基于小波變換的分布式WSN數據融合模型研究

黨小超，高琪，郝占軍

1.西北師范大學計算機科學與工程學院，蘭州 730070

2.甘肅省物聯網工程研究中心，蘭州 730070

基于小波變換的分布式WSN數據融合模型研究

黨小超1，2，高琪1，郝占軍1，2

1.西北師范大學計算機科學與工程學院，蘭州 730070

2.甘肅省物聯網工程研究中心，蘭州 730070

無線傳感器網絡[1-3]（Wireless Sensor Network，WSN）是由大量微型、低成本、低功耗的傳感器節點自組織形成的多跳網絡。其在監控區域內部署大量的傳感器節點（Sensor Node）感知和監測目標。由于節點資源受限，多個傳感器節點對同一環境元素監測的數據具有時空相關性[4]，因此需要對節點感知數據進行融合處理，去除其中的冗余數據，實現高效感知，節約帶寬和存儲開銷，從而提高目標監測的準確性和延長網絡生存期。

數據融合技術[5-8]是近年來一種性能相對較好的數據處理技術，是解決無線傳感器網絡節點生存時間瓶頸的一種有效的方法。文獻[9]介紹了物聯網技術中涉及的復雜數據問題以及大數據處理相關技術，核心是利用算法對多信息源發出的大量信息進行采集、傳輸、綜合、過濾、相關及合成等數據級處理，去除冗余數據，將少量的準確目標數據傳輸到匯聚節點。數據融合方法能有效地提取網絡感知數據中有價值的數據。

小波變換具有壓縮率高、速度快等優點，目前主要用于圖像處理等方面。因其具有高保真壓縮、小波分解和重構算法循環使用，并且易于硬件實現的特點，因此可以將小波變換算法應用到無線傳感器網絡的數據壓縮方面。研究表明，采用基于小波變換的壓縮算法進行數據融合證明了其良好的壓縮性能，但是運算開銷方面需要進一步的研究和分析。同時由于傳感器節點自身的限制，應用的小波壓縮算法必須是輕量級的，也需要進一步研究和分析。文獻[10-13]分別描述了小波變換在傳感器網絡數據壓縮方面所做的研究，但均未考慮感知數據差異變化情況的處理。

本文基于此設計出一種基于小波變換的分布式WSN數據融合模型，該模型對原有環模型進行改進，在數據融合前進行數據有效性驗證，并利用小波提升方案對數據進行融合處理，有效減少了網絡中感知數據的傳輸量，提高了數據傳輸的有效性和可靠性，均衡了傳感器節點的能耗。理論分析和仿真結果證明該模型的有效性和可行性。

1 模型建立

1.1 基于虛擬網格的改進環模型

該模型基于文獻[12]中的環模型，將每個簇劃分成M×N個單位虛擬網格，M和N的大小根據簇的大小設定，如圖1所示。傳感器節點分布在虛擬網格內，每一個網格里的節點都可以和相鄰的網格里的任一節點通信。在保證最優覆蓋的前提下，每個網格里同一時刻工作的節點只有一個，網格內其他節點均處于休眠狀態，當工作節點因能量耗盡，自身損壞等原因無法正常工作時，同一虛擬網格內的休眠節點將會被喚醒，代替失效節點繼續工作，節約重新構造新融合路徑的開銷。

圖1 環模型示意圖

本文作如下定義：簇頭節點完成簇和環的構建后，立即宣布解除簇頭標識，每輪的簇頭由以下定義得出。環首節點在構造環時指定為s0，數據的傳輸從環首開始，沿環依次傳輸給下一節點，本輪數據傳輸結束后，間隔Δt時間，重新開始數據監測，下一輪環首節點則為s(k-1)mod(n)，k值從1到n循環遞增；則每一輪簇頭節點為s(n+k-2)modn。將環末節點定義為簇頭。

1.2 數據驗證模型

所有環上傳感器節點參與首輪數據監測，將數據傳輸給環上的下一個節點，依次下去，每個節點將自己的數據加入到從上一節點接收的數據中去，這樣最終獲取整個簇節點對目標感知的全部數據。

