崔婷婷

摘要：为实现科学的农业生产，无线传感网络被应用在农业环境的监测中，网络中传感器节点通常分布区域广密度大，采集到的数据量极大。该文提出将压缩感知技术用于传感器节点进行数据采集与传输的方法，仿真结果显示，该方法能接近完美的重构信号，减小传输的数据量，节省传感器节点通信耗能。

关键词：压缩感知；无线传感网络；离散傅里叶变换；正交匹配追踪

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）03-0001-03

1 概述

现代化农业逐渐打破传统的生产方式，为提高生产速度，缩短生产周期，增加产量，采用以高科技为基础的工厂化种养业。农作物的生长受自然条件的影响极大，如光照、温度和湿度等。管理人员需要实时了解这些环境数据，从而进行相应的农事作业。近年来发展的无线传感网络（Wireless Sensor Network， WSN）为农作物生长环境所需的大量数据的采集与监测提供了新的方法[1-2]，并能对采集的数据科学分析，进行信息预警，给出合理化建议，从而提高作物质量与产量，带来较好的经济效益。

无线传感网络由大量传感器节点组成，完成目标区域内的作物生长环境原始信息的快速、连续采集。WSN具有节点能量与网络通信带宽有限等特点，因此如何降低能量消耗、充分利用通信带宽是亟待解决的问题。一个可行的方法是对传输数据进行压缩处理，压缩算法有多种，如分布式小波数据压缩算法[3]，基于管道的数据压缩算法[4]，预编码数据压缩算法等。但这几种传统的压缩方式也存在缺陷：数据压缩传输后，接收端恢复有一定误差；压缩比不高发送数据量大，导致节点无线传输数据时能量消耗较高。

近年来，提出的压缩感知技术（Compressed Sensing， CS）是一种新的压缩采样技术[5-6]，其思想是采样与压缩以较低的速率同时进行。CS技术应用到无线传感网络中，具体思路是：传感器节点采集原始信号f，应用离散傅里叶变换的到信号稀疏域表示x，用随机贝努力矩阵观测X得到低维观测信号。将观测信号传输至Sink节点后传输至数据中心进行信号重构恢复原始信号。针对无线感知网络传统数据压缩存在的缺点，本文利用压缩感知技术对温室中无线传感网获取的温度数据进行了模拟实验，并对传感器节点通信能力消耗做了分析。

2 相关知识

2.1压缩感知

2.2 无线感知网络

无线传感网络传感器节点、汇聚节点（Sink节点）、管理节点组成，能实时采集和监测网络分布区域内的各种信息数据。监测数据经过其他节点以多跳中继方式传给Sink节点，Sink节点对监测区域内的数据进行综合处理后通过传输信道传送至数据中心的管理节点。用户对收集到的数据进行分析处理，做出相应的判断。一个大型的无线传感网中传感器节点分布密集，节点需要采集的数据也非常大，整个网络传输的数据量是非常惊人的。

3 基于CS的无线感知网络数据处理模型

如图2所示传感器节点采集到的温度数据为fi，i=1，2，...n，经过压缩感知后得到M×1的观测值Yi，i=1，2，...n。观测值传送到Sink 节点进行汇总，Sink节点将数据传输到数据中心后分离出各个观测值，分别进行数据恢复得到原始数据。

3.1 WSN数据的稀疏变换

压缩感知理论应用的前提是信号本身是稀疏的或者在某种变换域下是稀疏的，只有选择合适的表示方法才能保证信号的恢复精度。本文采用的是离散傅里叶变换（DFT）的方法，将信号在频域稀疏表示，结果表明具有较好的稀疏性。N点的离散傅里叶变换可以用一个N×N的矩阵乘法X=Wf来表示，其中f是原始的输入信号，X是经过离散傅里叶变换得到的输出信号。

3.2 数据重构算法

数据中心对数据重构采用正交匹配追踪算法（Orthogonal Matching Pursuit，OMP）[9]，基本思想是次迭代过程计算观测矩阵Φ中列向量与当前的冗余向量的相关系数，以贪婪迭代的方法选择Φ的列向量，使得在每次迭代过程中选择的列与当前的冗余向量具有最大的相关系数，测量向量减去相关部分并且重复迭代，直到迭代次数达到稀疏度K，迭代停止。

为保证能够恢复稀疏或者近似稀疏信号，观测矩阵需要满足RIP性质。研究证明，随机贝努力矩阵满足要求，矩阵中的元素以相同的概率取[1N]或者-.[1N]。观测矩阵Φ是从中随机选取的M个行向量与N个列向量构成的M×N矩阵，随机性越大恢复越精确。算法步骤如下：

4 仿真实验

为了测试提出方案的可行性，以Matlab为工具进行了仿真实验，结果如下：

（1）CS重构信号

为模拟真实温室中温度的变化，试验中信号的波动幅度不大。运行正交匹配追踪算法后得到的对比图3。重构概率为CS重构数据与原数据正确个数的比，信号稀疏度k与观测信号的长度M会影响信号的重构概率，信号的稀疏性越好，信号重构效果越理想，其变化如图4。

（2）与传统压缩算法的比较

温室中第 i传感器节点采集到的环境数据长度N=256，压缩比w=压缩后数据长度/原始数据长度。试验中发现，CS重构误差与传统压缩算法重构误差数量级相差很大，因此采用了归一化重构误差进行比较，对比如图5。这两种方法的数据重建误差都随压缩比的增大而减小，变换趋势相差很大，CS明显优于传统压缩方法。

（3）节点发送数据能耗比较

WSN中传感器节点能量消耗的主要部件有传感器模块、处理器模块、通信模块等，其中通信模块的能耗远大于前两者的能耗。本文主要分析节点在传输数据时的能耗，并采用一阶无线模型[10]。无线传感器节点传输k 比特数据到距离为d的节点消耗的能量为：

Eelec（nJ/bit）表示将1bit数据进行编码调制发送的固定能耗，εamp（pJ/bit/m2）为发送放大器参数。n为传播损耗指数，其大小与具体传播环境有关，通常2≤n≤4。分析中参数设为Eelec=50 nJ/bit，εamp=100 pJ/bit/m2，d=20m，n=2。

传感器节点采集数据长度N=256，每个数据用8 bit表示，压缩后的数据用比特表示长度L=256×8×w=211w （bit） 。带入（7）式得：

下表分析了应用几种传统压缩算法与压缩感知方法后节点发送数据的能耗，CS方法中观测矩阵M=20。相同的数据量的情况下，CS技术消耗的能量小于其他种压缩方法。

通过以上分析可以看出，CS技术优于传统压缩方法，可以应用在温室无线网络数据压缩传输中，并且数据恢复误差较小，能够减少网络数据量，降低节点传输数据时能量的消耗。

5结语

在本文中，结合压缩感知技术提出一种无线传感网的数据采集传输方法，并与传统数据压缩方法做了比较。结果表明提出的方法能够很好地解决网络中数据量庞大、无线传输能量消耗大的问题。但是，实际应用中必须考虑噪声、数据相关性等因素，这将是作者下一步的研究方向。

参考文献：

[1] 柳平增，孟祥伟，田盼，等. 基于物联网的精准农业信息感知系统设计[J].计算机工程与科学，2012 ，34（3）：137-141.

[2] 韩安泰，何勇，李建锋，等. 基于无线传感器网络的粮虫声信号采集系统设计[J].农业工程学报，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] 蒋阳，孙柳林，熬文钧，等.WSN中LEACH路由协议簇头数优化研究[J].计算机应用研究，2010，27（11）：4251-4253.