基于并行離散群居蜘蛛優(yōu)化算法和壓縮感知的WSNs稀疏事件檢測(cè)

余曉蘭，徐躍進(jìn)，周戰(zhàn)馨

(1.重慶城市職業(yè)學(xué)院，重慶永川 402160; 2重慶大學(xué)，重慶 400044；3.常州大學(xué)，江蘇常州 213000)

工程與應(yīng)用

基于并行離散群居蜘蛛優(yōu)化算法和壓縮感知的WSNs稀疏事件檢測(cè)

余曉蘭1，徐躍進(jìn)2，周戰(zhàn)馨3

(1.重慶城市職業(yè)學(xué)院，重慶永川 402160; 2重慶大學(xué)，重慶 400044；3.常州大學(xué)，江蘇常州 213000)

對(duì)無線傳感器網(wǎng)絡(luò)(WSNs)弱稀疏性事件檢測(cè)問題進(jìn)行研究，提出了一種基于并行離散群居蜘蛛優(yōu)化算法和壓縮感知的WSNs稀疏事件檢測(cè)方案。該方案采用壓縮感知(CS)技術(shù)進(jìn)行稀疏事件分析檢測(cè)，針對(duì)事件向量稀疏度未知的特性，設(shè)計(jì)基于MPI框架的并行離散群居蜘蛛優(yōu)化算法(PDSSO)，重新定義蜘蛛編碼方式和自適應(yīng)迭代進(jìn)化機(jī)制，給出并行轉(zhuǎn)移策略，并將PDSSO應(yīng)用于CS重構(gòu)算法中；針對(duì)觀測(cè)字典難以滿足約束等距條件的特點(diǎn)，對(duì)稀疏矩陣和測(cè)量矩陣進(jìn)行奇異值預(yù)處理操作，在保持稀疏度不變的基礎(chǔ)上提高了算法重構(gòu)性能。仿真結(jié)果表明，與GMP等檢測(cè)方法相比，該方案有效提高了WSNs稀疏事件檢測(cè)成功率，降低了誤檢率和漏檢率。

無線傳感器網(wǎng)絡(luò)；稀疏事件檢測(cè)；壓縮感知；離散群居蜘蛛優(yōu)化算法；并行處理

0 引 言

無線傳感器網(wǎng)絡(luò)(WSNs)稀疏事件檢測(cè)作為WSNs重要應(yīng)用之一[1]，已經(jīng)被成功應(yīng)用于森林火災(zāi)預(yù)警、危險(xiǎn)化學(xué)物質(zhì)泄漏監(jiān)測(cè)、城市消防等領(lǐng)域[2]。對(duì)于大規(guī)模WSNs，往往只有少部分傳感器節(jié)點(diǎn)處于工作狀態(tài)，以達(dá)到降低網(wǎng)絡(luò)能耗、延長(zhǎng)網(wǎng)絡(luò)壽命的目的。因此，如何利用有限的網(wǎng)絡(luò)節(jié)點(diǎn)實(shí)現(xiàn)高質(zhì)量的稀疏事件檢測(cè)已經(jīng)成為當(dāng)前研究熱點(diǎn)[3]。

學(xué)者Donoho等[4]在2006年提出的壓縮感知(CS)理論通過系列非線性優(yōu)化算法，能夠從少量觀測(cè)值中實(shí)現(xiàn)原始信號(hào)的精確重構(gòu)。同傳統(tǒng)信號(hào)處理方式不同，CS理論只需要采集少量測(cè)量數(shù)據(jù)，符合WSNs稀疏事件檢測(cè)要求，為稀疏事件檢測(cè)提供了全新的研究思路。李鵬等[5]提出了一種基于壓縮感知和GM(1,1)的異常事件檢測(cè)方案，該方案不需要了解異常事件分布先驗(yàn)知識(shí)，而且一定程度降低了網(wǎng)絡(luò)能耗；Xia等[6]構(gòu)建了l1范數(shù)最小化問題求解模型，通過采用OMP算法和自適應(yīng)修正技術(shù)實(shí)現(xiàn)了異常事件檢測(cè)判定；Sun等[7]將故障節(jié)點(diǎn)讀數(shù)恢復(fù)問題等效為魯棒均值計(jì)算問題，并提出了定點(diǎn)迭代算法，提高了異常事件檢測(cè)方案魯棒計(jì)。然而由于WSNs常常部署在惡劣環(huán)境，而且受到節(jié)點(diǎn)能量有限等因素影響，目前的稀疏事件檢測(cè)方法還難以很好的應(yīng)用于實(shí)際環(huán)境中。

