一種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法。由于微型電池供能的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)能量有限，因此一旦網(wǎng)絡(luò)中某一傳感器節(jié)點(diǎn)能量耗盡，該節(jié)點(diǎn)將失去作用，將會(huì)影響到整個(gè)網(wǎng)絡(luò)的通信狀況。本發(fā)明采用基于空間自相關(guān)模型的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方案，將節(jié)點(diǎn)調(diào)度、數(shù)據(jù)預(yù)測(cè)和數(shù)據(jù)聚合算法相結(jié)合，調(diào)度剩余能量較低的普通節(jié)點(diǎn)進(jìn)行休眠，同時(shí)基于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)相鄰節(jié)點(diǎn)之間的數(shù)據(jù)相關(guān)性，利用Delaunay三角剖分算法和空間自相關(guān)模型，對(duì)休眠節(jié)點(diǎn)的缺失數(shù)據(jù)進(jìn)行預(yù)測(cè)，最后由簇頭節(jié)點(diǎn)進(jìn)行聚合操作。本專(zhuān)利方法在保證數(shù)據(jù)精度的同時(shí)，減少簇內(nèi)冗余數(shù)據(jù)的傳輸，節(jié)約傳感器節(jié)點(diǎn)的能耗，有效延長(zhǎng)網(wǎng)絡(luò)壽命。
【專(zhuān)利說(shuō)明】
一種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及無(wú)線(xiàn)節(jié)點(diǎn)資源的通信路由技術(shù)，主要解決在能量有限的應(yīng)用場(chǎng)景中， 如何減少數(shù)據(jù)傳輸并保證信息質(zhì)量的問(wèn)題，具體涉及一種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法。
【背景技術(shù)】
[0002] 無(wú)線(xiàn)傳感器網(wǎng)絡(luò)(Wireless Sensor Networks，WSNs)是由大量微型的、廉價(jià)的、低 功耗的傳感器節(jié)點(diǎn)通過(guò)無(wú)線(xiàn)通信的方式形成一個(gè)自組織的網(wǎng)絡(luò)系統(tǒng)，節(jié)點(diǎn)之間通過(guò)感知、 采集、處理和傳輸周?chē)h(huán)境中的標(biāo)量數(shù)據(jù)(如濕度、溫度、光強(qiáng))或者媒體數(shù)據(jù)(如音視頻、圖 像)信息，并通過(guò)多跳路由和數(shù)據(jù)聚合處理后，將信息匯聚至基站節(jié)點(diǎn)（sink)，再通過(guò)通訊 方式把這些信息發(fā)送給網(wǎng)絡(luò)的所有者。
[0003] WSNs通常是由傳感器節(jié)點(diǎn)上的微型電池提供能量，而電池能量有限，并且節(jié)點(diǎn)通 常運(yùn)行在惡劣甚至危險(xiǎn)的自然環(huán)境中，能量難以補(bǔ)充，所以一旦電池能量耗盡，節(jié)點(diǎn)就失去 了作用。因此，如何降低和均衡節(jié)點(diǎn)能耗，延長(zhǎng)網(wǎng)絡(luò)生存周期成為無(wú)線(xiàn)傳感器網(wǎng)絡(luò)應(yīng)用的關(guān) 鍵。
