李 莉,劉曉樂
(河南工程學院 計算機學院,河南 鄭州451191)
壓縮感知(Compressive Sensing,以下簡稱CS)是由Donoho和Candes等[1]在2006年提出的一種數(shù)據(jù)獲取理論.2006年,Haupt和Nowak[2]將壓縮感知理論應用到多個信號的環(huán)境中,但他們的方法僅研究了多個信號的互相關性,卻沒有考慮單個信號的內(nèi)相關性.Baron等[3]在壓縮感知理論的基礎上提出了分布式壓縮感知(Distributed Compressed Sensing,以下簡稱DCS).
本研究提出了一種基于分布式壓縮感知的自適應數(shù)據(jù)融合路由算法,對各節(jié)點進行數(shù)據(jù)融合時進行自適應調(diào)整,在路由過程中收集、融合相關節(jié)點的感知數(shù)據(jù)以減少總的傳輸和融合能量開銷.
CS理論指出,只要信號是可壓縮的或在某一個正交空間具有稀疏性,那么就可以用一個比較低的頻率(M?N)進行信號采樣,然后通過求解一個優(yōu)化問題就可以從這些少量的投影中以高概率重構(gòu)出原信號.
假設X為長度為N原始離散信號,X在時域空間RN的矢量元素為X n(n=1,2,…,N),Ψ域的一組標準正交集為{φ1,φ2,…,φn},則信號X可以由{φ1,φ2,…,φn}線性表示為
其中,X和Ψ是同一信號在不同域的等價表示,如果X只是K(K?N)個基向量的線性組合.
分布式壓縮感知技術考慮多維信號集合的時空相關性,假設多維信號集合具有聯(lián)合稀疏性,感知節(jié)點根據(jù)聯(lián)合稀疏性進行基于CS的編碼并將壓縮后的觀測傳送給Sink,Sink對壓縮后的全體觀測進行聯(lián)合解碼[4].
假設一組可壓縮的多維信號集合xl,…,xj在矩陣Ψ上具有共同的稀疏分量和稀疏信息[5],則信號xl的稀疏系數(shù)向量θl=(θl(1),…,θl(m))T可分解為θl=θc+~θl,l∈{1,2,…,J},則xc=Ψθc,‖θc‖0=kc;^xl=Ψ^θl,‖^θl‖0=kl(kl<kc);xl=xc+^xl.其中,kc和kl分別是稀疏向量θc和θl的非零個數(shù).
為了充分利用多維信號集合的分布式特點,假設Sink事先給感興趣區(qū)域的每個節(jié)點發(fā)送一個相同的種子Seed,每個節(jié)點根據(jù)收到的種子產(chǎn)生相同的偽隨機矩陣(Φ=Φi=…=Φj).那么,當獲得足夠多的觀測時,多維信號集合的聯(lián)合重構(gòu)可以通過求解li最優(yōu)化來解決.
假設節(jié)點Sl(l∈{l,…,J})將可壓縮信號xl(l∈{l,…,J})投影到基矩陣Ψ上,得到稀疏系數(shù)向量θl(l∈{l,…,J}).因為各個節(jié)點獨立編碼,無法獲得多維信號集合的聯(lián)合稀疏結(jié)構(gòu),所以節(jié)點無法確定精確聯(lián)合重構(gòu)多維信號集合所需向Sink傳輸?shù)淖钌儆^測個數(shù)[6],只能根據(jù)自身稀疏系數(shù)向量θl中非零個數(shù)nl向Sink傳輸nl=t(kc+kl)個觀測,則整個網(wǎng)絡能耗為
在WSN中各節(jié)點只攜帶共同觀測的信息yc沿著路由在當?shù)毓?jié)點進行數(shù)據(jù)融合,即當信息遷移到節(jié)點Sl(l∈{2,…,J})時,通過比較θc和θl(l∈{2,…,J})得到稀疏信息^θl(l∈{2,…,J}),并由此將觀測yl(l∈{2,…,J})分解為yl=yc+^yl,其中觀測信息^yl的個數(shù)為^n=tkl.當共同觀測值yc都遷移到節(jié)點Sl+1時,則w(el)=tkc,同時將觀測信息^yl直接傳輸給接收節(jié)點.在WSN中,進行基于壓縮感知的自適應數(shù)據(jù)融合方案的主要步驟如下:首先,在傳感器融合節(jié)點上對每個匯聚的節(jié)點信息進行編碼.然后,計算各個節(jié)點在G=(V,E)中進行數(shù)據(jù)融合的能量開銷,根據(jù)自適應函數(shù)選擇數(shù)據(jù)融合樹上每一層中能耗最小的節(jié)點,并找到這個能耗最小的數(shù)據(jù)融合路由.如果對每個節(jié)點都進行數(shù)據(jù)融合,需要消耗較多的融合能量并且融合能量大于該條路由因為進行數(shù)據(jù)融合所減少的傳輸能耗,這種情況下進行數(shù)據(jù)融合反而增加了能量開銷,所以要根據(jù)每個節(jié)點的融合能量,采用數(shù)據(jù)融合時進行自適應調(diào)整,以達到網(wǎng)絡總能耗最優(yōu).最后,不進行數(shù)據(jù)融合的直接攜帶該節(jié)點的感知數(shù)據(jù)傳輸?shù)较乱粋€節(jié)點,進行下一級的數(shù)據(jù)融合.
