使用改进灰色模型的WSN数据压缩方法

doi:10.13190/j.jbupt.2017-190

北京邮电大学学报 ›› 2018, Vol. 41 ›› Issue (2): 119-124.doi: 10.13190/j.jbupt.2017-190

• 研究报告 • 上一篇

使用改进灰色模型的WSN数据压缩方法

段利国¹, 朱丽¹, 李晓伟², 李爱萍¹

1. 太原理工大学信息与计算机学院, 山西晋中 030600;
2. 北方自动控制技术研究所, 太原 030006

收稿日期:2017-11-18 出版日期:2018-04-28 发布日期:2018-03-17
作者简介:段利国(1970-),男,副教授,硕士生导师,E-mail:463035793@qq.com.
基金资助:
国家自然科学基金项目（61472271）

Data Compression Method of WSN Used Improved Grey Model

DUAN Li-guo¹, ZHU Li¹, LI Xiao-wei², LI Ai-ping¹

1. College of Information and Computer, Taiyuan University of Technology, Shanxi Jinzhong 030600, China;
2. North Automatic Control Technology Institute, Taiyuan 030006, China

Received:2017-11-18 Online:2018-04-28 Published:2018-03-17

摘要/Abstract

摘要： 针对数据压缩方法计算复杂度高、压缩效率和数据恢复准确率较低的情况，提出一种基于簇头-基站分离式结构的无线传感器网络（WSN）数据压缩方法.该方法在WSN单层分簇结构的基础上，首先要求感知节点等时间间隔采集数据，并分段发送；然后采用原有空间相关性数据压缩方法对簇头节点接收的数据进行空间噪声及冗余的消除；最后在基站采用改进的灰色模型进行数据恢复.另外，通过实验分析不同段长及压缩率情况下，灰色模型、灰色马尔可夫链模型以及改进的灰色模型对数据的恢复效果，给出算法的最优模型和段长.仿真结果表明，提出的方法较已有线性类WSN数据压缩方法可显著提高压缩精度和效率.

关键词: 无线传感器网络, 空间相关性, 数据压缩, 改进灰色模型

Abstract: In view of high computational complexity, low compression efficiency and data recovery rate of current data compression methods of wireless sensor network, a wireless sensor networks (WSN) data compression method based on a cluster head base station separation structure is proposed. Based on the monolayer cluster structure of WSN, the method requests the terminal sensor node to collect data at equal intervals and transmit data in segments at first. Then the spatial correlation data compression method is performed to eliminate the space noise and space redundancy of data in cluster head node. Finally, the improved grey model is adopted for data recovery at the base station. In addition, the optimal model and segment length of the algorithm are given, through the experimental analysis of the data recovery effect of the improved grey model, the grey model and the grey Markov chain model. Experimental results show that, compared with the existing linear WSN data compression methods, the proposed method significantly improves the WSN compression accuracy and efficiency.

Key words: wireless sensor networks, spatial correlation, data compression, improved grey model

中图分类号:

TP391

段利国, 朱丽, 李晓伟, 李爱萍. 使用改进灰色模型的WSN数据压缩方法[J]. 北京邮电大学学报, 2018, 41(2): 119-124.

DUAN Li-guo, ZHU Li, LI Xiao-wei, LI Ai-ping. Data Compression Method of WSN Used Improved Grey Model[J]. JOURNAL OF BEIJING UNIVERSITY OF POSTS AND TELECOM, 2018, 41(2): 119-124.

