張 娜

基于遺傳壓縮感知的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮方法

張 娜

(河南城建學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院 河南 平頂山 467036)

考慮到無(wú)線傳感器網(wǎng)絡(luò)WSNs能量、通信帶寬、計(jì)算能力及成本有限，不適合大規(guī)模數(shù)據(jù)傳輸，同時(shí)存在數(shù)據(jù)冗余，需要進(jìn)行數(shù)據(jù)壓縮處理，提出一種新的基于遺傳算法的壓縮感知CS(Compressive Sensing)重構(gòu)方法，應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮中。詳細(xì)闡述分布式WSNs數(shù)據(jù)壓縮特點(diǎn)，壓縮感知基本理論，基于遺傳算法的CS重構(gòu)新方法以及在WSNs數(shù)據(jù)壓縮中的應(yīng)用。通過(guò)實(shí)驗(yàn)仿真證明，從壓縮比、節(jié)點(diǎn)平均能耗、網(wǎng)絡(luò)生存時(shí)間和網(wǎng)絡(luò)時(shí)延四個(gè)方面，與DCCM算法及CCS算法的WSNs數(shù)據(jù)壓縮算法進(jìn)行比較，提出的算法具有較高的壓縮比，提高了采集數(shù)據(jù)的重構(gòu)精度，降低了數(shù)據(jù)冗余度和網(wǎng)絡(luò)通信量，提高了網(wǎng)絡(luò)效率。

無(wú)線傳感器網(wǎng)絡(luò) 壓縮感知 遺傳算法 壓縮比 生命周期

0 引 言

隨著WSNs不斷的發(fā)展，信號(hào)采集需要的帶寬和數(shù)據(jù)量現(xiàn)已成幾何方式增長(zhǎng)。因此必須建立新型采樣機(jī)制以減少成本、通信量、延時(shí)、能源消耗和信息數(shù)據(jù)量[1]。WSNs的能量消耗常常直接決定了整個(gè)系統(tǒng)的穩(wěn)定性與可靠性，而數(shù)據(jù)壓縮對(duì)提升無(wú)線傳感器網(wǎng)絡(luò)的通信吞吐量非常顯著[2]。傳感器網(wǎng)絡(luò)的能量消耗最主要集中于三個(gè)部分，分別為信號(hào)采樣、信號(hào)處理與信號(hào)傳輸，其中能量消耗絕大部分在信號(hào)傳輸環(huán)節(jié)[3]。壓縮傳輸信號(hào)可以有效地減少能量消耗，在對(duì)WSNs的數(shù)據(jù)壓縮進(jìn)行設(shè)計(jì)時(shí)應(yīng)該考慮到兩點(diǎn)：(1) 節(jié)點(diǎn)處理能力低；(2) 受限的內(nèi)存資源。因此所設(shè)計(jì)的壓縮算法的能量消耗必須盡可能少[4]。數(shù)據(jù)壓縮的關(guān)鍵在于壓縮算法消耗的能量應(yīng)小于數(shù)據(jù)傳輸?shù)哪芰俊?/p>

