下载文档原格式
物联网中的传感器数据采集与处理方法物联网（Internet of Things）已经成为连接物体的重要技术，传感器作为物联网的核心组成部分，负责采集环境中的各种数据。
传感器数据的采集和处理是物联网系统中至关重要的环节，它涉及到数据的收集、存储、分析和应用等方面。
本文将重点讨论物联网中的传感器数据采集与处理方法。
一、传感器数据采集方法1. 有线连接采集：传感器通过有线连接（如串口、以太网）与物联网网关或数据采集设备进行连接，数据通过网络传输到云平台或中心服务器。
这种方法具有可靠性高、传输稳定等优点，适合于传感器数量较少、分布范围小的场景。
2. 无线连接采集：无线传感器网络（WSN）是一种常用的无线连接采集方法。
传感器节点通过无线网络互连，形成一个分布式网络，将采集的数据传输到基站或网关进行处理。
无线连接采集方法具有布线简单、成本低等优点，适用于传感器节点数量较多、分布范围较广的场景。
3. 边缘计算采集：边缘计算是一种将计算处理放在物理设备（如网关、路由器）上的方法，可以实现传感器数据的即时采集和处理。
边缘计算提供了低延迟、高带宽的数据处理能力，可以减轻云端服务器压力，并提供更快速的响应。
边缘计算采集方法适合对实时性要求较高、数据处理量大的场景。
二、传感器数据处理方法1. 数据预处理：原始的传感器数据中可能包含异常值、噪声等，需要进行数据清洗和预处理。
常用的预处理方法包括平滑、滤波、去噪等，旨在提高数据的可靠性和准确性。
2. 数据压缩：传感器数据量通常较大，需要对数据进行压缩，以减小存储和传输的开销。
常用的数据压缩方法包括无损压缩和有损压缩，根据具体应用场景选择合适的压缩算法。
3. 数据聚合：在物联网中，往往会有大量的传感器节点同时采集数据，数据聚合是将多个传感器节点采集到的数据进行合并和处理的过程。
常用的数据聚合方法包括求平均、求和、最大值、最小值等。
4. 数据分析：数据分析是物联网中非常重要的一环，通过对采集到的数据进行统计、分析和挖掘，可以得到对应用具有价值的信息。
第35卷第1期电子与信息学报Vol.35 No.1 2013年1月 Journal of Electronics & Information Technology Jan. 2013面向物联网的无线传感器网络综述钱志鸿*①王义君②①(吉林大学通信工程学院长春 130012)②(长春理工大学电子信息工程学院长春 130022)摘要：在分析无线传感器网络国内外研究现状及技术成熟度的基础上，从技术层面阐述了无线传感器网络与物联网之间的相互关系，总结了无线传感器网络系统执行所需要的信息采集系统设计、网络服务支持和网络通信协议设计等关键技术，说明了无线传感器网络未来发展所面临的挑战，并提出了面向物联网的无线传感器网络发展新思路。
关键词：无线传感器网络；物联网；信息采集系统；网络服务支持；网络通信协议中图分类号：TP393 文献标识码：A 文章编号：1009-5896(2013)01-0215-13 DOI: 10.3724/SP.J.1146.2012.00876Internet of Things-oriented Wireless Sensor Networks ReviewQian Zhi-hong① Wang Yi-jun②①(College of Communication Engineering, Jilin University, Changchun 130012, China)②(School of Electronic & Information Engineering, Changchun University of Science and Technology,Changchun 130022, China)Abstract: Based on analyzing overseas and domestic research status and technology readiness levels of wireless sensor networks (WSNs), the correlation between WSNs