[0004] 目前，數(shù)據(jù)聚合算法是延長(zhǎng)網(wǎng)絡(luò)生存周期的一種有效方法，通過(guò)丟棄重復(fù)數(shù)據(jù)包 和數(shù)據(jù)融合等技術(shù)手段，對(duì)采集或者接收到的多個(gè)數(shù)據(jù)進(jìn)行聚合處理，可以有效地去除冗 余數(shù)據(jù)，減少網(wǎng)絡(luò)中傳輸?shù)臄?shù)據(jù)量，消除無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中存在著的數(shù)據(jù)生產(chǎn)和數(shù)據(jù)消費(fèi) 的不平衡，最終節(jié)約網(wǎng)絡(luò)能耗，實(shí)現(xiàn)延長(zhǎng)網(wǎng)絡(luò)壽命的目標(biāo)。
[0005] 按照聚合過(guò)程是否涉及語(yǔ)義邏輯處理，數(shù)據(jù)聚合可以分為數(shù)據(jù)級(jí)聚合和應(yīng)用級(jí)聚 合。數(shù)據(jù)級(jí)聚合在數(shù)據(jù)處理過(guò)程中不涉及語(yǔ)義與應(yīng)用邏輯的處理，融合方法比較簡(jiǎn)單，一般 通過(guò)數(shù)據(jù)包合并、數(shù)據(jù)包抑制等手段實(shí)現(xiàn)冗余數(shù)據(jù)的去除，數(shù)據(jù)壓縮也是常用的技術(shù)手段 之一。應(yīng)用級(jí)聚合技術(shù)在進(jìn)行數(shù)據(jù)聚合時(shí)，一般會(huì)涉及到具體的目標(biāo)任務(wù)或者應(yīng)用邏輯，比 如求平均值、最小值和最大值等。
[0006] 數(shù)據(jù)級(jí)聚合和應(yīng)用級(jí)聚合都能有效消除網(wǎng)絡(luò)中的冗余數(shù)據(jù)，提升信息的精度與質(zhì) 量。相對(duì)而言，數(shù)據(jù)級(jí)聚合方法比較簡(jiǎn)單，它通過(guò)對(duì)數(shù)據(jù)本身的處理來(lái)減少冗余數(shù)據(jù)，與具 體應(yīng)用無(wú)關(guān)，也不涉及語(yǔ)義邏輯的分析處理。應(yīng)用級(jí)聚合一般需要結(jié)合具體的業(yè)務(wù)邏輯和 語(yǔ)義信息來(lái)設(shè)計(jì)，設(shè)計(jì)相對(duì)復(fù)雜，但只要設(shè)計(jì)合理，其數(shù)據(jù)壓縮效率更高，聚合結(jié)果的信息 量也更多。
[0007] 數(shù)據(jù)聚合算法在具有上述優(yōu)點(diǎn)的同時(shí)，現(xiàn)有的算法仍然存在數(shù)據(jù)傳輸量大、數(shù)據(jù) 的精確性低的缺點(diǎn)。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的是解決傳統(tǒng)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中的數(shù)據(jù)冗余、能量有限、網(wǎng)絡(luò)服務(wù)質(zhì) 量低和數(shù)據(jù)無(wú)法高效傳輸?shù)膯?wèn)題。
[0009] 為解決上述問(wèn)題，本發(fā)明提出的技術(shù)方案為一種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法， 包含以下步驟：
[0010]步驟1:進(jìn)行初始化，網(wǎng)絡(luò)正常工作若干輪，普通節(jié)點(diǎn)收集信息，發(fā)送給簇頭節(jié)點(diǎn)； [0011]步驟2:幾輪工作結(jié)束后，簇頭節(jié)點(diǎn)根據(jù)簇內(nèi)普通節(jié)點(diǎn)的剩余能量，選擇簇內(nèi)剩余 能量較低的節(jié)點(diǎn)進(jìn)行休眠，記錄下休眠節(jié)點(diǎn)的編號(hào)V 1;
[0012]步驟3:被選中的節(jié)點(diǎn)進(jìn)行休眠，其他節(jié)點(diǎn)正常工作，持續(xù)發(fā)送數(shù)據(jù)給各自的簇頭 節(jié)點(diǎn)。