雖然壓縮感知CS是近幾年才興起的領(lǐng)域，但是它已經(jīng)表現(xiàn)出了很強(qiáng)大的生命力與發(fā)展?jié)摿Α：芏鄬W(xué)者都在這個(gè)領(lǐng)域進(jìn)行嘗試，希望能有所貢獻(xiàn)和突破。壓縮感知把稀疏信號(hào)壓縮和采樣兩個(gè)步驟合并進(jìn)行，為了滿足一個(gè)特性：在監(jiān)控區(qū)域內(nèi)傳感器節(jié)點(diǎn)能耗與計(jì)算能力都十分有限的情況下，而遠(yuǎn)端匯聚終端卻擁有持續(xù)能量供給與強(qiáng)大的計(jì)算能力。王英杰等[5]提出無(wú)線傳感器網(wǎng)絡(luò)中分布式數(shù)據(jù)壓縮方法，應(yīng)用到無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮算法中，取得不錯(cuò)的效果；任學(xué)軍等[6]提出了一種適合無(wú)線傳感器網(wǎng)絡(luò)的混合編碼數(shù)據(jù)壓縮算法；王玲等[7]提出基于時(shí)間相關(guān)性的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮與優(yōu)化算法；張建明等[8]提出傳感網(wǎng)絡(luò)中誤差有界的分段逼近數(shù)據(jù)壓縮算法，取得不錯(cuò)效果。傳統(tǒng)數(shù)據(jù)壓縮方法雖然編碼復(fù)雜但是解碼簡(jiǎn)單。這意味著用有限資源的傳感器節(jié)點(diǎn)進(jìn)行復(fù)雜的編碼算法，而在資源相對(duì)豐富的簇頭節(jié)點(diǎn)進(jìn)行簡(jiǎn)單的解碼算法。基于以上分析，本文提出一種新的基于遺傳算法的壓縮感知重構(gòu)方法，應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮中。不僅能使壓縮編碼部分變得更簡(jiǎn)單，使傳輸?shù)臄?shù)據(jù)更少，還能使解碼算法相對(duì)更簡(jiǎn)易，提高壓縮比和采集數(shù)據(jù)的重構(gòu)精度，降低了數(shù)據(jù)冗余度和網(wǎng)絡(luò)通信量，提高了網(wǎng)絡(luò)效率。

1 分布式WSNs數(shù)據(jù)壓縮

在監(jiān)測(cè)區(qū)域內(nèi)的成千上百個(gè)微型傳感器節(jié)點(diǎn)組成了無(wú)線傳感器網(wǎng)絡(luò)，能夠協(xié)作地對(duì)網(wǎng)絡(luò)覆蓋區(qū)域內(nèi)對(duì)象的信息進(jìn)行感知、采集和處理，最后經(jīng)處理的信息發(fā)送給基站終端。通常情況下，WSNs是全分布式網(wǎng)絡(luò)，而就其中的每個(gè)傳感節(jié)點(diǎn)而言，一方面它們對(duì)信息具有獨(dú)立的感知、處理和通信能力，但是另一方面它們的通信范圍、能量、甚至計(jì)算能力等都是有限的。因此無(wú)法解決規(guī)模較大的復(fù)雜性問(wèn)題。為了將傳感節(jié)點(diǎn)的處理能力充分地利用起來(lái)，節(jié)點(diǎn)之間就必須相互合作，突破單個(gè)節(jié)點(diǎn)的限制，共同完成任務(wù)，解決實(shí)際問(wèn)題，從而提高網(wǎng)絡(luò)性能。

2 壓縮感知(CS)理論介紹

傳統(tǒng)的數(shù)據(jù)采樣方法：“采樣—壓縮—傳輸—解壓縮”有可能會(huì)失效。然而壓縮感知采樣由于具有簡(jiǎn)單采樣、復(fù)雜解碼的特性，因此能有效地解決這一問(wèn)題。壓縮感知與先信號(hào)采樣再消除信號(hào)冗余部分的傳統(tǒng)方法不同，它直接將壓縮后的信號(hào)進(jìn)行采樣，并且同時(shí)進(jìn)行壓縮和采樣，省去了大量沒(méi)用的信號(hào)采樣部分[9]。

壓縮感知包括三個(gè)方面：信號(hào)的稀疏表示、編碼測(cè)量與重構(gòu)方法。信號(hào)能夠進(jìn)行壓縮感知的先決條件是信號(hào)可以進(jìn)行稀疏表示或者可壓縮，即在某個(gè)變換基下，信號(hào)可以使用一種較為簡(jiǎn)潔的方式進(jìn)行表達(dá)。它的非零系數(shù)個(gè)數(shù)必須遠(yuǎn)遠(yuǎn)小于自然信號(hào)中非零值的個(gè)數(shù)[10]。

對(duì)于有限長(zhǎng)的一維信號(hào)x∈Rn(n∈N)， 假設(shè)其在某正交基Ψ={ψi}上是P稀疏的(1≤P

(1)