and Internet of Things (IoT) is described from a technical point. Key technologies required for WSNs implement, which include information acquisition system design, network services support and network communication protocol, are discussed in this paper. Development conceptions of future WSNs are presented based on summarizing challenges that WSNs must be solved.Key words: Wireless Sensor Networks (WSNs); Internet of Things (IoT); Information acquisition system; Network services support; Network communication protocol1 引言无线传感器网络(Wireless Sensor Networks, WSNs)是由部署在监测区域内大量传感器节点相互通信形成的多跳自组织网络系统，是物联网底层网络的重要技术形式[1]。
《基于无线传感网的环境监测系统的研究与实现》篇一一、引言随着科技的不断进步，环境监测已经成为了一个重要的研究领域。
为了实现环境监测的高效性、实时性和准确性，无线传感网技术被广泛应用于此领域。
本文旨在研究并实现一个基于无线传感网的环境监测系统，通过分析系统需求、设计、实现及测试，验证了该系统的可行性和有效性。
二、系统需求分析环境监测系统的主要目标是实时收集并传输环境数据，以便于分析和管理。
基于无线传感网的特性，我们提出了一套完整的需求分析：1. 数据收集：系统应能够实时收集包括空气质量、水质、土壤质量、气象条件等在内的环境数据。
2. 传输网络：使用无线传感网络技术，将收集到的数据传输至中心服务器。
3. 数据处理：中心服务器应能对接收到的数据进行处理和分析，生成环境质量报告。
4. 用户界面：提供一个友好的用户界面，使用户能够方便地查看和分析环境数据。
三、系统设计基于上述需求分析，我们设计了以下系统架构：1. 硬件设计：采用无线传感器节点进行环境数据收集。
每个节点包括传感器、微处理器和无线通信模块。
2. 网络设计：采用无线传感网技术，将各个传感器节点与中心服务器连接起来，形成一个自组织的网络。
3. 软件设计：开发一套数据处理软件，用于接收、处理和存储环境数据，并生成环境质量报告。
同时，开发一个用户界面，使用户能够方便地查看和分析环境数据。
四、系统实现在系统实现阶段，我们主要完成了以下工作：1. 硬件实现：根据硬件设计，制作了无线传感器节点，并将其部署在需要监测的环境中。
2. 网络实现：利用无线传感网技术，将各个传感器节点与中心服务器连接起来，形成一个稳定、可靠的传输网络。
3. 软件实现：开发了数据处理软件和用户界面。
数据处理软件能够实时接收、处理和存储环境数据，并生成环境质量报告。
用户界面则提供了一个友好的界面，使用户能够方便地查看和分析环境数据。
五、系统测试与性能评估为了验证系统的可行性和有效性，我们对系统进行了测试和性能评估。
鏃犵嚎浼犳劅鍣ㄧ綉缁滃彂灞曠幇鐘剁爺绌?銆€寮曡█銆€銆€杩戝勾鏉ワ紝鐢变簬寰數瀛愭妧鏈€佽绠楁妧鏈拰鏃犵嚎閫氫俊鎶€鏈殑杩涙锛屼娇寰楀ぇ閲忎綆鍔熻€椼€佸鍔熻兘銆佷綆鎴愭湰鐨勬棤绾夸紶鎰熷櫒闂笘锛岀敱澶氫釜浼犳劅鍣ㄥ叡鍚屾瀯鎴愮殑缃戠粶绯荤粺鍚稿紩浜嗗ぇ閲忓鑰呯殑鍏磋叮銆傛棤绾夸紶鎰熷櫒缃戠粶(WSN)灏辨槸鍦ㄧ洃娴嬪尯鍩熷唴甯冪疆澶ч噺鍏锋湁淇℃伅閲囬泦銆佹暟鎹鐞嗗強鏃犵嚎閫氫俊鑳藉姏鐨勮妭鐐癸紝鏁翠綋褰㈡垚涓€涓璺宠嚜缁勭粐缃戠粶绯荤粺锛屽叡鍚屽畬鎴愭煇浜涘姛鑳斤紝鍦ㄧ幆澧冪洃娴嬨€佷氦閫氳繍杈撱€佸尰鐤楃瓑棰嗗煙鐨勭瀛︾爺绌朵腑寰楀埌骞挎硾搴旂敤銆?