参考文献

[1] Deligiannakis A, Kotidis Y, Roussopoulos N. Dissemination of compressed historical information in sensor networks[J]. The International Journal of Very Large Data Bases, 2007, 16(4):439-461.
[2] 林蔚, 韩丽红. 无线传感器网络的数据压缩算法综述[J]. 小型微型计算机系统, 2012, 33(9):2043-2048. Lin Wei, Han Lihong. Summary of data compression algorithm in wireless sensor networks[J]. Journal of Chinese Computer Systems, 2012, 33(9):2043-2048.
[3] 翟双, 钱志鸿, 刘晓慧, 等. 无线传感器网络中基于序列相关性的数据压缩算法[J]. 电子与信息学报, 2016, 38(3):713-719. Zhai Shuang, Qian Zhihong, Liu Xiaohui, et al. Data compression algorithm based on sequence correlation for WSN[J]. Journal of Electronics & Information Technology, 2016, 38(3):713-719.
[4] 陈岁生, 卢建刚. 基于提升小波和自适应多项式拟合的传感器网络多模数据压缩算法[J]. 传感技术学报, 2013, 26(4):550-557. Chen Suisheng, Lu Jiangang. An adaptive multiple-modality sensor network data compression algorithm based on lifting wavelet and polynomial fitting[J]. Chinese Journal of Sensors and Actuators, 2013, 26(4):550-557.
[5] 王玲, 石为人, 石欣, 等. 基于时间相关性的无线传感器网络数据压缩与优化算法[J]. 计算机应用, 2013, 33(12):3453-3456. Wang Ling, Shi Weiren, Shi Xin, et al. Data compression and optimization algorithm for wireless sensor network based on temporal correlation[J]. Journal of Computer Applications, 2013, 33(12):3453-3456.
[6] 张瑞瑞, 杜尚丰, 陈立平, 等. 基于分段线性回归的传感器网络数据压缩传输方法研究[J]. 传感技术学报, 2015, 28(4):531-536. Zhang Ruirui, Du Shangfeng, Chen Liping, et al. Data compression method with piece-wise linear regression in WSN[J]. Chinese Journal of Sensors and Actuators, 2015, 28(4):531-536.
[7] 孙韩林, 金跃辉, 崔毅东, 等. 粗粒度网络流量的灰色模型预测[J]. 北京邮电大学学报, 2010, 33(1):7-11. Sun Hanlin, Jin Yuehui, Cui Yidong, et al. Large-time scale network traffic short-term prediction by grey model[J]. Journal of Beijing University of Posts and Telecommunications, 2010, 33(1):7-11.
[8] Luo Xiong, Chang Xiaohui. A novel data fusion scheme using grey model and extreme learning machine in wireless sensor networks[J]. International Journal of Control Automation & Systems, 2015, 13(3):539-546.
[9] 刘洲洲, 李士宁. 采用压缩感知和GM(1, 1)的无线传感器网络异常检测方法[J]. 西安交通大学学报, 2017, 51(2):40-46. Liu Zhouzhou, Li Shining. An anomaly detection method for wireless sensor networks based on compressed sensing and GM (1, 1)[J]. Journal of Xi'an Jiaotong University, 2017, 51(2):40-46.
[10] Yu Qin, Lü Jibin, Jiang Lirui, et al. Traffic anomaly detection algorithm for wireless sensor networks based on improved exploitation of the GM(1, 1) model[J]. International Journal of Distributed Sensor Networks, 2016, 12(7):2181256-2181256.
[11] 林蔚, 李波, 韩丽红. 基于二次灰色马尔可夫预测的WSN状态判定算法[J]. 计算机工程与科学, 2013, 35(8):41-45. Lin Wei, Li Bo, Han Lihong. State determination algorithm of WSN based on twice grey Markov forecasting[J]. Computer Engineering and Science, 2013, 35(8):41-45.
[12] 张文柱, 韩晓冬. 容迟网络中提高数据包转发方向性的路由算法[J]. 北京邮电大学学报, 2012, 35(4):6-10. Zhang Wenzhu, Han Xiaodong. Delay tolerant network routing algorithm to enhance the packet forwarding direction[J]. Journal of Beijing University of Posts and Telecommunications, 2012, 35(4):6-10.
[13] 陈前斌, 黄晨, 唐伦. 异构网络负载感知的动态增强型干扰协调方案[J]. 北京邮电大学学报, 2015, 38(3):39-42. Chen Qianbin, Huang Chen, Tang Lun. Load-ware based dynamic enhanced inter-cell interference coordination scheme in heterogeneous networks[J]. Journal of Beijing University of Posts and Telecommunications, 2015, 38(3):39-42.
[14] 王雷春, 马传香. 传感器网络中一种基于一元线性回归模型的空时数据压缩算法[J]. 电子与信息学报, 2010, 32(3):755-758. Wang Leichun, Ma Chuanxiang. A one-dimensional linear regression model based spatial and temporal data compression algorithm for wireless sensor networks[J]. Journal of Electronics &Information Technology, 2010, 32(3):755-758.
[15] Intel Berkeley research lab. Intel lab data[EB/OL]. 2004(2004-06-02)[2017-04-28]. http://db.csail.mit.edu/labdata/labdata.html.

