一種基于壓縮感知的農(nóng)業(yè)WSN數(shù)據(jù)傳輸方法

崔婷婷

摘要：為實(shí)現(xiàn)科學(xué)的農(nóng)業(yè)生產(chǎn)，無線傳感網(wǎng)絡(luò)被應(yīng)用在農(nóng)業(yè)環(huán)境的監(jiān)測(cè)中，網(wǎng)絡(luò)中傳感器節(jié)點(diǎn)通常分布區(qū)域廣密度大，采集到的數(shù)據(jù)量極大。該文提出將壓縮感知技術(shù)用于傳感器節(jié)點(diǎn)進(jìn)行數(shù)據(jù)采集與傳輸?shù)姆椒ǎ抡娼Y(jié)果顯示，該方法能接近完美的重構(gòu)信號(hào)，減小傳輸?shù)臄?shù)據(jù)量，節(jié)省傳感器節(jié)點(diǎn)通信耗能。

關(guān)鍵詞：壓縮感知；無線傳感網(wǎng)絡(luò)；離散傅里葉變換；正交匹配追蹤

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）03-0001-03

1 概述

現(xiàn)代化農(nóng)業(yè)逐漸打破傳統(tǒng)的生產(chǎn)方式，為提高生產(chǎn)速度，縮短生產(chǎn)周期，增加產(chǎn)量，采用以高科技為基礎(chǔ)的工廠化種養(yǎng)業(yè)。農(nóng)作物的生長受自然條件的影響極大，如光照、溫度和濕度等。管理人員需要實(shí)時(shí)了解這些環(huán)境數(shù)據(jù)，從而進(jìn)行相應(yīng)的農(nóng)事作業(yè)。近年來發(fā)展的無線傳感網(wǎng)絡(luò)（Wireless Sensor Network， WSN）為農(nóng)作物生長環(huán)境所需的大量數(shù)據(jù)的采集與監(jiān)測(cè)提供了新的方法[1-2]，并能對(duì)采集的數(shù)據(jù)科學(xué)分析，進(jìn)行信息預(yù)警，給出合理化建議，從而提高作物質(zhì)量與產(chǎn)量，帶來較好的經(jīng)濟(jì)效益。

無線傳感網(wǎng)絡(luò)由大量傳感器節(jié)點(diǎn)組成，完成目標(biāo)區(qū)域內(nèi)的作物生長環(huán)境原始信息的快速、連續(xù)采集。WSN具有節(jié)點(diǎn)能量與網(wǎng)絡(luò)通信帶寬有限等特點(diǎn)，因此如何降低能量消耗、充分利用通信帶寬是亟待解決的問題。一個(gè)可行的方法是對(duì)傳輸數(shù)據(jù)進(jìn)行壓縮處理，壓縮算法有多種，如分布式小波數(shù)據(jù)壓縮算法[3]，基于管道的數(shù)據(jù)壓縮算法[4]，預(yù)編碼數(shù)據(jù)壓縮算法等。但這幾種傳統(tǒng)的壓縮方式也存在缺陷：數(shù)據(jù)壓縮傳輸后，接收端恢復(fù)有一定誤差；壓縮比不高發(fā)送數(shù)據(jù)量大，導(dǎo)致節(jié)點(diǎn)無線傳輸數(shù)據(jù)時(shí)能量消耗較高。

近年來，提出的壓縮感知技術(shù)（Compressed Sensing， CS）是一種新的壓縮采樣技術(shù)[5-6]，其思想是采樣與壓縮以較低的速率同時(shí)進(jìn)行。CS技術(shù)應(yīng)用到無線傳感網(wǎng)絡(luò)中，具體思路是：傳感器節(jié)點(diǎn)采集原始信號(hào)f，應(yīng)用離散傅里葉變換的到信號(hào)稀疏域表示x，用隨機(jī)貝努力矩陣觀測(cè)X得到低維觀測(cè)信號(hào)。將觀測(cè)信號(hào)傳輸至Sink節(jié)點(diǎn)后傳輸至數(shù)據(jù)中心進(jìn)行信號(hào)重構(gòu)恢復(fù)原始信號(hào)。針對(duì)無線感知網(wǎng)絡(luò)傳統(tǒng)數(shù)據(jù)壓縮存在的缺點(diǎn)，本文利用壓縮感知技術(shù)對(duì)溫室中無線傳感網(wǎng)獲取的溫度數(shù)據(jù)進(jìn)行了模擬實(shí)驗(yàn)，并對(duì)傳感器節(jié)點(diǎn)通信能力消耗做了分析。

2 相關(guān)知識(shí)

2.1壓縮感知

2.2 無線感知網(wǎng)絡(luò)