式中，θi為稀疏矩陣投影系數(shù)，式(1)可簡(jiǎn)寫(xiě)為：

x=Ψθ

(2)

式中，θ為n×1維的稀疏矩陣列向量，Ψ稱作稀疏變換矩陣。

由壓縮感知理論可知，當(dāng)信號(hào)x稀疏或者經(jīng)過(guò)稀疏變換Ψ后稀疏時(shí)， 可以用一個(gè)不相關(guān)的m×n維觀測(cè)矩陣Ψ(m≤ n，m∈N)對(duì)x進(jìn)行線性變換， 得到觀測(cè)值y， 即：

ym×1=Φm×nxn×1=Φm×nΨn×nθn×1

(3)

可以看出觀測(cè)值y的元素個(gè)數(shù)比x的元素個(gè)數(shù)要少，這樣便實(shí)現(xiàn)了對(duì)感知信號(hào)的壓縮采樣。另外通過(guò)求解l1范數(shù)下的最優(yōu)化問(wèn)題完成將觀測(cè)集合y進(jìn)行重構(gòu)得到信號(hào)x，即：

θ=argmin‖θ‖1s.t. y=ΦΨθ

(4)

3 基于遺傳算法CS新重構(gòu)方法

由壓縮感知理論可知，基于遺傳算法的CS新型重構(gòu)方法與基于匹配的傳統(tǒng)重構(gòu)算法相異，區(qū)別比較大。它主要從目標(biāo)函數(shù)的優(yōu)化出發(fā)，把稀疏重構(gòu)結(jié)果等同于生物中的染色體。假設(shè)在一定規(guī)模的種群中，經(jīng)過(guò)復(fù)制、選擇、交叉互換及變異等遺傳過(guò)程之后，經(jīng)迭代無(wú)限逼近最優(yōu)最接近感知節(jié)點(diǎn)采樣值的重構(gòu)結(jié)果，之后從稀疏重構(gòu)結(jié)果中獲得各非零元素的位置信息；再通過(guò)最小二乘法得到各非零元素的幅度信息，最終完成重構(gòu)處理，完成感知數(shù)據(jù)壓縮信息傳輸過(guò)程。因此，本文基于遺傳算法的壓縮感知新型重構(gòu)方法能夠在稀疏度未知的情況下重構(gòu)出最終的稀疏結(jié)果。

3.1 稀疏重構(gòu)結(jié)果中各非零元素位置信息

1) 種群與編碼方案

2) 復(fù)制

在父代染色體產(chǎn)生子代的過(guò)程中，要求給定遺傳代溝GGAP具體數(shù)值，GGAP∈(0，1)。假設(shè)每代種群中的個(gè)體數(shù)B乘以1-GGAP個(gè)最優(yōu)個(gè)體直接被復(fù)制到下一代。而其他子代個(gè)體，由選擇運(yùn)算產(chǎn)生。

3) 選擇

選擇目標(biāo)函數(shù)值定義為：

(5)

最終的迭代優(yōu)化目標(biāo)是使目標(biāo)函數(shù)取得最小值，即求得min{f}。

本文采用線性排序估算適應(yīng)度Ji，首先對(duì)目標(biāo)函數(shù)值進(jìn)行降序排列。將最小適應(yīng)度染色體個(gè)體放置在排序的目標(biāo)函數(shù)值列表的首個(gè)位置，最適應(yīng)個(gè)體放置在位置Bi上，Bi為種群個(gè)體數(shù)量。每個(gè)染色體個(gè)體根據(jù)其在排序種群中的位置W0通過(guò)計(jì)算可推出適應(yīng)度值Ji， 即：

(6)

4) 交叉

遺傳算法的交叉選用單點(diǎn)交叉，在個(gè)體編碼串中用交叉概率隨機(jī)選取一個(gè)新的交叉點(diǎn)，對(duì)兩個(gè)配對(duì)個(gè)體進(jìn)行部分染色體互換。

5) 變異

遺傳算法的變異使用基本位變異，將個(gè)體編碼串中按遺傳過(guò)程中變異概率隨機(jī)選定的某一基因座上的數(shù)值進(jìn)行基本位變異運(yùn)算，執(zhí)行過(guò)程如下：