使用改进灰色模型的WSN数据压缩方法

Data Compression Method of WSN Used Improved Grey Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	余修武商亚东刘永. 临时优劣重心反向融变的麻雀优化 WSN 定位算法[J]. 北京邮电大学学报, 2023, 46(1): 90-96.
[2]	张浩冯春燕杨佳汇郭彩丽周博文. 面向语义通信的3D骨骼点数据编码与压缩方法[J]. 北京邮电大学学报, 2022, 45(6): 62-69.
[3]	余修武, 秦晓坤, 刘永. 基于萤火虫算法优化FCM的WSN路由算法[J]. 北京邮电大学学报, 2022, 45(2): 50-56.
[4]	余修武, 黄露平, 刘永, 余昊, 李佩. 遗传-禁忌搜索优化的三维DV-Hop定位算法[J]. 北京邮电大学学报, 2021, 44(4): 75-81.
[5]	刘琳岚, 肖庭忠, 夏扬, 舒坚. 基于超限快速决策树的链路质量评估[J]. 北京邮电大学学报, 2021, 44(3): 125-130.
[6]	余修武, 李莹, 刘永, 肖人榕, 余昊. 基于映射曲线的自适应莱维鲸鱼无线定位算法[J]. 北京邮电大学学报, 2020, 43(5): 125-129,136.
[7]	余修武, 张可, 刘永. 基于罚函数与水波优化的WSN定位算法[J]. 北京邮电大学学报, 2020, 43(4): 106-112.
[8]	胡中栋, 王俊岭, 王振东, 曾珽. 山区复杂地形的无线传感器网络节点定位算法[J]. 北京邮电大学学报, 2019, 42(5): 113-118.
[9]	潘蕾娜, 陶洋, 许湘扬, 王进. 基于信任与能耗均衡的安全分簇路由协议[J]. 北京邮电大学学报, 2019, 42(3): 29-36.
[10]	钱开国, 卜春芬, 王玉见, 申时凯. 基于相交度比的无线传感器网络迭代定位算法[J]. 北京邮电大学学报, 2019, 42(3): 98-105.
[11]	马峻岩, 张特, 王瑾. 基于任务转移概率的感知节点异常运行状态检测方法[J]. 北京邮电大学学报, 2019, 42(3): 37-42.
[12]	余修武, 肖人榕, 刘永, 郭倩, 余昊. 基于秩滤波和裴波那契树的信号强度定位算法[J]. 北京邮电大学学报, 2019, 42(2): 7-12.
[13]	董颖, 崔梦瑶, 李诗源, 王雨后, 董浩. 基于K-PPER算法的多充电车WRSNs充电策略[J]. 北京邮电大学学报, 2018, 41(6): 65-70,77.
[14]	余修武, 刘琴, 李向阳, 张可, 肖人榕. 基于改进蚁群的BP神经网络WSN数据融合算法[J]. 北京邮电大学学报, 2018, 41(4): 91-96.
[15]	薛寒寒, 王柏, 张雷, 黄海. 基于计算节点和转发节点的WSN自组织聚簇算法[J]. 北京邮电大学学报, 2018, 41(3): 101-106.