一種基于壓縮感知的農業WSN數據傳輸方法

崔婷婷

摘要：為實現科學的農業生產，無線傳感網絡被應用在農業環境的監測中，網絡中傳感器節點通常分布區域廣密度大，采集到的數據量極大。該文提出將壓縮感知技術用于傳感器節點進行數據采集與傳輸的方法，仿真結果顯示，該方法能接近完美的重構信號，減小傳輸的數據量，節省傳感器節點通信耗能。

關鍵詞：壓縮感知；無線傳感網絡；離散傅里葉變換；正交匹配追蹤

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2016）03-0001-03

1 概述

現代化農業逐漸打破傳統的生產方式，為提高生產速度，縮短生產周期，增加產量，采用以高科技為基礎的工廠化種養業。農作物的生長受自然條件的影響極大，如光照、溫度和濕度等。管理人員需要實時了解這些環境數據，從而進行相應的農事作業。近年來發展的無線傳感網絡（Wireless Sensor Network， WSN）為農作物生長環境所需的大量數據的采集與監測提供了新的方法[1-2]，并能對采集的數據科學分析，進行信息預警，給出合理化建議，從而提高作物質量與產量，帶來較好的經濟效益。

無線傳感網絡由大量傳感器節點組成，完成目標區域內的作物生長環境原始信息的快速、連續采集。WSN具有節點能量與網絡通信帶寬有限等特點，因此如何降低能量消耗、充分利用通信帶寬是亟待解決的問題。一個可行的方法是對傳輸數據進行壓縮處理，壓縮算法有多種，如分布式小波數據壓縮算法[3]，基于管道的數據壓縮算法[4]，預編碼數據壓縮算法等。但這幾種傳統的壓縮方式也存在缺陷：數據壓縮傳輸后，接收端恢復有一定誤差；壓縮比不高發送數據量大，導致節點無線傳輸數據時能量消耗較高。

近年來，提出的壓縮感知技術（Compressed Sensing， CS）是一種新的壓縮采樣技術[5-6]，其思想是采樣與壓縮以較低的速率同時進行。CS技術應用到無線傳感網絡中，具體思路是：傳感器節點采集原始信號f，應用離散傅里葉變換的到信號稀疏域表示x，用隨機貝努力矩陣觀測X得到低維觀測信號。將觀測信號傳輸至Sink節點后傳輸至數據中心進行信號重構恢復原始信號。針對無線感知網絡傳統數據壓縮存在的缺點，本文利用壓縮感知技術對溫室中無線傳感網獲取的溫度數據進行了模擬實驗，并對傳感器節點通信能力消耗做了分析。

2 相關知識

2.1壓縮感知

2.2 無線感知網絡

無線傳感網絡傳感器節點、匯聚節點（Sink節點）、管理節點組成，能實時采集和監測網絡分布區域內的各種信息數據。監測數據經過其他節點以多跳中繼方式傳給Sink節點，Sink節點對監測區域內的數據進行綜合處理后通過傳輸信道傳送至數據中心的管理節點。用戶對收集到的數據進行分析處理，做出相應的判斷。一個大型的無線傳感網中傳感器節點分布密集，節點需要采集的數據也非常大，整個網絡傳輸的數據量是非常驚人的。

3 基于CS的無線感知網絡數據處理模型

如圖2所示傳感器節點采集到的溫度數據為fi，i=1，2，...n，經過壓縮感知后得到M×1的觀測值Yi，i=1，2，...n。觀測值傳送到Sink 節點進行匯總，Sink節點將數據傳輸到數據中心后分離出各個觀測值，分別進行數據恢復得到原始數據。

3.1 WSN數據的稀疏變換

壓縮感知理論應用的前提是信號本身是稀疏的或者在某種變換域下是稀疏的，只有選擇合適的表示方法才能保證信號的恢復精度。本文采用的是離散傅里葉變換（DFT）的方法，將信號在頻域稀疏表示，結果表明具有較好的稀疏性。N點的離散傅里葉變換可以用一個N×N的矩陣乘法X=Wf來表示，其中f是原始的輸入信號，X是經過離散傅里葉變換得到的輸出信號。