(1) 按變異概率在每一個(gè)個(gè)體上指定某一基因座為變異點(diǎn)；

(2) 對(duì)每一個(gè)染色變異點(diǎn)的基因值進(jìn)行取反運(yùn)算，從而得到新一代的遺傳染色個(gè)體。

經(jīng)過(guò)一系列的操作過(guò)程，再通過(guò)MAXGEN迭代(MAXGEN為最大遺傳代數(shù))就可以收斂得到最優(yōu)染色體，即為最優(yōu)解。一般最優(yōu)染色體主要由“0”或“1”編碼組成，其中“1”為稀疏結(jié)果中的非零元素，另外稀疏結(jié)果中非零元素的位置信息與它的位置信息相對(duì)應(yīng)。

3.2 稀疏結(jié)果中各非零元素幅度信息的確定

知道稀疏結(jié)果中各非零元素位置信息后，再在各個(gè)位置上利用最小二乘法做投影來(lái)確定其幅度信息。假設(shè)稀疏結(jié)果中有一個(gè)非零元素在第j位置上，那么該非零元素的幅度為：

(7)

其中,Tj表示T的第j列，而：

T=ΦΨ

(8)

其中，T稱為恢復(fù)矩陣。通過(guò)非零元素的幅度計(jì)算， 就可得到稀疏結(jié)果中各非零元素幅度信息。

綜合上述內(nèi)容，基于遺傳算法的CS新型重構(gòu)方法算法流程如圖1所示。

圖1 基于遺傳算法的CS新型重構(gòu)方法流程

4 CS新型重構(gòu)方法在WSNs數(shù)據(jù)壓縮中的應(yīng)用

遺傳壓縮感知新型重構(gòu)算法在無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮中的應(yīng)用如圖2所示。

圖2 遺傳壓縮算法在數(shù)據(jù)壓縮中應(yīng)用

遺傳壓縮感知算法與WSNs數(shù)據(jù)傳輸?shù)木唧w應(yīng)用相結(jié)合，能夠?qū)?shù)據(jù)進(jìn)行壓縮后傳輸，具體過(guò)程歸納如下：首先，采集的數(shù)據(jù)通過(guò)傳輸?shù)竭_(dá)簇頭節(jié)點(diǎn)，簇頭節(jié)點(diǎn)對(duì)數(shù)據(jù)進(jìn)行壓縮存儲(chǔ)并處理，如圖2所示。然后，簇頭節(jié)點(diǎn)對(duì)各個(gè)傳感器節(jié)點(diǎn)獲得的數(shù)據(jù)進(jìn)行分析，接著把壓縮數(shù)據(jù)結(jié)果傳送到匯聚終端，最終各個(gè)節(jié)點(diǎn)的信號(hào)在終端聯(lián)合恢復(fù)重構(gòu)出來(lái)。基于遺傳算法進(jìn)行CS的步驟如下：

(1) 遠(yuǎn)端匯聚終端發(fā)布命令。由匯聚終端發(fā)布的監(jiān)測(cè)命令通過(guò)多跳路由傳送到簇頭節(jié)點(diǎn)，簇頭節(jié)點(diǎn)以廣播的方式將命令轉(zhuǎn)發(fā)給每個(gè)簇內(nèi)的傳感器節(jié)點(diǎn)。

(2) 簇頭節(jié)點(diǎn)匯聚監(jiān)測(cè)數(shù)據(jù)。各個(gè)傳感器節(jié)點(diǎn)根據(jù)任務(wù)命令采集感知的信息，然后將采集得到的數(shù)據(jù)傳輸?shù)酱仡^節(jié)點(diǎn)，簇頭節(jié)點(diǎn)存儲(chǔ)信息數(shù)據(jù)，經(jīng)過(guò)規(guī)定時(shí)間后開(kāi)始處理。

