本發(fā)明是一種應用于無線傳感器網(wǎng)絡中的輕量級數(shù)據(jù)壓縮方法。主要用于解決無線傳感器之間傳輸數(shù)據(jù)的冗余性問題，屬于無線傳感器網(wǎng)絡技術(shù)領域。

背景技術(shù)：

隨著無線傳感網(wǎng)絡技術(shù)的快速發(fā)展，無線傳感網(wǎng)中在生活中應用也越來越廣泛，無線傳感器網(wǎng)絡是面向應用的，貼近客觀物理世界的網(wǎng)絡系統(tǒng)，其產(chǎn)生和發(fā)展一直都與應用相聯(lián)系。多年來經(jīng)過不同領域研究人員的演繹，WSN(Wireless Sensor Network)技術(shù)在軍事領域、精細農(nóng)業(yè)、安全監(jiān)控、環(huán)保監(jiān)測、建筑領域、醫(yī)療監(jiān)護、工業(yè)監(jiān)控、智能交通、物流管理、自由空間探索、智能家居等領域的應用得到了充分的肯定和展示。隨著無線傳感器網(wǎng)絡的大力發(fā)展，無線傳感器絡中數(shù)據(jù)傳輸量越來越大，其中包含了大量的冗余數(shù)據(jù)，傳輸這些冗余數(shù)據(jù)會消耗節(jié)點大量的能量，縮短節(jié)點壽命，影響網(wǎng)絡性能。

無線傳感器網(wǎng)絡中數(shù)據(jù)傳輸?shù)臄?shù)據(jù)壓縮方法能夠有效降低冗余數(shù)據(jù)的傳輸，節(jié)省網(wǎng)絡帶寬。在采集節(jié)點端對環(huán)境數(shù)據(jù)在時間上的相關性進行數(shù)據(jù)壓縮，在匯聚節(jié)點端對簇內(nèi)采集節(jié)點上傳的數(shù)據(jù)進行融合壓縮，減少冗余數(shù)據(jù)。

該方法有3個目的:

(1)通過環(huán)境數(shù)據(jù)在時間上的相關性，利用CLDCA(Changeable Length Data Compression Algorithm)算法對感知數(shù)據(jù)進行壓縮,減少采集節(jié)點對冗余數(shù)據(jù)的上傳，節(jié)省節(jié)點能耗，延遲使用壽命；

(2)通過WDAA(Weighting Data Aggression Algorithm)算法對匯聚節(jié)點對簇內(nèi)采集節(jié)點上傳的感知數(shù)據(jù)進行融合，能夠保證數(shù)據(jù)的準確性，減少冗余數(shù)據(jù)；

(3)通過減少無線傳感器網(wǎng)絡中冗余數(shù)據(jù)的傳輸量，能提高無線傳感器網(wǎng)絡帶寬利用率；

本發(fā)明方法針對無線傳感器網(wǎng)絡中傳輸大量的冗余數(shù)據(jù)問題，該方法能夠在采集節(jié)點端和匯聚節(jié)點端有效地減少冗余數(shù)據(jù)的傳輸量，節(jié)省節(jié)點能耗，提高網(wǎng)絡性能。

技術(shù)實現(xiàn)要素：

技術(shù)問題：本發(fā)明的目的是提供一種應用于無線傳感器網(wǎng)絡的輕量級數(shù)據(jù)壓縮方法，該方法能夠在采集節(jié)點端和匯聚節(jié)點端對冗余數(shù)據(jù)進行壓縮，減少節(jié)點冗余數(shù)據(jù)傳輸，節(jié)省節(jié)點能耗。

技術(shù)方案：本發(fā)明的方法是在采集節(jié)點端使用變長數(shù)據(jù)壓縮算法CLDCA對采集節(jié)點獲取的感知數(shù)據(jù)進行壓縮，這些感知數(shù)據(jù)在時間上存在相關性，使用CLDCA能夠有效壓縮同于數(shù)據(jù)，較少冗余數(shù)據(jù)的發(fā)送量，節(jié)省節(jié)點能耗。在匯聚節(jié)點端使用數(shù)據(jù)權(quán)重系數(shù)的數(shù)據(jù)融合算法WDAA對簇內(nèi)采集節(jié)點上傳的感知數(shù)據(jù)進行融合，該算法能夠保證融合后數(shù)據(jù)的準確性，同時能減少冗余數(shù)據(jù)的發(fā)送量，從而能節(jié)省節(jié)點能耗。