假設一個環包含n個節點，分別為s0,s1,…,sn-1，如圖2所示，節點si感知的數據屬性為m維的列向量的時間序列，即

圖2 n個節點構造的環

因此，對整個簇內節點感知數據的融合處理就抽象成對數據矩陣R的處理，即利用小波變換對數據矩陣R進行融合處理，融合處理后由簇頭將數據傳輸給下一節點。

從次輪開始，每個節點將監測的數據與前一輪數據進行差異驗證，本文利用均方根誤差RMSE（Root Mean-Square Error）衡量兩次感知數據的變化，有（以第一個節點為例）：

數據有效性驗證機制如圖3所示，當ρ小于設置值時，該節點只進行數據轉發。當ρ大于設置值時，則該節點參與本輪的數據融合處理，同時更新節點的存儲數據，本輪數據收集完畢由簇頭傳送給Sink節點。間隔一定時間后，節點重新開始監測數據。

對抽象矩陣數據進行小波變換，要考慮無線傳感器節點能耗、計算能力有限問題，因此本文選用提升小波變換來處理抽象感知數據矩陣R。

圖3 數據驗證機制

2 DDA-WT算法

2.1 數據時空相關性

節點時間采樣模型，如圖4所示，不同傳感器節點對同一目標檢測的數據具有時空相關性，在設計算法時，要同時對監測數據時空相關性分別進行處理，降低數據的冗余度，減少網絡傳輸數據量，提高監測數據的準確度。

圖4 節點時間采樣模型

基于數據在時間和空間上的相關性，本文利用小波提升算法解決數據時空相關性的問題，小波提升算法[14-15]是將現有的小波濾波器分解成基本的構造模塊，小波變換分為分解（split）、預測（predict）、更新（update）三個步驟來完成，分解是將輸入信號根據奇偶性分為2個序列，預測是利用P濾波器作用于偶數序列得到奇數序列的預測值，得到的預測誤差即為高頻系數，更新是使用預測誤差線性組合更新偶數序列，得到低頻系數。數據分解與重構如圖5和圖6。

圖5 分解變換

圖6 重構變換

將監測數據抽象成矩陣R，那么對數據時間相關性的分析映射到矩陣的列變換上，對數據空間上的變換映射到矩陣的行變換上，行數據和列數據都可以進行l（l取決于環上節點數）級變換，列變換在單節點內部執行，行變換則在各節點間進行。

2.2 算法描述

步驟1網絡初始化，所有節點自組織成網。

步驟2 Each node on ring：

每一輪從環首節點s(k-1)mod(n)開始數據的處理轉發。t時刻開始監測數據，第一輪監測的數據存儲在節點里，小波列變換處理并轉發給下一節點；從第二輪開始監測到的數據首先進行數據有效性驗證，滿足有效性條件，節點將本輪數據丟棄；否則更新節點存儲數據、小波列變換處理并轉發下一節點。

步驟3數據在節點內部做小波列變換，去除數據時間相關性，在節點間進行小波行變換，去除數據空間相關性。

步驟4當節點完成數據處理后，由簇頭s(n+k-2)modn將數據發送出去，簇間接力傳輸的過程中，同時對數據進行簡單小波變換，壓縮數據，減少數據量，簇頭到sink之間利用算法尋找最優路徑進行數據轉發，sink對數據進行還原，獲取監測目標的原始數據，從而完成實現對目標的監控。Sink要對本輪數據進行有效存儲，從而完成數據的完全重構和還原。

2.3 算法能耗分析

本節分析算法能耗。從傳感器構造模塊分析，處理器和傳感器模塊的能耗較低，絕大部分能耗都集中在無線通信模塊上。而無線通信模塊的能耗主要表現在數據發送和數據接收兩個方面。下面是能耗分析過程：

一方面，從數據驗證方面分析能耗。本文采用簡單無線模型，發送方將λbit數據從節點i發送到相距為d的節點j時，發送和接收能耗分別為：

發送能耗：

其中，Eelec為發送或接收1比特數據電路能耗；εamp表示發射放大器傳送1比特數據能耗；V為節點電壓。N為每次變換的操作周期數目。C為單位周期所轉換數據量。

已有環模型算法能耗由節點發送能耗、接收能耗和處理數據能耗組成，即

以下是基于改進環結構模型分析算法能耗，設節點id為α字節，感知的數據位β字節，顯然有α＜＜β。

設數據閾值ρ為ρ0，數據驗證時計算出的閾值為ρΔ，設在某一輪數據收集中有x(x≤n)個節點的ρΔ＞ρ0的概率為τ，則有

設小波壓縮系數為c，第一輪Sink節點得到的數據可以表示為：

可以看出，當τ=1時，表明本輪節點感知數據變化全部超過閾值ρ0，數據量與能耗和第一輪相同；當τ?1時，表明只有少數節點感知數據變化超出閾值ρ0，本輪只將變化的節點數據傳輸給Sink節點，其他節點發送特定信號即可。數據有效性驗證成功時，能夠有效地降低處理數據和轉發的能耗，延長節點生存時間。