5 實(shí)驗(yàn)仿真與分析

本文采用Matlab仿真平臺(tái)對(duì)本文提出的遺傳壓縮感知數(shù)據(jù)壓縮算法進(jìn)行驗(yàn)證，其中電腦配置為處理器Pentium 2 GHz，內(nèi)存為2 GB的PC環(huán)境下運(yùn)行。在無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮算法中，用到比較多的有簡(jiǎn)單的差分編碼壓縮算法DCCM(differential code compression method)和協(xié)作壓縮感知CCS(Cooperative Compressed Sensing)算法[11]等。本文將與DCCM算法及CCS算法[12]進(jìn)行比較分析。遺傳算法參數(shù)設(shè)置：遺傳算法種群大小為40，最大遺傳代數(shù)MAXGEN=300，遺傳代溝GGAP=0.95，交叉概率px=0.7，變異概率pm=0.03。實(shí)驗(yàn)中無(wú)線傳感器網(wǎng)絡(luò)所用的參數(shù)如表1所示。

表1 仿真實(shí)驗(yàn)參數(shù)

無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮算法性能評(píng)價(jià)指標(biāo)本文主要從傳感器數(shù)據(jù)序列簡(jiǎn)單壓縮有效性及與其他算法的壓縮比、節(jié)點(diǎn)平均能耗、生存時(shí)間和網(wǎng)絡(luò)時(shí)延等方面進(jìn)行對(duì)比。

5.1 傳感器數(shù)據(jù)序列壓縮感知的有效性

為了對(duì)本文提出的改進(jìn)壓縮感知算法有效性有一個(gè)相對(duì)直觀的理解，將傳感器采集到的一組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。其中數(shù)據(jù)長(zhǎng)度N=100，原始數(shù)據(jù)、壓縮感知重構(gòu)后的數(shù)據(jù)和本文提出的算法重構(gòu)后的數(shù)據(jù)對(duì)比圖如圖3所示。 從圖3中可以看出，CCS算法重構(gòu)率在83.7%，本文算法的重構(gòu)率94.8%，均方根誤差較小。本文提出的算法完成精確的重建，且重構(gòu)信號(hào)質(zhì)量穩(wěn)定，保證高精度的還原性。

圖3 傳感器數(shù)據(jù)序列壓縮重構(gòu)效果圖

5.2 壓縮比

壓縮比CR(compression ratio)的計(jì)算公式為：

CR=SCP/SOR

(9)

其中，SOR為初始數(shù)據(jù)量，SCP為壓縮之后的數(shù)據(jù)量。另外CR數(shù)值越小，那么壓縮之后的數(shù)據(jù)量占原始數(shù)據(jù)量比重越小，說(shuō)明壓縮性能越優(yōu)。三種算法壓縮比對(duì)比如圖4所示。

圖4 三種算法壓縮比對(duì)比

從圖4可以看出，隨著節(jié)點(diǎn)數(shù)據(jù)采集量的增加，三種算法的壓縮比都在逐漸下降，下降的幅度不是很大。相比較而言，CCS算法的壓縮比低于DCCM算法的壓縮比，壓縮性能較優(yōu)，而本文提出的GA-CS壓縮算法的壓縮比比CCS算法的壓縮比還低，壓縮性能最好。因?yàn)樵撍惴ê芎玫赝诰蛄藷o(wú)線傳感器網(wǎng)絡(luò)以數(shù)據(jù)為中心、數(shù)據(jù)之間的相關(guān)性的特點(diǎn)。編碼過(guò)程中最大程度的去除了節(jié)點(diǎn)之間的冗余信息，得到了不錯(cuò)的壓縮效果，并且隨著節(jié)點(diǎn)采集數(shù)據(jù)量的增加，它的壓縮比越來(lái)越小，逐步趨于平穩(wěn)。另外給出遺傳算法的收斂性和收斂時(shí)間如圖5所示。遺傳迭代算法在180代左右數(shù)據(jù)平緩，達(dá)到收斂，同時(shí)仿真時(shí)間消耗4.83 s。