銆€銆€鏃犵嚎浼犳劅鍣ㄧ綉缁滅殑浼犳劅鍣ㄨ妭鐐归€氬父閰嶅涓€涓垨澶氫釜涓嶅悓绫诲瀷鐨勪紶鎰熷櫒锛岀敤浜庡畬鎴愪笉鍚岀墿鐞嗘暟鎹殑閲囬泦銆傚悓鏃惰妭鐐逛笂杩橀厤缃湁寰鐞嗗櫒銆佸瓨鍌ㄥ櫒銆佺數婧愩€佸皠棰戞敹鍙戝櫒鍜屾墽琛屽櫒绛夈€備笌浼犵粺鐨勪紶鎰熷櫒缃戠粶涓嶅悓锛學SN浣撶Н灏忥紝浠锋牸渚垮疁锛屽洜鑰岃妭鐐圭殑鑳介噺(濡傚瓨鍌ㄧ┖闂淬€佽绠楄兘鍔涖€侀€氫俊甯﹀銆侀€氫俊鑼冨洿绛?鐩稿杈冨急銆傛澶栵紝WSN鑺傜偣甯稿父鐢辩數姹犱緵鐢碉紝骞朵笖甯稿父宸ヤ綔浜庢伓鍔ｇ殑鐜鐢氳嚦鏄晫鏂瑰尯鍩燂紝涓嶈兘鎻愪緵鐢垫睜琛ョ粰鎴栨洿鎹紝鍥犺€岀數婧愪篃鏄害鏉熶紶鎰熷櫒鑺傜偣鐨勪竴涓噸瑕佸洜绱犮€傝妭鐐归€氬父鐢辨棤绾块€氫俊璁惧閫氳繃澶氳烦鐨勬柟寮忓皢鏁版嵁鍙戦€佸埌鍩虹珯锛屽啀鐢卞熀绔欎紶閫佸埌鎸囨尌涓績銆?銆€銆€WSN棰嗗煙鐨勭爺绌剁洰鏍囨槸婊¤冻涓婅堪绾︽潫鏉′欢鐨勫悓鏃跺畬鎴愭寚瀹氫换鍔°€傚紩鍏ユ柊鐨勮璁＄悊蹇碉紝寮€鍙戞垨鏀硅繘鐜版湁鐨勫崗璁紝寮€鍒涙柊鐨勫簲鐢ㄩ鍩燂紝寮€鍙戞柊鐨勭畻娉曪紝閮芥垚涓篧SN鐮旂┒鐑偣銆傛湰鏂囨€荤粨浜嗚繎骞存潵WSN鍏抽敭鏀寔鎶€鏈柊鐨勫崗璁€佺畻娉曚互鍙婂簲鐢ㄣ€?銆€銆€1 鏃犵嚎浼犳劅鍣ㄧ綉缁滅殑搴旂敤銆€銆€鏃犵嚎浼犳劅鍣ㄧ綉缁滅敱璁稿涓嶅悓绫诲瀷鐨勮妭鐐?濡傚湴闇囥€佷綆閲囨牱鐜囩數纾佷紶鎰熷櫒銆佹俯搴︺€佽瑙夈€佺孩澶栧０闊冲拰闆疯揪绛?鏋勬垚銆俉SN 鐨勫簲鐢紝鍙互鍒嗕负鐩戞祴鍜岃拷韪袱绫汇€傜洃娴嬪簲鐢ㄥ寘鎷澶栧鍐呯幆澧冪洃娴嬨€佸仴搴风姸鍐电洃娴嬨€佸簱瀛樼洃娴嬨€佸伐鍘傜敓浜ц繃绋嬭嚜鍔ㄥ寲銆佽嚜鐒剁幆澧冪洃娴嬬瓑鏂归潰銆傝窡韪殑搴旂敤鏈夌洰鏍囪窡韪€佸姩鐗╄窡韪€佹苯杞﹁窡韪€佷汉鐨勮窡韪瓑銆?銆€銆€1锛? 鍏叡鍗敓銆€銆€WSN鍙敤浜庢畫鐤句汉鐩戞祴銆佺梾浜虹洃娴嬨€佽瘖鏂€佸尰闄㈣嵂鍝佺鐞嗙郴缁熴€侰锛嶳锛嶣adker绛変汉鎸囧嚭锛屽湪鍏叡鍗敓鍖荤枟鐩戞祴涓簲鐢╓SN鑳芥彁楂樼幇鏈夊崼鐢熷拰鐥呬汉鐩戞祴鐘跺喌銆傛枃涓彁鍑轰簡4绉嶅簲鐢ㄥ師鍨嬶細濠村効鐩戞祴銆佹彁閱掕亱浜恒€佽鍘嬬洃娴嬩笌杩借釜銆佹秷闃插憳韬綋鐗瑰緛淇″彿鐩戞祴銆傝繖浜涘師鍨嬮噰鐢ㄤ簡SHIMME鍜孴-mote鑺傜偣銆?銆€銆€姣忓勾寰堝濠村効姝讳簬濠村効鐚濇鐥?SIDS)锛岀潯鐪犲畨鍏ㄥ師鍨嬪垯鏄璁＄敤浜庣洃娴嬬洃瑙嗗┐鍎跨潯瑙夌姸鎬併€傜敤浼犳劅鍣ㄧ洃娴嬪┐鍎跨殑鐫″Э锛屼竴鏃﹀┐鍎夸刊鍗у氨鍙婃椂鎻愰啋瀹堕暱銆係HIMMER鑺傜偣涓湁涓€涓噸鍔涗笁杞村姞閫熷害璁★紝鐢ㄤ簬鐩戞祴濠村効鐩稿浣嶇疆銆俆—Mote鑺傜偣鍒欏皢璇ユ暟鎹彂閫佸埌鍩虹珯锛屾牴鎹娴嬪€煎拰璁惧畾鍊肩殑姣旇緝鍒ゆ柇濠村効鐨勭潯濮裤€侭aby Glove鍘熷瀷璁捐鐢ㄤ簬鐩戞祴濠村効鐨勭敓鍛戒綋寰佸娓╁害銆佹按鍚堢▼搴︿互鍙婅剦鎼忋€侳ireline鏄竴绉嶆棤绾垮績鐜囩洃娴嬬郴缁燂紝鐢ㄤ簬娑堥槻鍛樼伀鐏炬晳鎻磋繃绋嬩腑瀹炴椂蹇冪巼鍜屽帇鍔涘紓甯哥洃娴嬨€侶eart@Home鏄竴绉嶆棤绾胯鍘嬬洃娴嬪拰璺熻釜绯荤粺銆傞櫎姝や箣澶栵紝Listen閲囬泦鐜涓殑闊抽淇℃伅锛屼粠鑰屾彁閱掑惉鍔涘彈鎹熺殑浜恒€?銆€銆€1锛? 宸ヤ笟搴旂敤銆€銆€鐭虫补鍐剁偧宸ュ巶涓畨瑁呯殑WSN鐢?涓洃娴嬭妭鐐瑰拰涓€涓墽琛岃妭鐐圭粍鎴愶紝鍙互闄嶄綆鎴愭湰锛屾彁楂樻晥鐜囥€傜洃娴嬭妭鐐瑰皢鏁版嵁鍖呴€氳繃浠ュお缃戝彂閫佺粰璁＄畻鍗曞厓锛屽啀鐢辫绠楀崟鍏冨皢缁撴灉鍙戦€佸埌鍒嗗竷寮忔帶鍒剁郴缁熶腑銆傛帶鍒剁郴缁熷悜鎵ц鑺傜偣鍙戦€佹寚浠わ紝瀹屾垚鏁翠釜鎺у埗杩囩▼銆傝璇曢獙娴嬭瘯浜嗙綉缁滃櫔澹板RSSI鍜孡QI鐨勫奖鍝嶏紝缁撴灉琛ㄦ槑宸ヤ笟鐜涓殑鍣０瀵筗SN鐨勬€ц兘鏈夊緢澶х殑褰卞搷銆?銆€銆€WSN涔熺敤浜庡崐瀵间綋鍒堕€犲伐鍘傚拰娌硅疆鐨勮澶囩淮鎶ゅ拰鐩戞祴銆備紶鎰熷櫒鑺傜偣閫氳繃閲囬泦鎸姩淇″彿鏉ラ娴嬭澶囩殑鏁呴殰锛岃繖鏈夊埄浜庤澶囩殑缁存姢鍜屼繚鍏汇€?銆€銆€1锛? 鐜搴旂敤銆€銆€浼犳劅鍣ㄧ綉缁滅殑搴旂敤鍖呮嫭璺熻釜鐢熺墿锛屽楦熺被銆佸皬鍔ㄧ墿鍜屾槅铏殑杩佺Щ锛岀洃娴嬪奖鍝嶅啘浣滅墿鍜屽簞绋肩殑鐜锛屼互鍙婂ぇ娴枫€佸湡澹ゅ強妫灄鐏伨绛夌殑鐩戞祴銆傜編鍥藉姞鍒╃灏间簹宸炵储璇洪┈鍘垮簲鐢╓SN鐮旂┒绾㈡湪鏍戞灄鐨勭幇鐘躲€傛瘡涓紶鎰熷櫒鑺傜偣鐢ㄤ簬娴嬮噺绌烘皵娓╁害銆佺浉瀵规箍搴︿互鍙婂厜鍚堟湁鏁堣緪灏勪綔鐢ㄣ€傚湪鏍戠殑涓嶅悓楂樺害鏀剧疆鑺傜偣锛岀敓鐗╁瀹跺彲浠ヨ拷韪孩鏈ㄦ爲鏋楀皬姘斿€欑殑绌洪棿娓愬彉鎯呭喌锛屼粠鑰岄獙璇佸叾鐢熺墿瀛︾悊璁恒€?