張　策　張　霞　李　鷗　王　沖　張大龍

(中國(guó)人民解放軍信息工程大學(xué)信息系統(tǒng)工程學(xué)院　鄭州　450001)

?

基于CS的無(wú)線傳感器網(wǎng)絡(luò)動(dòng)態(tài)分簇?cái)?shù)據(jù)收集算法

張策張霞李鷗王沖張大龍

(中國(guó)人民解放軍信息工程大學(xué)信息系統(tǒng)工程學(xué)院鄭州450001)

(cezhang@foxmail.com)

降低能耗、實(shí)現(xiàn)網(wǎng)絡(luò)的能量均衡和延長(zhǎng)網(wǎng)絡(luò)壽命，是設(shè)計(jì)無(wú)線傳感器網(wǎng)絡(luò)(wireless sensor networks, WSNs)數(shù)據(jù)收集算法所面臨的主要挑戰(zhàn)之一.針對(duì)現(xiàn)有無(wú)線傳感器網(wǎng)絡(luò)分簇?cái)?shù)據(jù)收集算法不考慮網(wǎng)絡(luò)中事件源的發(fā)生對(duì)數(shù)據(jù)空間相關(guān)性的影響的情況，提出了一種基于壓縮感知的以事件源為中心的動(dòng)態(tài)分簇(CS-based dynamic clustering centred on event source, CS-DCES)算法.該算法利用歐氏距離空間相關(guān)性模型和第一聯(lián)合稀疏模型，將受同一個(gè)事件源影響的節(jié)點(diǎn)分在一個(gè)簇中，并以簇為單位進(jìn)行數(shù)據(jù)重構(gòu)，以此增加簇內(nèi)節(jié)點(diǎn)感知數(shù)據(jù)的空間相關(guān)性，減小每簇?cái)?shù)據(jù)觀測(cè)量；利用壓縮感知收集數(shù)據(jù)，計(jì)算事件源位置，根據(jù)事件源位置變化實(shí)行動(dòng)態(tài)分簇.并通過(guò)實(shí)驗(yàn)分析了影響該算法性能的3個(gè)因素，即事件的衰減系數(shù)、事件源之間的距離和事件源個(gè)數(shù)，最后給出了算法的適用條件.仿真分析表明，相對(duì)于已有算法，CS-DCES在滿足同一重構(gòu)精度的前提下，有效減小了數(shù)據(jù)傳輸量，節(jié)省網(wǎng)絡(luò)能耗，延長(zhǎng)網(wǎng)絡(luò)壽命.

無(wú)線傳感器網(wǎng)絡(luò)；數(shù)據(jù)收集；事件源；空間相關(guān)性；動(dòng)態(tài)分簇

無(wú)線傳感器網(wǎng)絡(luò)(wireless sensor networks, WSNs)廣泛應(yīng)用于醫(yī)療救護(hù)空間探索、軍事應(yīng)用、智能家居和環(huán)境監(jiān)測(cè)等領(lǐng)域，被看作連接人類社會(huì)與物理世界的紐帶.傳感器節(jié)點(diǎn)通常依靠電池供電，能量受限，因此降低能耗、延長(zhǎng)網(wǎng)絡(luò)壽命是WSNs數(shù)據(jù)收集方法研究的一大挑戰(zhàn).

WSNs中節(jié)點(diǎn)布設(shè)密度大，節(jié)點(diǎn)感知到的數(shù)據(jù)存在大量冗余信息，且受環(huán)境影響十分大.傳統(tǒng)的數(shù)據(jù)收集方法是通過(guò)多跳中繼的方式將節(jié)點(diǎn)采集到的信息傳送給匯聚節(jié)點(diǎn)(Sink)，這種方法會(huì)收集到大量冗余信息，且越靠近Sink的節(jié)點(diǎn)需要轉(zhuǎn)發(fā)消息的次數(shù)越多、耗能越快，在Sink周?chē)仔纬赡芰靠斩?，使整個(gè)網(wǎng)絡(luò)癱瘓.