信號(hào)重構(gòu)算法是CS理論關(guān)鍵技術(shù)之一，其很大程度的決定了原始信號(hào)重構(gòu)精度[8]，凸優(yōu)化、組合優(yōu)化和貪婪迭代是常見的重構(gòu)算法，但是大多數(shù)重構(gòu)算法需要稀疏度已知等先驗(yàn)知識(shí)，此外，觀測(cè)字典約束等距條件(Restricted Isometry Property，RIP)判定也是CS理論亟需深入研究解決的問題[9]，為此，針對(duì)無線傳感器網(wǎng)絡(luò)弱稀疏性事件檢測(cè)問題，提出了一種基于并行離散群居蜘蛛優(yōu)化算法和壓縮感知的WSNs稀疏事件檢測(cè)方案，主要做了以下幾方面工作：

(1)設(shè)計(jì)基于MPI框架的并行離散群居蜘蛛優(yōu)化算法(PDSSO)，創(chuàng)新性重新定義蜘蛛編碼方式，給出自適應(yīng)迭代進(jìn)化機(jī)制和適用于MPI框架下的并行轉(zhuǎn)移策略，明顯改善了算法求解離散優(yōu)化問題的性能。

(2)對(duì)CS重構(gòu)算法改進(jìn)方法進(jìn)行研究，將PDSSO應(yīng)用于CS重構(gòu)算法中，實(shí)現(xiàn)了對(duì)稀疏度未知信號(hào)的精確重構(gòu)。

(3)構(gòu)建WSNs稀疏事件檢測(cè)模型，設(shè)計(jì)構(gòu)造稀疏矩陣和測(cè)量矩陣，并對(duì)其進(jìn)行奇異值預(yù)處理操作，在滿足RIP條件的同時(shí)確保了數(shù)據(jù)稀疏度不變，從而進(jìn)一步度提高了原始信號(hào)重構(gòu)結(jié)果精度，最后通過仿真實(shí)驗(yàn)以驗(yàn)證該方案的有效性。

1 問題描述

圖1 WSNs稀疏事件檢測(cè)模型

(1)

(2)

當(dāng)M?N時(shí)，式(2)為欠定方程組，其求解過程實(shí)質(zhì)為利用少量測(cè)量信號(hào)實(shí)現(xiàn)稀疏信號(hào)逼近[10]，此時(shí)可以采用壓縮感知技術(shù)進(jìn)行稀疏信號(hào)精確重構(gòu)，從而實(shí)現(xiàn)WSNs稀疏事件檢測(cè)。

2 并行離散群居蜘蛛優(yōu)化算法與CS重構(gòu)算法

2.1 離散群居蜘蛛優(yōu)化算法

Cuevas等[11]通過模擬蜘蛛生物學(xué)行為，提出了一種新的智能優(yōu)化算法：群居蜘蛛優(yōu)化算法(SocialSpiderOptimizationAlgorithm，SSO)，SSO算法將蜘蛛網(wǎng)等效為算法搜索空間，蜘蛛個(gè)體即為優(yōu)化問題的解，種群內(nèi)個(gè)體協(xié)同進(jìn)化更新，最終實(shí)現(xiàn)尋找最優(yōu)解的目的(SSO算法)。目前關(guān)于SSO算法的研究主要集中于求解連續(xù)優(yōu)化問題，而有關(guān)離散群居蜘蛛優(yōu)化(DSSO)算法的研究則相對(duì)較少。結(jié)合稀疏向量特性，本文重新定義蜘蛛編碼方式，并給出自適應(yīng)迭代進(jìn)化機(jī)制(以雌性蜘蛛和最小化問題為例)。

(3)

其中K為正整數(shù)，F(xiàn)ij為第j個(gè)編碼位。

加法算子(⊕) 定義蜘蛛個(gè)體Fi與Fj之間加法算子為系列編碼置換集合，即：

(4)

從式(4)可以看出任意兩個(gè)不同的蜘蛛個(gè)體可以通過系列編碼置換實(shí)現(xiàn)相互轉(zhuǎn)換(如圖2(b)所示)。

圖2 離散蜘蛛編碼相關(guān)變換

自適應(yīng)迭代進(jìn)化機(jī)制 對(duì)于DSSO算法，其蜘蛛個(gè)體Fi迭代更新方式為：

Fi(t+1)=Fi(t)+?αμc」?(Fi(t)⊕Sc(t))+

?βμb」?(Fi(t)⊕Sb(t))