銆€銆€鍝堜經澶уMatt welsh绛変汉灏嗕紶鎰熷櫒缃戠粶搴旂敤浜庣伀灞辩殑鐩戞祴銆備粬浠垎鍒簬2004骞村拰2005骞村鍘勭摐澶氬皵鐨凾ungurahua鍜孯eventodaor 涓ゅ骇鐏北杩涜鐩戞祴銆傝缃戠粶鐢?6涓紶鎰熷櫒鑺傜偣缁勬垚锛屾瘡涓紶鎰熷櫒闂撮殧200锝?00 m涓嶇瓑銆傚湪19澶╃殑瑙傛祴涓紝缃戠粶瑙傛祴鍒?30娆″柗鍙戝拰鍏朵粬浜嬩欢銆傚湪鑲凹浜氭瀯寤虹殑ZebraNet绯荤粺鏄竴涓Щ鍔ㄤ紶鎰熺綉缁滐紝鐢ㄤ簬杩借釜鍔ㄧ墿鐨勮縼绉汇€傝绯荤粺灏嗚窡韪妭鐐瑰畨瑁呭湪鏂戦┈鐨勯」鍦堜笂锛岀洰鏍囧湪浜庡噯纭褰曟枒椹殑浣嶇疆锛岀敤浜庣敓鐗╄涓哄垎鏋愩€? 銆€銆€2 鏃犵嚎浼犳劅鍣ㄧ綉缁滅殑鍏抽敭鎶€鏈?銆€銆€2锛? 瀹氫綅銆€銆€瀹氫綅鏂规硶鍙互鍒嗕负璺濈鐩稿叧(range-based)瀹氫綅绠楁硶鍜岃窛绂绘棤鍏?range-free)瀹氫綅绠楁硶涓ゅぇ绫汇€傝窛绂荤浉鍏冲畾浣嶇畻娉曢€氬父鍒╃敤娴嬭窛鎶€鏈緱鍒拌妭鐐归棿璺濈锛屽啀鍒╃敤涓夎竟娴嬮噺娉曘€佷笁瑙掓祴閲忔硶鎴栨瀬澶т技鐒朵及璁℃硶璁＄畻鍑烘湭鐭ヨ妭鐐圭殑浣嶇疆銆傚父鐢ㄧ殑娴嬭窛鎶€鏈寘鎷帴鏀朵俊鍙峰己搴?RSSI)鎶€鏈€佷俊鍙蜂紶杈撴椂闂?TOA)鎶€鏈€佷俊鍙峰埌杈炬椂闂村樊(TDOA)鎶€鏈拰淇″彿鍒拌揪瑙掑害(AOA)鎶€鏈€?銆€銆€璺濈鏃犲叧瀹氫綅绠楁硶鍒╃敤鑺傜偣闂寸殑杩為€氭儏鍐垫潵浼版祴鑷繁鐨勪綅缃€傚叾涓竴閮ㄥ垎璺濈鏃犲叧绠楁硶閲囩敤闆嗕腑寮忚绠楁ā寮忥紝鍐嶇敤浼樺寲鏂规硶鏉ユ彁楂樺畾浣嶇簿搴︼紝濡傚嚫瑙勫垝绠楁硶鍜孧DS—MAP绠楁硶锛屼絾鏄泦涓绠楁柟寮忛渶瑕佺綉缁滀腑鏈変腑蹇冭妭鐐规敮鎸侊紝浼氬鑷翠腑蹇冭妭鐐归€氫俊閲忓ぇ锛岃兘閲忚€楀敖蹇紝缃戠粶鐦棯銆?銆€銆€缁濆ぇ澶氭暟璺濈鏃犲叧瀹氫綅绠楁硶閲囧彇鍒嗗竷寮忚绠楁ā寮忥紝鎵╁睍鎬уソ锛岄€氫俊閲忓皬銆?銆€銆€Blumenthal绛変汉鎻愬嚭浜嗚川蹇冨畾浣嶇畻娉曞拰鍔犳潈璐ㄥ績瀹氫綅绠楁硶锛屾牴鎹甖igBee锛廔EEE802锛?5锛?浼犳劅鍣ㄧ綉缁滃彂灏勬帴鏀惰窛绂绘垨杩炴帴璐ㄩ噺涓烘瘡涓€涓帴鏀跺潗鏍囧垎閰嶄笉鍚岀殑鏉冮噸銆侭ehnke鍜孴immermann閫氳繃浣跨敤杩炴帴璐ㄩ噺鐨勫綊涓€鍖栧€兼帹骞夸簡WCL鏈哄埗銆係chuhmann鎺ㄥ浜嗗鍐呭彂灏勬帴鏀惰窛绂荤殑鎸囨暟閫嗙浉鍏崇殑鍥哄畾鍙傛暟闆嗗拰瀵瑰簲浜庝笌WCL锛岀殑鏉冮噸銆傝繖浜涙柟娉曞亣璁炬帴鏀舵満涓庡彂灏勬満鐨勮窛绂讳笉鏄緢杩滐紝鍙戝皠鎺ユ敹璺濈鑷冲皯鏈変竴涓帴鏀跺櫒鏄彁鍓嶉鐭ョ殑銆?銆€銆€2锛? 鍚屾銆€銆€鏃堕棿鍚屾鏄疻SN搴旂敤鐨勯噸瑕佺粍鎴愰儴鍒嗭紝浼犳劅鍣ㄦ暟鎹瀺鍚堛€佷紶鎰熷櫒鑺傜偣鑷韩瀹氫綅绛夐兘瑕佹眰鑺傜偣闂寸殑鏃堕挓淇濇寔鍚屾銆傛椂闂寸殑涓嶅噯纭細涓ラ噸褰卞搷缃戠粶鐨勭敓鍛藉懆鏈熴€傚叏灞€鏃堕棿鍚屾鍏佽鑺傜偣鎸夌収鎸囧畾鐨勬柟寮忓彂閫佹暟鎹紝閰嶅悎鍚屾宸ヤ綔銆傜幇鏈夌殑鏃堕棿鍚屾鍗忚鏇村鍏虫敞鐨勬槸鍑嗙‘鍦颁及璁℃椂闂翠笉纭畾鎬у拰缃戠粶涓眬閮ㄨ妭鐐归棿鐨勬椂闂村悓姝ャ€?銆€銆€TPSN绠楁硶鏄疭锛嶨aneriwal绛変汉鎻愬嚭鐨勬垚瀵瑰悓姝ュ崗璁紝鍒嗕负鍙戠幇闃舵鍜屽悓姝ラ樁娈点€傚彂鐜伴樁娈靛缓绔嬬綉缁滃垎灞傜殑鎷撴墤缁撴瀯锛岀‘瀹氭瘡涓妭鐐圭殑灞傚彿锛涘悓姝ラ樁娈电敱鏍硅妭鐐硅礋璐ｅ悓姝ラ樁娈电殑鍒濆鍖栥€傛瘡涓妭鐐逛粎涓庡叾涓婂眰涓竴涓妭鐐瑰悓姝ワ紝鏈€缁堜笌鏍硅妭鐐瑰悓姝ヤ粠鑰屽疄鐜版暣涓綉缁滅殑鍚屾銆侳TSP绠楁硶鏄敱Branislav Kusy绛変汉鎻愬嚭鐨勫熀浜巗ender—receiver鐨勫崟鍚戝悓姝ョ畻娉曘€傝绠楁硶浣跨敤鍗曞悜骞挎挱娑堟伅瀹炵幇鍙戦€佽妭鐐逛笌鎺ユ敹鑺傜偣涔嬮棿鐨勬椂闂村悓姝ャ€?