[00?3]步驟4:利用Delaunay三角剖分算法，找到簇內(nèi)節(jié)點(diǎn)的空間鄰接矩陣W，即找到簇內(nèi) 節(jié)點(diǎn)之間的空間鄰接關(guān)系；
[0014]步驟5:利用空間自相關(guān)模型，估算休眠節(jié)點(diǎn)的缺失數(shù)據(jù)；
[0015]步驟6:簇頭節(jié)點(diǎn)接收到簇內(nèi)所有節(jié)點(diǎn)的數(shù)據(jù)后進(jìn)行聚合處理，并將處理后的數(shù)據(jù) 轉(zhuǎn)發(fā)給sink節(jié)點(diǎn)；
[0016] 步驟7:簇頭節(jié)點(diǎn)喚醒休眠節(jié)點(diǎn)，讓其繼續(xù)發(fā)送數(shù)據(jù)，并取消標(biāo)記，轉(zhuǎn)至步驟2,直至 簇內(nèi)第一個(gè)節(jié)點(diǎn)死亡，確定該節(jié)點(diǎn)失去作用。
[0017] 進(jìn)一步，步驟4中空間鄰接矩陣W的生成包含以下步驟：
[0018] 步驟1:根據(jù)節(jié)點(diǎn)的位置分布生成對(duì)應(yīng)的Voronoi圖；
[0019] 步驟2:進(jìn)行Delaunay三角剖分；
[0020]步驟3:得到相應(yīng)的空間鄰接矩陣W。
[0021 ]進(jìn)一步，步驟5中估算休眠節(jié)點(diǎn)缺失數(shù)據(jù)的方法如下：
[0022]步驟1:構(gòu)建基于多元線(xiàn)性回歸模型的空間自相關(guān)模型:y = pWy+rf+e ;
[0023] 步驟2:上述模型在具有n+1個(gè)可觀測(cè)的非空間屬性，其中1個(gè)因變量，η個(gè)自變量時(shí) 轉(zhuǎn)換為y = (I_PW)-Ηβο+Ριχι+^Χ〗-· · ·+βηΧη+ε)，其中，
[0024]
[0025] y為因變量，x={xi，X2, . . .，Xn}為自變量矩陣，βο,βι, . . .，βη和Ρ為未知參數(shù)，ε為誤 差向量，服從標(biāo)準(zhǔn)正態(tài)分布，m為對(duì)象數(shù)量；
[0026] 步驟3:收集簇內(nèi)所有節(jié)點(diǎn)時(shí)刻t-m+1~t-Ι的數(shù)據(jù)形成矩陣X，作為空間自相關(guān)模 型中參數(shù)P和β的歷史數(shù)據(jù)；
[0027] 步驟4:利用極大似然估計(jì)和貝葉斯統(tǒng)計(jì)方法得到參數(shù)的估計(jì)；
[0028]步驟5:利用空間自相關(guān)模型y = (Ι-ρΨΓΗχβ+ε)、三角剖分算法得到的W矩陣、計(jì)算 出的參數(shù)口和#、以及未休眠節(jié)點(diǎn)在t時(shí)刻的數(shù)據(jù)，對(duì)休眠節(jié)點(diǎn)V,的第t輪數(shù)據(jù)進(jìn)行預(yù)測(cè)，最 后求出的y={yi，y2,...，ym}分別對(duì)應(yīng)休眠節(jié)點(diǎn)時(shí)刻預(yù)測(cè)數(shù)據(jù)，其中i為數(shù)字1，2....， m〇
[0029] 又進(jìn)一步，步驟4中，為簡(jiǎn)單起見(jiàn)，給參數(shù)P賦1，進(jìn)而利用極大似然估計(jì)法預(yù)測(cè)出參 數(shù)β的估計(jì)值i二(X'XPX'd-pWly,其中I為單位矩陣，X'為矩陣X的轉(zhuǎn)置，#為β的最小無(wú) 偏估計(jì)。
[0030] 本發(fā)明的有益效果：
[0031 ] (1)去除冗余數(shù)據(jù)，提高網(wǎng)絡(luò)性能
[0032]采用了基于空間自相關(guān)模型的數(shù)據(jù)聚合方法，可以降低網(wǎng)內(nèi)數(shù)據(jù)的傳輸量，還能 進(jìn)一步降低信道的沖突概率、提高數(shù)據(jù)的采集效率，有助于提高網(wǎng)絡(luò)的通信性能。
