论文部分内容阅读
无线传感器网络技术长期以来受到世界范围广泛的关注,并被应用在环境科学、智能家居、医疗保健、工程监测和灾害预警等人类生活的各个方面。尤其是传感器技术、嵌入式计算和无线通信技术在智能传感器领域的巨大发展更加激发了各国学者不断高涨的研究热情。无线传感器网络具有自身独特的特点,它不需要搭建复杂的基础设施,通常由大量的传感器节点通过自组织的方式协同工作,对目标区域实施监测获取参数和数据,并将获得的数据发送给用户,为用户决策提供支持。因此,对数据的收集是无线传感器网络最主要的工作之一。根据用户的服务需求不同,无线传感器网络数据收集方式可分为基于事件驱动、基于查询驱动和基于时间驱动(周期性)数据收集三种,其中基于时间驱动数据收集方式应用范围最广受到应用的环境和传感器节点的用途等方面的限制,减少能量消耗、延长网络寿命是无线传感器网络研究中最重要的课题之一。论文主要考察的角度是在周期性数据收集应用中的能量节省和数据精度,具有一定的普遍性,因此实际应用价值较高。在具体实现过程中,分别重点从改善预测精度、降低冗余度和维护数据保真度三个方面减少由于频繁的数据通信而产生的不必要的能量消耗,达到节能的目的。本文的主要创新点包括：(1)在传统的最小均方误差算法(Least Mean Square, LMS)基础上,设计了分层的最小均方误差(hierarchical Least Mean Square, HLMS)预测算法,利用周期性数据的时间相关性确定了期望信号的取值,在提高数据预测的精度和收敛速度,以及保持算法稳定性方面取得了明显的改进。(2)结合具有广泛应用基础的无线传感器网络分簇体系,建立了集预测、压缩与恢复为一体的数据收集框架,很好的吻合了分簇的网络架构,降低了数据的时间冗余和节点的空间冗余,在保证用户对数据误差精度需求和降低数据通信量方面取得满意效果。(3)将图像质量评估标准中的结构相似度(structural similarity, SSIM)概念引入到传感器节点的工作/睡眠调度机制中,提出了结构保真度的数据收集框架(structure fidelity data collection, SFDC),在保证用户对数据的结构化精度需求的同时减少了处于工作状态节点的数量,降低了能量消耗。本文的主要工作可概括如下：(1)详细描述了HLMS的工作机制,分析了两层HLMS的最优权值解以及均方误差,设计了在终端和源端分别执行HLMS的双向预测算法以及在它们之间进行交互的数据传输协议。在理论分析的基础上,利用真实实验室的温度数据进行了大量的实验评估,从预测精度、收敛速度以及稳定性等多个角度对算法性能进行了验证。(2)提出了基于分簇无线传感器网络的最优步长LMS (optimal step size least meansquare, OSSLMS)预测算法,设计了在簇头和成员节点之间的双向预测协议,并使用主成分分析技术实现了簇头和终端之间的数据压缩与恢复,分析了在数据传输过程中的通信成本以及均方误差。分别从预测精度、收敛速度、通信成本节省、均方误差以及重建后的真实误差等角度进行了性能评估,证实了被提出的数据收集框架是切实可行的。(3)基于结构相似度概念,并结合无线传感器网络特点设计了一套完整的包含创建簇和选择簇头的分簇算法,提出了在学习期选择活动状态节点的原则和方法,采取了自动调节数据收集期的策略。同时利用了真实数据和合成数据对SFDC进行了性能评估,对于大规模稠密的无线传感器网络节能效果明显,并且满足了用户对结构保真度的需求。