近年來(lái)，壓縮感知理論(compression sensing, CS)[1-3]給信息處理領(lǐng)域帶來(lái)了革命性的突破，它指出將可壓縮高維信號(hào)投影到某個(gè)特定低維空間上，通過(guò)數(shù)值最優(yōu)化問(wèn)題從這些少量投影中準(zhǔn)確重構(gòu)出原始信號(hào).文獻(xiàn)[4]將CS理論應(yīng)用在單跳的WSNs，實(shí)現(xiàn)了對(duì)數(shù)據(jù)的壓縮;文獻(xiàn)[5-6]將壓縮感知理論應(yīng)用于大規(guī)模多跳WSNs中，有效減少網(wǎng)內(nèi)數(shù)據(jù)的傳輸能量損耗，且保持了網(wǎng)內(nèi)能量均衡.壓縮感知理論在WSNs中數(shù)據(jù)收集的成功應(yīng)用，解決了網(wǎng)絡(luò)能量消耗不均衡問(wèn)題，且具有壓縮過(guò)程簡(jiǎn)單而數(shù)據(jù)重構(gòu)過(guò)程復(fù)雜的特點(diǎn)，適合傳感器節(jié)點(diǎn)信息處理能力不足和能源受限的特點(diǎn).文獻(xiàn)[7]針對(duì)WSNs分布式數(shù)據(jù)收集特點(diǎn)，首次提出分布式壓縮感知理論(distributed compressed sensing, DCS)，實(shí)現(xiàn)了在WSNs中對(duì)多信號(hào)的壓縮感知編碼.文獻(xiàn)[8]將CS技術(shù)與Pegasis路由協(xié)議相結(jié)合，構(gòu)建路由鏈，在鏈中壓縮數(shù)據(jù)以改善網(wǎng)絡(luò)壽命，在Sink處統(tǒng)一重構(gòu)數(shù)據(jù)，與樹(shù)形路由中最小生成樹(shù)相比，雖然鏈路路由中節(jié)點(diǎn)之間每一跳能耗最小，但整個(gè)鏈路能耗不一定達(dá)到最小，且網(wǎng)絡(luò)魯棒性差.文獻(xiàn)[5,9]將CS技術(shù)與樹(shù)形路由協(xié)議相結(jié)合，以獲得高效的壓縮數(shù)據(jù)，但是簡(jiǎn)單地在樹(shù)形路由中使用CS，會(huì)增加葉節(jié)點(diǎn)和距離葉節(jié)點(diǎn)較近的中間節(jié)點(diǎn)的通信量，而網(wǎng)絡(luò)的吞吐量并沒(méi)有提升.文獻(xiàn)[10]針對(duì)該問(wèn)題提出了混合壓縮感知(Hybrid-CS)數(shù)據(jù)收集方法，在樹(shù)形路由中僅僅對(duì)一部分通信量高的父節(jié)點(diǎn)使用壓縮感知技術(shù)，以此減少網(wǎng)絡(luò)數(shù)據(jù)通信量.

以上研究針對(duì)平面網(wǎng)絡(luò)結(jié)構(gòu)，當(dāng)網(wǎng)絡(luò)規(guī)模較大時(shí)，通過(guò)分簇構(gòu)建層次化網(wǎng)絡(luò)結(jié)構(gòu)，更有助于提高網(wǎng)絡(luò)數(shù)據(jù)傳輸和管理的效率.文獻(xiàn)[11]借鑒Leach的思想，研究適合于分簇結(jié)構(gòu)的壓縮感知數(shù)據(jù)收集，建立模型計(jì)算出全網(wǎng)最優(yōu)簇首個(gè)數(shù)，隨機(jī)選取簇首，并使得簇首均勻分布在網(wǎng)絡(luò)中，Sink得到每個(gè)簇收集到的數(shù)據(jù)后統(tǒng)一重構(gòu).以上文獻(xiàn)均沒(méi)考慮節(jié)點(diǎn)感知數(shù)據(jù)之間的相關(guān)性問(wèn)題和事件源對(duì)數(shù)據(jù)相關(guān)性的影響，在WSNs中會(huì)有一些人們感興趣的事件源發(fā)生，如溫度監(jiān)測(cè)場(chǎng)景中的著火點(diǎn)，影響著局部采集數(shù)據(jù)之間的空間相關(guān)性.文獻(xiàn)[12-15]分析了WSNs網(wǎng)絡(luò)性能受空間相關(guān)性的影響很大.文獻(xiàn)[16]分析了網(wǎng)絡(luò)中影響源對(duì)數(shù)據(jù)相關(guān)性的影響，簇內(nèi)的全局影響因子會(huì)使得簇中的共有稀疏度增加而特有稀疏度減小，總的稀疏度和觀測(cè)數(shù)量M減小，通過(guò)空間相關(guān)性和最優(yōu)距離對(duì)網(wǎng)內(nèi)節(jié)點(diǎn)分簇，在Sink端統(tǒng)一重構(gòu)，但是文中沒(méi)有確切地給出影響源的位置和影響范圍.

為此本文提出一種基于壓縮感知的以事件源為中心的動(dòng)態(tài)分簇(compressive sensing based dynamic clustering centered on event source, CS-DCES)算法，考慮網(wǎng)絡(luò)中事件源的發(fā)生對(duì)數(shù)據(jù)相關(guān)性的影響，以事件源為中心進(jìn)行分簇，每個(gè)簇內(nèi)收集到的數(shù)據(jù)單獨(dú)進(jìn)行數(shù)據(jù)重構(gòu);在數(shù)據(jù)收集過(guò)程中計(jì)算事件源方位，根據(jù)事件源方位變化動(dòng)態(tài)分簇，以實(shí)現(xiàn)高精度、低能耗的數(shù)據(jù)收集.