[0033] (2)提升服務(wù)質(zhì)量
[0034]在減少數(shù)據(jù)的冗余的基礎(chǔ)上，可以提升信息的精度和質(zhì)量，增強(qiáng)用戶(hù)的體驗(yàn)，并提 升用戶(hù)對(duì)感知區(qū)域的認(rèn)知。
[0035] (3)節(jié)約網(wǎng)絡(luò)能耗，最大化網(wǎng)絡(luò)生命周期
[0036]采用數(shù)據(jù)聚合和節(jié)點(diǎn)調(diào)度算法相結(jié)合，由簇頭節(jié)點(diǎn)調(diào)度簇內(nèi)剩余能量低的節(jié)點(diǎn)進(jìn) 行休眠，有效均衡和降低節(jié)點(diǎn)能耗，從而實(shí)現(xiàn)節(jié)約網(wǎng)絡(luò)能耗和最大化網(wǎng)絡(luò)生命周期的目標(biāo)。 同時(shí)利用Delaunay三角剖分算法和空間自相關(guān)模型對(duì)休眠節(jié)點(diǎn)的缺失數(shù)據(jù)進(jìn)行預(yù)測(cè)，減少 數(shù)據(jù)誤差、保證數(shù)據(jù)精度。
【附圖說(shuō)明】
[0037]圖1是傳感器網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖。
[0038]圖2是傳感器節(jié)點(diǎn)集合{vi，V2,…·，V7}的Voronoi圖。
[0039]圖3是感器節(jié)點(diǎn)集合{vi，V2, ...，V7}的Delaunay三角剖分圖。
[0040]圖4是基于空間自相關(guān)模型的WSNs數(shù)據(jù)聚合方案流程圖。
[0041]圖5是休眠節(jié)點(diǎn)數(shù)據(jù)預(yù)測(cè)流程圖。
【具體實(shí)施方式】
[0042]現(xiàn)結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施做進(jìn)一步詳細(xì)的說(shuō)明。
[0043]本發(fā)明基于層簇式無(wú)線(xiàn)傳感器網(wǎng)絡(luò)，即將網(wǎng)絡(luò)中節(jié)點(diǎn)分為匯聚節(jié)點(diǎn)、簇頭節(jié)點(diǎn)和 普通節(jié)點(diǎn)，如圖1所示，在該網(wǎng)絡(luò)中，簇頭節(jié)點(diǎn)負(fù)責(zé)收集簇內(nèi)的數(shù)據(jù)，并將融合后的數(shù)據(jù)轉(zhuǎn)交 給基站節(jié)點(diǎn)。
[0044] 本發(fā)明假設(shè)簇頭節(jié)點(diǎn)可以獲取簇內(nèi)普通節(jié)點(diǎn)的位置，并且所有節(jié)點(diǎn)在部署完成后 靜止不再移動(dòng);每個(gè)簇的簇頭節(jié)點(diǎn)的部署為確定部署，無(wú)需進(jìn)行簇頭節(jié)點(diǎn)的選舉;網(wǎng)絡(luò)中的 普通節(jié)點(diǎn)圍繞簇頭節(jié)點(diǎn)為中心進(jìn)行部署;為了節(jié)約成本和節(jié)省能耗，網(wǎng)絡(luò)中的簇頭節(jié)點(diǎn)監(jiān) 測(cè)自己簇內(nèi)的普通節(jié)點(diǎn)；與普通節(jié)點(diǎn)相比，簇頭節(jié)點(diǎn)具有相對(duì)較高的計(jì)算能力、存儲(chǔ)空間和 能量水平，匯聚節(jié)點(diǎn)的能量水平與計(jì)算能力最強(qiáng)。