(5)

μj=μmin+(μmax-μmin)

(6)

2.2 基于MPI框架的PDSSO算法實(shí)現(xiàn)

MPI的提出使得大規(guī)模并行計(jì)算成為可能。在MPI框架下，并行算法平行運(yùn)行在局域網(wǎng)內(nèi)不同PC上，相互之間通過一定互通機(jī)制實(shí)現(xiàn)信息交流。本文采用基于群體分組的并行離散群居蜘蛛優(yōu)化算法(PDSSO)，圖3給出了PDSSO實(shí)現(xiàn)示意圖，其中Q個(gè)蜘蛛種群同時(shí)進(jìn)行迭代更新操作，每個(gè)蜘蛛種群q對(duì)應(yīng)的蜘蛛編碼位非零數(shù)為Kq(q=1,2,…,Q)。

圖3 并行離散群居蜘蛛優(yōu)化算法實(shí)現(xiàn)示意圖

(7)

算法運(yùn)算后期，當(dāng)所有種群滿足式(7)時(shí)，進(jìn)行算法終止條件判斷，即有：

(8)

其中，Θ為算法終止控制系數(shù)。當(dāng)有H(H≥2)個(gè)種群滿足式(8)時(shí)，所有種群適應(yīng)度最好的個(gè)體即為目標(biāo)函數(shù)最優(yōu)解，其對(duì)應(yīng)的Kqs即為最終所要求解的蜘蛛編碼位非零數(shù)。

2.3 基于PDSSO的CS重構(gòu)算法

CS理論認(rèn)為，對(duì)于N維信號(hào)xN×1，如果存在矩陣ΨN×N，使得xN×1在ΨN×N的線性表示是稀疏的，即：

xN×1=ΨN×NsN×1

(9)

則稱ΨN×N為稀疏矩陣，sN×1為xN×1在ΨN×N下的線性表示，并且稀疏度為K(K?N)。選取一個(gè)與ΨN×N非相關(guān)的測(cè)量矩陣ΦM×N，將xN×1用少量測(cè)量數(shù)據(jù)進(jìn)行表示，即：

(10)

其中，yM×1為M×1向量測(cè)量向量。當(dāng)M?N時(shí)，式(10)是欠定問題，但是如果觀測(cè)字典AM×N滿足RIP條件，則可以通過l0范數(shù)求解實(shí)現(xiàn)原始信號(hào)恢復(fù)，即：

(11)

l0最小范數(shù)求解屬于NP-hard難題，運(yùn)算量十分巨大。本文將PDSSO算法應(yīng)用到CS稀疏重構(gòu)算法中，將稀疏重構(gòu)信號(hào)等效為蜘蛛個(gè)體編碼方式，通過多個(gè)種群并行進(jìn)化，以獲得稀疏度K和編碼非零位置等相關(guān)信息，再利用最小二乘法獲取非零元素幅度信息，最終實(shí)現(xiàn)原始信號(hào)重構(gòu)處理。

目標(biāo)函數(shù) 對(duì)于蜘蛛個(gè)體Fi，其目標(biāo)函數(shù)定義為：

minJ(si)=‖y-ΦΨsi‖2

(12)

其中，si為蜘蛛個(gè)體編碼，這里即為稀疏向量sN×1。

基于PDSSO的CS重構(gòu)算法PDSSORA工作過程可以描述為：

算法初始化。設(shè)置ε、Θ以及PDSSO算法相關(guān)參數(shù)，對(duì)蜘蛛種群進(jìn)行初始化，設(shè)置MPI運(yùn)行環(huán)境。

{

Forq=1:Q//對(duì)每個(gè)蜘蛛種群進(jìn)行迭代更新

While (t≤Tmax) do

{

蜘蛛種群q內(nèi)個(gè)體執(zhí)行自適應(yīng)迭代進(jìn)化機(jī)制。

}

更新種群q最優(yōu)個(gè)體信息。

End for

Q個(gè)蜘蛛種群執(zhí)行并行轉(zhuǎn)移策略。

更新各進(jìn)程最優(yōu)解集合。

}

程序結(jié)束，輸出結(jié)果。

3 WSNs稀疏事件檢測(cè)

3.1 稀疏矩陣與測(cè)量矩陣構(gòu)造

(13)

