基于压缩感知的无线传感网络数据压缩

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (10): 78-81.

基于压缩感知的无线传感网络数据压缩

史久根，刘　　胜

合肥工业大学计算机与信息学院，合肥 230009

出版日期:2014-05-15 发布日期:2014-05-14

Data compression based on compressed sensing in Wireless Sensor Networks

SHI Jiugen, LIU Sheng

School of Computer and Information, Hefei University of Technology, Hefei 230009, China

Online:2014-05-15 Published:2014-05-14

摘要/Abstract

摘要： 无线传感器网络（Wireless Sensor Networks，WSN）负责感知、采集、处理和监控环境数据，但是容易受限于资源。压缩感知（Compressed Sensing，CS）理论表明，利用最优化理论，稀疏信号可以从少量的非自适应线性投影中高概率精确恢复。根据CS理论设计WSN的数据压缩方法只依赖于信号内在的结构和内容，而不是信号的带宽，弥补了WSN的不足；提出了基于稀疏随机投影的编码方法；仿真结果表明系统在满足误差要求条件下构造的数据包减少至结点数目的30%，提高了WSN通信效率，降低了系统能耗。

关键词: 压缩感知, 无线传感器网络, 分布式压缩感知, 随机投影, 分布式数据压缩

Abstract: Wireless Sensor Networks（WSN） are responsible for sensing, collecting, processing and monitoring environmental data, but resource is easily limited. The newly emerging Compressed Sensing（CS） theory holds that sparse signals can be exactly reconstructed with high probability from a small amount of non-adaptive linear measurement through optimization. A data compression method which is dependent only on the structure and content of the signal, rather than the bandwidth of the signal is designed by sparse random projections through network coding. The results of simulation show that this system not only improves the efficiency of WSN communication by reducing packets to 30% number of nodes, but also reduces the system energy consumption under the error requirement.

Key words: compressed sensing, Wireless Sensor Networks, distributed compressed sensing, random project, distributed data compression

史久根，刘　　胜. 基于压缩感知的无线传感网络数据压缩[J]. 计算机工程与应用, 2014, 50(10): 78-81.

SHI Jiugen, LIU Sheng. Data compression based on compressed sensing in Wireless Sensor Networks[J]. Computer Engineering and Applications, 2014, 50(10): 78-81.

[1]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[2]	张珊珊，赵建华. 基于IALM的穿墙雷达成像算法[J]. 计算机工程与应用, 2021, 57(11): 77-83.
[3]	孙泽宇，董汉磊，苏艳超，徐琛，聂雅琳，李传锋. 传感网中基于能量有效的多参数数据重构方法[J]. 计算机工程与应用, 2021, 57(11): 103-110.
[4]	龚本灿，周峰，陈鹏，任东. 基于路径质量的无线传感网路由协议[J]. 计算机工程与应用, 2020, 56(6): 99-104.
[5]	孙泽宇，吕治国. 大规模MIMO加权正交匹配追踪信道估计算法[J]. 计算机工程与应用, 2020, 56(5): 118-124.
[6]	陈子兆，矫文成. 改进的稀疏深度置信网络[J]. 计算机工程与应用, 2020, 56(2): 62-67.
[7]	万东琴，卿朝进，阳庆瑶，蔡斌，余旺. 叠加特征辅助的1-bit CS音频传输[J]. 计算机工程与应用, 2020, 56(16): 69-74.
[8]	郑祖朋，汪祖民，彭杨，季长清，秦静. 能量采集传感器网络中MAC协议研究综述[J]. 计算机工程与应用, 2020, 56(15): 24-29.
[9]	韩雨涝. 非并行二分法的覆盖空洞修复算法[J]. 计算机工程与应用, 2020, 56(12): 87-92.
[10]	邵然，沈军. 二维逐步正交匹配追踪算法[J]. 计算机工程与应用, 2020, 56(1): 209-215.
[11]	杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.
[12]	朱瑞金，龚雪娇，唐波. 分布式混合压缩感知无线传感器网络数据收集[J]. 计算机工程与应用, 2019, 55(6): 73-80.
[13]	乔冉，闫江毓，唐良瑞. 基于多维高斯的无线传感器网络定位算法[J]. 计算机工程与应用, 2019, 55(23): 99-104.
[14]	王艳娇，唐琦. 改进的异构无线传感器网络路由能量算法[J]. 计算机工程与应用, 2019, 55(22): 80-85.
[15]	杨赵琪璘，彭定涛，唐琦，罗孝敏. 基于稀疏优化lp正则化的光滑化拟牛顿算法[J]. 计算机工程与应用, 2019, 55(22): 163-171.