网络 传感器网络特别适合部署在恶劣环境或人类不宜到达的区域，传感器节点可能工作在露天环境中，遭受太阳的暴晒或风吹雨淋，甚至遭到无关人员或动物的破坏。传感器节点往往采用随机部署，如通过飞机撒播或发射炮弹到指定区域进行部署。这些都要求传感器节点非常坚固，不易损坏，适应各种恶劣环境条件。由于监测区域环境的限制以及传感器节点数目巨大，不可能人工“照顾每个传感器节点，网络的维护十分困难甚至不可维护。传感器网络的通信保密性和安全性也十分重要，要防止监测数据被盗取和获取伪造的监测信息。因此，传感器网络的软硬件必须具有鲁棒性和容错性。 应用相关的网络 基于小波神经网络的短时交通流预测 摘要 将小波神经网络的时间序列预测理论应用于短时交通流量的预测。通过小波分解与重构获取交通流量数据中的低频近似部分和高频随机部分, 然后在分析各种模型的优、劣的基础上, 选取较有效的模型或模型结合方式, 建立了交通流量预测模型。最后, 利用实测交通流量数据对模型仿真, 结果表明该模型可以有效地提高短时交通流量预测的精度。 关键词: 小波变换 交通流预测 神经网络 1.背景 众所周知, 道路交通系统是一个有人参与的、时变的、复杂的非线性大系统, 它的显著特点之一就是具有高度的不确定性(人为的和自然的影响)。这种不确定性给短时交通流量预测带来了极大的困难。这也就是短时交通流量预测相对于中长期预测更复杂的原因所在。在交通流量预测方面,小波分析不是一个完全陌生的工具，但是仍然处于探索性的应用阶段。实际上,这种方法在计算机网络的流量的预测中有着广泛的应用。与计算机网络一样,车流也表现出复杂的习性。所以可以把它的应用推广类比到交通流量的预测中来。小波分析有着与生俱来的解决非稳定时间序列的能力, 所以常常被单独用来解决常规时间序列模型中的问题。 2.小波理论 小波分析是针对傅里叶变换的不足发展而来的，傅里叶变换是信号处理领域里最为广泛的一种分析手段，然而他有一个严重的不足，就是变换抛弃了时间信息，变换结果无法判断某个信号发生的时间。小波是一种长度有限，平均值为0的波形，它的特点包括： （1）时域都具有紧支集或近似紧支集； （2）直流分量为0； 小波变换是指把某一基本小波函数ψ(t)平移b 后，再在不同尺度a 下与待分析的信号x(t)做内积。 dt a b t t x a b a WT x )()(1),(-=?*ψ??==?*)(),()()(,,t t x dt t t x b a b a ψψ （2 — 1） 等效的时域表达式为 dt a b x a b a WT x ωωψωj e )()(1),(-=?* a > 0 (2 — 2) 3.小波神经网络 小波神经网络是小波分析理论与神经网络理论相结合的产物，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络。 图一中1x ，2x ，....k x 是小波神经网络的输入参数，1y ，2y ....，m y 是小波神经网络的预测输出。 基于多传感器数据融合的火灾预警系统 赵 英,陈淑娟 (北京化工大学,北京 100029) 摘 要:为避免火灾造成的严重损失,实现火灾早期报警,本系统通过对火灾发生过程和产物的研究比较,采用多种传感器对火灾发生初期火灾特征较明显的几个参数进行监测,并实时反馈回采集的数据。系统利用D S 证据理论对多传感器数据进行融合分析,实现对同一目标的判断;本系统通过利用D S 证据理论对多传感器数据融合的方法,不仅弥补了采用单一传感器的不足,而且很大程度上降低系统判断结果的不确定性,提高了系统预警的准确性和可靠性。 关键词:D S 证据理论;多传感器;数据融合;火灾预警 中图分类号:T N919 34;T P212.9 文献标识码:A 文章编号:1004 373X(2010)24 0173 03 Fire Early Alarm System Based on Mu lti sensor Data Fusion ZH A O Y ing,CH EN Shu juan (Beijing U niversity of Chem i cal Technolog y,Beiji ng 100029,China) Abstract :Fire early alarm system is used to prev ent damages caused by fire.T he system uses many kinds o f a ppro pr iate sensor s t o monito r several par ameters which have the o bv ious fire characterist ic accor ding to the