CS理論認(rèn)為，利用M個(gè)工作節(jié)點(diǎn)測(cè)量值yM×1就可以恢復(fù)原始信號(hào)，即：

(14)

3.2 奇異值預(yù)處理

雖然觀測(cè)字典A能夠以一定概率滿足RIP條件，但是稀疏矩陣Ψ和測(cè)量矩陣Φ是相關(guān)的，會(huì)使得信號(hào)稀疏度發(fā)生變化，進(jìn)而影響了原始信號(hào)重構(gòu)結(jié)果準(zhǔn)確度，為此本文對(duì)觀測(cè)字典A進(jìn)行奇異值預(yù)處理操作，進(jìn)一步提高了PDSSORA算法重構(gòu)結(jié)果魯棒性。根據(jù)矩陣奇異值分解定理可知，對(duì)于觀測(cè)字典A有：

(15)

(16)

y′=Os

(17)

從式(16)可以看出，矩陣O為VH前r行，并且VH為酉矩陣，所以O(shè)行向量相互正交，對(duì)O進(jìn)行單位化處理有：

(18)

從式(17)可以看出，通過單位化矩陣O得到矩陣X，因此X為部分正交矩陣，滿足RIP條件，即：

(19)

(20)

從式(20)可以看出，s′與s具有相同的稀疏度，而且沒有改變非零編碼位置，因此可以采用矩陣X作為CS觀測(cè)字典，實(shí)現(xiàn)稀疏信號(hào)精確重構(gòu)。

4 實(shí)驗(yàn)仿真

4.1 實(shí)驗(yàn)設(shè)置

WSNs監(jiān)控區(qū)域內(nèi)部署W=400個(gè)傳感器節(jié)點(diǎn)，存在N=100個(gè)事件源，選取4臺(tái)PC機(jī)組成局域網(wǎng)，在MPICH并行環(huán)境中進(jìn)行測(cè)試。相關(guān)參數(shù)設(shè)置如下：α=0.2、β=0.4、ω0=0.5、Tmax=300，SSO算法參數(shù)設(shè)置參考文獻(xiàn)[13]。評(píng)價(jià)指標(biāo)設(shè)定為檢測(cè)成功率Pc和平均相對(duì)誤差σre：

(21)

(22)

其中D為實(shí)驗(yàn)次數(shù)，σi為第i次試驗(yàn)相對(duì)誤差，θ為檢測(cè)成功控制閥值。

4.2 實(shí)驗(yàn)結(jié)果分析

1.不同檢測(cè)方案性能對(duì)比分析

為進(jìn)一步分析本文WSNs稀疏事件檢測(cè)方案PDSSORA的性能，選取基于貪婪匹配跟蹤算法(GMP)檢測(cè)方案和文獻(xiàn)[14]提出的基于多次凸優(yōu)化算法檢測(cè)方案進(jìn)行對(duì)比實(shí)驗(yàn)，每種檢測(cè)方案重復(fù)實(shí)驗(yàn)D=100次，圖4給出了M=40、稀疏度K未知情況下，PDSSORA和GMP重構(gòu)信號(hào)結(jié)果對(duì)比。表1給出了稀疏度K取不同數(shù)值時(shí)，不同檢測(cè)方案性能對(duì)比(M=100)。

圖4 PDSSORA和GMP重構(gòu)信號(hào)結(jié)果對(duì)比(K未知)

從圖4可以看出，當(dāng)K未知時(shí)，對(duì)于不同稀疏度信號(hào)重構(gòu)，PDSSORA全部實(shí)現(xiàn)了非零位置精確定位，而GMP方案隨著K的增加，定位效果越來越差，這表明PDSSORA可以完成對(duì)K未知原始信號(hào)的準(zhǔn)確恢復(fù)。從表1可以看出，在K確定的情況下，隨著K的不斷增加，PDSSORA的檢測(cè)成功率全部為100%，并且平均相對(duì)誤差要小于其他兩種檢測(cè)算法；而GMP和文獻(xiàn)[14]方案的檢測(cè)成功率逐漸降低，特別的，當(dāng)K=60時(shí)，GMP的Pc已經(jīng)低于50%。由于采用并行計(jì)算模型，PDSSORA運(yùn)算時(shí)間明顯快于其他兩種方案。