無線傳感網(wǎng)絡(luò)傳感器節(jié)點(diǎn)、匯聚節(jié)點(diǎn)（Sink節(jié)點(diǎn)）、管理節(jié)點(diǎn)組成，能實(shí)時(shí)采集和監(jiān)測(cè)網(wǎng)絡(luò)分布區(qū)域內(nèi)的各種信息數(shù)據(jù)。監(jiān)測(cè)數(shù)據(jù)經(jīng)過其他節(jié)點(diǎn)以多跳中繼方式傳給Sink節(jié)點(diǎn)，Sink節(jié)點(diǎn)對(duì)監(jiān)測(cè)區(qū)域內(nèi)的數(shù)據(jù)進(jìn)行綜合處理后通過傳輸信道傳送至數(shù)據(jù)中心的管理節(jié)點(diǎn)。用戶對(duì)收集到的數(shù)據(jù)進(jìn)行分析處理，做出相應(yīng)的判斷。一個(gè)大型的無線傳感網(wǎng)中傳感器節(jié)點(diǎn)分布密集，節(jié)點(diǎn)需要采集的數(shù)據(jù)也非常大，整個(gè)網(wǎng)絡(luò)傳輸?shù)臄?shù)據(jù)量是非常驚人的。

3 基于CS的無線感知網(wǎng)絡(luò)數(shù)據(jù)處理模型

如圖2所示傳感器節(jié)點(diǎn)采集到的溫度數(shù)據(jù)為fi，i=1，2，...n，經(jīng)過壓縮感知后得到M×1的觀測(cè)值Yi，i=1，2，...n。觀測(cè)值傳送到Sink 節(jié)點(diǎn)進(jìn)行匯總，Sink節(jié)點(diǎn)將數(shù)據(jù)傳輸?shù)綌?shù)據(jù)中心后分離出各個(gè)觀測(cè)值，分別進(jìn)行數(shù)據(jù)恢復(fù)得到原始數(shù)據(jù)。

3.1 WSN數(shù)據(jù)的稀疏變換

壓縮感知理論應(yīng)用的前提是信號(hào)本身是稀疏的或者在某種變換域下是稀疏的，只有選擇合適的表示方法才能保證信號(hào)的恢復(fù)精度。本文采用的是離散傅里葉變換（DFT）的方法，將信號(hào)在頻域稀疏表示，結(jié)果表明具有較好的稀疏性。N點(diǎn)的離散傅里葉變換可以用一個(gè)N×N的矩陣乘法X=Wf來表示，其中f是原始的輸入信號(hào)，X是經(jīng)過離散傅里葉變換得到的輸出信號(hào)。

3.2 數(shù)據(jù)重構(gòu)算法

數(shù)據(jù)中心對(duì)數(shù)據(jù)重構(gòu)采用正交匹配追蹤算法（Orthogonal Matching Pursuit，OMP）[9]，基本思想是次迭代過程計(jì)算觀測(cè)矩陣Φ中列向量與當(dāng)前的冗余向量的相關(guān)系數(shù)，以貪婪迭代的方法選擇Φ的列向量，使得在每次迭代過程中選擇的列與當(dāng)前的冗余向量具有最大的相關(guān)系數(shù)，測(cè)量向量減去相關(guān)部分并且重復(fù)迭代，直到迭代次數(shù)達(dá)到稀疏度K，迭代停止。

為保證能夠恢復(fù)稀疏或者近似稀疏信號(hào)，觀測(cè)矩陣需要滿足RIP性質(zhì)。研究證明，隨機(jī)貝努力矩陣滿足要求，矩陣中的元素以相同的概率取[1N]或者-.[1N]。觀測(cè)矩陣Φ是從中隨機(jī)選取的M個(gè)行向量與N個(gè)列向量構(gòu)成的M×N矩陣，隨機(jī)性越大恢復(fù)越精確。算法步驟如下：

4 仿真實(shí)驗(yàn)

為了測(cè)試提出方案的可行性，以Matlab為工具進(jìn)行了仿真實(shí)驗(yàn)，結(jié)果如下：

（1）CS重構(gòu)信號(hào)

為模擬真實(shí)溫室中溫度的變化，試驗(yàn)中信號(hào)的波動(dòng)幅度不大。運(yùn)行正交匹配追蹤算法后得到的對(duì)比圖3。重構(gòu)概率為CS重構(gòu)數(shù)據(jù)與原數(shù)據(jù)正確個(gè)數(shù)的比，信號(hào)稀疏度k與觀測(cè)信號(hào)的長度M會(huì)影響信號(hào)的重構(gòu)概率，信號(hào)的稀疏性越好，信號(hào)重構(gòu)效果越理想，其變化如圖4。

（2）與傳統(tǒng)壓縮算法的比較

溫室中第 i傳感器節(jié)點(diǎn)采集到的環(huán)境數(shù)據(jù)長度N=256，壓縮比w=壓縮后數(shù)據(jù)長度/原始數(shù)據(jù)長度。試驗(yàn)中發(fā)現(xiàn)，CS重構(gòu)誤差與傳統(tǒng)壓縮算法重構(gòu)誤差數(shù)量級(jí)相差很大，因此采用了歸一化重構(gòu)誤差進(jìn)行比較，對(duì)比如圖5。這兩種方法的數(shù)據(jù)重建誤差都隨壓縮比的增大而減小，變換趨勢(shì)相差很大，CS明顯優(yōu)于傳統(tǒng)壓縮方法。