research o n fire process,and to feedback the data r eal timely.T he sy stem realizes the multi sensor data fusion using the D S evidence theo ry to determine the tar get.T he method no t only makes up insufficiency of sing le senso r,but also reduces the uncertainty of judg ment result and enhances the accur acy and r eliability of the fir e ea rly ala rm system. Keywords :Dempster Shafter evidence theor y;multi senso r;data fusio n;fir e ear ly alar m 收稿日期:2010 07 17 火灾探测是关系人民生命财产安全的重大课题。随着火灾探测技术的不断发展,人们对火灾的认识也越来越深入,不断涌现出新的探测手段。然而现有的大多数火灾探测器只能在火灾发生到难以控制的形势下才发出报警信号[1] 。而那些由于长期运行导致设备过载、过热、短路产生火灾的场所,如计算机机房、精密仪器实验中心、网络数据中心等,需要对火灾进行严格控制,确保在火灾发生初期就能及时发现火情并进行扑灭,否则造成的损失燃烧物都很少,因此如何能在火灾处于萌芽状态时,准确实现火灾早期探测,避免严重损失是目前亟待解决的一个重大问题。火灾的早期探测难题主要集中在探测对象难以选择、探测方法单一及准确预警概率低[2] 。本系统针对这些问题,在对火灾发生的过程和产物作了详细了解以后,选择适当的传感器对具有明显火灾特征的几个参数进行监测,再利用D S 证据理论对所有监测数据进行融合处理得到更为准确的判定结果。 1 火灾探测对象的选定 在火灾探测过程中,可以利用的火灾信息很多[3 4]:(1)固态高温产物:来源于可燃物中的杂质,以及高温状态下可燃物热裂解所形成的物质。 (2)燃烧音:燃烧过程中产生的高温,加热周围空气,使之膨胀,产生一种频率仅在数赫兹左右的压力声波,即是燃烧音。 (3)火焰光谱:主要由炽热微粒的光谱辐射和燃烧 气体的特征辐射所构成。 (4)气态燃烧产物:气态燃烧产物的主要成分为H 2O 、CO 、CO 2、H 2和O 2,由于环境中湿度的影响,通常不把H 2O 作为火灾探测参数。 由于前三点火灾信息都是在火灾已经发生很严重的情况下才产生的,且以火焰光谱进行火灾探测,虽然可以有效避免环境中大部分干扰因素的影响,但为了进一步消除相关干扰因素的影响,还需要利用火焰的闪烁特征。然而,CO 和CO 2在空气中的含量较低,正常大气环境中CO 含量在10ppm 以下,CO 2含量大约为360ppm 。从表1中可以看到,绝大多数试验火的CO 含量均在20ppm 以上。根据火灾特性,在火灾初期阴燃时,CO 含量更是达到最高。由图1[5]可知,各种不同材质在燃烧时,CO 2含量也在不断增加,且在初始成长期间,曲线斜率的变化范围是2.5~6.5ppm/s 。因此,将气体作为早期报警探测对象具有明显优势[3],针对以上2种气体进行监测,将会在很大程度上反映出环境中有无燃烧现象的产生。本系统将CO 的浓度、CO 2的浓度变化率、环境温度三者作为探测火灾的特征参量。 现代电子技术 2010年第24期总第335期 新型元器件 clc clear %% 训练数据预测数据提取及归一化 %下载四类语音信号 load data1 c1 load data2 c2 load data3 c3 load data4 c4 %四个特征信号矩阵合成一个矩阵 data(1:250,:)=c1(251:500,:); data(251:500,:)=c2(251:500,:); data(501:750,:)=c3(251:500,:); data(751:1000,:)=c4(251:500,:); %从1到2000间随机排序 % k=rand(1,1000); % [m,n]=sort(k); %输入输出数据 input=data(:,2:11); output1 =data(:,1); %把输出从1维变成4维 output=zeros(1000,4); for i=1:1000 switch output1(i) case 1 output(i,:)=[1 0 0 0]; case 2 output(i,:)=[0 1 0 0]; case 3 output(i,:)=[0 0 1 