銆€銆€RATSS鍗忚鏄竴绉嶈嚜閫傚簲鍚屾鍗忚銆傞鍏堝缓绔嬩袱涓妭鐐归棿闀挎湡鏃堕挓婕傜Щ锛屼粠鑰屾渶灏忓寲鍗犵┖姣旇礋鎷呫€傝鏂规硶浣跨敤闀挎湡鐨勬椂闂存祴閲忚瘎浼板拰鍒嗘瀽3绉嶅奖鍝嶆椂闂村悓姝ョ殑涓昏鍥犵礌銆傛祴閲忚繖浜涘弬鏁扮敤浜庤璁￠€熺巼鑷€傚簲鑳芥晥鍚屾绠楁硶銆俁ATS鐨勭洰鏍囨槸鏈€澶у寲鍚屾閲囨牱鍛ㄦ湡锛屽悓鏃跺湪鐢ㄦ埛瀹氳宸寖鍥村唴璁惧畾棰勬祴璇樊銆? 銆€銆€RFA绠楁硶鏄竴绉嶅垎鏁ｅ紡鏃堕棿鍚屾銆傝绠楁硶鎸夌収钀ょ伀铏悓姝ョ殑鏂规硶锛屽唴閮ㄨ缃竴涓尟鑽″櫒鍛ㄦ湡涓篢锛屽湪鏃跺埢T鑺傜偣鍙戦€佷竴涓被浼艰悿鐏櫕鐨勪俊鍙凤紝鑳借娴嬪埌璇ヤ俊鍙风殑閭诲眳鑺傜偣鍒欑缉鐭叾鑷韩鐨勫彂閫佽悿鐏櫕淇″彿鐨勬椂闂达紝缂╃煭鐨勬椂闂寸敱firing鍑芥暟鍜屽父鏁?epsilon;鍐冲畾銆傜粡杩囦竴瀹氭椂闂达紝缃戠粶鐨勮妭鐐瑰皢浼氳揪鍒板悓姝ャ€俁FA鏄竴绉嶅叿鏈夐瞾妫掓€х殑绠楁硶锛岃兘澶熼€傚簲鏁版嵁涓㈠け銆佽妭鐐瑰鍔犮€侀摼鎺ユ敼鍙樼瓑缃戠粶鐨勫彉鍖栥€?銆€銆€2锛? 瑕嗙洊銆€銆€瑕嗙洊鎺у埗浣滀负WSN涓殑涓€涓熀鏈棶棰橈紝鍙嶆槧浜嗙綉缁滄墍鑳芥彁渚涚殑鎰熺煡璐ㄩ噺锛屼粠鑰屼紭鍖朩SN绌洪棿璧勬簮寰楀埌浼樺寲鍒嗛厤锛岃繘鑰屾洿濂藉湴瀹屾垚鐜鎰熺煡銆佷俊鎭幏鍙栧拰鏈夋晥浼犺緭鐨勪换鍔°€傛寜鐓SN 鑺傜偣閰嶇疆鏂瑰紡鐨勪笉鍚岋紝瑕嗙洊闂鍒嗕负纭畾鎬ц鐩栥€侀殢鏈鸿鐩栦袱澶х被銆傚鏋淲SN鐨勭姸鎬佺浉瀵瑰浐瀹氭垨鏄疻SN鐜宸茬煡锛屽氨鍙互鏍规嵁棰勫厛閰嶇疆鐨勮妭鐐逛綅缃‘瀹氱綉缁滄嫇鎵戞儏鍐垫垨澧炲姞鍏抽敭鍖哄煙鐨勪紶鎰熷櫒鑺傜偣瀵嗗害锛岃繖绉嶆儏鍐佃绉颁负纭畾鎬ц鐩栭棶棰樸€?銆€銆€X锛嶹ang绛変汉鎻愬嚭浜嗕竴绉嶅垎甯冨紡缃戠粶閰嶇疆鍗忚(CCP)銆傝鍗忚瑙勫畾缃戠粶涓殑鑺傜偣涓€鍏辨湁涓夌鐘舵€侊紝鍒嗗埆涓轰紤鐪犮€佹椿鍔ㄥ拰鐩戝惉銆傜洃鍚姸鎬佹椂锛岃妭鐐归噰闆嗛偦灞呰妭鐐圭殑鐘舵€佷俊鎭紝鎵цK瑕嗙洊绠楁硶銆侹瑕嗙洊绠楁硶纭畾璇ヨ妭鐐瑰浜庝綍绉嶅伐浣滅姸鎬侊紝杩樺彲浠ヤ簨。
基于压缩感知的无线传感器网络数据收集研究中期报告中期报告：基于压缩感知的无线传感器网络数据收集研究一、研究背景和意义无线传感器网络（Wireless Sensor Networks，WSNs）是由多个分布式传感器节点组成的自组织网络，具有自组织、自适应、低功耗、低成本等特点。
WSNs 在农业、环境监测、智能交通、智能家居等领域得到广泛应用。
数据收集是 WSNs 中的一个重要问题，传感器节点需要将采集到的信息通过无线信道传输到基站或服务器，但由于传感器节点耗能高、通信距离短等原因，数据收集存在一系列挑战。
压缩感知理论和方法是近年来新兴的信号处理技术，在全面满足数据精度的前提下，能够在很大程度上减少数据采集和传输的成本和能耗。
由于压缩感知能够以较小的数据量获得信号的全局信息和重要特征，使得压缩感知近年来在 WSNs 数据收集中引起了越来越多的关注和研究。
本研究旨在通过压缩感知技术解决 WSNs 数据收集中的问题，探究如何采集和传输仅关注目标信息的精简数据，提高数据收集效率和降低成本和能耗。
二、研究进展1. 确定研究方法和内容本研究首先通过文献综述、调查问卷和专家访谈等方式获取了相关领域国内外最新的研究现状、理论基础和关键技术，进一步明确了研究的方法和内容。
2. 构建压缩感知模型在深入了解压缩感知理论和方法的基础上，本研究根据 WSNs 数据采集的特点，构建了基于压缩感知的数据收集模型。
该模型将 WSNs 数据采集分为三个关键环节：采集阶段、压缩阶段和传输阶段。
其中，采集阶段通过传感器节点采集原始数据、抽取目标信号并预处理；压缩阶段通过使用压缩感知算法对目标信号进行压缩和重构操作；传输阶段通过将压缩后的数据传输到基站或服务器完成数据收集。
3. 实验设计和数据分析本研究通过模拟仿真和实际数据实验两种方式设计了实验，对两种方法的实验结果进行了数据分析。
模拟仿真实验：本研究使用 MATLAB 软件对基于压缩感知的数据收集模型进行了仿真实验。
无线传感器网络中的数据收集与处理方法无线传感器网络（Wireless Sensor Network，WSN）是由许多小型、低功耗的传感器节点组成的自组织网络。
这些传感器节点可以感知不同的环境参数，并将采集到的数据传输给基站或其他节点进行处理。
