一种基于最佳投影点的光电-雷达传感器网数据收集方法

技术领域

本发明属于网络优化设计领域，特别是指一种基于最佳投影点和移动数据收集器的无线传感器网络数据收集方法，可用于边境防护的无线传感器网络。

背景技术

随着传感技术和无线通信技术的快速发展，IoT应运而生，其被认为是未来信息化社会发展与变革的重要推动力。WSN(无线传感器网络)是IoT的重要组成部分，可用于边境防护的场景中。

针对边境防护的无线传感器网络以数据为中心，能够协作地实时监测、感知和采集各种环境或监测对象的信息，并将处理后的信息传送给基站，是一种面向边境防护与监测的有效手段。

将无线传感器网络应用到边境监测中的场景中时，限制网络生存周期的关键因素是无线传感器节点的能源受限，而网络中能耗最多的部分就是各个节点对数据包的转发。为了减少网络中整体的数据传输量，可将CS(Compressed Sensing，压缩感知)理论应用于面向边境防护的WSN，这在以前的工作中已被证明是一种能够有效减少数据量的方式。若将稀疏投影技术与CS理论结合，在数据收集过程中随机选择若干个节点对其数据进行加权求和产生一个观测值，而Sink只需要收集M个这样的观测值就能恢复原始数据。现有技术已经从理论上证明了稀疏投影矩阵用于基于CS的压缩数据采集能够保证数据恢复精度，但是并没有说明如何对将压缩编码与网络的路由结合完成数据的汇聚过程。Ebrahimi D等人提出了一种将稀疏投影与最小生成树算法结合的压缩数据收集算法MSTP，该算法随机的在网络中选择节点充当投影节点，并以投影节点构造一棵数据转发树完成CS编码过程，其能够减少网络中的数据量，但是其存在两个问题：

1.随机的选择投影节点，导致在压缩数据汇聚过程中数据包传输的跳数增加，从而增加了网络整体能耗。

2.没有考虑观测值汇聚到Sink过程中的能耗过高问题。

另一种基于最短路径树的压缩感知数据收集算法CN-MSTP，对MSTP算法进行了部分优化，即节点在发送数据时根据距离选择最合理的目标节点，但是并没有从本质上解决MSTP算法存在的关键问题。

发明内容

有鉴于此，本发明提出了一种基于最佳投影点的光电-雷达传感器网数据收集方法，该方法基于最佳投影点和移动数据收集器，能够解决局部数据汇聚路由的最优化问题，以及数据经历多跳传输到Sink节点的能量损耗问题。

本发明采用的技术方案为：

一种基于最佳投影点的光电-雷达传感器网数据收集方法，包括如下步骤：

步骤1：设置一个Sink节点负责收集数据以及N个普通的传感器节点，传感器节点分布在一个A*B的矩形狭长区域中，Sink节点位于区域正中心位置；传感器节点负责检测目标数据，在每一轮数据收集过程中感知到一个读数x