0]; case 4 output(i,:)=[0 0 0 1]; end end %随机提取1500个样本为训练样本，500个样本为预测样本% input_train=input(n(1:250),:)'; % output_train=output(n(1:250),:)'; input=input(1:250,:); output=output(1:250,:); % input_test=input(1501:2000,:)'; % output_test=output(1501:2000,:)'; M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=10; %隐形节点个数 lr1=0.0001; %学习概率 lr2=0.0001; %学习概率 maxgen=1000; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n); d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input'); [outputn,outputps]=mapminmax(output'); inputn=inputn'; outputn=outputn'; error=zeros(1,maxgen); %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) x=inputn(kk,:); yqw=outputn(kk,:); 这是一个小波神经网络程序,作者judyever %参考<青岛海洋大学学报> 2001年第1期一种基于BP算法学习的小波神经网络%% %step1--------网络初始化------------------------------------------- clc; clear all; %设定期望的误差最小值 err_goal=0.001; %设定最大循环次数 max_epoch=50; %设定修正权值的学习速率0.01-0.7 lr=0.7; epoch=0; x=0:0.01:0.3;%输入时间序列 d=sin(8*pi*x)+sin(16*pi*x);%目标输出序列 M=size(x,2);%输入节点的个数 N=M;%输出节点的个数 n=10;%隐形节点的个数 %这个地方需要改进，由于实际上隐形节点的个数可以通过小波的时频分析确定 Wjk=randn(n,M); Wij=randn(N,n); % a=randn(1,n); a=1:1:n; b=randn(1,n); % stepa=0.2*(x(M)-x(1)); % a=stepa(n-1)+stepa; % step=(x(M)-x(1))/n; % b=x(1)+step:step:x(1)+n*step; % y=zeros(1,N);%输出节点初始化 y=zeros(1,N);%输出节点初始化 net=zeros(1,n);%隐形节点初始化 net_ab=zeros(1,n);%隐形节点初始化 %step2--------对网络进行训练------------------------------------------- for i=1:1:N for j=1:1:n for k=1:1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end y(i)=y(i)+Wij(i,j)*mymorlet(net_ab(j)); %mymorlet是judyever编写的小波函数，以后可以扩展成输入不同的小波名字即可 % y(i)=mysigmoid(2,y(i)); end 多传感器数据融合 多传感器数据融合1引言数据融合一词最早出现在20世纪70年代末期。几十年来，随着传感器技术的迅速发展，尤其在军事指挥系统中对提高综合作战能力的迫切要求，使其得到了长足的发展。其早期主要是应用在军事上，而随着工业系统的复杂化和智能化，近年来该技术推广到了民用领域，如医疗诊断、空中交通管制、工业自动控制及机械故障诊断等。数据融合是针对一个系统中使用多个传感器这一问题而展开的一种信息处理的新的研究方向，所以数据融合也称为传感器融合。数据融合一直没有一个统一的定义，一般认为：利用计算机技术，对按时间顺序获得的若干传感器的观测信息，在一定的准则下加以自动分析、综合，从而完成所需要的决策和估计任务而进行的信息处理过程称为数据融合。2 数据融合技术的分类多传感器数据融合涉及到多方面的理论和技术如信号处理、估计理论、不确定性理论、模式识别最优化技术、神经网络和人工智能等。很多学者从不同角度出发提出了多种数据融合技术方案。