當然，數據驗證也會帶來能耗問題，但驗證過程是在節點自身進行，不需要無線通信模塊參與，因此，此階段能耗是極小的。

另一方面，除發送和接收數據外，原有模型中每一輪簇頭選舉也會帶來很大能耗。本文算法對簇頭選舉方法進行了改進，節約了重新選舉簇頭的能耗和計算量。

綜上所述，本文算法在節省能耗方面具有優勢。

3 仿真實驗分析

3.1 仿真環境

假設仿真覆蓋區域為100 m×100 m的范圍，隨機播散500個同構的傳感器節點，并隨機生成100個節點組成的環，節點間隔平均為5 m。

與基本的小波算法Mallat以及基本的小波提升變換進行對比實驗仿真，從算法的平均能耗AEC（Average Energy Consumption）、數據閾值ρ與平均能耗關系以及平均傳輸時延ATD（Average Time Delay）三個方面分析算法性能。仿真詳細參數設置如表1所示。

表1 仿真參數

3.2 仿真分析

為了評價本文算法的性能，采用MATLAB工具對算法進行仿真實驗。

圖7表示三種算法能耗對比，Mallat Algorithm算法能耗基本是6個單位能量；Lifting scheme算法能耗基本是5個單位能量；本文DDA-WT算法能耗基本為4.6個單位的能量。說明本文算法在能耗方面的優越性。提升方案的能耗低于傳統Mallat算法，取決于提升方案計算速度快，占用的內存較小，而且復雜度只是原始的一半。本文算法的能耗低于Lifting scheme算法，一方面是進行了數據的有效性驗證；另一方面是節省了成簇后簇頭的選舉能耗。

圖7 算法平均能耗對比

圖8給出了三種算法在不同的數據閾值ρ下的能耗變化情況。從圖中可以看出，隨著ρ從0到1不斷增大，算法的能耗也在不斷增加。說明在數據驗證階段，新一輪的監測數據與存儲數據對比，變化越大，能耗也越大，這與實際情況相符合。當數據閾值ρ變化小于0.6左右時，本文DDA-WT算法的能耗要明顯優于其他兩種算法，證明本文算法能夠節省能耗，延長網絡生存期。

圖8 不同閾值下平均能耗對比

圖9 節點傳輸數據的平均延遲

圖9表示三種不同的算法在節點傳輸數據量變化的過程中，節點傳輸數據的平均延遲情況。從圖中可以看出，隨著節點所傳輸數據量的不斷增加，節點在傳輸數據的時延也在不斷的增大，當節點傳輸數據很少的情況下，三種算法都可以很快地處理數據；隨著數據量的增加和節點能量的減少，節點處理轉發數據的速度會不斷下降，導致轉發延遲增大。DDA-WT算法引入數據驗證機制，并需要每一輪都把監測的數據全部轉發，因此，處理的數據量會較少，處理延遲也會有所降低。從圖中可以看出，DDA-WT算法處理延遲要明顯小于Mallat和Lifting scheme算法。

4 總結

本文提出一種基于小波變換的分布式WSN數據融合模型（DDA-WT），模型對原有環模型進行了改進，同時對監測數據進行有效性驗證，進而利用小波提升方案對數據進行融合處理。通過仿真實驗與其他算法進行對比分析，證明算法DDA-WT在節省能耗，延長網絡生存期方面具有較好的優越性。

[1]Li Jianzhong，Gao Hong.Survey on sensor network research[J].Journal of Computer Research and Development，2008，45（1）：1-15.

[2]仲元昌，宋揚.大規模無線傳感器網絡自適應路由算法[J].計算機工程與應用，2013，49（1）：89-93.

[3]楊小軍.無線傳感器網絡下分布式決策融合方法綜述[J].計算機工程與應用，2012，48（11）：1-6.

