基于混合壓縮感知的分簇式網絡數據收集方法

李哲濤 臧 浪 田淑娟 李仁發

1(湘潭大學信息工程學院 湖南湘潭 411105)2(江蘇省無線傳感網高技術研究重點實驗室(南京郵電大學) 南京 210003)3(智能計算與信息處理教育部重點實驗室(湘潭大學) 湖南湘潭 411105)4 (湖南大學信息科學與工程學院 長沙 410082)(sjtianwork@xtu.edu.cn)

基于混合壓縮感知的分簇式網絡數據收集方法

李哲濤1,2,3臧 浪1,3田淑娟1,3李仁發4

1(湘潭大學信息工程學院 湖南湘潭 411105)2(江蘇省無線傳感網高技術研究重點實驗室(南京郵電大學) 南京 210003)3(智能計算與信息處理教育部重點實驗室(湘潭大學) 湖南湘潭 411105)4(湖南大學信息科學與工程學院 長沙 410082)(sjtianwork@xtu.edu.cn)

為了減少分簇式傳感器網絡中的數據傳輸量并均衡網絡負載，提出了一種采用混合壓縮感知(compressive sensing, CS)進行數據收集的方法.1)選取各臨時簇中距離簇質心最近的一些節點為候選簇頭節點,然后依據已確定的簇頭節點到未確定的候選簇頭節點的距離依次確定簇頭;2)各普通節點選擇加入距離自己最近的簇中;3)貪婪構建一棵以Sink節點為根節點并連接所有簇頭節點的數據傳輸樹，對數據傳輸量高于門限值的節點使用CS壓縮數據傳輸.仿真結果表明:當壓縮比率為10時，數據傳輸量比Clustering without CS和SPT without CS分別減少了75%和65%，比SPT with Hybrid CS和Clustering with Hybrid CS分別減少了35%和20%；節點數據傳輸量標準差比Clustering without CS和SPT without CS分別減少了62%和81%，比SPT with Hybrid CS和Clustering with Hybrid CS分別減少了41%和19%.

無線傳感器網絡；壓縮感知；數據收集；分簇網絡;負載均衡

無線傳感器網絡(wireless sensor network, WSN)一般由大量能量受限的傳感器節點與若干個基站組成,分簇式網絡結構能有效消除數據冗余，減少數據通信量與通信距離，具有可擴展性強、負載均衡、魯棒性強等特點.在WSN中，節點間的通信是節點能量損耗的主要原因[1].WSN中存在感知數據流不均衡導致部分節點過早死亡的情況，在保證傳輸數據質量的前提下，如何減少數據傳輸的能量消耗以及均衡網絡節點負載對延長網絡的生命周期有重要的意義.

近年來，壓縮感知(compressive sensing, CS)[2-4]技術的發展為無線傳感器網絡數據收集技術帶來了革命性的突破[5-9].CS可以在遠低于奈奎斯特采樣速率的條件下完成對數據信息的采集，從而減少網絡的數據傳輸量，降低網絡能量消耗，延長網絡的生命周期.假定網絡由1個Sink節點與N個感知節點構成.設x是1個具有N個元素的向量，表示網絡收集的數據，則每個元素對應1個傳感器節點收集到的數據.將x進行稀疏化處理，x=ψs，其中,ψ是1個N×N的變換基，s是系數向量.如果系數向量s僅僅含有k個非零元素(k?N)，則稱x在ψ域上是k-稀疏的.當k很小時，根據壓縮感知理論，僅需傳輸信號向量x的M個觀測值組成的向量y至Sink節點即可實現信息傳輸的目的，y=φx，φ是一個M×N(M?N)的隨機矩陣.Sink節點收集到測量值y后，可以通過求解一個l1-范數優化問題或者如OMP[10]的啟發式算法就能重構原始數據信號x.