在WSN中，数据的收集和处理是至关重要的环节。
本文将探讨WSN中常用的数据收集和处理方法。
一、数据收集方法1. 单跳数据收集：在单跳数据收集方法中，每个传感器节点直接将自己采集到的数据发送给基站或其他节点。
这种方法简单直接，但会导致大量的数据传输和能量消耗。
适用于小规模的传感器网络。
2. 多跳数据收集：多跳数据收集方法中，传感器节点之间通过中继节点进行数据传输。
中继节点接收到数据后，再转发给基站或其他节点。
这种方法可以减少数据传输的距离和能量消耗，适用于大规模的传感器网络。
3. 基于数据聚合的收集：数据聚合是指将多个传感器节点采集到的数据进行合并处理，以减少数据量和能量消耗。
常见的数据聚合算法有平均聚合、最大最小值聚合等。
这种方法可以提高网络的能量利用率，延长网络的生命周期。
二、数据处理方法1. 数据压缩：数据压缩是指利用数学模型和算法对采集到的原始数据进行压缩编码，以减少数据的存储和传输空间。
常见的数据压缩算法有差分编码、小波压缩等。
数据压缩可以减少数据传输的延迟和能量消耗。
2. 数据挖掘：数据挖掘是指对传感器网络中大量的数据进行分析和挖掘，以发现其中的规律和模式。
常见的数据挖掘方法包括聚类、分类、关联规则挖掘等。
数据挖掘可以帮助用户更好地理解和利用传感器网络中的数据。
3. 事件检测：传感器网络中常常需要检测特定的事件或异常情况。
事件检测方法通过对传感器节点采集到的数据进行分析和比较，判断是否发生了特定的事件。
常见的事件检测方法有阈值检测、模式匹配等。
事件检测可以实时地监测和报警，提高网络的实时性和可靠性。
三、数据收集与处理的优化1. 路由算法优化：传感器网络中的路由算法对数据收集和处理的效率有着重要影响。
无线传感器网络数据收集研究综述摘要：数据收集是无线传感器网络的重要技术之一，在对诸多文献进行归纳总结的基础上，介绍了几种无线传感器网络中周期性数据收集的方法。
关键词：无线传感器网络；数据收集；周期性中图分类号：TP212文献标识码：A 文章编号：1009-3044(2011)30-7370-02Overview of Data Gathering in Wireless Sensor NetworksHE Hui-lin, XIAO Qiang-hua(School of Mathematics & Physics, University of South China, Hengyang 421001, China)Abstract: Data gathering is crucial technology in wireless sensor networks. Based on the summary of some literatures, methods of Data gathering in wireless sensor networks are introduced.Key words: wireless sensor network; data gathering; periodicity无线传感器网络(Wireless Sensor Network，简称WSN)是一种由大量微型传感器节点通过无线通信自组织而成的网络系统，用于实时地监测、感知和采集某个区域的信息，对信息进行处理，并发送给观察者。
近年来，无线传感器在军事国防、工农业控制、生物医疗、环境监测等诸多领域得到了广泛的应用。
数据收集是无线传感器网络的基本功能之一，指将节点感知到的数据传送到Sink节点，使得用户可以进行分析和处理。
数据收集包括数据采集、数据处理和数据传输，其中数据传输会消耗大量的能量。
而传感器节点仅通过携带能量有限的电池进行供电，这使得网络中的能量资源有限，因此在无线传感器网络中，尽可能地保存节点能量，及有效地进行数据收集以尽量延长网络工作寿命是研究的热点。
目前，已有大量的工作对无线传感器网络中的数据收集进行研究，本文根据Sink节点是否固定来讨论传感器网络周期性数据收集方法，而周期性数据收集是指传感器网络对监测区域进行周期性监测，节点定期生成数据返回给用户。