圖5 遺傳算法迭代收斂曲線

5.3 節(jié)點(diǎn)平均能耗

節(jié)點(diǎn)能耗是衡量無(wú)線傳感器網(wǎng)絡(luò)性能參數(shù)的一個(gè)重要參數(shù)，同樣適合數(shù)據(jù)壓縮算法性能評(píng)價(jià)。數(shù)據(jù)傳輸過(guò)程中會(huì)增加數(shù)據(jù)壓縮時(shí)的計(jì)算能耗，但在感知節(jié)點(diǎn)整個(gè)通信過(guò)程中的能量消耗而言，數(shù)據(jù)壓縮計(jì)算能耗可以忽略不計(jì)。仿真中只考慮感知節(jié)點(diǎn)的無(wú)線通信能耗，設(shè)定仿真節(jié)點(diǎn)的初始能量、收發(fā)功率、數(shù)據(jù)包發(fā)送速率，同時(shí)根據(jù)數(shù)據(jù)分組長(zhǎng)度計(jì)算每次發(fā)送數(shù)據(jù)后節(jié)點(diǎn)剩余的能量。計(jì)算網(wǎng)絡(luò)發(fā)送與接收時(shí)的剩余能量差值就可知道網(wǎng)絡(luò)運(yùn)行中的能耗。三種算法的平均能耗如圖6所示。

圖6 三種算法平均能耗對(duì)比

從圖6可以看出，節(jié)點(diǎn)數(shù)據(jù)采集量相同時(shí)，CCS算法的平均能量消耗比DCCM算法要低，而本文提出的算法比DCCM算法的平均能耗還低。隨著感知節(jié)點(diǎn)發(fā)送數(shù)據(jù)包數(shù)量的增加，三種算法的平均能耗都隨之增加，但本文提出的算法能耗增加幅度最小。這主要因?yàn)楸疚奶岢鲞z傳壓縮感知數(shù)據(jù)壓縮算法能更好的挖掘感知節(jié)點(diǎn)之間的數(shù)據(jù)相關(guān)性，最大化的降低了冗余節(jié)點(diǎn)信息，提高了算法的壓縮精度。

5.4 網(wǎng)絡(luò)生存時(shí)間

同樣地網(wǎng)絡(luò)生存時(shí)間是無(wú)線傳感器網(wǎng)絡(luò)重要的性能指標(biāo)，直接反應(yīng)網(wǎng)絡(luò)壽命的長(zhǎng)短。本文分別對(duì)這三種算法的網(wǎng)絡(luò)生存時(shí)間進(jìn)行了仿真，仿真結(jié)果如表2所示。

表2 節(jié)點(diǎn)死亡時(shí)間輪數(shù)對(duì)比

從整體來(lái)看，本文提出的GA-CS算法節(jié)點(diǎn)死亡時(shí)間輪數(shù)都比DCCM算法和CCS算法要長(zhǎng)，當(dāng)網(wǎng)絡(luò)感知節(jié)點(diǎn)10%能量耗盡時(shí)，GA-CS算法節(jié)點(diǎn)死亡速度為DCCM算法的77%和CCS算法的88%；在網(wǎng)絡(luò)感知節(jié)點(diǎn)50%能量耗盡時(shí)，GA-CS算法節(jié)點(diǎn)死亡速度為DCCM算法的88.3%和CCS算法的93.7%；在網(wǎng)絡(luò)感知節(jié)點(diǎn)75%能量耗盡時(shí)，GA-CS算法節(jié)點(diǎn)死亡速度為DCCM算法的77.9%和CCS算法的84.4%；在100%的節(jié)點(diǎn)能耗耗盡時(shí)，GA-CS算法節(jié)點(diǎn)的網(wǎng)絡(luò)輪詢時(shí)間分別多出3004和1478輪。可以看出，本文提出基于GA-CS算法無(wú)線傳感器網(wǎng)絡(luò)中的網(wǎng)絡(luò)壽命明顯比另兩種算法的壽命要長(zhǎng)。這主要是因?yàn)樵跀?shù)據(jù)壓縮之后，減小了網(wǎng)絡(luò)內(nèi)部的數(shù)據(jù)冗余，減少了數(shù)據(jù)傳輸過(guò)程中的能耗，延長(zhǎng)了網(wǎng)絡(luò)壽命。因此，本文提出的算法適用于能量有限、計(jì)算有限及成本有限的無(wú)線傳感器網(wǎng)絡(luò)。