1　系統(tǒng)模型

(1)

(2)

WSNs中，每個(gè)傳感器節(jié)點(diǎn)采集的信號(hào)強(qiáng)度是由網(wǎng)絡(luò)中S個(gè)事件源的信號(hào)疊加而成的，即[17]

XN×1=ΨN×NVN×1=

(3)

其中Ψ為傳感器感知數(shù)據(jù)隨距離衰減系數(shù)矩陣.本文利用歐氏距離的空間相關(guān)性模型.假定傳感器節(jié)點(diǎn)i和j的坐標(biāo)為(xi,yi)和(xj,yj)，2節(jié)點(diǎn)之間的距離為

(4)

若在節(jié)點(diǎn)i處有事件源發(fā)生，節(jié)點(diǎn)i接收到信號(hào)功率為Pi，節(jié)點(diǎn)j接收到信號(hào)功率為Pj，信號(hào)按歐氏距離衰減，則有

(5)

其中,C為常數(shù)，n為信號(hào)的衰減系數(shù).不同類型的事件源衰減系數(shù)不同.2個(gè)區(qū)域中節(jié)點(diǎn)采集到的信息之間的相關(guān)性與其歐氏距離成反比，距離越近、衰減系數(shù)n越小，節(jié)點(diǎn)采集到的信息越接近，相關(guān)性越大.本文令：

(6)

使用壓縮感知技術(shù)進(jìn)行數(shù)據(jù)收集，假設(shè)隨機(jī)觀測(cè)矩陣為Φ=(φi j)M×N，其中M?N，使用文獻(xiàn)[7]中給出的測(cè)量矩陣：

(8)

一般地，由于網(wǎng)絡(luò)中事件源發(fā)生個(gè)數(shù)S?N，向量V是稀疏的.通過(guò)此模型，可以將計(jì)算事件源方位向量V問(wèn)題轉(zhuǎn)化為已知Y求V的問(wèn)題.根據(jù)文獻(xiàn)[17]，式(8)符合壓縮感知理論的觀測(cè)模型，可將計(jì)算過(guò)程轉(zhuǎn)化為一個(gè)求解凸優(yōu)化問(wèn)題：

(9)

2　基于相關(guān)性模型的分簇方法

在大規(guī)模WSNs中，節(jié)點(diǎn)感知到的數(shù)據(jù)之間存在著空間上的相關(guān)性.本文利用第一聯(lián)合稀疏模型(joint sparsity model-1, JSM-1)[18]對(duì)WSNs中節(jié)點(diǎn)采集到的信息進(jìn)行建模分析.

在JSM-1中，假設(shè)網(wǎng)絡(luò)中有N0個(gè)節(jié)點(diǎn)，節(jié)點(diǎn)j采集數(shù)據(jù)xj可以分為共有數(shù)據(jù)部分zc和特有數(shù)據(jù)部分zj，即：

(10)

共有數(shù)據(jù)與特有數(shù)據(jù)在同一個(gè)稀疏基Ψ下稀疏表示為：

(11)

(12)

其中,共有數(shù)據(jù)的稀疏度為Kc，特有數(shù)據(jù)zj的稀疏度為Kj.根據(jù)壓縮感知理論要求，為了保證在數(shù)據(jù)重構(gòu)時(shí)的精度，觀測(cè)次數(shù)M滿足：

(13)

(14)

傳統(tǒng)的壓縮感知數(shù)據(jù)收集方法中，將所有傳感器節(jié)點(diǎn)采集的信息統(tǒng)一進(jìn)行重構(gòu).然而由于網(wǎng)絡(luò)環(huán)境復(fù)雜，往往有多個(gè)分布于不同區(qū)域的事件，影響傳感器節(jié)點(diǎn)采集的數(shù)據(jù)，這些事件之間是彼此獨(dú)立的.例如，在室外溫度測(cè)量場(chǎng)景，全局影響因子如日照、風(fēng)等，影響共有數(shù)據(jù)部分zc；局部影響因子如水流、動(dòng)物和著火點(diǎn)等，影響特有數(shù)據(jù)部分zj.在這種情況下，全網(wǎng)節(jié)點(diǎn)統(tǒng)一進(jìn)行處理的將使得Kc較小而Kj較大，總的稀疏度K增大，從而使得觀測(cè)次數(shù)M增高.