从技术原理角度，可分为假设检验型数据融合、滤波跟踪型数据融合、聚类分析型数据融合、模式识别型数据融合、人工智能型数据融合等；按判决方式分有硬判决型和软判决型数据融合；按传感器的类型分有同类传感器数据融合和异类传感器数据融合按对数据的处理方式，可分为象素级融合、特征级融合和决策级融合；从方法来分有Bayes推理法、表决法、D-S 推理法、神经网络融合法等。从解决信息融合问题的指导思想或哲学观点加以划分，可分为嵌入约束观点、证据组合观点和人工神经网络观点三大类。3常用的数据融合方法数据融合方法种类繁多，图1归纳了常用的一些信息融合方法。估计方法 一、无线传感器网络的概述 1、无线传感器网络定义，无线传感器网络三要素，无线传感器网络的任务，无线传感器网 络的体系结构示意图，组成部分（P1-2） 定义：无线传感器网络（wireless sensor network, WSN）是由部署在监测区域内大量的成本很低、微型传感器节点组成，通过无线通信方式形成的一种多跳自组织的网络系统，其目的是协作地感知、采集和处理网络覆盖范围内感知对象的信息，并发送给观察者或者用户 另一种定义：无线传感器网络(WSN)是大量的静止或移动的传感器以自组织和多跳的方式构成的无线网络，目的是协作地采集、处理和传输网络覆盖地域内感知对象的监测信息，并报告给用户 三要素：传感器，感知对象和观察者 任务：利用传感器节点来监测节点周围的环境，收集相关的数据，然后通过无线收发装置采用多跳路由的方式将数据发送给汇聚节点，再通过汇聚节点将数据传送到用户端，从而达到对目标区域的监测 体系结构示意图： 组成部分：传感器节点、汇聚节点、网关节点和基站 2、无线传感器网络的特点（P2-4） （1）大规模性且具有自适应性 （2）无中心和自组织 （3）网络动态性强 （4）以数据为中心的网络 （5）应用相关性 3、无线传感器网络节点的硬件组成结构（P4-6） 无线传感器节点的硬件部分一般由传感器模块、处理器模块、无线通信模块和能量供应模块4部分组成。 4、常见的无线传感器节点产品，几种Crossbow公司的Mica系列节点（Mica2、 Telosb） 的硬件组成（P6） 5、无线传感器网络的协议栈体系结构（P7） 1.各层协议的功能 应用层：主要任务是获取数据并进行初步处理，包括一系列基于监测任务的应用层软件 传输层：负责数据流的传输控制 网络层：主要负责路由生成与路由选择 数据链路层：负责数据成帧，帧检测，媒体访问和差错控制 物理层：实现信道的选择、无线信号的监测、信号的发送与接收等功能 2.管理平台的功能 （1）能量管理平台管理传感器节点如何使用能源。 （2）移动管理平台检测并注册传感器节点的移动，维护到汇聚节点的路由，使得传感器节点能够动态跟踪邻居的位置。 （3）任务管理平台在一个给定的区域内平衡和调度监测任务。 6、无线传感器网络的应用领域（P8-9） （1）军事应用 （2）智能农业和环境监测 （3）医疗健康 （4）紧急和临时场合 （5）家庭应用 （6）空间探索 小波神经网络及其应用 This model paper was revised by the Standardization Office on December 10, 2020 小波神经网络及其应用 32 陆宇颖 摘要：小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络，它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题，大大简化了训练，具有较强的函数学习能力和推广能力及广阔的应用前景。首先阐明了小波变换和多分辨分析理论，然后介绍小波神经网络数学模型和应用概况。 1.研究背景与意义 人工神经网络是基于生物神经系统研究而建立的模型，它具有大规模并行处理和分布式存储各类图像信息的功能，有很强的容错性、联想和记忆能力，因而被广泛地应用于故障诊断、模式识别、联想记忆、复杂优化、图像处理以及计算机领域。但是，人工神经网络模型建立的物理解释，网络激活函数采用的全局性函数，网络收敛性的保证，网络节点数的经验性确定等问题尚有待进一步探讨和改善。 小波理论自 Morlet 提出以来，由于小波函数具有良好的局部化性质，已经广泛渗透到各个领域。小波变换方法是一种窗口大小固定但其形状可以改变, 时间窗和频率窗都可以改变的时频局部化分析方法, 由于在低频部分具有较高的频率分辨率和较低的时间分辨率, 在高频部分具有较高的时间分辨率和较低的频率分辨率, 所以被誉为数学显微镜。正是这种特性, 使小波变换具有对信号的自适应性。基于多分辨分析的小波变换由于具有时频局部化特性而成为了信号处理的有效工具。实际应用时常采用Ｍａｌｌａｔ快速算法，利用正交小波基将信号分解到不同尺度上。