體系結(jié)構(gòu)

該方法是將簇內(nèi)的采集節(jié)點與匯聚節(jié)點組成一個數(shù)據(jù)采集與傳輸?shù)捏w系結(jié)構(gòu)，簇內(nèi)的采集節(jié)點主要負責數(shù)據(jù)的采集，再對采集的數(shù)據(jù)進行壓縮處理，減少冗余數(shù)據(jù)，然后再進行上傳壓縮后的感知數(shù)據(jù)。匯聚節(jié)點主要負責接收簇內(nèi)采集節(jié)點上傳的感知數(shù)據(jù)，同時對簇內(nèi)采集節(jié)點上傳的數(shù)據(jù)進行融合，減少上傳的冗余數(shù)據(jù)量，節(jié)省節(jié)點能耗。

方法流程

在整個設計方法中，主要分為兩部分：采集節(jié)點端、匯聚節(jié)點端。采集節(jié)點主要負責數(shù)據(jù)的采集，對采集的數(shù)據(jù)進行壓縮，再對壓縮過后的數(shù)據(jù)進行上傳。匯聚節(jié)點主要負責對簇內(nèi)采集節(jié)點上傳的感知數(shù)據(jù)進行融合，再對融合后數(shù)據(jù)進行上傳。采集節(jié)點變長數(shù)據(jù)壓縮算法CLDCA執(zhí)行流程(如圖1)：

本發(fā)明的輕量級數(shù)據(jù)壓縮方法在采集節(jié)點端使用變長數(shù)據(jù)壓縮算法CLDCA對采用數(shù)據(jù)進行壓縮，消除冗余數(shù)據(jù)；在匯聚節(jié)點端，使用數(shù)據(jù)權(quán)重系數(shù)的數(shù)據(jù)融合算法WDAA對匯聚節(jié)點端進行數(shù)據(jù)融合壓縮。所述的采集節(jié)點數(shù)據(jù)壓縮具體如下：

步驟1.1).采集節(jié)點對環(huán)境數(shù)據(jù)進行采樣，采樣數(shù)據(jù)個數(shù)加1；

步驟1.2).判斷采樣數(shù)據(jù)個數(shù)是否超出設定值，沒有超出執(zhí)行步驟1.3)，超出執(zhí)行步驟1.6)；

步驟1.3).與期望值進行比較，判斷采樣數(shù)據(jù)是否需要上傳，需要上傳數(shù)據(jù)則執(zhí)行步驟1.4),不需要上傳則執(zhí)行步驟1.1)；

步驟1.4).將要上傳數(shù)據(jù)傳輸?shù)桨l(fā)送模塊，設置標記位值為1，表明有數(shù)據(jù)上傳給匯聚節(jié)點；

步驟1.5).發(fā)送模塊將數(shù)據(jù)上傳給匯聚節(jié)點，轉(zhuǎn)步驟1.1)；

步驟1.6).判斷標記位，如果標記位值為1，將標記位值設為0，將采樣數(shù)據(jù)的統(tǒng)計數(shù)也設為0，執(zhí)行步驟1.1)，如果標記位值為0，執(zhí)行步驟1.7)；

步驟1.7).采集節(jié)點強制上傳一次采樣數(shù)據(jù)，計數(shù)清0。

所述的使用數(shù)據(jù)權(quán)重系數(shù)的數(shù)據(jù)融合算法WDAA對匯聚節(jié)點端進行數(shù)據(jù)融合壓縮具體如下：

步驟2.1).接收采集節(jié)點上傳的感知數(shù)據(jù)；

步驟2.2).計算感知數(shù)據(jù)的期望值E，計算每個感知數(shù)據(jù)與期望值的差值的絕對值，如果差值的絕對值超出閾值，就將其刪除，實現(xiàn)優(yōu)化采集節(jié)點上傳的感知數(shù)據(jù)；