網(wǎng)絡(luò)中的事件源會(huì)成為影響其周邊節(jié)點(diǎn)感知數(shù)據(jù)的主要因素，且節(jié)點(diǎn)離事件源越近，受影響程度將越大.因此本文提出以事件源為中心分簇.假設(shè)簇內(nèi)共有N1個(gè)節(jié)點(diǎn)，若隨機(jī)分簇，以簇為單位進(jìn)行數(shù)據(jù)重構(gòu)，則簇內(nèi)總稀疏度Kintra為：

(15)

(16)

3　動(dòng)態(tài)分簇?cái)?shù)據(jù)收集算法

針對(duì)有感興趣的事件源發(fā)生的WSNs，本文根據(jù)以上2種模型，提出了基于壓縮感知的動(dòng)態(tài)分簇?cái)?shù)據(jù)收集算法.整個(gè)算法流程如圖1所示：

Fig. 1　CS-DCES algorithm flow chart.圖1　CS-DCES算法流程圖

算法具體過(guò)程如下：

1) 獲取事件源方位.假設(shè)網(wǎng)絡(luò)中有事件源發(fā)生，且Sink已經(jīng)得到了全網(wǎng)節(jié)點(diǎn)采集到的數(shù)據(jù)Xtot，此數(shù)據(jù)可以通過(guò)非壓縮感知算法或者壓縮感知算法方式獲得.由系統(tǒng)模型中式(3)可知，事件源方位向量Vtot為

(17)

2) 以事件源為中心分簇.根據(jù)相關(guān)性模型，Sink獲取事件源方位后，通知距離每個(gè)事件源位置最近的傳感器節(jié)點(diǎn)，將其確定為簇首；若同時(shí)有多個(gè)節(jié)點(diǎn)與事件源距離相等且最近，則Sink在這些節(jié)點(diǎn)中隨機(jī)選出1個(gè)節(jié)點(diǎn)作為本簇簇首，此時(shí)一定會(huì)選出1個(gè)簇首，即分簇收斂.由簇首廣播其簇首信息，其余節(jié)點(diǎn)選擇距離自己最近的簇首，加入該簇.Sink為每個(gè)簇首分配不同的隨機(jī)種子ξ，簇首接收隨機(jī)種子ξ后與本簇內(nèi)成員節(jié)點(diǎn)IDj組合生成隨機(jī)種子(ξ,IDj)，利用該種子隨機(jī)生成M維的觀測(cè)矩陣Φ′.圖2為網(wǎng)絡(luò)中有3個(gè)事件源時(shí)的分簇情況.

Fig. 2　Network clustering diagram.圖2　網(wǎng)絡(luò)分簇示意圖

算法1. 在有N1個(gè)成員節(jié)點(diǎn)的簇中，簇首在第t輪第i個(gè)測(cè)量值的收集算法.

②fori=1toM

④ end for

⑥ end if

4) 數(shù)據(jù)重構(gòu).Sink收到S個(gè)簇首發(fā)送的觀測(cè)向

算法2. Sink重構(gòu)第i個(gè)簇內(nèi)的數(shù)據(jù).

① if Sink 收到簇首觀測(cè)向量Yithen

②fori=1toS

ΦiΨiVi;

⑤ end for

⑧ end if

⑩ ifε>ζthen

6) 簇首輪換.若經(jīng)Sink判斷，網(wǎng)絡(luò)中事件源方位沒(méi)有發(fā)生變化，為了使簇中能耗均衡，1次數(shù)據(jù)收集后，保持各個(gè)簇的規(guī)模和位置不變，在簇內(nèi)實(shí)行簇首輪換.各個(gè)簇內(nèi)的成員節(jié)點(diǎn)將自身剩余能量信息發(fā)送至簇首，由簇首判斷選取簇內(nèi)剩余能量最大的節(jié)點(diǎn)作為下一輪數(shù)據(jù)收集的簇首，并將新簇首信息發(fā)送給簇內(nèi)其余成員節(jié)點(diǎn)進(jìn)行簇首輪換，以防止簇內(nèi)能量消耗不均衡造成網(wǎng)絡(luò)過(guò)早癱瘓.

4　仿真與分析

為了驗(yàn)證CS-DCES算法的有效性，本文在MATLAB平臺(tái)下進(jìn)行算法仿真分析，仿真環(huán)境設(shè)置如下：全網(wǎng)有400個(gè)傳感器節(jié)點(diǎn)均勻分布在20×20的區(qū)域中，網(wǎng)絡(luò)中有S個(gè)事件源發(fā)生.Sink在網(wǎng)絡(luò)中的坐標(biāo)為(10,50)并有固定的能源供應(yīng)，假設(shè)網(wǎng)絡(luò)中普通節(jié)點(diǎn)的初始能量值為0.05，一旦其能量小于0時(shí)，即認(rèn)為該節(jié)點(diǎn)死亡停止工作，本文采用正交匹配追蹤算法(orthogonalmatchingpursuit,OMP)作為重構(gòu)算法.