1 Sink节点固定的数据收集1.1 基于簇的数据收集在基于簇的数据收集中，一部分节点将选择性地成为簇首(Cluster head)，负责收集簇内节点传输来的数据，然后直接或多跳地传送给Sink节点；网络中的其他节点则加入离自己最近的簇首，从而形成一种Voronoi结构的网络。
最典型的基于簇的协议是LEACH[1]。
在LEACH中，每个节点以一定概率成为簇首，然后网络中的其他节点选择加入离自己最近的簇首以组成簇。
所有的簇首和Sink节点会组成一个连通结构。
簇首负责收集簇内的数据，然后传送到上一级的簇首或sink节点。
显然，簇首的能量耗费要远远大于其他节点。
为了均衡节点的能量耗费，每隔一段时间会重新选择担任簇首的节点。
基于簇的协议会遇到如下问题：簇的规模（或最优的簇半径）如何确定、何时更换簇首、簇首的个数为多少、节点的能量如何能消耗均衡从而延长网络生命周期（第一个节点死亡的时间）等。
为了能解决如上问题，近年来的工作分别从簇结构的调整、簇首的选择、数据特征的抽取等方面来优化分簇协议。
从簇结构的调整方面来看，传统协议中簇的半径是固定或任意的。
文献[2]针对数据收集过程中靠近Sink的那部分节点需要转发大量从远方来的数据从而导致能量消耗过大而过早死亡的问题，提出采用非均匀分簇的方法来均衡不同区域节点的负载。
其思想是：靠近Sink节点的位置形成较小的簇，而远离Sink节点的位置形成较大的簇。
这样，靠近Sink 的那些节点就能节省出能量用于转发远方来数据。
从簇首的选择方面来看，文献[3]为了改变LEACH等传统分簇协议中节点仅根据自身被预设的概率成为簇首从而导致多个临近的节点可能同时成为簇首（造成簇首分布不均）的不足，提出结合节点邻居的状态来决定成为簇首，其中设计了一种新的簇首竞争参数，每个节点vi成为簇首的概率与Ea/Ei成反比，其中Ea是vi邻居的平均剩余能量，Ei是vi的剩余能量。
这样能够更好地使能量异构的节点均衡地的消耗能量。
从数据特征的抽取方面来看，文献[4]提出一种利用多项式回归提取数据特征，进而减少数据收集过程中数据传输量的方法。
首先，每个节点根据最近几轮中感知到数据的特征，近似出相应的回归函数。
然后，传送函数的相关因子和参数到Sink。
最后，Sink再通过这些因子和参数还原出原数据。
1.2 基于链的数据收集基于链的数据收集是将网络中的节点构成一条或若干条链，并在链上选择一个节点作为头节点与Sink节点进行通信，而链两端的数据均沿链传输到头结点。
基于链的数据收集的典型工作，按组成链的方式，可以分为单链式协议和多链式协议。
PEGASIS[5]是最早出现的单链式协议，也是基于链的协议中最典型的工作之一。
在PEGASIS中，每个节点根据信号的强度判断各个邻居节点与自己的距离。
然后，每个节点选择离自己最近的邻居进行通信以减少能量耗费。
链中每个节点将轮流成为头节点向Sink节点发送数据，这样可以均衡节点的能量耗费。
由于单链协议中节点组成的链较长，造成数据延迟较大而且头节点负载过重。
文献[6]提出一个基于同心圆环的改进PEGASIS协议，该协议是典型的多链式协议。
首先，根据各个节点到Sink节点的距离，划分网络为若干个以Sink节点为中心的同心圆环。
然后，每个同心圆环内的节点组成一条链，链上选择一个头节点负责接收其他节点的数据并进行完全汇聚。
最后，各个头节点再组成一条以Sink节点为头节点的链以传送数据。
由于各个同心圆环中节点数量不一定均衡，从而造成各节点能量消耗也不均衡。
1.3 基于树的数据收集基于树的数据收集是将网络中的所有节点组成一棵生成树，非叶子节点可以执行数据聚合，沿树枝路径把数据发送到根节点。
根据构造树的方式及树的典型工作可分为基于线性规划的协议、基于结构增长的协议和基于性能提高的协议。
1.3.1 基于线性规划的协议文献[7]提出的MLDR是最早出现的工作之一，是一个集中式的算法。
MLDR的目标是使网络生命周期最大化，其中网络生命周期定义为网络中第一个节点死亡的时间。
它首先将该问题建模为一个节点带有能量限制的最大流问题。
然后，利用整数规划来找出一个树的集合，集合中每棵树将被用来收集一次网络中全部节点的数据。