[0045] 本發(fā)明是一種基于空間自相關(guān)模型的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法，將數(shù)據(jù)聚 合、節(jié)點(diǎn)調(diào)度與數(shù)據(jù)預(yù)測(cè)算法相結(jié)合，流程圖如圖4所示。首先簇內(nèi)節(jié)點(diǎn)正常工作若干輪，再 由簇頭節(jié)點(diǎn)收集簇內(nèi)節(jié)點(diǎn)的信息，進(jìn)行聚合操作后發(fā)送給匯聚節(jié)點(diǎn)。接著由簇頭節(jié)點(diǎn)調(diào)度 剩余能量較低的節(jié)點(diǎn)休眠，并利用Delaunay三角剖分算法和空間自相關(guān)模型對(duì)休眠節(jié)點(diǎn)的 缺失數(shù)據(jù)進(jìn)行預(yù)測(cè)，圖5是休眠節(jié)點(diǎn)數(shù)據(jù)預(yù)測(cè)流程圖。該方案在保證數(shù)據(jù)精度的同時(shí)，減少 網(wǎng)內(nèi)數(shù)據(jù)量，實(shí)現(xiàn)節(jié)能和最大化網(wǎng)絡(luò)生命周期的目標(biāo)。
[0046] 為了方便描述，假定有如下應(yīng)用實(shí)例:開(kāi)發(fā)一個(gè)無(wú)線(xiàn)傳感器網(wǎng)絡(luò)的數(shù)據(jù)聚合應(yīng)用， 應(yīng)用的基本需求是減少冗余數(shù)據(jù)、節(jié)約網(wǎng)絡(luò)能耗，同時(shí)保證數(shù)據(jù)精度。此發(fā)明設(shè)計(jì)了基于空 間自相關(guān)模型的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法。基于節(jié)點(diǎn)調(diào)度、數(shù)據(jù)預(yù)測(cè)和數(shù)據(jù)聚合算法， 選擇剩余能量較低的傳感器節(jié)點(diǎn)進(jìn)行休眠，減少網(wǎng)內(nèi)數(shù)據(jù)量，節(jié)約節(jié)點(diǎn)能耗，延長(zhǎng)網(wǎng)絡(luò)壽 命。同時(shí)利用Delaunay三角剖分和空間自相關(guān)模型預(yù)測(cè)休眠節(jié)點(diǎn)缺失數(shù)據(jù)，最后由簇頭節(jié) 點(diǎn)對(duì)簇內(nèi)數(shù)據(jù)進(jìn)行聚合操作，并發(fā)送至sink節(jié)點(diǎn)。
[0047]具體數(shù)據(jù)聚合實(shí)現(xiàn)步驟如下：
[0048] (1)網(wǎng)絡(luò)正常工作若干輪。普通節(jié)點(diǎn)收集信息，并向簇頭節(jié)點(diǎn)發(fā)送。簇頭節(jié)點(diǎn)根據(jù) 簇內(nèi)普通節(jié)點(diǎn)的剩余能量，選擇簇內(nèi)剩余能量較低的節(jié)點(diǎn)進(jìn)行休眠。即休眠節(jié)點(diǎn)停止發(fā)送 數(shù)據(jù)，其余節(jié)點(diǎn)正常向簇頭節(jié)點(diǎn)提交數(shù)據(jù)。
[0049] (2)預(yù)測(cè)休眠節(jié)點(diǎn)的數(shù)據(jù)。采用Delaunay三角剖分，找到休眠節(jié)點(diǎn)的鄰接矩陣W，進(jìn) 而通過(guò)空間自相關(guān)模型對(duì)休眠節(jié)點(diǎn)的缺失數(shù)據(jù)進(jìn)行預(yù)測(cè)。
[0050] (3)數(shù)據(jù)聚合操作。簇頭節(jié)點(diǎn)收到所有簇內(nèi)普通節(jié)點(diǎn)的數(shù)據(jù)之后，進(jìn)行數(shù)據(jù)聚合操 作，并將數(shù)據(jù)發(fā)送給sink節(jié)點(diǎn)。