实现过程如同重复使用一组高通和低通滤波器把信号分解到不同的频带上，高通滤波器产生信号的高频细节分量，低通滤波器产生信号 %% 清空环境变量 clc clear %% 网络参数配置 load traffic_flux input output input_test output_test M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n); d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input'); [outputn,outputps]=mapminmax(output'); inputn=inputn'; outputn=outputn'; %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) x=inputn(kk,:); yqw=outputn(kk,:); for j=1:n for k=1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y=y+Wij(k,j)*temp; %小波函数 end end 传感器数据融合技术 数据融合也称为信息融合，是将来自多个传感器或多源的信息进行综合处理，从而得出更为全面、准确和可靠的结论。数据融合出现于2 0世纪7 0年代，源于当时军事领域的需要，称为多源相关、多传感器混合数据融合，并于20世纪80年代建立其技术。美国是数据融合技术起步最早的国家，在随后的十几年时间里各国的研究开始逐步展开，并相继取得了一些具有重要影响的研究成果。和国外相比, 我国在数据融合领域的研究起步较晚。海湾战争结束以后，数据融合技术引起国内有关单位和专家的咼度重视。一些咼校和科研院所相继对数据融合的理论、系统框架和融合算法展开了大量研究，但基本上处于理论研究的层次，在工程化、实用化方面尚未取得有成效的突破，许多关键技术问题尚待解决。 多传感器数据融合是人类和其他生物系统中普遍存在的一种基本功能。人类本能地具有将身体上的各种功能器官所探测到的信息与先验知识进行融合的能力，以便对周围的环境和正在发生的事件作出估计。多传感器数据融合的基本原理就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对这些传感器及其获得信息的合理支配和使用，把其在时间或空间上的冗余或互补信息依据某种准则来进行综合，以获得被测对象的一致性解释或描述，使该系统由此而获得比它的各组成部分的子集所构成的系统具备更优越的性能。 具体而言，多传感器数据融合基本原理如下： 1）多个不同类型的传感器获取目标的数据； 2）对输出数据进行特征提取，从而获得特征矢量； 3）对特征矢量进行模式识别，完成各传感器关于目标的属性说明； 4）将各传感器关于目标的属性说明数据按同一目标进行分组，即关联； 5）利用融合算法将每一目标各传感器数据进行合成，得到该目标的一致性解释与描述。 在各种系统中，靠单一的传感器不能满足对目标、环境的识别和控制的要求。若对不同传感器采集的数据单独、孤立地进行加工，不仅会导致数据处理工作量的剧增，而且割断了各传感器数据之间的有机联系，丢失数据有机组合蕴涵的特征，造成数据资源的浪费。因此，要对多传感器的数据进行 无线传感器网络数据传输可靠性研究 发表时间：2019-11-29T13:59:16.217Z 来源：《云南电业》2019年6期作者：王奔曹祥飞 [导读] 目前以各种传感技术为核心的物联网技术已经各种行业得到广泛应用，在基于传感网的无线数据传输中，无线网络的安全性、稳定性越来越重要。本文文章主要对于对无线传感器网络数据传输的可靠性进行了系统性分析评价，可更好的促进无线网络数据的实际应用，更加广泛应用于各个行业。 王奔曹祥飞 （南瑞集团有限公司江苏南京 211000） 摘要：目前以各种传感技术为核心的物联网技术已经各种行业得到广泛应用，在基于传感网的无线数据传输中，无线网络的安全性、稳定性越来越重要。本文文章主要对于对无线传感器网络数据传输的可靠性进行了系统性分析评价，可更好的促进无线网络数据的实际应用，更加广泛应用于各个行业。使安全可靠的无线传感器网络更好地服务人民生活。 关键词：无线传感器；网络数据传输；传感技术 一、无线传感器网络数据传输的使用现状以及影响因素 1.1使用现状 由于无线传感器在信息的传输、采集和处理等方面的便利性，使其在全世界内大量使用。大量无处不在的微小传感器节点在进行网络传输时构成了一个巨大的无线传感器网络，各个节点之间通过自组织的方式进行网络数据的无线传输，使得信息交换变得更加方便快捷。