壓縮感知在無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合中的應(yīng)用研究.pdf

1、隨著無(wú)線傳感器網(wǎng)絡(luò)的快速發(fā)展，網(wǎng)絡(luò)的規(guī)模越來(lái)越大，網(wǎng)絡(luò)中所產(chǎn)生的數(shù)據(jù)量也越來(lái)越多，如何對(duì)這些大規(guī)模的數(shù)據(jù)進(jìn)行處理是亟需解決的問(wèn)題。同時(shí)，無(wú)線傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)的能量和處理能力有限也是不容忽視的問(wèn)題。壓縮感知理論一經(jīng)提出就受到大批學(xué)者的關(guān)注，它的核心思想是用最少的觀測(cè)值重構(gòu)出原始信號(hào)。本文針對(duì)無(wú)線傳感器網(wǎng)絡(luò)中存在的問(wèn)題，以無(wú)線傳感器網(wǎng)絡(luò)中的數(shù)據(jù)融合為背景，做出了以下研究工作:
　　 1.對(duì)壓縮感知理論進(jìn)行了分析。比較了壓縮感知理論與

2、傳統(tǒng)奈奎斯特采樣定理的不同。從信號(hào)的稀疏變換、觀測(cè)矩陣的設(shè)計(jì)以及信號(hào)的重構(gòu)這幾個(gè)方面對(duì)壓縮感知理論的主要內(nèi)容進(jìn)行介紹，最后對(duì)現(xiàn)有的壓縮感知的重構(gòu)算法進(jìn)行了研究，分析了這幾種算法的優(yōu)缺點(diǎn)。
　　 2.改進(jìn)了一種基于壓縮感知的分簇?cái)?shù)據(jù)融合算法。本章首先對(duì)壓縮感知理論在無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合中的應(yīng)用進(jìn)行了分析，在以前的研究中，在利用壓縮感知算法對(duì)數(shù)據(jù)進(jìn)行隨機(jī)采樣時(shí)都只考慮了相鄰節(jié)點(diǎn)之間的時(shí)間相關(guān)性或者空間相關(guān)性，因此本文根據(jù)相鄰節(jié)點(diǎn)之

3、間的時(shí)空相關(guān)性，將壓縮感知與LEACH分簇算法結(jié)合起來(lái)，首先對(duì)網(wǎng)絡(luò)中的節(jié)點(diǎn)進(jìn)行分簇，分簇完成后在節(jié)點(diǎn)自身完成對(duì)數(shù)據(jù)的第一次壓縮，然后節(jié)點(diǎn)將處理過(guò)的數(shù)據(jù)發(fā)送至簇首節(jié)點(diǎn)，簇首節(jié)點(diǎn)再根據(jù)節(jié)點(diǎn)間的空間相關(guān)性，對(duì)數(shù)據(jù)進(jìn)行第二次壓縮。通過(guò)仿真比較分析，本章改進(jìn)的算法比只進(jìn)行一次壓縮的算法更能減少網(wǎng)絡(luò)中傳輸?shù)臄?shù)據(jù)量，平衡網(wǎng)絡(luò)的負(fù)載，降低網(wǎng)絡(luò)的能量消耗。
　　 3.改進(jìn)了一種基于壓縮感知的優(yōu)化分簇?cái)?shù)據(jù)融合算法。由于LEACH分簇算法是隨機(jī)對(duì)簇首

4、節(jié)點(diǎn)進(jìn)行選舉，不能確定簇首節(jié)點(diǎn)的具體位置，就很容易導(dǎo)致簇首節(jié)點(diǎn)在網(wǎng)絡(luò)中的分布不均勻，導(dǎo)致簇首節(jié)點(diǎn)過(guò)于密集或者過(guò)于稀疏。因此本文通過(guò)對(duì)網(wǎng)絡(luò)的能耗模型進(jìn)行分析，提出了一種優(yōu)化分簇?cái)?shù)據(jù)融合算法，將網(wǎng)絡(luò)劃分為許多大小相等的小正方形，簇首的數(shù)目與小正方形的數(shù)目相等，再根據(jù)小正方形中節(jié)點(diǎn)的剩余能量和距離小正方形的中心距離來(lái)選擇簇首。在完成節(jié)點(diǎn)的分簇后也采用壓縮感知算法對(duì)數(shù)據(jù)進(jìn)行二次壓縮。通過(guò)仿真分析，改進(jìn)后的算法能使得網(wǎng)絡(luò)節(jié)點(diǎn)的負(fù)載更均衡，網(wǎng)絡(luò)的壽