在基于樹的數據收集方法中，距離Sink節點遠的葉子節點需要傳遞較少的數據包，而距離Sink節點近的節點需要傳遞較多的數據包.然而，在采用CS對節點數據進行處理后，每個節點需要傳遞M個數據包，也就是說N個節點的網絡中需要傳遞M×N個數據包，這仍然是一個很大的數值.文獻[6,8]提出了混合式壓縮感知方法，距離Sink節點遠的葉子節點傳遞原始數據，而距離Sink節點近的節點使用壓縮感知技術進行數據壓縮.以上方法都是將CS用在路由樹中，分簇式結構相比于樹型結構而言具有魯棒性強與網絡負載均衡等優勢[11-12].魯棒性更強是因為即使簇內節點由于物理因素意外死亡，對網絡拓撲結構影響不大.均衡負載是因為分簇網絡中節點數量能夠均衡，可以緩解樹型網絡中的瓶頸效應.但是，上述方法都忽視了網絡的地理位置與節點的分布狀況.研究表明：在傳感器網絡中，根據節點的分布狀況設計收集算法可以減少數據的傳輸量[12].文獻[13]提出了一種分簇式傳感網絡中采用混合CS技術進行數據收集的方法，簇內不使用CS進行數據傳遞，而在簇間使用CS進行數據傳遞.通過最小化簇內傳輸消耗有效地減少了數據傳輸量，但該方法未考慮大規模網絡中靠近簇頭的節點以及連通度大的節點的巨大負荷，網絡負載不均衡，同時忽視了簇間傳輸跳數對數據傳輸量造成的影響.

分簇式網絡中，由于簇頭節點需要融合和轉發大量數據，故減少用于簇間傳輸的拓撲跳數與數據量對延長網絡的生命周期具有重要的影響.本文通過考慮已確定的簇頭節點到未確定的候選簇頭節點間的距離，依次選擇距離父簇頭節點最短的候選簇頭節點為子簇頭節點，以此優化網絡中的簇頭選擇機制，在犧牲少量簇內傳輸量的前提下迅速降低簇間的傳輸量.貪婪構建1棵以Sink節點為根節點并連接所有簇頭節點的數據傳輸樹，將數據傳遞到Sink節點.對簇內數據傳輸量高于門限值的節點以及用于簇間傳輸的節點使用CS壓縮數據傳輸，達到均衡網絡負載和減少數據傳輸量的目的.仿真實驗表明，與多種基于樹的數據收集算法以及分簇式混合CS數據收集算法[13]相比，本文提出的算法能有效地減少網絡的數據傳輸量.相比傳統的基于樹的數據收集算法，文獻[8,13]以及未使用CS技術進行數據收集的分簇式網絡均能有效地均衡網絡負載.

1 模型建立與理論分析

1.1 模型建立與示例

假設:1) 網絡中所有節點獨立、一致性地分布在傳感區域；2) 網絡中所有節點具有相同的初始能量與傳輸速率；3) 網絡中所有節點能通過GPS或者其他定位技術[14-15]感知到自己的位置信息.

Fig. 1 Data collection diagram in cluster structure based on hybrid CS圖1 簇結構中基于混合CS數據收集示例

首先通過簇頭選舉算法得到簇頭節點，然后各普通節點選擇加入離自己位置最近的簇頭節點，將網絡劃分為若干簇，各普通節點通過最短路徑算法將數據傳遞給簇頭節點，得到簇內數據收集模型.各簇頭節點對簇內數據壓縮采樣，進而通過貪婪選擇構建的路由樹將數據傳遞給Sink節點，得到簇間數據收集模型.圖1是基于混合CS的分簇數據收集示例圖.簇頭節點根據各簇內節點vj由偽隨機數字生成器[5]生成的測量矩陣φi j，對簇內的數據進行壓縮感知采樣.網絡中第i個簇頭節點CHi通過產生的子矩陣φHi對簇內收集到的原始數據xHi進行測量，得到觀測值φHixHi.簇頭節點CHi經過壓縮測量后得到M個觀測值信號，M由節點數目N以及原始數據的稀疏度決定[5].各簇頭節點經貪婪選擇構建的數據傳輸樹向Sink節點傳遞數據.

Sink節點接收到的測量值y是所有簇頭節點經壓縮感知采樣后的數據之和，如式(1)所示.在每一次傳輸時，簇頭節點融合自身數據與子簇頭節點的數據，然后經貪婪路由樹將觀測值傳遞給Sink節點.Sink節點根據收到的觀測值y以及測量矩陣φ可以重構出原始信號x.