如果重復執(zhí)行數(shù)據(jù)融合過程,直到信息回到Sink,則可得整個網(wǎng)絡能耗為
根據(jù)上面描述,將分布式壓縮感知算法的網(wǎng)絡傳輸總能耗W1和自適應的壓縮感知算法中網(wǎng)絡的總傳輸能耗W2進行比較:
即W1>W(wǎng)2.
為了驗證壓縮感知方法在WSN中的網(wǎng)絡傳輸能耗問題,本研究采用Matlab處理平臺對兩種算法進行了測試.首先,在實驗中隨機選取傳感器節(jié)點分布在長寬均為60 m的區(qū)域,同時隨機產(chǎn)生10~60的整數(shù)值作為源節(jié)點個數(shù),兩種算法所需的網(wǎng)絡傳輸能耗相差不大,如表1所示.
表1 兩種方法傳輸能耗比較Tab.1 Two methods transmission energy consumption comparison μJ
但是,當節(jié)點數(shù)不斷增加時,由于信號重構(gòu)的計算時間和復雜度相對增加,分布式壓縮感知融合算法所需的網(wǎng)絡傳輸能耗增加很快,而自適應壓縮感知數(shù)據(jù)融合算法所需的網(wǎng)絡傳輸能耗變化則不明顯,具體情況如圖1所示.其中,T1表示分布式壓縮感知算法,T2表示自適應的壓縮感知數(shù)據(jù)融合算法,水平軸表示節(jié)點個數(shù),數(shù)值軸表示能量消耗.
根據(jù)實驗結(jié)果可得,在隨機產(chǎn)生的多個節(jié)點的多維信號的聯(lián)合稀疏結(jié)構(gòu)中,根據(jù)數(shù)據(jù)融合理論,基于壓縮感知的自適應數(shù)據(jù)融合方法在編碼和解碼中應用WSN感知的多維信號集合將不同的觀測信息直接傳輸給節(jié)點,傳輸過程中只攜帶共同觀測信號,有利于傳輸和融合,從而大大減少了網(wǎng)絡傳輸能耗.
圖1 兩種算法網(wǎng)絡傳輸能耗比較Fig.1 Two algorithm network transmission energy consumption comparison
從WSN中常用的分布式數(shù)據(jù)融合方法進行分析,為了減少數(shù)據(jù)融合本身的能量開銷和數(shù)據(jù)傳輸所消耗的能量開銷,將壓縮感知理論應用到WSN的分布式數(shù)據(jù)融合中,并分析一種基于分布式壓縮感知的自適應數(shù)據(jù)融合路由算法,最后將基本的分布式壓縮感知數(shù)據(jù)融合方法和自適應的分布式壓縮感知數(shù)據(jù)融合方法在網(wǎng)絡能耗方面進行比較,得到自適應的分布式壓縮數(shù)據(jù)融合方法在網(wǎng)絡能耗方面的開銷要小得多.
[1]Donoho D L.Compressed sensing[J].IEEE Transactions on Information Theory,2006,52(4):1289-1306.
[2]Haupt J,Nowaak R.Signal reconstruction from noisy random projections[J].IEEE Transactions Information Theory,2006,52(9):4036-4048.
[3]Baron D,Wakin M B.Sarvotham S,et al.Distributed Compressed Sensing[EB/OL].http://www.dsp.rice.edu/drorb/pdf/DCS112005.pdf.2005.
[4]Sun N,Lian Q S.Data aggregation technique combined temporal-spatial correlation with compressed sensing in wireless sensor networks[C].IEEE International Conference on Intelligent Computing and Integrated Systems(ICISS2011),The Proceedings of IEEE,Guilin,2011:781-785.
[5]Chen Y,Nasrabadi N M,Tran T D.Hyperspectral image classification using dictionary based sparse representation[J].IEEE Transaction on Geoscience and Remote Sensing,2011,49(10):3973-3985.
[6]Zhang L,Wei D Z,Pei CC.Kernel sparse representation-based classifier[J].IEEE Transactions on Signal Processing,2012,60(4):1684-1695.