（3）節(jié)點(diǎn)發(fā)送數(shù)據(jù)能耗比較

WSN中傳感器節(jié)點(diǎn)能量消耗的主要部件有傳感器模塊、處理器模塊、通信模塊等，其中通信模塊的能耗遠(yuǎn)大于前兩者的能耗。本文主要分析節(jié)點(diǎn)在傳輸數(shù)據(jù)時(shí)的能耗，并采用一階無線模型[10]。無線傳感器節(jié)點(diǎn)傳輸k 比特?cái)?shù)據(jù)到距離為d的節(jié)點(diǎn)消耗的能量為：

Eelec（nJ/bit）表示將1bit數(shù)據(jù)進(jìn)行編碼調(diào)制發(fā)送的固定能耗，εamp（pJ/bit/m2）為發(fā)送放大器參數(shù)。n為傳播損耗指數(shù)，其大小與具體傳播環(huán)境有關(guān)，通常2≤n≤4。分析中參數(shù)設(shè)為Eelec=50 nJ/bit，εamp=100 pJ/bit/m2，d=20m，n=2。

傳感器節(jié)點(diǎn)采集數(shù)據(jù)長度N=256，每個(gè)數(shù)據(jù)用8 bit表示，壓縮后的數(shù)據(jù)用比特表示長度L=256×8×w=211w （bit） 。帶入（7）式得：

下表分析了應(yīng)用幾種傳統(tǒng)壓縮算法與壓縮感知方法后節(jié)點(diǎn)發(fā)送數(shù)據(jù)的能耗，CS方法中觀測(cè)矩陣M=20。相同的數(shù)據(jù)量的情況下，CS技術(shù)消耗的能量小于其他種壓縮方法。

通過以上分析可以看出，CS技術(shù)優(yōu)于傳統(tǒng)壓縮方法，可以應(yīng)用在溫室無線網(wǎng)絡(luò)數(shù)據(jù)壓縮傳輸中，并且數(shù)據(jù)恢復(fù)誤差較小，能夠減少網(wǎng)絡(luò)數(shù)據(jù)量，降低節(jié)點(diǎn)傳輸數(shù)據(jù)時(shí)能量的消耗。

5結(jié)語

在本文中，結(jié)合壓縮感知技術(shù)提出一種無線傳感網(wǎng)的數(shù)據(jù)采集傳輸方法，并與傳統(tǒng)數(shù)據(jù)壓縮方法做了比較。結(jié)果表明提出的方法能夠很好地解決網(wǎng)絡(luò)中數(shù)據(jù)量龐大、無線傳輸能量消耗大的問題。但是，實(shí)際應(yīng)用中必須考慮噪聲、數(shù)據(jù)相關(guān)性等因素，這將是作者下一步的研究方向。

參考文獻(xiàn)：

[1] 柳平增，孟祥偉，田盼，等. 基于物聯(lián)網(wǎng)的精準(zhǔn)農(nóng)業(yè)信息感知系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)工程與科學(xué)，2012 ，34（3）：137-141.

[2] 韓安泰，何勇，李建鋒，等. 基于無線傳感器網(wǎng)絡(luò)的糧蟲聲信號(hào)采集系統(tǒng)設(shè)計(jì)[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（6）：181-187.

[3] Alexandre Ciancio and Antonio Ortega . A distributed wavelet compression algorithm for wireless sensor networks using lifting[J]. International Conference on Acoustics ，Speech and Signal Processing，Philadelphia，USA，

March 2005.

[4] D.Petrovic ，R.C.Shah，K.Ramchandran.Data Funneling：Routing with Aggreation and Compression for Wireless Sensor Networks[J].

In Proceeding of First IEEE International Workshop on Sensor Network Protocols and Applications， May 2003.

[5] Donoho D L. Compressed Sensing[J]. IEEE Transactions on Information Theory，2006，52（4）：1289一1306.

[6] Candes E .Compressive sampling[C]//Proceedings of International Congress of Mathematicians：Vol 3. Madrid：European Mathematical Society Publishing House，2006：1433-1452.

[7] Candes E，Tao T. Near optimal signal recovery from random projections ：Universal encoding strategies？ IEEE Transactions on Information Theory， 2006，52（12）：5406-5425.

[8] Candes E，Tao T. Decoding by linear Programming. IEEE Transactions on Information Theory， 2005，52（12）：4203-4215.

[9] Tropp J， Gilbert A. Signal recovery from random measurements via orthogonal matching pursuit[J].IEEE Trans.Info.Theory，2007，53（12） ：4655-4666.

[10] 蔣陽，孫柳林，熬文鈞，等.WSN中LEACH路由協(xié)議簇頭數(shù)優(yōu)化研究[J].計(jì)算機(jī)應(yīng)用研究，2010，27（11）：4251-4253.