3.2 數據重構算法

數據中心對數據重構采用正交匹配追蹤算法（Orthogonal Matching Pursuit，OMP）[9]，基本思想是次迭代過程計算觀測矩陣Φ中列向量與當前的冗余向量的相關系數，以貪婪迭代的方法選擇Φ的列向量，使得在每次迭代過程中選擇的列與當前的冗余向量具有最大的相關系數，測量向量減去相關部分并且重復迭代，直到迭代次數達到稀疏度K，迭代停止。

為保證能夠恢復稀疏或者近似稀疏信號，觀測矩陣需要滿足RIP性質。研究證明，隨機貝努力矩陣滿足要求，矩陣中的元素以相同的概率取[1N]或者-.[1N]。觀測矩陣Φ是從中隨機選取的M個行向量與N個列向量構成的M×N矩陣，隨機性越大恢復越精確。算法步驟如下：

4 仿真實驗

為了測試提出方案的可行性，以Matlab為工具進行了仿真實驗，結果如下：

（1）CS重構信號

為模擬真實溫室中溫度的變化，試驗中信號的波動幅度不大。運行正交匹配追蹤算法后得到的對比圖3。重構概率為CS重構數據與原數據正確個數的比，信號稀疏度k與觀測信號的長度M會影響信號的重構概率，信號的稀疏性越好，信號重構效果越理想，其變化如圖4。

（2）與傳統壓縮算法的比較

溫室中第 i傳感器節點采集到的環境數據長度N=256，壓縮比w=壓縮后數據長度/原始數據長度。試驗中發現，CS重構誤差與傳統壓縮算法重構誤差數量級相差很大，因此采用了歸一化重構誤差進行比較，對比如圖5。這兩種方法的數據重建誤差都隨壓縮比的增大而減小，變換趨勢相差很大，CS明顯優于傳統壓縮方法。

（3）節點發送數據能耗比較

WSN中傳感器節點能量消耗的主要部件有傳感器模塊、處理器模塊、通信模塊等，其中通信模塊的能耗遠大于前兩者的能耗。本文主要分析節點在傳輸數據時的能耗，并采用一階無線模型[10]。無線傳感器節點傳輸k 比特數據到距離為d的節點消耗的能量為：

Eelec（nJ/bit）表示將1bit數據進行編碼調制發送的固定能耗，εamp（pJ/bit/m2）為發送放大器參數。n為傳播損耗指數，其大小與具體傳播環境有關，通常2≤n≤4。分析中參數設為Eelec=50 nJ/bit，εamp=100 pJ/bit/m2，d=20m，n=2。

傳感器節點采集數據長度N=256，每個數據用8 bit表示，壓縮后的數據用比特表示長度L=256×8×w=211w （bit） 。帶入（7）式得：

下表分析了應用幾種傳統壓縮算法與壓縮感知方法后節點發送數據的能耗，CS方法中觀測矩陣M=20。相同的數據量的情況下，CS技術消耗的能量小于其他種壓縮方法。

通過以上分析可以看出，CS技術優于傳統壓縮方法，可以應用在溫室無線網絡數據壓縮傳輸中，并且數據恢復誤差較小，能夠減少網絡數據量，降低節點傳輸數據時能量的消耗。

5結語

在本文中，結合壓縮感知技術提出一種無線傳感網的數據采集傳輸方法，并與傳統數據壓縮方法做了比較。結果表明提出的方法能夠很好地解決網絡中數據量龐大、無線傳輸能量消耗大的問題。但是，實際應用中必須考慮噪聲、數據相關性等因素，這將是作者下一步的研究方向。

參考文獻：

[1] 柳平增，孟祥偉，田盼，等. 基于物聯網的精準農業信息感知系統設計[J].計算機工程與科學，2012 ，34（3）：137-141.

[2] 韓安泰，何勇，李建鋒，等. 基于無線傳感器網絡的糧蟲聲信號采集系統設計[J].農業工程學報，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] 蔣陽，孫柳林，熬文鈞，等.WSN中LEACH路由協議簇頭數優化研究[J].計算機應用研究，2010，27（11）：4251-4253.