2.并行效率分析

為分析采用MPI框架對(duì)PDSSO運(yùn)算效率影響，分別設(shè)置局域網(wǎng)內(nèi)計(jì)算機(jī)數(shù)量為2臺(tái)、4臺(tái)、8臺(tái)，并與串行算法進(jìn)行對(duì)比。表2給出了PDSSO算法效率結(jié)果對(duì)比，對(duì)比指標(biāo)為加速比Sp=T1/TP(P、T1和TP分別為局域網(wǎng)內(nèi)電腦數(shù)量、串行算法運(yùn)算時(shí)間和并行算法運(yùn)算時(shí)間)和效率Ep=SP/p。

表2 PDSSO算法效率結(jié)果對(duì)比

從表2可以看出，采用MPI框架能夠有效縮短算法計(jì)算時(shí)間，提高算法運(yùn)算效率。

3.參數(shù)M設(shè)置對(duì)檢測(cè)方案性能影響分析

為分析參數(shù)設(shè)置M對(duì)檢測(cè)方案性能的影響，分別選PDSSORA、GMP和文獻(xiàn)[14]方案進(jìn)行實(shí)驗(yàn)。圖5給出了設(shè)置不同M取值時(shí)，三種檢測(cè)方案對(duì)比結(jié)果(K未知時(shí))。

圖5 不同M取值3種檢測(cè)方案性能對(duì)比

從圖5可以看出，K未知時(shí)，隨著M不斷增加，PDSSORA檢測(cè)成功率逐漸升高，當(dāng)M≥100時(shí)，Pc≈100%，并且平均相對(duì)誤差不斷減小。而GMP和文獻(xiàn)[14]方案的檢測(cè)成功率波動(dòng)性較大，都低于85%，并且平均相對(duì)誤差遠(yuǎn)遠(yuǎn)高于PDSSORA，這是因?yàn)镚MP和文獻(xiàn)[14]方案在信號(hào)重構(gòu)過程中需要稀疏度等先驗(yàn)信息，而PDSSORA則可以實(shí)現(xiàn)對(duì)K未知信號(hào)的精確重構(gòu)。

4.算法抗噪能力分析

為了分析PDSSORA抗噪能力，在測(cè)量信號(hào)中引入高斯白噪聲，分別設(shè)置不同SNR取值，并選PDSSORA、GMP和文獻(xiàn)[14]方案進(jìn)行實(shí)驗(yàn)(M=80、K=25)。圖6給出了不同SNR取值情況下三種檢查方案性能對(duì)比。

圖6 不同SNR取值三種方案性能比較

從圖6可以看出，當(dāng)SNR處于較低水平時(shí)，三種算法的檢測(cè)成功率Pc和平均相對(duì)誤差σre變化不大；當(dāng)SNR小于20 dB時(shí)，Pc和σre發(fā)生了明顯變化，但是無論是Pc還是σre，PDSSORA要優(yōu)于其它兩種方案，特別的當(dāng)SNR取值10 dB時(shí)，PDSSORA的Pc仍然可以達(dá)到90%以上，這表明PDSSORA具有較強(qiáng)的抗噪聲干擾能力。

5 結(jié) 語

提出了一種基于并行離散群居蜘蛛優(yōu)化算法和壓縮感知的WSNs稀疏事件檢測(cè)方案。分別對(duì)并行離散群居蜘蛛優(yōu)化算法實(shí)現(xiàn)、CS重構(gòu)算法改進(jìn)以及稀疏矩陣與測(cè)量矩陣構(gòu)造問題進(jìn)行了研究，實(shí)現(xiàn)了對(duì)稀疏度未知事件向量信號(hào)的精確恢復(fù)，仿真實(shí)驗(yàn)驗(yàn)證了算法的有效性，并且證明了該算法不僅提高了稀疏事件檢測(cè)成功率，而且具備較強(qiáng)的抗干擾能力。

[1] 李洪成，吳曉平，嚴(yán)博.面向MANET異常檢測(cè)的分布式遺傳k-means研究[J].通信學(xué)報(bào)，2015，36(11)：167-173.

[2] 劉志新，劉強(qiáng)，袁亞洲，等.基于貝葉斯估計(jì)與虛擬力導(dǎo)向混合遺傳算法的無線傳感網(wǎng)絡(luò)定位方案[J]. 控制與決策，2013，28(6)：899-903.

[3] 馮立波，羅桂蘭，楊存基，等. WSN中基于粒子濾波的入侵檢測(cè)算法實(shí)現(xiàn)[J]. 傳感技術(shù)學(xué)報(bào)，2013，26(11)：1573-1578.

[4] D Donoho. Compressed sensing [J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289-1306.