1.3.2 基于结构增长的协议文献[8]提出了第一个基于结构增长的构造树的算法PEDAP，这是一个以迭代方式来实现的算法。
在一个网络中，PEDAP给每条边分配一个代表其两个端点间通信代价(能量耗费)的权值。
初始时，树上只有一个Sink节点。
然后，在每轮迭代中，PEDAP选择一条权值最小而且有一个端点在树上而另一个端点不在树上的边加入树中。
此时，这条边上原先不在树上的端点也被加入树中。
因此树上的节点数量增加了一个，即树结构增长了。
如此迭代，直至网络中的所有节点被加入树。
该算法中的权值只反映了节点间通信代价，并没有考虑节点自身的能量水平，无法做到能量有效。
1.3.3 基于性能提高的协议文献[9]针对数据收集过程中数据无法进行汇聚的情形，提出一个新的方法来构造树。
首先，构造一棵任意的初始树T0。
然后，通过逐个改变每个节点的父亲，找到一棵生命周期比T0大的新树T1。
接着，通过同样的方法继续寻找生命周期比T1大的树T2。
如此迭代，直至无法找到生命周期更大的树。
它可以获得Ω(logn/loglogn)的近似率。
2 Sink节点移动的数据收集在Sink节点移动的数据收集中，由于Sink节点的位置不断变化，因此很难将所有节点组织成一个固定的拓扑结构来向Sink节点传送数据。
在这种情况下，只能由Sink节点移动到节点附近收集他们的数据。
根据Sink节点采集的数据是否被进行编码处理可分为非数据编码的移动数据收集和基于数据编码的移动数据收集。
2.1 非数据编码的移动数据收集非数据编码的移动数据收集指节点感知到数据后，如果移动Sink节点路过其附近区域，则将数据直接传送给移动Sink节点。
根据移动Sink节点行走的方式又可以分为路径可变的移动数据收集和路径固定的移动数据收集。
2.1.1 路径可变的移动数据收集对于路径可变的移动数据收集，移动Sink节点出发后将根据网络的状况不断调整自己的路线，以在保证数据采集率的前提下均衡节点的能量消耗。
文献[10]提出，移动Sink周期性地从一个固定点出发，在访问完所有节点并采集他们的数据后返回。
基本思想是：首先，将该问题形式化为一个混合整数规划并证明它是NP难的。
然后，通过求解这个混合整数规划制定移动Sink的路径。
该方法的目标是最小化移动Sink行走的路径长度，但数据收集延迟较高。
2.1.2 路径固定的移动数据收集对于路径固定的移动数据收集，移动Sink的路线是事先确定的，所有节点设法将自己的数据传输到路线附近的节点上以使移动Sink进行接收。
文献[11]提出将移动Sink形象化为一个数据骡子(Data mule)，当数据骡子经过某个区域时，区域内的节点可以将数据传送给它。
每个节点vi传送数据时必须满足一定的时间约束，即：需要至少ti的时间才能使Sink 完全接收到节点的数据。
其研究目标是最小化数据收集延迟。
首先，将这个问题形式化为一个带位置和时间约束的调度问题(Scheduling problem)。
然后，通过求解问题的线性规划方程来调节数据骡子的速度。
2.2 基于数据编码的移动数据收集基于数据编码的移动数据收集一般是针对无法固定部署Sink节点的网络。
为了防止自己死亡后数据的丢失，每个节点将自己的数据发送到网络中一部分节点上进行冗余存储。
由于节点的存储容量有限，节点存储数据时必须采取编码的方式，而由于节点的计算能力有限，选择的数据编码方式应具有较低的计算复杂度。
当所有节点完成数据分发和存储后，移动Sink节点在任意时刻从任意地点进入网络，只需要访问少量仍然存活的节点就能恢复出全部的数据。
文献[12]是基于LT码的方案，无须地理信息的支持，具有较高的解码性能。
基本思想是：当节点产生数据后，将多个数据副本分发到网络中。
所有节点在转发数据包时，将根据马尔科夫链理论中的稳态分布(Steady-state distribution)以概率选择下一跳。
当一个数据包被转发的次数达到一定程度（由LT码的参数决定）后，将被当前接收到它的节点存储并停止转发。
3 结束语WSN能量资源有限但应用领域广泛，尽管目前国内外已提出了许多出色的研究方法，但该领域仍然存在许多问题，尤其是在数据收集方面，需要提出更为安全更为高效的数据收集方法。