用户可对无线传感器网络预先设定程序，随时对需要监控的事务进行数据采集，实现对其开展实时监测，。在完成信息数据采集之后，无线传感器本身会利用嵌入式处理器模块对这些数据进行存储、处理和分析，特别标注无用数据信息或者与设定不符的数据，并进一步将分析的结果借助无线通信模块及无线传感器网络发送到用户终端，使用户实时掌握和监测数据的真实情况。 1.2影响因素 无线信号的质量决定了无线传感器网络数据传输的质量。无线传感器网络与普通的有线数据传输网络不同，无线传感器节点在利用无线网络开展数据传输时，必须要依靠无线传输网络作为媒介，所以对无线网络的传输质量有一定的要求。随着近年来无线通信的的迅猛发展，很多地区已经实现了无线网络覆盖，但是在一些偏远的地区，由于地理位置和交通情况的局限使得无线网络信号迟迟不能覆盖，导致人们在这些地方进行数据传输时的中断率、错误率增加，加大了无线传输实现难度。目前我国的人口众多，与现有的土地资源完全不符，为了拓宽土地资源，增大人类的活动面积，许多地方都建造了地下商城。地下商城由于地处地下，与网络覆盖范围之间隔着厚厚的土层，导致网络信号并不能完美地通过障碍进入地下商城，使得建造在地下的办公区域在利用无线传感器进行网络数据传输时的错误率增加。 二、无线传感器网络传输数据方面存在的弊端 2.1无线传感器自身的能量布局不合理，使得能量的消耗速度加快 无线传感器自身的体积较小，各个构件内能够储存的能量都是有限的。现为提高工作效率，使用无线传感器网络进行数据传输变得越来越频繁，无线传感器自身的工作时间也越来越长。任何事物都逃不过自然规律，都有自己的使用寿命。使用频率增多，使得无线传感器的使用寿命大大缩短，影响了无线传感器网络数据传输的可靠性。随着时代的发展和社会经济水平的增长，带来的弊端便是人类对资源的节约意识越来越淡薄。现在我们在使用无线传感器时，经常出现无线传感器长期开机却始终处于做无用功的状态，使得无线传感器自身的能量消耗速度加快，潜在影响了无线传感器网络数据传输的可靠性造。 2.2无线传感器网络受外界影响因素的影响较大，使得传输的安全风险加大 无线传感器网络是由大量的的无线传感器节点构成的，单个无线传感器之间并没有太大的联系，往往具有较强的独立性，单个节点故障退出会导致自组织网和网络拓扑的不确定性。无线传感器网络在进行数据传输时，需要借助网络信号作为媒介，所以网络信号的质量在某种层度上决定了无线传感器网络数据传输的可靠性。无线网络信号的质量及安全性受外界因素影响较大，它不仅会受人为因素而遭到破坏，还会受突发的自然灾害而受到影响。当自然天气突变等自然环境变化时，无线传感器节点极易损坏，进而影响到数据的可靠传输。同时无线传感器网络的质量还会受到磁场的影响，如果无线传感器在进行网络数据传输时周围有较强的磁场，数据传输的准确性也会严重下降，进而影响到无线传感器网络数据传输的可靠性。 2.3无线传输网络相比有线传输网络传输速度较慢、传输距离短 无线传感器网络相比有线网络来说，虽然具有便于安装、便于传输的特点，但由于自身能量有限，传输速率较慢，传输距离较短。现代各种行业各类应用中，多样化的信息采集数据量越来越大，传输实时性要求越来越高，传输距离越来越远，相对有线传输，无线传感器将消耗更多能量收集、传送信息，同时，网络的质量会受到各种外界因素的影响，使得传输速度不稳定，安全性也得不到保证，从硬性条件上降低了无线传感器网络的综合实力，降低了数据信息的传输速率，甚至影响了人们的工作效率，使得无线传感器网络数据传输的可靠性大为降低。 三、针对无线传感器网络传输数据方面存在的弊端提出的改善建议 3.1应当运用科学技术手段将无线传感器中的能量科学合理分配 为了尽可能地延长无线传感器的使用寿命，我们应当根据传感器节点使用场合调整其工作状态。在办公室内或家庭等固定场景中进行数据传输时，尽量选择使用有线的传输设备，缩短或减少无线传感器的运行时间。为了节约无线传感器自身的能量、降低能耗，应当在内嵌的构件中设计自动关机或待机的功能程序，当无线传感器在一定的时间始终处于做无用功的状态时，自动启动关机或待机程序，在完整地保留当前无线传感器内已有数据的基础上暂时关闭机器，节约设备内自身的能量，延长无线传感器的使用时间，提高无线传感器网络传输数据的可靠性。 3.2应当加大资金投入力度，拓宽全球无线网络的覆盖范围 无线传感器网络的传输质量会受到磁场、环境等外部因素的影响是不可避免的，我们可通过增加无线感器节点来加强无线传感器网络 小波神经网络及其应用 陆宇颖 摘要：小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络，它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题，大大简化了训练，具有较强的函数学习能力和推广能力及广阔的应用前景。