5.5 網(wǎng)絡(luò)時(shí)延

網(wǎng)絡(luò)時(shí)延TY包括兩部分時(shí)間組成，從感知節(jié)點(diǎn)發(fā)送數(shù)據(jù)到接收節(jié)點(diǎn)收到數(shù)據(jù)包的傳輸延時(shí)TS和接收到數(shù)據(jù)包的節(jié)點(diǎn)進(jìn)行數(shù)據(jù)壓縮算法產(chǎn)生的計(jì)算耗時(shí)TC，計(jì)算公式為：

TY=TS+TC

(10)

三種算法的網(wǎng)絡(luò)時(shí)延如圖7所示。

圖7 三種算法網(wǎng)絡(luò)時(shí)延對(duì)比

從圖7可以看出，三種算法的網(wǎng)絡(luò)時(shí)延都隨著節(jié)點(diǎn)數(shù)據(jù)采集的增加而延長(zhǎng)。當(dāng)節(jié)點(diǎn)的采集量較小時(shí)，DCCM算法的網(wǎng)絡(luò)時(shí)延比CCS算法要短，短0.05 s，而比GA-CS算法的網(wǎng)絡(luò)時(shí)延短了0.1 s，這主要是由于對(duì)數(shù)據(jù)進(jìn)行壓縮而消耗的計(jì)算延時(shí)。但隨著節(jié)點(diǎn)數(shù)據(jù)采集量的增加，發(fā)送的數(shù)據(jù)包較大時(shí)，DCCM算法的網(wǎng)絡(luò)時(shí)延明顯比CCS算法要長(zhǎng)，比GA-CS算法的網(wǎng)絡(luò)時(shí)延更長(zhǎng)。這里主要的時(shí)間消耗不是數(shù)據(jù)壓縮計(jì)算延時(shí)，主要是數(shù)據(jù)采集量增大后的時(shí)間傳輸時(shí)間延時(shí)?？梢钥闯霰疚奶岢龅幕贕A-CS算法的數(shù)據(jù)壓縮算法，有效地降低了網(wǎng)絡(luò)中所需要傳輸?shù)臄?shù)據(jù)量，從而達(dá)到減少網(wǎng)絡(luò)延時(shí)的目的。

6 結(jié) 語(yǔ)

無(wú)線傳感器網(wǎng)絡(luò)由于能量、通信帶寬、計(jì)算能力及成本有限，不適合大規(guī)模數(shù)據(jù)傳輸，同時(shí)存在數(shù)據(jù)冗余，需要進(jìn)行數(shù)據(jù)壓縮處理。本文提出一種新的基于遺傳算法的壓縮感知重構(gòu)方法，應(yīng)用于無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮過(guò)程中。對(duì)GA-CS算法進(jìn)行的性能分析， 從壓縮比、節(jié)點(diǎn)平均能耗、網(wǎng)絡(luò)生存時(shí)間和網(wǎng)絡(luò)時(shí)延四個(gè)方面，與DCCM算法及CCS算法的WSNs數(shù)據(jù)壓縮算法進(jìn)行比較。實(shí)驗(yàn)驗(yàn)證表明，本文提出的算法具有較高的壓縮比，提高了采集數(shù)據(jù)的重構(gòu)精度，降低了數(shù)據(jù)冗余度和網(wǎng)絡(luò)通信量，提高了網(wǎng)絡(luò)效率。

[1] Erratt N,Liang Y.Compressed data-stream protocol:an energy-efficient compressed data-stream protocol for wireless sensor networks[J].Let Communications,2011,5(18):2673-2683.

[2] Liu Xiang,Jun Luo,Rosenberg C.Compressed Data Aggregation:Energy-Efficient and High-Fidelity Data Collection[J].Networking,IEEE/ACM Transactions on,2013,21(6):1722-1735.