步驟2.3).計算出優(yōu)化后的感知數(shù)據(jù)的標準差|σ|，將感知數(shù)據(jù)值分別以﹙-∞,E-2*|σ|]、﹙E-2*|σ|,E-|σ|]、﹙E-|σ|,E+|σ|]、﹙E+|σ|,E+2*|σ|]、﹙E+2*|σ|,+∞﹚標準分為5個層次，以步驟2.2)中計算的期望值作為中心，標準差決定了被優(yōu)化后感知數(shù)據(jù)分布的幅度；

步驟2.4).計算出每個層次中感知數(shù)據(jù)的平均值；

步驟2.5).求出各層次中感知數(shù)據(jù)的和值S_i，再計算出所有層次中感知數(shù)據(jù)的總和Sum，再計算各層次中感知數(shù)據(jù)的權(quán)重系數(shù)S_i/Sum；

步驟2.6).根據(jù)各層次中感知數(shù)據(jù)的平均值和權(quán)重系數(shù)的乘積可計算出各層次的權(quán)重值，將各層次的權(quán)重值進行求和，和值是所求的融合值；

步驟2.7).將融合后數(shù)據(jù)進行上傳，再執(zhí)行步驟2.1)。

有益效果：本發(fā)明方法提出了無線傳感器網(wǎng)絡中的一種輕量級數(shù)據(jù)壓縮方法，該方法在采集節(jié)點端和匯聚節(jié)點端分別對數(shù)據(jù)進行壓縮。在采集節(jié)點端采用變長數(shù)據(jù)壓縮算法CLDCA對感知數(shù)據(jù)進行壓縮，該算法能夠根據(jù)環(huán)境數(shù)據(jù)的變換改變計算期望值的序列長度，能不斷適應環(huán)境不斷變化的需求，在采集節(jié)點端對數(shù)據(jù)進行壓縮可以較少匯聚節(jié)點端對冗余數(shù)據(jù)的接收量，這樣能較少匯聚節(jié)點的接收能耗。在匯聚節(jié)點端使用權(quán)重系數(shù)的數(shù)據(jù)融合算法WDAA能夠針對采集節(jié)點上傳的數(shù)據(jù)特性來進行數(shù)據(jù)融合，保證融合數(shù)據(jù)的準確性，同時能大大較少冗余數(shù)據(jù)的上傳量。

混合性:在本發(fā)明中,將采集節(jié)點與匯聚節(jié)點組成一個體系結(jié)構(gòu)，從采集端開始對冗余數(shù)據(jù)進行壓縮，同時，在數(shù)據(jù)傳輸?shù)絽R聚節(jié)點時也對冗余數(shù)據(jù)進行壓縮，在兩端減少冗余數(shù)據(jù)。

高效性：本發(fā)明能夠有效較少無線傳感器網(wǎng)絡中冗余數(shù)據(jù)的傳輸量，節(jié)省節(jié)點能源，延長節(jié)點使用壽命，提高網(wǎng)絡帶寬利用利率。

附圖說明

圖1是本發(fā)明方法變長數(shù)據(jù)壓縮算法CLDCA執(zhí)行流程示意圖。

圖2是本發(fā)明方法權(quán)重系數(shù)的數(shù)據(jù)融合算法WDAA執(zhí)行流程示意圖。

圖3是本發(fā)明方法的CLDCA中消除冗余數(shù)據(jù)流程示意圖。

圖4是本發(fā)明方法的匯聚節(jié)點優(yōu)化感知數(shù)據(jù)流程示意圖。

圖5是本發(fā)明方法的WDAA中計算各狀態(tài)級數(shù)據(jù)和Sum_i,數(shù)據(jù)個數(shù)m_i流程示意圖。

圖6是本發(fā)明方法的WDAA中計算權(quán)重系數(shù)p_i和各狀態(tài)級中數(shù)據(jù)的平均值w_i流程示意圖。

圖7是本發(fā)明方法實現(xiàn)示意圖。

具體實施方式

為了方便描述，我們假定有如下應用實例：

定義：無線傳感器網(wǎng)絡中節(jié)點采集的數(shù)據(jù)集S，S為采集節(jié)點存儲的一個周期內(nèi)的感知數(shù)據(jù)集，S＝{d_i}(i∈[1，n])，d_i為采集節(jié)點的感知數(shù)據(jù)。