在WSNs中，大部分基于壓縮感知的數(shù)據(jù)收集算法較少考慮采集數(shù)據(jù)由于受不同事件源影響導(dǎo)致空間相關(guān)性改變，而把網(wǎng)絡(luò)中所有節(jié)點(diǎn)采集的數(shù)據(jù)看作1個(gè)信號(hào)并在Sink處統(tǒng)一重構(gòu)，例如文獻(xiàn)[11],為了便于描述，本文將該類算法記為CS-URA(unifiedrestructuringalgorithm)算法.文獻(xiàn)[16]中的SC-CDG算法考慮了網(wǎng)絡(luò)中事件源對(duì)數(shù)據(jù)相關(guān)性的影響，卻沒(méi)有確切地給出影響源的位置和影響范圍，本文擬與CS-URA算法和SC-CDG算法進(jìn)行比較，比較3種算法在重構(gòu)數(shù)據(jù)信噪比和網(wǎng)絡(luò)壽命上的性能優(yōu)劣.仿真結(jié)果為1 000次仿真之后的平均值.

整個(gè)網(wǎng)絡(luò)中的能量消耗，主要是節(jié)點(diǎn)與簇首、簇首與Sink之間的無(wú)線通信能耗.本文采用文獻(xiàn)[11]給出的能量消耗模型，即

ETx(L,d)=Eelec×L+εamp×L×d2,

ERx(L)=Eelec×L,

其中，ETx(L,d)表示數(shù)據(jù)發(fā)送節(jié)點(diǎn)將1個(gè)L位的數(shù)據(jù)傳輸d時(shí)所消耗的能量，ERx(L)表示數(shù)據(jù)接收節(jié)點(diǎn)接收L位數(shù)據(jù)消耗的能量，Eelec表示節(jié)點(diǎn)發(fā)送或接收單位位所消耗的能量，εamp表示節(jié)點(diǎn)功率放大系數(shù).

4.1算法性能比較

如圖3所示給出了重構(gòu)信噪比SNR和觀測(cè)次數(shù)M的關(guān)系.仿真假設(shè)網(wǎng)絡(luò)中有2個(gè)事件源發(fā)生，其位置為(15,5)和(5,15)，衰減系數(shù)n=4.由圖3可知，隨著觀測(cè)次數(shù)M的增加，信噪比提高，且只需較小的觀測(cè)次數(shù)就能達(dá)到較高的重構(gòu)精度；當(dāng)M持續(xù)增大，信噪比趨于平穩(wěn)，重構(gòu)精度達(dá)到最優(yōu)，M的持續(xù)增大并不會(huì)帶來(lái)更高的重構(gòu)精度，反而會(huì)增加網(wǎng)絡(luò)的能耗開(kāi)銷(xiāo).當(dāng)信噪比SNR=27 dB時(shí)，CS-URA算法觀測(cè)次數(shù)M=33，SC-CDG算法觀測(cè)次數(shù)M=32，而CS-DCES算法的觀測(cè)次數(shù)為M=13，減少了60%左右.由于CS-DCES算法以事件源為中心，將空間相關(guān)性高的節(jié)點(diǎn)分在一個(gè)簇中，與其他2種算法相比使得簇內(nèi)總的稀疏度降低，當(dāng)以簇為單位重構(gòu)數(shù)據(jù)時(shí)，可以以較小的觀測(cè)次數(shù)M達(dá)到同樣的精度.

Fig. 3　The relationship between reconstruction SNR 　　　and the number of measurements.圖3　重構(gòu)信噪比與觀測(cè)次數(shù)關(guān)系

圖4反映了當(dāng)數(shù)據(jù)包長(zhǎng)度為1 B、信噪比SNR=27 dB時(shí)數(shù)據(jù)收集輪數(shù)r與死亡節(jié)點(diǎn)數(shù)的關(guān)系圖.由仿真結(jié)果可得，CS-URA算法在收集445輪時(shí)第1個(gè)節(jié)點(diǎn)死亡，收集674輪時(shí)所有節(jié)點(diǎn)死亡；SC-CDG算法在收集632輪時(shí)第1個(gè)節(jié)點(diǎn)死亡，收集641輪時(shí)所有節(jié)點(diǎn)死亡；CS-DCES算法收集1892輪時(shí)第1個(gè)節(jié)點(diǎn)死亡，收集2 164輪時(shí)所有節(jié)點(diǎn)死亡.相比之下，網(wǎng)絡(luò)壽命增加了221%和237%，有效延長(zhǎng)了網(wǎng)絡(luò)壽命，且由于本方法使用了簇首輪換機(jī)制，使得整個(gè)網(wǎng)內(nèi)能耗得到了均衡.