步骤2：构造一个满足CS压缩感知要求的观测矩阵Φ，并在节点被部署至特定区域前将观测矩阵Φ存储到对应节点的内存中；

步骤3：针对M行的观测矩阵Φ，每一行使用基于AHP的最佳投影点方法，选择出M个投影点，获得候选节点对最上层的权重，选择权值最大的节点作为最佳投影节点；

步骤4：根据节点位置信息和最佳投影点，利用局部数据转发树构建方法构建观测矩阵Φ每一行涉及到的普通节点之间的路由；

步骤5：每个节点根据已经构造好的路由，将自己的读数与权值相乘后加上自己所有上一跳发送过来的加权和，得到一个新的结果，将此结果发送至路由中的下一跳节点；

步骤6：利用移动收集器最短路径规划方法规划好收集器的移动路径，然后按照设定路径收集所有投影点处的观测值并传输至Sink；

步骤7：Sink节点利用收集到的观测值和观测矩阵Φ，通过压缩感知还原方法，恢复传感器节点的原始读数。

进一步地，步骤3的具体方式为：

(301)收集信息，将最佳投影点选择问题建模为一个受不同的因素影响的分层决策问题；

(302)进行指标信息处理，包括数据正向化和标准化处理；

(303)计算各层之间的局部权重，即最下层对于中间层的权重和中间层对于最上层的权重；

(304)计算每个候选节点的总权值，选择权值最大的节点作为最佳投影节点。

进一步地，步骤4的具体方式为：

(401)以图论中的最小生成树方法开始构建一棵以投影节点为根节点的数据转发树，完成部分路由的构建；此时还有部分孤立节点无法被添加到树中；

(402)对于每一个孤立节点，找到距离其最近的并且被加入了转发树中的节点，利用迪杰斯特拉方法找到两者间的一条最短路径。

进一步地，步骤5的具体方式为：

每一个节点将自己的读数x

进一步地，步骤6的具体方式为：

(601)利用模拟退火方法获取原始的移动轨迹S：

1)初始化：设置初始温度T和每一个温度T需要迭代的次数，随机产生一个初始路径S；

2)随机构造一个新的路径S

3)根据评价函数C，计算新解与原解之间的差值ΔT＝C(S

4)如果ΔT<0，那么就接受S

5)重复2)至4)直至达到迭代次数；

6)减小温度值T＝0.99*T，当T小于0.001时结束；

(602)利用传感器节点通信模型进一步减少轨迹S的长度，得到最终的轨迹S*：

7)初始化：设start和end为轨迹S的第一个节点和最后一个节点序号，新的轨迹S*＝{start,end}，k＝start+1；

8)连接start和k，设这两点间线段为L；

9)判断线段L到k通信半径圆的相交点P是否存在，若相交点存在，则令start＝P，k＝k+1，并将start加入S*中；若相交点不存在，判断L是否小于通信半径，若是则将start加入S*，start不变，k＝k+1，否则start＝k，k＝k+1，start加入S*中；

如果start＝end，则过程结束，否则重复执行8)和9)。

本发明的有益效果在于：

1、本发明将投影点的选择问题建模为一个多因素影响下的决策问题，并且选择节点的能量状态、位置以及完成压缩编码所需的跳数作为关键准则，利用层次分析法(AHP,Analytic Hierarchy Process)进行求解。

2、为了减少压缩编码过程的能耗，本发明提出了一种局部数据转发树构建方法，分两个阶段进行局部节点路由的构造。

3、为了减小数据由投影点到Sink汇聚过程的能耗，同时最小化数据收集时延，本发明引入了移动数据收集机制并且利用启发式算法得到收集器初始移动路径后，结合传感器节点的通信特点，提出了一种路径调整策略。

4、本发明通过最佳投影点解决了局部数据汇聚路由的最优化问题，通过移动数据收集器解决了数据经历多跳传输到Sink节点的能量损耗问题。同时，本发明采用的压缩感知算法能够大幅度均衡网络数据传输量，延长网络生存时间。

附图说明

图1是最佳投影点选择AHP模型的原理示意图。

图2是基于稀疏投影的压缩数据收集的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下参照附图，对本发明做进一步的详细说明。

一种基于最佳投影点的光电-雷达传感器网数据收集方法，包括如下步骤：

步骤一：网络初始化。设置一个Sink节点(可以是固定收集器也可以是移动收集器)负责收集数据以及N个普通的传感器节点，假设传感器分布区域是一个边长为A*B的狭长区域，而Sink节点位于区域正中心位置。在目标区域内所有传感器负责检测目标数据，每个普通节点在每一轮数据数据收集过程中都会感知到一个读数x

步骤二：构造一个满足CS理论要求的观测矩阵Φ。矩阵Φ的生成方式是预先准备一个非零元素均匀分布的观测矩阵，并在节点被部署至特定区域前将其存储到对应节点的内存中。

步骤三：使用基于AHP的最佳投影点算法，选择出M个投影点。根据图1中的分层框架，通过以下三个步骤来获得候选节点对最上层的权重。

(1)收集信息，将最优投影节点选择问题建模为一个受不同的因素影响的分层决策问题；

(2)指标信息处理，主要包括数据正向化和标准化处理；

(3)计算各层之间局部权重，即最下层对于中间层的权重和中间层对于最上层的权重；

(4)综合上述结果，计算每个候选节点的总权值，选择权值最大的节点作为最佳投影节点。

首先，通过对最高目标层下各决策因素的两两比较，构造出成对比较矩阵，并将其表示为矩阵A：

对于一个理想的比较矩阵，元素之间应该满足如下的关系：

a

最理想的比较矩阵可以完全满足上式的要求，称之为一致性矩阵，但是实际构造时难以做到。因此，引入如式(4)所示的一致性指标CI来评价矩阵是否具有较好的一致性。

其中,λ

表1不同阶数的比较矩阵对应的RI

将CI和RI之间的比值定义为一致性比率CR，就可以最终判断一个p阶的成对比较矩阵是否满足一致性要求，如下式所示：

只有CR小于0.1才表明构造的矩阵满足一致性的要求。最后一步就是计算出λ

接下来需要计算方案层每一个候选节点相对于准则的权重，对于候选节点u，定义其到Sink的距离、剩余能量和与其他节点的距离之和分别为E(u)、D(u)和T(u)。由于指标的量纲、数量级和趋势等是各不相同的，因此需要通过TOPSIS算法中的正向化和标准化将数据统一到一个度量标准下：