(1)

1.2 理論分析與證明

本文的分簇式混合CS數據收集方法包括2個方面的數據傳輸：簇內節點經過最短路徑算法將數據傳遞給簇頭節點，簇間經過貪婪路由傳輸樹將數據傳遞給Sink節點.對簇內數據傳輸量高于門限值的節點以及用于簇間傳輸的節點使用CS壓縮數據傳輸.網絡中任意節點的通信量為自己的通信量與其所有子節點通信量的和.節點的數據傳輸跳數越多，此節點的數據在各級父節點中會被多次傳輸，加大網絡的通信量.因此，為了節約網絡中節點的能量，所設計的數據收集方法需盡可能減少網絡中傳輸量，即盡可能減少數據包傳輸的總跳數.

1.2.1 網絡的分簇數量

在分簇式混合CS數據收集方法中，網絡中劃分簇的數量對網絡傳輸量有重要影響.當網絡中分簇數量過少時，簇內傳輸量將會急劇增加.當網絡中分簇數量過多時，簇頭節點數目會增加，簇間傳輸量勢必增加.因此在分簇式混合CS數據采集方法中存在最優分簇數量使得網絡傳輸量最小.文獻[13]對網絡中最優分簇數量做了詳細的理論分析與推導，本文不再贅述.網絡中最優分簇數量：

(2)

1.2.2 網絡的簇內傳輸

Fig. 2 Intra-cluster transmission diagram圖2 簇內傳輸示意圖

Fig. 3 Inter-cluster transmission diagram圖3 簇間傳輸示意圖

網絡中簇頭節點位于網絡中央且靠近Sink節點的位置，這樣能使得簇內節點傳輸數據到簇頭節點的平均傳輸跳數最小.與簇頭節點在同一網格內的節點需經1跳將數據傳輸到簇頭節點，第h層的節點最多需經過h跳將數據傳遞給簇頭節點，最少需經過h-1跳將數據傳遞給簇頭節點，第h層網格數為8(h-1),h≥2.假定網絡中節點的分布密度為λ，則單個網格內節點數目為λa2.單個簇內節點將數據傳遞到簇頭節點的數據傳輸跳數為

(3)

由于

(4)

故單個簇內感知節點向簇頭節點傳遞數據的跳數為

(5)

故網絡的簇內通信傳輸總跳數的上界值為

(6)

同理可知網絡的簇內通信傳輸總跳數的下界值為

(7)

1.2.3 網絡的簇間傳輸

(8)

網絡的總傳輸跳數理論值為簇內傳輸跳數與簇間傳輸跳數之和.網絡傳輸總跳數的上界值為

Tub=Tinter+Tub_intra=

(9)

網絡傳輸總跳數的下界值為

Tlb=Tinter+Tlb_intra=

(10)

2 算法設計

對于給定的網絡用圖G=(V,E)表示，其中,V為Sink節點與N個傳感器節點組成的集合，當V中節點i與節點j的距離在節點傳輸半徑內時,則這2個節點間存在邊ei j，E為所有邊ei j組成的集合.

2.1 簇頭選舉算法

算法1. 簇頭選舉算法.

步驟1. 根據得到的網絡分簇數量最優值c，隨機選擇網絡中c個節點為臨時簇頭；

步驟3. 重復步驟2直到網絡拓撲不再發生變化，得到c個質心位置；

步驟4. 各臨時簇選擇距離質心位置最近的tcandidate個節點為候選簇頭；

步驟5. 計算各臨時簇中候選簇頭與Sink節點的距離，選擇臨時簇中距離Sink節點最近的候選簇頭節點為簇頭，確定第1個簇；

步驟6. 計算剩余臨時簇中候選簇頭節點與上一簇頭節點的距離，選擇剩余臨時簇中距離上一簇頭節點最近的候選簇頭節點為簇頭；

步驟7. 重復步驟6得到c個簇頭節點.

網絡由算法1選擇c個簇頭后,其他節點選擇加入距離自己最近的簇頭節點中,網絡劃分成c個簇.簇內普通節點只需將數據傳遞給大致位于簇中心的簇頭節點處，而簇頭節點需將收集到的數據經過多跳將數據傳遞給Sink節點.選定的c個簇頭節點均靠近簇質心的位置，算法1在盡量不增加簇內傳輸的前提下，使得相鄰簇頭節點的距離變小且簇頭節點盡量靠近Sink節點，這能有效減少網絡的數據傳輸跳數.