Fig. 4　Network lifetime.圖4　網(wǎng)絡(luò)壽命

Fig. 5　Reconstruction of event source position.圖5　事件源位置重構(gòu)

4.2定位事件源

在CS-DCES算法中，事件源位置的確定直接決定了算法的有效性.在本文所建立的模型下，CS-DCES與CS-URA均能重構(gòu)出事件源位置，CS-DCES算法在相同重構(gòu)精度時(shí)所需觀測(cè)次數(shù)更少，其性能如圖5所示.CS-DCES算法重構(gòu)事件源方位如圖6所示.由圖6可知CS-DCES算法可以精確重構(gòu)出事件源位置，以判斷事件源位置是否發(fā)生變化，為本算法的有效性提供了條件.

Fig. 6　Event source distribution map.圖6　事件源分布圖

4.3影響算法性能因素分析

CS-DCES算法是以事件源為中心對(duì)全網(wǎng)節(jié)點(diǎn)進(jìn)行分簇，所以事件的衰減系數(shù)n、事件源之間的距離d和事件源個(gè)數(shù)S都會(huì)影響CS-DCES的性能，下面通過(guò)仿真討論上述因素對(duì)算法性能的影響.

圖7是衰減系數(shù)n與SNR的關(guān)系.2個(gè)事件源位置為(1,1)和(20,20)，相距d=26.87.當(dāng)衰減系數(shù)分別為2.5，3，3.5，4，6，8時(shí)，較小的觀測(cè)次數(shù)M就能達(dá)到較高的SNR;當(dāng)衰減系數(shù)n=2時(shí)，即事件源的影響范圍擴(kuò)大，SNR最高只有15，重構(gòu)精度變低，此時(shí)CS-DCES算法就不再適用.進(jìn)一步仿真了n=2時(shí)CS-URA算法的性能，并與CS-DCES算法進(jìn)行了對(duì)比，結(jié)果如圖8所示.

Fig. 7　Impact of attenuation coefficient on performance.圖7　衰減系數(shù)對(duì)性能影響

Fig. 8　Comparison of CS-DCES and CS-URA. 圖8　CS-DCES算法與CS-URA算法性能對(duì)比

M<76時(shí),CS-URA算法的精度沒(méi)有CS-DCES算法的高；M>76時(shí)，CS-URA算法卻能達(dá)到較高精度.由于CS-DCES算法根據(jù)節(jié)點(diǎn)與事件源的距離，將主要受同一個(gè)事件源影響的節(jié)點(diǎn)分在一個(gè)簇中.當(dāng)n減小，會(huì)使得位于2個(gè)事件源之間、同時(shí)受到這2個(gè)事件源影響的節(jié)點(diǎn)受影響的程度增大，且使2種影響程度差距變小.這樣在每個(gè)簇單獨(dú)重構(gòu)時(shí)，簇中一部分節(jié)點(diǎn)采集到的數(shù)據(jù)主要受本簇中事件源的影響，另一部分節(jié)點(diǎn)采集到的數(shù)據(jù)同時(shí)受2個(gè)事件源的影響，此時(shí)CS-DCES算法中簇內(nèi)總稀疏度K并不會(huì)減小甚至增大，重構(gòu)誤差變大，性能變差.

圖9反映了網(wǎng)絡(luò)中有2個(gè)事件源時(shí)，事件源距離d對(duì)CS-DCES算法性能的影響.圓形曲線表示2個(gè)事件源位于(3,3)和(18,18)時(shí)算法性能，三角曲線表示2個(gè)事件源位于(7,5)，(13,19)時(shí)算法性能，方形曲線表示2個(gè)事件源位于(10,9)，(9,15)時(shí)算法性能.由圖9可知,事件源之間距離越大，SNR越高.當(dāng)事件源之間的距離很小時(shí)，重構(gòu)精度會(huì)很差，此時(shí)CS-DCES算法將不再具有優(yōu)越性能.事件源距離的增大，削弱了簇與簇之間的相互影響，使得簇內(nèi)的數(shù)據(jù)相關(guān)性主要受本簇內(nèi)事件源的影響，從而降低簇中數(shù)據(jù)的稀疏度，減小觀測(cè)次數(shù).

Fig. 9　Impact of event source distance on performance.圖9　事件源距離對(duì)性能影響

圖10為事件源個(gè)數(shù)S對(duì)CS-DCES算法性能的影響.衰減系數(shù)n=4，使得事件源均勻地分布在網(wǎng)絡(luò)中，正方形曲線表示事件源位于(5,15)，(15,5)時(shí)的算法性能，三角形曲線表示事件源位于(3,3)，(18,18)，(15，9)時(shí)的算法性能，圓形曲線表示事件源位于(5,5)，(5,15)，(15,5)，(15,15)時(shí)的算法性能.由仿真圖可知，事件源個(gè)數(shù)越少且相距越遠(yuǎn)時(shí)，CS-DCES算法的性能越好.事件源個(gè)數(shù)的增多使得事件源之間距離減小的概率增加，在衰減系數(shù)一定的情況下，簇與簇之間的影響有可能會(huì)增大，算法性能就會(huì)受到影響;若事件源個(gè)數(shù)增多但彼此之間相距較遠(yuǎn)，則本算法性能同樣不會(huì)變差.