首先阐明了小波变换和多分辨分析理论，然后介绍小波神经网络数学模型和应用概况。 1. 研究背景与意义 人工神经网络是基于生物神经系统研究而建立的模型，它具有大规模并行处理和分布式存储各类图像信息的功能，有很强的容错性、联想和记忆能力，因而被广泛地应用于故障诊断、模式识别、联想记忆、复杂优化、图像处理以及计算机领域。但是，人工神经网络模型建立的物理解释，网络激活函数采用的全局性函数，网络收敛 即 ,焦李神经网络2. 2.1()x ，使式中为的Fourier 变换。对作伸缩、平移变换得到小波基函数系 对任意2()()f x L R ∈,其连续小波变换定义为： 反演公式为： 在实际应用中，特别是计算机实现中，往往要把上述的连续小波及其变换离散化，通常采用二进制离散，即 令2,2m m a b k ==，则 二进小波一定是一个允许小波，且是一个正交小波基。考虑一个连续的、平方可积的函数 2()()f x L R ∈在分辨率2m 下的逼近()m f x ，由多分辨分析理论可知： ()x Φ是尺度函数，对其作伸缩、平移变换得到()mk x Φ。 Mallat 同时证明了函数()f x 在2m 和12m -分辨率下的信息差别（即细节）()m D f x ，可以通过将函数() f x 在一小波正交基上分解而获得，从而定义了一种完全而且正交的多分辨率描述，即小波描述。 ()mk x ψ就是式（5）定义的二进小波，则()f x 在12m -分辨率下的逼近式为： Mallat 并指出，对于任意一个函数 2()()f x L R ∈可以在一组正交小波基上展开： 式（11）是一个平方可积函数的小波分解，提供了小波神经网络设计的理论框架。 .. 12(,)x x ο 则有2.2 （ψ(f x 式（Lk a 与式 （17i c i 则有： 即(21)=f Ac 式（20）的最小二乘解为： +A 被称为A 的伪逆矩阵。且 如果样本i x 均匀分布，(1,2,...,)θ=i i n 是正交基， 则T A A 是一个?n n 单位矩阵，且 无线传感器网络安全技术 Prepared on 22 November 2020 无线传感网络设计报告 题目无线传感器网络安全设计 报告人 指导老师 二○一六年十二月 无线传感器网络安全技术 摘要：针对目前库在未来的几十年里，传感器网络作为首要的技术的出现给许多研究拘束人员带来了很多挑战。这些传感器网络由大量的同质节点，这些节点可以用来限制计算机的资源。现实生活中的很多应用在传感器网络的研究文献中被提出来。当传感器网络部署在一个意想不到的或敌对的环境中，安全问题成为一个重要的关注点，因为这些安全问题都来自不同类型的恶意攻击。在本文中，我们目前的关于无线传感器网络安全问题的调查、网络受到的攻击还有相应的对策以及对未来工作范围的都有了很好结论和概述。 关键字：无线传感器网络；安全；威胁；危险 1 引言 传感器网络监控物理或环境条件如温度、声音、压力、湿度等。传感器网络由大量的低功率、低成本的智能设备与极端的资源约束。每个设备是称为传感器节点,每个节点连接到一个有时几个传感器节点。它具有无线通信的能力和一些情报信号处理和数据网络。这些传感器节点通常是在各种随机方向地区收集数据、过程数据并将其传递给中央节点进行进一步处理。每个传感器节点由三个子系统组成:传感器子系统、处理子系统和通信子系统。传感器子系统用于传感环境。处理子系统用于执行当前计算数据感知和负责通信子系统与邻近的传感器节点的信息交换。 传感器网络在许多应用程序中使用。这些应用程序包括： 1)军事应用,如监测出对方是否是友好的和设备、军事影院或战场监测、核、生物和化学攻击检测。 2)环境应用程序等小气候、森林火灾探测、精确农业和洪水检测。 3)应用程序,如跟踪和健康监控，医生对在医院的病人进行药物生理数据的管理、远程监控。 4)家庭应用,如食品自动化的环境,自动抄表等。 5)环境等商业应用控制在工业办公楼和车辆跟踪和检测、库存控制、交通流监测 [1]。 2 传感器节点的体系结构 传感器节点是无线传感器的重要组成部分。通过网络可以收集传感器和执行一些计算的信息和其他结果网络中连接节点沟通。 图1:传感器节点的体系结构 传感器节点由以下部分组成: a:控制器 它是传感器节点的大脑。它的功能是控制其它部分的传感器节点。它能够处理数据执行任务。由于其低成本,灵活地连接到其他设备,方便编程和低功耗主要在传感器微控制器作为控制器比通用微控制器节点(数字信号桌面处理器,处理器)。 b .收发器 无线传输介质可以像无线电频率(RF),光学(激光)和红外通信以不同的方式。激光有优势它只需要更少的能量,但主要缺点是它大气状况更为敏感。