[0051] 在部署無(wú)線(xiàn)傳感器網(wǎng)絡(luò)時(shí)，為了盡可能獲取精確、完整的信息，通常會(huì)在目標(biāo)區(qū)域 高密度的部署傳感器節(jié)點(diǎn)，這會(huì)導(dǎo)致節(jié)點(diǎn)的覆蓋區(qū)域出現(xiàn)重疊，從而產(chǎn)生冗余數(shù)據(jù)。針對(duì)此 問(wèn)題，本發(fā)明提出基于節(jié)點(diǎn)調(diào)度策略的數(shù)據(jù)聚合方法，并引入了 Delaunay三角剖分算法和 空間自相關(guān)模型，不僅能夠減少冗余數(shù)據(jù)，節(jié)約網(wǎng)絡(luò)能耗，延長(zhǎng)網(wǎng)絡(luò)生存周期，還可以通過(guò) 數(shù)據(jù)預(yù)測(cè)減少數(shù)據(jù)的誤差，提高數(shù)據(jù)精度。
[0052]具體方法流程如下：
[0053] 1、初始化:網(wǎng)絡(luò)正常工作若干輪。普通節(jié)點(diǎn)收集信息，并向簇頭節(jié)點(diǎn)發(fā)送。
[0054] 2、幾輪工作結(jié)束后，簇頭節(jié)點(diǎn)根據(jù)簇內(nèi)普通節(jié)點(diǎn)的剩余能量，合理選擇簇內(nèi)剩余 能量較低的節(jié)點(diǎn)進(jìn)行休眠，記錄下休眠節(jié)點(diǎn)的編號(hào)I。
[0055] 3、被選中的節(jié)點(diǎn)進(jìn)行休眠，其他節(jié)點(diǎn)正常工作，即發(fā)送數(shù)據(jù)給各自的簇頭節(jié)點(diǎn)。
[0050] 4、利用De 1 aunay三角剖分算法，計(jì)算簇內(nèi)節(jié)點(diǎn)的空間鄰接矩陣W，即找到簇內(nèi)節(jié)點(diǎn) 之間空間上的鄰接關(guān)系。
[0057]由于無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)為不規(guī)則分布，本發(fā)明首先根據(jù)節(jié)點(diǎn)的位置分布，作 出其對(duì)應(yīng)的Voronoi圖，并進(jìn)行Delaunay三角剖分。Voronoi圖是分別由兩個(gè)相鄰節(jié)點(diǎn)的垂 直平分線(xiàn)連接而成的多邊形，在此基礎(chǔ)上，連接所有相鄰多邊形的中心所形成的三角剖分 就稱(chēng)為Delaunay三角剖分。圖2是一個(gè)Voronoi圖示例，它對(duì)應(yīng)于一個(gè)包含7個(gè)節(jié)點(diǎn){ V1， v2, ...，v7}的傳感器網(wǎng)絡(luò)。圖3是圖2所對(duì)應(yīng)的Delaunay三角剖分圖。
[0058]根據(jù)Delaunay三角剖分，就可以獲知節(jié)點(diǎn)之間的鄰接關(guān)系，并得到相應(yīng)的空間鄰 接矩陣W，如式(1)所示。
[0059]
(1)
[0060] 其中，Wij的取值如式(2)所示。
[0061 ]
(2)
[0062] 例如，圖3所對(duì)應(yīng)的W矩陣如下。
[0063]
(.3)
[0064]如果兩個(gè)節(jié)點(diǎn)在Delaunay三角剖分中相連或者在Voronoi圖中自然相鄰，貝lj它們 互為鄰域?qū)ο螅涂梢哉J(rèn)為它們的數(shù)據(jù)存在較高的相關(guān)性。這樣，對(duì)每個(gè)休眠的節(jié)點(diǎn)，也就 可以找到空間相關(guān)性較大的節(jié)點(diǎn)集合。
[0065] 5、利用空間自相關(guān)模型，估算休眠節(jié)點(diǎn)的缺失數(shù)據(jù)。
[0066] 空間自相關(guān)模型是在多元線(xiàn)性回歸模型的基礎(chǔ)上發(fā)展起來(lái)的面向空間數(shù)據(jù)預(yù)測(cè) 的一類(lèi)方法，其基本假設(shè)是節(jié)點(diǎn)的采集數(shù)據(jù)在空間上存在著自相關(guān)性，即相鄰節(jié)點(diǎn)之間的 感知數(shù)據(jù)存在著相關(guān)性，其表達(dá)式如公式(4)所示。
[0067] y = ρψγ+χβ+ε (4)