由以上仿真結(jié)果可以得出，當(dāng)WSNs中事件源的衰減系數(shù)小、距離大、個(gè)數(shù)少時(shí)，CS-DCES算法能保證收集數(shù)據(jù)重構(gòu)精度的同時(shí)減少數(shù)據(jù)收集的能耗，延長(zhǎng)網(wǎng)絡(luò)壽命，性能優(yōu)勢(shì)明顯.

Fig. 10　Impact of number of event sources on performance.圖10　事件源個(gè)數(shù)對(duì)性能影響

5　總結(jié)和展望

本文針對(duì)有事件源發(fā)生的WSNs數(shù)據(jù)收集提出了CS-DCES算法，以此來(lái)增加簇內(nèi)數(shù)據(jù)相關(guān)性，使得數(shù)據(jù)共有稀疏度增加而特有稀疏度減小，總的稀疏度減小，減小簇內(nèi)觀測(cè)次數(shù).并根據(jù)事件源的位置變化調(diào)整分簇策略，實(shí)現(xiàn)動(dòng)態(tài)分簇.通過(guò)仿真實(shí)驗(yàn)分析了算法性能，結(jié)果表明，本算法在同一重構(gòu)精度前提下有效減小了數(shù)據(jù)傳輸量、節(jié)省網(wǎng)絡(luò)能耗、延長(zhǎng)網(wǎng)絡(luò)壽命;討論了衰減系數(shù)、事件源距離和事件源個(gè)數(shù)對(duì)算法性能的影響，算法在衰減系數(shù)大、事件源相距遠(yuǎn)和事件源個(gè)數(shù)少時(shí)，CS-DCES算法的重構(gòu)精度更高、網(wǎng)絡(luò)壽命更長(zhǎng)，更具有優(yōu)勢(shì).

在實(shí)際WSNs應(yīng)用場(chǎng)景中均勻規(guī)則布設(shè)節(jié)點(diǎn)一般很難實(shí)現(xiàn)，且網(wǎng)絡(luò)鏈路并非完全可靠.為了能將此模型算法運(yùn)用到實(shí)際的工程中去，對(duì)隨機(jī)布設(shè)節(jié)點(diǎn)的系統(tǒng)模型和算法實(shí)現(xiàn)的研究很有必要，WSNs在不可靠鏈路條件下運(yùn)用壓縮感知技術(shù)也將在后續(xù)研究工作中進(jìn)行討論.

[1]Donoho D L. Compressed sensing [J]. IEEE Trans on Information Theory, 2006, 52(4): 1289-1306[2]Baraniuk R. Compressive sensing [J]. IEEE Signal Processing Magazine, 2007, 56(4): 4-5[3]Candes E J, Wakin M B. An introduction to compressive sampling [J]. IEEE Signal Processing Magazine, 2008, 25(2): 21-30[4]Rabbat M, Haupt J, Singh A, et al. Decentralized compression and predistribution via randomized gossiping [C]Proc of the 5th Int Conf on Information Processing in Sensor Networks. New York: ACM, 2006: 51-59[5]Luo C, Wu F, Sun J, et al. Compressive data gathering for large-scale wireless sensor networks [C]Proc of the 15th Annual Int Conf on Mobile Computing and Networking. New York: ACM, 2009: 145-156[6]Wang J, Tang S, Yin B, et al. Data gathering in wireless sensor networks through intelligent compressive sensing [C]Proc of IEEE INFOCOM 2012. Piscataway, NJ: IEEE, 2012: 603-611[7]Wang W, Garofalakis M, Ramchandran K. Distributed sparse random projections for refinable approximation. [C]Proc of the 6th Int Conf on Information Processing in Sensor Networks. New York: ACM, 2007: 331-339[8]Osamy W, Salim A, Aziz A. Efficient compressive sensing based technique for routing in wireless sensor networks [J]. INFOCOMP Journal of Computer Science, 2013, 12(1): 1-9[9]Luo C, Wu F, Sun J, et al. Efficient measurement generation and pervasive sparsity for compressive data gathering [J]. IEEE Trans on Wireless Communications, 2010, 9(12): 3728-3738[10]Luo J, Xiang L, Rosenberg C. Does compressed sensing improve the throughput of wireless sensor networks? [C]Proc of IEEE Int Conf on Communications (ICC 2010). New York: IEEE Communications Society, 2010: 1-6[11]Wu X, Xiong Y, Huang W, et al. An efficient compressive data gathering routing scheme for large-scale wireless sensor networks [J]. Computers & Electrical Engineering, 2013, 39(6): 1935-1946[12]Pattem S, Krishnamachari B, Govindan R. The impact of spatial correlation on routing with compression in wireless sensor networks [J]. ACM Trans on Sensor Networks, 2008, 4(4): 24-31[13]Villas L A, Boukerche A, Oliveira H A B F D, et al. A spatial correlation aware algorithm to perform efficient data collection in wireless sensor networks [J]. Ad Hoc Networks, 2014, 12(1): 69-85[14]Gupta G, Misra M, Garg K. Energy efficient data gathering using prediction-based filtering in wireless sensor networks [J]. International Journal of Information and Communication Technology, 2013, 5(1): 75-94[15]Villas L A, Boukerche A, Guidoni D L, et al. An energy-aware spatio-temporal correlation mechanism to perform efficient data collection in wireless sensor networks [J]. Computer Communications, 2013, 36(9): 1054-1066