[3] Shancang Li,Li Da Xu,Xinheng Wang.Compressed Sensing Signal and Data Acquisition in Wireless Sensor Networks and Internet of Things[J].Industrial Informatics,IEEE Transactions on,2013,9(4):2177-2186.

[4] 曾凡文,王永利,劉冬梅.可調(diào)重構(gòu)誤差的傳感數(shù)據(jù)時(shí)間相關(guān)壓縮算法[J].計(jì)算機(jī)應(yīng)用與軟件,2011,28(11):279-282.

[5] 王英杰,鞠時(shí)光,陰曉加.無(wú)線傳感器網(wǎng)絡(luò)中分布式數(shù)據(jù)壓縮方法[J].計(jì)算機(jī)工程,2010,36(18):88-90.

[6] 任學(xué)軍,房鼎益.一種適合無(wú)線傳感器網(wǎng)絡(luò)的混合編碼數(shù)據(jù)壓縮算法[J].小型微型計(jì)算機(jī)系統(tǒng),2011,32(6):1055-1058.

[7] 王玲,石為人,石欣.基于時(shí)間相關(guān)性的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮與優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用,2013,33(12):3453-3456.

[8] 張建明,林亞平,傅明.傳感網(wǎng)絡(luò)中誤差有界的分段逼近數(shù)據(jù)壓縮算法[J].軟件學(xué)報(bào),2011,22(9):2149-2165.

[9] 尹亞光,丁貴廣.無(wú)線傳感器網(wǎng)絡(luò)中的數(shù)據(jù)壓縮技術(shù)研究[J].計(jì)算機(jī)應(yīng)用與軟件,2010,27(7):1-4.

[10] 范祥輝,李士寧,杜鵬雷.WSN中一種自適應(yīng)無(wú)損數(shù)據(jù)壓縮機(jī)制[J].計(jì)算機(jī)測(cè)量與控制,2010,18(2):463-465.

[11] 蔣鵬,吳建峰,吳斌.基于自適應(yīng)最優(yōu)消零的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮算法研究[J].通信學(xué)報(bào),2013,34(2):1-7.

[12] 吳大鵬,孫青文,唐季超.能量有效的無(wú)線傳感器網(wǎng)絡(luò)協(xié)作壓縮感知機(jī)制[J].電子與信息學(xué)報(bào),2012,34(11):2687-2693.

WIRELESS SENSOR NETWORK DATA COMPRESSION METHOD BASED ON GENETIC COMPRESSED SENSING

Zhang Na

(InstituteofComputerScienceandEngineering,HenanUniversityandUrbanConstruction,Pingdingshan467036,Henan,China)

In view of that the wireless sensor networks (WSNs) are limited in energy, communication bandwidth, computing capability and cost, they are not suitable for large-scale data transmission, and that there is the presence of data redundancy meanwhile and has the need of data compression, we put forward a new genetic algorithm-based compressed sensing (CS) reconstruction method, and applied it to wireless sensor network data compression. In this paper we expatiate on the features of distributed WSNs data compression, the basic theory of compressed sensing, as well as the genetic algorithm-based new CS reconstruction method and its application in WSNs data compression. It was proved through experimental simulation that compared with WSNs data compression algorithms using DCCM algorithm and CCS algorithm in four aspects of compression ratio, average nodes energy consumption, network lifecycle and network delay, the proposed algorithm had higher compression ratio, improved the reconstruction accuracy of the collected data, reduced the data redundancy and network traffic, and improved the network efficiency.

Wireless sensor networks Compressive sensing Genetic algorithm Compression ratio Lifecycle

2014-10-08。國(guó)家自然科學(xué)基金項(xiàng)目(61202248)；河南省科技發(fā)展計(jì)劃科技攻關(guān)重點(diǎn)項(xiàng)目(122102210412)。張娜，博士，主研領(lǐng)域：模式識(shí)別與智能系統(tǒng)。

TP393

A

10.3969/j.issn.1000-386x.2016.04.031