[4]Tang Shiqi.Application of spatial-temporal correlation in data fusion for wireless sensor network[Z].2011：2-11.

[5]Wan Runze，Wang Haijun，Zhang Xingyan.A low energyconsumingprivatedataaggregationmethodbasedon unequal clustering[J].Chinese Journal of Sensors and Actuators，2013，26（5）：715-721.

[6]Bagaa M，Challal Y，Ouadjaout A，et al.Efficient data aggregation with in-network integrity control for WSN[J].Journal of Parallel and Distributed Computing，2012，10（72）：1157-1170.

[7]楊庚，李森，陳正宇，等.傳感器網絡中面向隱私保護的高精確度數據融合算法[J].計算機學報，2013，36（1）：189-200.

[8]王宏巖，李英順，王德彪，等.低能耗和低時延的無線傳感器網絡數據融合算法[J].電子設計工程，2013，21（7）：47-50.

[9]胡永利，孫艷豐，尹寶才.物聯網信息感知與交互技術[J].計算機學報，2012，35（6）：1147-1163.

[10]林蔚，韓麗紅.無線傳感器網絡的數據壓縮算法綜述[J].小型微型計算機系統，2012，33（9）：2043-2048.

[11]鐘升，沈緒榜，鄭江濱，等.提升小波變換的數據并行計算方法研究[J].計算機學報，2011，34（7）：1323-1331.

[12]周四望，林亞平，張建明，等.傳感器網絡中基于環模型的小波數據壓縮算法[J].軟件學報，2007，18（3）：669-680.

[13]羅文華，王繼良.基于Haar小波的自適應數據壓縮算法[J].計算機工程，2010，36（12）：138-140.

[14]Bai Lang，Lei Xuheng，Sheng Wei.Method of small unmanned aerialrotorcraftaltitudeinformationfusionbasedon wavelet filter[J].Journal of Beijing University of Aeronautics and Astronautics，2012，38（5）：659-664.

[15]Wang Feng，Zhao Zhiwen，Mou Sheng.Fast extraction algorithmofthepolyphasematrixdecompositioncoefficient based integer lifting wavelet[J].Journal of Image and Graphics，2012，17（3）：329-336.

DANG Xiaochao1，2,GAO Qi1,HAO Zhanjun1，2

1.College of Computer Science and Engineering,Northwest Normal University,Lanzhou 730070,China
2.Gansu Province Internet of Things Engineering Research Center,Lanzhou 730070,China

For the problems of hardware and energy of wireless sensor,the article puts forward a model of distributed data aggregation in WSN based on wavelet transform（DDA-WT）.The model improves the original loop structure,adds the data detection procedure to reduce the amount of sensory data,which also exploits the lifting scheme to process the data matrix from nodes of ring topology in order to low the complexity of transport the fused data.The simulation results confirm the DDA-WT can low the energy consumption of nodes and prolong the lifetime of network.

Wireless Sensor Network（WSN）;wavelet transform;lifting scheme;data detection;data aggregation

針對無線傳感器網絡節點硬件、能量受限問題，分析現有數據融合方法，提出一種基于小波變換的分布式WSN數據融合模型，該模型對現有環結構模型進行改進，并加入數據驗證環節，策略性地減少傳輸的數據量，并利用小波提升方案對數據進行融合處理，降低數據表示和傳輸的復雜度。通過仿真實驗，證明了DDA-WT算法能有效降低網絡節點的能耗，延長整體網絡的生存期。

無線傳感器網絡；小波變換；提升方案；數據驗證；數據融合

A

TP393

10.3778/j.issn.1002-8331.1404-0454

DANG Xiaochao,GAO Qi,HAO Zhanjun.Research on model of distributed data aggregation in WSN based on wavelet transform.Computer Engineering and Applications,2014,50（22）：97-101.

國家自然科學基金（No.61363059）；西北師范大學青年教師科研能力提升計劃項目（No.NWNU-LKQN-13-24）。

黨小超（1963—），教授，碩士生導師，研究方向：計算機網絡；高琪（1987—），男，碩士研究生；郝占軍，通訊作者，男，講師，研究方向：計算機網絡、無線傳感器網絡。E-mail：zhanjunhao@126.com

2014-04-30

2014-06-03

1002-8331（2014）22-0097-05

CNKI網絡優先出版：2014-07-11,http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1404-0454.html