基于压缩感知的无线传感器网络多区域信息有效收集相关机制研究

As the continuous expansion of the applications of Wireless Sensor Networks (WSN), the perceptual environments become increasingly completed and changeable and the scale of the network is enlarging, which has lead to some new issue and challenges. Undoubtedly, effective information gathering is a vital problem in one of the above tasks. In virtue of low samplings and high accuracy of recovery, Compressive Sensing(CS) has currently been paid widespread attention and applications. This project focuses on the issue of effective information gathering for multi-regions based on CS in WSN. More specifically, we target on the real complex environments in WSN, borrow the techniques in our previous works, including the theory of distributed CS, the sub-space structure theory, heuristic algorithm, etc., to study different models for information gathering, transport policy and reconstruction mechanism. The detailed issues include the hybrid distributed model based on hybrid distributed data, the layering sparse model of unsteady correlation data, the transport policy for multi-regions measuring, the joint reconstruction algorithm of inhomogeneous overlapping signals, the theoretical analysis of the reconstruction precision, the heuristic algorithm for samplings, etc. The work actually reflects real problems faced in WSN. Through the study on this project, we will design a practical and efficient mechanism and corresponding algorithms of information gathering, which can provide the significant theoretical and technical supports to the information gathering of multi-regions in WSN.

无线传感器网络应用的不断扩展使得感知环境复杂多变以及网络规模逐渐扩大，为我们带来了新的课题和挑战。其中，对信息的有效收集无疑是亟待解决的问题之一。目前，由于压缩感知的低采样和高准确重构特点，使之在该领域研究中受到了广泛关注。本项目关注基于压缩感知的多区域信息的有效收集，主要面向实际的复杂网络环境，在已有工作积累基础上，利用分布式压缩感知理论、子空间理论、启发式算法等技术，对多区域环境下不同信息的采样模型、传输策略和重构机制展开深入研究。研究内容包括基于混合分布数据的混合分布模型、基于相关度不稳定数据的分层稀疏模型、分区测量传输策略、非均匀交叠信号联合重构算法及重构精度理论分析、启发式采样算法等。相关工作更加真实反映了无线传感器网络信息收集面临的实际情况。通过这一研究，本项目将基于压缩感知设计出高效实用的信息收集机制和算法，能够为无线传感器网络多区域信息收集提供有效的理论和技术支撑。

在无线传感器网络领域，以能量有效的方式对信息可靠感知和传输时至关重要的问题。本项目主要研究内容包括：1）为有效利用压缩感知的优势，本项目提出一个基于区域化压缩感知的能量有效的数据收集方法RCS。该方法将无线传感器网络进行区域化，在每个区域进行独立采样测量，有效地解决了中心区域载荷过重的问题，同时充分结合了直接传输和压缩感知的优势，极大地降低了整个网络的传输能耗。进一步针对RCS方法在实际应用中遇到的两个问题：区域中心节点进行数据处理时的空间需求过大和sink节点采样停止的时机，提出相应的解决方案，进一步减少了数据收集过程的能量消耗。2）为能量有效的将采样数据传输到sink节点，基于传感器资源受限这一事实，本项目采用基于地理信息的贪婪策略来建立路由，并通过为网络节点构建虚拟坐标且利用保角映射来抵御网络链接的动态变化。为解决实际环境中的空洞现象，本项目提出利用双曲Ricci流将网络节点映射为虚拟坐标的方法。通过离散黎曼度量计算三角网格的边界长度；用Poincaré盘模型计算双曲距离，并用Möbius变换保证映射是刚体变换；基于虚拟坐标，每个传感器只需要传输数据给其邻居节点，再利用简单的贪婪搜索算法就可以很容易地得到合适的路由。进一步，考虑到映射过程的能量消耗问题，提出一种能量有效的优化方法以减少迭代次数，降低映射过程的时间，从而更有效地降低能耗。3）针对无线传感器网络下数据一致估计问题，结合压缩感知思想，提出一种实用的信息覆盖方法，能区分不同的唤醒节点，并进一步减少计算和通信能耗。从所有唤醒节点中选择有效的关键节点，然后通过唤醒节点的本身的值和关键节点的估计值，可以实现整个网络的信息覆盖，实现有效的能量节约。本项目构建普适性公式，它用两个影响因子来体现唤醒节点的数量与估计准确率的关系，可以在算法收敛过程中进一步降低能量消耗，并保证估计的准确性。经过大量的实验测试，验证了本文方法性能优于传统的方法，可以极大地减少能量消耗。