[0068] 即假設(shè)某一空間對(duì)象具有η+1個(gè)可觀測(cè)的非空間屬性，其中1個(gè)因變量，η個(gè)自變 量，則空間自相關(guān)模型可轉(zhuǎn)換成公式(5):
[0069] y = (I-pff)_1(P〇+foxi+02X2+. . ·+βηΧη+ε) (5)
[0070]
123456 其中y為因變量，χ={χι，χ2,…，χη}為自變量矩陣，說(shuō)，仇，…，?^Ρρ為未知參數(shù)，ε 為誤差向量，服從標(biāo)準(zhǔn)正態(tài)分布，m為對(duì)象數(shù)量。 2 簇內(nèi)所有節(jié)點(diǎn)時(shí)刻t-m+1~t-Ι的數(shù)據(jù)形成矩陣X，作為空間自相關(guān)模型中參數(shù)P和 邱勺歷史數(shù)據(jù)，參數(shù)的估計(jì)一般是利用極大似然估計(jì)和貝葉斯統(tǒng)計(jì)方法得到，但它計(jì)算代價(jià) 較大，在該聚合方法中，為簡(jiǎn)單起見(jiàn)，給參數(shù)P賦1，進(jìn)而利用極大似然估計(jì)法預(yù)測(cè)出參數(shù)β的 估計(jì)值/) = (Χ_Χ) ^ 其中I為單位矩陣，X '為矩陣X的轉(zhuǎn)置，#為0的最小無(wú)偏估 計(jì)。 3
[0073]利用空間自相關(guān)模型yza-pwr^e+o、三角剖分算法得到的w矩陣、計(jì)算出的參 數(shù)口和#、以及未休眠節(jié)點(diǎn)在t時(shí)刻的數(shù)據(jù)，對(duì)休眠節(jié)點(diǎn)w的第t輪數(shù)據(jù)進(jìn)行預(yù)測(cè)，最后求出的 y = {yi，y2,...，ym}分別對(duì)應(yīng)休眠節(jié)點(diǎn)Vi的t時(shí)亥ij預(yù)測(cè)數(shù)據(jù)，其中i為數(shù)字1,2--，m。 4 6、簇頭節(jié)點(diǎn)對(duì)簇內(nèi)所有節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行聚合處理，并將處理后的數(shù)據(jù)轉(zhuǎn)發(fā)給sink 節(jié)點(diǎn)。 5 7、簇頭節(jié)點(diǎn)喚醒休眠節(jié)點(diǎn)，讓其繼續(xù)發(fā)送數(shù)據(jù)，并取消標(biāo)記，轉(zhuǎn)至步驟2,直至簇內(nèi) 第一個(gè)節(jié)點(diǎn)死亡，確定該節(jié)點(diǎn)失去作用。 6 以上所述僅為本發(fā)明的優(yōu)選實(shí)施案例而已，并不用于限制本發(fā)明，盡管參照前述 實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，其依然可以對(duì)前述各實(shí) 施例所記載的技術(shù)方案進(jìn)行改進(jìn)，或者對(duì)其中部分技術(shù)進(jìn)行同等替換。凡在本發(fā)明的精神 和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法，其特征在于包含以下步驟： 步驟1:進(jìn)行初始化，網(wǎng)絡(luò)正常工作若干輪，普通節(jié)點(diǎn)收集信息，發(fā)送給簇頭節(jié)點(diǎn)； 步驟2:幾輪工作結(jié)束后，簇頭節(jié)點(diǎn)根據(jù)簇內(nèi)普通節(jié)點(diǎn)的剩余能量，選擇簇內(nèi)剩余能量 較低的節(jié)點(diǎn)進(jìn)行休眠，記錄下休眠節(jié)點(diǎn)的編號(hào)V1; 步驟3:被選中的節(jié)點(diǎn)進(jìn)行休眠，其他節(jié)點(diǎn)正常工作，持續(xù)發(fā)送數(shù)據(jù)給各自的簇頭節(jié)點(diǎn)； 