[5] 李鵬，王建新，曹建農(nóng).無線傳感器網(wǎng)絡(luò)中基于壓縮感知和GM(1,1)的異常檢測(cè)方案[J].電子與信息學(xué)報(bào)，2015，37(7)：1586-1590.

[6] Xia Yu, Zhao Zhi-feng, and Zhang Hong-gang. Distributed anomaly event detection in wireless networks using compressed sensing[C]. 2011 11th International Symposium on Communications and Information Technologies, Hangzhou, China, 2011: 250-255.

[7] Sun Bo, Shan Xue-mei, Wu Kui, et al.. Anomaly detection based secure in-network aggregation for wireless sensor networks [J]. IEEE Systems Journal, 2013, 7(1): 13-25.

[8] 張宗念，黃仁泰，閆敬文.壓縮感知信號(hào)盲稀疏度重構(gòu)算法[J].電子學(xué)報(bào), 2011, 39(1): 18-22.

[9] 周鋒，曾雪迎，楊力華.一種基于正則化的稀疏表示方法[J]. 數(shù)學(xué)學(xué)報(bào)中文版，2015，58(4)：649-660.

[10]何風(fēng)行，余志軍，劉海濤.基于壓縮感知的無線傳感器網(wǎng)絡(luò)多目標(biāo)定位算法[J]. 電子與信息學(xué)報(bào)，2012，34(3)：716-721.

[11]Cuevas E, Cienfuegos M. Zaldiva D, et al. A swarm optimization algorithm inspired in the behavior of the social spider [J]. Expert System with Applications, 2013, 40(16):6374-6384.

[12]劉洲洲，王福豹.基于離散螢火蟲壓縮感知重構(gòu)的無線傳感器網(wǎng)絡(luò)多目標(biāo)定位[J].光學(xué)精密工程，2014，22(7)：1904-1911.

[13]王艷嬌，李曉杰，肖婧.基于動(dòng)態(tài)學(xué)習(xí)策略的群集蜘蛛優(yōu)化算法[J].控制與決策，2015，30(9)：1575-1582.

[14]趙秀蘭，李克清.弱稀疏性下的無線傳感器網(wǎng)絡(luò)事件檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31(3)：104-107.

周戰(zhàn)馨 (1970—) ，女，吉林人，副教授，博士，研究領(lǐng)域：自組織網(wǎng)絡(luò)、智能控制等。

Sparse Event Detection Based on Parallel Discrete Social Spider Optimization Algorithm and Compressed Sensing in Wireless Sensor Networks

YU Xiao-lan1, XU Yue-jin2, ZHOU Zhan-xin3

(1.Chongqing City Vocational College, Chongqing yongchuan, China,402160;2.Chongqing University, Chongqing 400044, China;3. Changzhou University, Changzhou, Jiangsu, 213000)

The problem of sparse event detection in wireless sensor networks (WSNs) is studied, and a new sparse event detection scheme based on parallel discrete social spider optimization algorithm and compressed sensing is proposed. Compressed sensing (CS) technology is used for sparse event detection, and the parallel discrete communal spiders optimization algorithm (PDSSO) based on MPI framework is designed in view of the unknown sparse degree of event vector. A new definition of the spider encoding, an adaptive iterative evolution mechanism and a parallel transfer strategy is proposed in PDSSO, for which is introduced to CS reconstruction algorithm. The singular value pretreatment operation is designed for the sparse matrix and measurement matrix in order to keep the sparse degree and improve the performance of reconstruction algorithm. The simulation results show that, compared to GMP and other detection methods, this scheme can effectively improve the WSNs sparse event detection success rate, and reduce the false detection rate and false negative rate.

wireless sensor networks (WSNs); anomaly event detection; compressed censing; social spider optimization algorithm; parallel processing

10.3969/j.issn.1673-5692.2017.01.019

2016-06-09

2016-12-19

全國(guó)教育科學(xué)規(guī)劃重點(diǎn)課題(DBC2012039)；重慶市資助課題(113296 )

TP393

A

1673-5692(2017)01-202-07

余曉蘭(1981—)，女，重慶人，碩士，講師，主要研究方向?yàn)闄C(jī)器人及自動(dòng)化、系統(tǒng)開發(fā)研究、數(shù)據(jù)庫與信息處理，物聯(lián)網(wǎng)等；

E-mail：842669898@qq.com

徐躍進(jìn)(1979—)，男，江西人，碩士，工程師，主要研究方向：汽車控制及自動(dòng)化等；