王　倩，吴宣够

基于高斯模型的随机采样网络数据重构的研究

王倩，吴宣够

摘要:现有基于压缩感知的网络数据收集需要网络中所有节点参与单个测量值收集，由于网络丢包、数据易错性、网络节能等原因导致很难满足现有压缩感知理论的要求。本文提出一种基于高斯扩散模型的随机采样网络数据重构方法，既能有效压缩待收集网络数据，又能精确恢复未采样数据。真实网络数实验结果表明该方法的有效性，同时为基于压缩感知的随机采样数据收集提供参考。

关键词:压缩感知；传感器网络；随机投影；高斯扩散模型

无线传感器网络(Wireless Sensor Network，WSN)已广泛的用于各种数据监控应用。由于受到传感器节点能量、存储能力、通信带宽等资源的限制,其大规模部署会导致系统无法长时间运行[1,2]。在数据收集的过程中，尽可能减少网络中传输的数据包数目有利于延长网络运行时间。同时，由于WSN是一种不可靠网络，网络丢包现象十分严重，从而导致收集到的数据残缺不全。故研究如何减少网络能量消耗同时保证监控数据的质量成为WSN数据收集的重点内容之一[3]。通常无线传感器网络所监控的数据具有一定的时间相关性，这为减少网内传输数据数目和利用相关性对未采样数据恢复成为可能。

压缩感知(Compressive Sensing， CS)[4,5]作为一种新的数据采样和信息获取理论，其可以有效减少网络传输的数据包数目和平衡网络能量消耗。目前，基于压缩感知的无线传感器网络数据收集已存在不少研究，如文献[6，7]提出利用高斯随机矩阵投影进行大规模WSN数据收集中，其可以减少网络中传输的数据包和平衡网络能量消耗。……