步驟4:利用DeIaunay三角剖分算法，找到簇內(nèi)節(jié)點(diǎn)的空間鄰接矩陣W，即找到簇內(nèi)節(jié)點(diǎn) 之間的空間鄰接關(guān)系； 步驟5:利用空間自相關(guān)模型，估算休眠節(jié)點(diǎn)的缺失數(shù)據(jù)； 步驟6:簇頭節(jié)點(diǎn)接收到簇內(nèi)所有節(jié)點(diǎn)的數(shù)據(jù)后進(jìn)行聚合處理，并將處理后的數(shù)據(jù)轉(zhuǎn)發(fā) 給s ink節(jié)點(diǎn)； 步驟7:簇頭節(jié)點(diǎn)喚醒休眠節(jié)點(diǎn)，讓其繼續(xù)發(fā)送數(shù)據(jù)，并取消標(biāo)記，轉(zhuǎn)至步驟2,直至簇內(nèi) 第一個(gè)節(jié)點(diǎn)死亡，確定該節(jié)點(diǎn)失去作用。2. 如權(quán)利要求1所述的一種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法，其特征在于步驟4中空間鄰 接矩陣W的生成包含以下步驟： 步驟1:根據(jù)節(jié)點(diǎn)的位置分布生成對(duì)應(yīng)的Voronoi圖； 步驟2:進(jìn)行De Iaunay三角剖分； 步驟3:得到相應(yīng)的空間鄰接矩陣W。3. 如權(quán)利要求1所述的一種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法，其特征在于步驟5中估算休 眠節(jié)點(diǎn)缺失數(shù)據(jù)的方法如下： 步驟1:構(gòu)建基于多元線(xiàn)性回歸模型的空間自相關(guān)模型:y = PWy+x0+e ; 步驟2:上述模型在具有n+1個(gè)可觀測(cè)的非空間屬性，其中1個(gè)因變量，η個(gè)自變量時(shí)轉(zhuǎn)換 為y = β(?+βιXi+fox?1+· · .+βπΧπ+ε)，其中，y為因變量，x={xi，X2, . . .，xn}為自變量矩陣，β〇，βι，. . .，βη和P為未知參數(shù)，ε為誤差向 量，服從標(biāo)準(zhǔn)正態(tài)分布，m為對(duì)象數(shù)量； 步驟3:收集簇內(nèi)所有節(jié)點(diǎn)時(shí)刻t-m+1~t-Ι的數(shù)據(jù)形成矩陣X，作為空間自相關(guān)模型中 參數(shù)P和β的歷史數(shù)據(jù)； 步驟4:利用極大似然估計(jì)和貝葉斯統(tǒng)計(jì)方法得到參數(shù)的估計(jì)； 步驟5:利用空間自相關(guān)模型^α-ρΨΓΗχβ+ε)、三角剖分算法得到的W矩陣、計(jì)算出的 參數(shù)P和#、以及未休眠節(jié)點(diǎn)在t時(shí)刻的數(shù)據(jù)，對(duì)休眠節(jié)點(diǎn)V1的第t輪數(shù)據(jù)進(jìn)行預(yù)測(cè)，最后求 出的y={yi，y2,...，y m}分別對(duì)應(yīng)休眠節(jié)點(diǎn)Vi的t時(shí)刻預(yù)測(cè)數(shù)據(jù)，其中i為數(shù)字1,2--，m。4. 如權(quán)利要求3所述的一種無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)聚合方法，其特征在于步驟4中，為簡(jiǎn) 單起見(jiàn)，給參數(shù)P賦1，進(jìn)而利用極大似然估計(jì)法預(yù)測(cè)出參數(shù)β的估計(jì)值 戶(hù)=f XXyx'g-，其中I為單位矩陣，X'為矩陣X的轉(zhuǎn)置，#為β的最小無(wú)偏估計(jì)。
【文檔編號(hào)】H04W52/02GK105898789SQ201610341972
【公開(kāi)日】2016年8月24日
【申請(qǐng)日】2016年5月20日
【發(fā)明人】瞿佳雯, 孫力娟, 郭劍
【申請(qǐng)人】南京郵電大學(xué)