[16]Wang Chong. Research on data gathering based on compressive sensing in wireless sensor networks [D]. Zhengzhou: PLA Information Engineering University, 2015: 37-44 (in Chinese)(王沖. 基于壓縮感知的無(wú)線傳感網(wǎng)數(shù)據(jù)收集技術(shù)研究[D]. 鄭州: 中國(guó)人民解放軍信息工程大學(xué), 2015: 37-44)[17]Tang Liang, Zhou Zheng, Shi Lei, et al. Source detection in wireless sensor network by LEACH and compressive sensing [J]. Journal of Beijing University of Posts & Telecommunications, 2011, 34(3): 8-11 (in Chinese)(唐亮, 周正, 石磊, 等. 基于LEACH和壓縮感知的無(wú)線傳感網(wǎng)目標(biāo)探測(cè) [J]. 北京郵電大學(xué)學(xué)報(bào), 2011, 34(3): 8-11)[18]Duarte M F, Sarvotham S, Wakin M B, et al. Joint sparsity models for distributed compressed sensing[C]Proc of the Workshop on Signal Processing with Adaptative Sparse Structured Representations. Piscataway, NJ: IEEE, 2005: 2729-2732

Zhang Ce, born in 1991. Master candidate. His main research interests include wireless sensor networks, routing protocol, and communication technology.

Zhang Xia, born in 1979. PhD and lecturer. Her main research interests include computer network, wireless sensor networks, and information operations (zhangxiaatzz@sina.com).

Li Ou, born in 1961. Professor and PhD supervisor. His main research interests include wireless sensor networks, cognitive radio networks, and Ad-hoc networks (zzliou@126.com).

Wang Chong, born in 1989. Master candidate. His main research interests include wireless sensor networks, routing protocol, and communication technology (wc38022122@126.com).

Zhang Dalong, born in 1976. PhD and lecturer. His main research interests include wireless sensor networks, MAC protocol, and communication technology (ttengzhang@163.com).

Data Gathering Using Dynamic Clustering Based on WSNs Compressive Sensing Algorithm

Zhang Ce, Zhang Xia, Li Ou, Wang Chong, and Zhang Dalong

(SchoolofInformationSystemsEngineering,PLAInformationEngineeringUniversity,Zhengzhou450001)

One of the major challenges of designing wireless sensor networks data gathering algorithm is to reduce energy consumption, achieve better balanced consumption and prolong the lifetime of sensor network. For the current clustering algorithms of data gathering in wireless sensor networks neglecting the impact of event sources on data spatial correlation, a CS-based dynamic clustering algorithm centred on event source (CS-DCES) is proposed in this paper. Utilizing the model of Euclidean distance spatial correlation and joint sparsity model-1, the nodes that affected by the same event source are clustered together and reconstruct those nodes readings within cluster in order to increase the spatial correlation of data and reduce the number of each cluster measurement. The algorithm exploits the compressive data to calculate the location of event source and clusters dynamically. Moreover, according to simulation, we analyze the three factors that influence the algorithm performance, and they are attenuation coefficient of event sources, distance between event sources and the number of event sources, and finally the application condition of CS-DCES is given. The simulations show that CS-DCES outperforms the existing data gathering algorithms in decreasing communication cost, saving the network energy consumption and extending the network survival time under the same accuracy.

wireless sensor networks(WSNs); data gather; event source; spatial correlation; dynamic clustering

2015-06-09；

2015-09-16

國(guó)家科技重大專項(xiàng)基金項(xiàng)目(2014zx03006003)

TP393

This work was supported by National Science and Technology Major Projects (2014zx03006003).