主要變量及其定義

變量名含義

T_p 采集節(jié)點上傳數(shù)據(jù)周期

D_i 采集的感知數(shù)據(jù)

x_i 匯聚節(jié)點端接收到的數(shù)據(jù)

λ 用戶可以接受的誤差閾值

n n為節(jié)點采集的數(shù)據(jù)序列的長度

E 長度為n感知數(shù)據(jù)的期望值

μ 誤差值μ＝|E-d'|

p_i 權(quán)重系數(shù)

Flag 采集節(jié)點上傳數(shù)據(jù)標記位，F(xiàn)lag＝＝1，表示有數(shù)據(jù)上傳；Flag＝＝0，表示無數(shù)據(jù)上傳

N_Tp 采集節(jié)點在周期T_p內(nèi)采集感知數(shù)據(jù)序列的最大長度N_Tp

Sum 計數(shù)變量，用于判斷是否超過N_Tp

一、部署在環(huán)境中的采集節(jié)點

采集節(jié)點獲取環(huán)境數(shù)據(jù)，同時對環(huán)境數(shù)據(jù)進行壓縮，較少冗余數(shù)據(jù)，并上傳給匯聚節(jié)點。

采集節(jié)點壓縮數(shù)據(jù)具體流程如下：

第一步：采集節(jié)點對環(huán)境進行采樣，初始化感知數(shù)據(jù)序列S＝{d_i}(i∈[1,n])：

1：初始化感知數(shù)據(jù)長度n；

2：采集節(jié)點對環(huán)境進行采樣，存儲長度為n的感知數(shù)據(jù)。

第二步：計算期望值：

計算感知數(shù)據(jù)的期望值；

第三步：進行消除冗余數(shù)據(jù)(如圖3)；

CLDCA算法中感知數(shù)據(jù)序列長度的最小值為1，最大值為T_P時間周期內(nèi)感知數(shù)據(jù)長度的值。感知數(shù)據(jù)長度可隨環(huán)境變化而自適應進行調(diào)整，不斷滿足環(huán)境的改變。

CLDCA算法將感知數(shù)據(jù)序列長度最小值設置為1主要是應對環(huán)境數(shù)據(jù)波動相當劇烈的情況，采集節(jié)點每一次采集到的數(shù)據(jù)可能與前一次采集的數(shù)據(jù)存在懸殊，為了保證數(shù)據(jù)的有效性，需要對數(shù)據(jù)進行實時上傳。

二、匯聚節(jié)點進行數(shù)據(jù)融合

匯聚節(jié)點接收簇內(nèi)采集節(jié)點上傳的感知數(shù)據(jù)，在數(shù)據(jù)進行融合前要對數(shù)據(jù)進行優(yōu)化，處理“噪音點”，“噪音點”即為異常數(shù)據(jù)，優(yōu)化數(shù)據(jù)是為了提高融合數(shù)據(jù)的精確度。WDAA執(zhí)行流程如下：

步驟一：優(yōu)化感知數(shù)據(jù)：

1：匯聚節(jié)點存儲感知數(shù)據(jù)，統(tǒng)計數(shù)據(jù)個數(shù)N；

2：計算感知數(shù)據(jù)的期望值；

3：處理“噪音點”(如圖4)：

步驟二：計算相關參數(shù)：

1：計算平均值和數(shù)據(jù)總和:

2：計算標準差：

3:計算各狀態(tài)級數(shù)據(jù)和Sum_i,數(shù)據(jù)個數(shù)m_i(如圖5)；

步驟三：計算權(quán)重系數(shù)p_i和各狀態(tài)級中數(shù)據(jù)的平均值w_i(如圖6)；

步驟四：計算融合數(shù)據(jù)：

w＝；

步驟五：上融合后的數(shù)據(jù)；

w是匯聚節(jié)點對采集節(jié)點上傳的感知數(shù)據(jù)進行融合的結(jié)果，WDAA算法能夠針對數(shù)據(jù)在數(shù)據(jù)集中占有的比重進行數(shù)據(jù)融合，這樣能夠提高數(shù)據(jù)的精確性。同時匯聚節(jié)點能夠減少上傳冗余數(shù)據(jù)，提高網(wǎng)絡帶寬利用率，節(jié)省能耗。