红外是也是一个不错的选择,但它广播有限能力。所以大部分的基础是基于射频通信。收发器的主要功能能够作为发射机和接收机。 c .外部存储器 由于成本和存储容量,使用闪存。 d .电源 电源是最重要的一个单位例如单电池可能是有限的。有些支持清除设备(如太阳能电池)。 e .传感器 任何物理变化条件下,传感器硬件设备产生可测量的数据。他们通过这可测量的数据来进行ADC模拟信号的形式然后将ADC转换成数字形式。ADC传递单片机和数字形式的数据单片机处理数据和执行一些的任务。 3 无线传感器网络的安全要求 无线传感器网络数据融合关键技术研究 摘要：路由协议与数据融合技术已成为无线传感器网络（WSN）的一个重要研究方面。本文按照面向应用和面向层次两个分类进行了介绍，并通过联系以数据为中心的路由协议以及相关的数据融合算法，简要分析了其在节省功耗，优化网络性能方面所采取的有效措施。通过仿真实验，推断出以数据为中心的路由协议对网络内数据融合的帮助意义。 关键词：无线传感器网络；路由协议；数据融合；NS2 1 引言 无线传感器网络（wireless sensor network，WSN）就是由部署在监测区域内大量的廉价微型传感器节点组成，通过无线通信方式形成的一个多跳的自组织的网络系统，其目的是协作的感知、采集和处理网络覆盖区域中感知对象的信息，并发送给观察者[1]。 路由协议和数据融合已成为无线传感器网络的关键技术。本文首先对现有的几种路由协议和数据融合算法进行介绍，然后通过仿真来验证以数据为中心的路由协议在性能上的优势，以及对数据融合的促进意义。 2 无线传感器网络路由协议 路由协议负责将数据分组从源节点通过网络转发到目的节点，它主要包括两个方面的功能：寻找源节点和目的节点间的优化路径，将数据分组沿着优化路径正确转发。 2.2面向应用的路由协议 面向应用的路由协议是众多路由协议中较为常见的一种。所谓面向应用，即是与应用模式紧密相连的路由协议。从具体应用角度出发，根据不同应用对传感器网络各种特性的敏感性不同，将路由协议分为四种类型[2]：1）能量感知路由协议； 2）基于查询的路由协议； 3）地理位置路由协议； 4）可靠的路由协议。 能量路由是最早提出的传感器网络路由机制之一，它根据节点的可用能量（power available，PA）或传输路径上的能量需求，选择数据的转发路径。节点可用能量就是节点当前的剩余能量。 基于查询的路由协议包括定向扩散路由和谣传路由。定向扩散是专门为传感器网络设计的路由策略，是以数据为中心的典型路由协议代表，与己有的路由算法有着截然不同的实现机制。谣传路由引入了查询消息的单波随机转发的机制，克服了使用洪泛方式建立转发路径带来的开销过大的问题。 地理位置路由包括GEAR路由和GEM路由。GEAR（geographical and energy aware routing）路由假设已知事件区域的位置信息，每个节点知道自己的位置信息和剩余能量信息，并且通过一个简单的Hello消息交换机制了解所有邻居节点的位置信息和剩余能量信息。GEM（graph embedding）路由是一种适合于数据中心存储方式的地理路由。其基本思想是建立一个虚拟极坐标系统（virtual polar coordinate system ，VPCS），用来表示实际的网络拓扑结构。网络中的节点形成一个以汇聚节点为根的带环树（ringed tree），每个节点用到树根的跳数距离和角度范围来表示，节点间的数据路由通过这个带环树实现。 2.3面向层次的路由协议 针对无线传感器网络中节点所处的地位，以及网络的拓扑结构，还可以将无线传感器网络的路由协议分为平面结构和分层结构。 平面路由协议包括定向扩散路由协议、谣传路由协议、SPIN路由协议（基于能量感知的路由协议）、HREEMR路由协议（基于多路径的路由协议）、SPEED 路由协议、GEM路由协议、边界定位路由协议、有序分配路由协议等。前面介绍的四类面向应用的路由协议大都属于平面的路由协议。 分层路由协议包括：LEACH路由协议、TEEN路由协议、GAF路由协议、GEAR 路由协议、SPAN路由协议、SOP路由协议、MECN协议、EARSN路由协议等。这里，我们重点介绍两个相似的路由协议：LEACH和TEEN协议。小波变换
无线传感器网络的特点
(完整版)小波神经网络的时间预测
基于多传感器数据融合的火灾预警系统
小波神经网络
小波神经网络程序
多传感器数据融合
无线传感器网络知识点归纳
小波神经网络及其应用
小波神经网络的时间序列预测短时交通流量预测.doc
传感器数据融合(20200630195849)
无线传感器网络数据传输可靠性研究
小波神经网络及其应用
无线传感器网络安全技术
无线传感器网络数据融合关键技术研究
相关主题
文本预览