(1)数据正向化处理

由于不同的数据具有不同的特性，在一般的算法中需要对数据趋势进行统一，保证所有数据都是极大型数据。显然三个指标中，剩余能量是越大越好，而到Sink的距离和与其他节点的距离和是越小越好，所以需要针对后两个指标进行正向化处理，如下公式所示。在本方法中采用的是(前一个)处理方式。

此时可以获得一个正向化指标矩阵：P＝[E

E(u)

D(u)

T(u)

(2)数据标准化处理

为了消除不同数据指标量纲的影响，还有必要对已经正向化的数据进行标准化处理。记标准化后的矩阵为Z，其中

对数据进行了相应的处理后，可以用向量z

标准化矩阵实际上也就是所需要的权重矩阵，表征了各个节点在三个指标下的得分。根据准则层相对于目标层的权重W＝[w

weight(u)＝z

此时获得的最佳投影点即对全体节点选择出的最适合的M个节点，其具有不易死亡，能相对节省能耗的特点。当传感器节点网络出现了节点死亡的情况，需要重新选择投影节点以符合最新的情况。

步骤四：根据节点位置信息和上一步的确定的最佳投影点，利用局部数据转发树构建算法构建观测矩阵每一行涉及到的普通节点之间路由。

(1)以图论中的最小生成树算法开始(例如Kruskal或Prims算法)构建一棵以投影节点为根节点的数据转发树，完成部分路由的构建，但此时还有部分孤立节点无法被添加到树中；

(2)对于每一个孤立节点找到距离其最近的并且被加入了转发树中的节点，利用迪杰斯特拉算法找到两者间的一条最短路径。

步骤五：数据收集。每个节点根据已经构造好的路由，将自己的读数与权值相乘后加上自己所有上一跳发送过来的加权和的到一个新的结果，将此结果发送至路由中的下一跳节点。即每一个节点将自己的读数x

考虑到每一个单独的传感器在一轮中只能向一个对象发送数据，所以一次完整的数据收集需要传感器传输M轮。图2和式(15)展示了基于稀疏投影的压缩数据收集的例子，观测矩阵Φ如式(15)所示，第一行有6个非零元素，即1,5,8,12,15,20，从中选择节点5充当投影点，那么节点5就负责收集这6个点读数产生的加权和，也即观测值。为了进行压缩编码，必须在这六个节点间建立路由，如图2中箭头所示。建立路由后，首先节点12将x

步骤六：利用移动收集器最短路径规划算法规划好收集器的移动路径，然后按照设定路径收集所有投影点处的观测值并传输至Sink。

(1)利用模拟退火算法获取原始的移动轨迹S；

①初始化：设置初始温度T和每一个温度T需要迭代的次数，随机产生一个初始路径S；

②随机构造一个新的路径S

③根据评价函数C，计算新解与原解之间的差值ΔT＝C(S

④如果ΔT<0，那么就接受S

⑤重复第2至4步直至达到迭代次数；

⑥减小温度值T＝0.99*T，当T小于0.001时结束；

(2)利用传感器节点通信模型进一步减少轨迹S的长度，得到最终的的轨迹S*；

⑦初始化：start和end为轨迹S的第一个节点和最后一个节点序号，新的轨迹S*＝{start,end}，k＝start+1；

⑧连接start和k，设这两点间线段为L。

⑨判断线段L到k通信半径圆的相交点P，若相交点存在，则令start＝P，k＝k+1，并将start加入S*中；若相交点不存在，判断L是否小于通信半径，是则start加入S*，start不变，k＝k+1，否则start＝k，k＝k+1，start加入S*中。

如果start＝end，算法结束，否则跳转至第⑧步。

步骤七：数据恢复。Sink节点利用收集到的观测值和观测矩阵Φ以及相关的压缩感知还原算法，如OMP(正交匹配追踪法)，以恢复原始的N个传感器读数。

以上所述为方法的详细介绍，对本发明的目的、技术方案和有益效果进行了进一步详细说明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。