2.2 貪婪路由樹構建算法

用U表示由算法1得到的所有簇頭節點與Sink節點所組成的集合，Uin表示已經加入到路由樹中的簇頭節點集合，則U-Uin為還未加入到樹中的簇頭節點.

算法2. 貪婪路由樹構建算法.

步驟1. 初始化：Uin=VSink.

步驟2. 計算集合U-Uin中的各節點與集合Uin中各節點的距離，選擇距離最短的節點加入到路由樹中；

步驟3. 更新集合Uin；

步驟4. 重復步驟2與步驟3直到Uin=U.

算法2通過貪婪選擇構建了1棵以Sink節點為根節點的數據傳輸樹，各子簇頭節點只需將數據傳遞給距離自己最近的父簇頭節點，任意2個簇頭間的傳輸跳數都是最小的，保證Sink節點在收到觀測值y后能根據測量矩陣φ重構出原始信號x.

3 仿真與分析

3.1 仿真參數與環境說明

本文用Matlab仿真工具對提出的分簇式混合CS數據收集方法與其他數據收集方法進行了仿真分析與對比.Clustering without CS與本文算法具有相同的分簇結構但未使用CS進行數據壓縮；Short path tree(SPT) without CS中Sink節點通過構建的最短路徑樹收集感知節點的數據；SPT with Hybrid CS中Sink節點通過構建的最短路徑樹收集感知節點的數據，樹中節點的子節點數(包括自己)大于觀測值門限時，節點使用CS對數據進行壓縮采樣；文獻[8]提出的Optimal Tree with Hybrid CS使用混合CS通過對節點構建最小生成樹與最短路徑樹，并依次貪婪選擇確定加入數據傳輸樹的節點構建了1棵能耗最小傳輸樹；Clustering with Hybrid CS是文獻[13]提出的分簇式混合CS數據收集方案，簇內節點通過最短路徑將數據傳遞給簇頭節點，簇頭節點對數據進行CS采樣后通過構建1棵連接所有簇頭節點與Sink節點的骨干樹將觀測值傳遞給Sink節點.

Fig. 4 The number of transmissions of different data collection methods圖4 不同數據收集方法傳輸量圖

仿真中測量4個指標：

1) 數據總傳輸量.1次采集周期內Sink節點收到的數據量.

2) 傳輸量減少比.本文算法相比于其他算法減少的傳輸量比值.對比于Clustering without CS的傳輸量減少比為Clustering without CS與本文算法在同一周期內數據傳輸量的差值除以Clustering without CS在1個周期內的傳輸量.

3) 簇內與簇間負載均衡評價指標[16].簇內成員數量的平均偏差和簇頭到其他成員節點的平均距離的平均偏差.簇間負載均衡評價指標，相鄰簇頭之間的平均距離和相鄰簇頭之間的距離平均偏差.

4) 網絡中1次采集周期內各節點傳輸量的標準差以及簇內節點傳輸量的平均標準差.

3.2 數據總傳輸量仿真與分析

圖4(a)為本文算法與其他5種數據收集算法在壓縮比率為5的條件下數據傳輸量的仿真結果.圖4(b)是壓縮比率為10時各數據收集算法的數據傳輸量對比結果.

從圖4可知，本文算法相比于Clustering without CS和SPT without CS而言，大大降低了傳輸量，這是因為本文算法對網絡中傳輸量超過壓縮感知門限值的節點進行了壓縮采樣，只需要傳輸M個觀測值信號.本文算法相比于SPT with Hybrid CS在數據傳輸量上也有優勢，這是因為在分簇結構中，感知節點只需將數據傳遞到大致位于簇中心的簇頭節點，而SPT with Hybrid CS中感知節點將數據傳遞到距離Sink節點近的父節點上，這會大大增加傳輸跳數，增加網絡中的數據傳輸量.本文算法相比于Clustering with Hybrid CS而言有效降低了數據傳輸量，這是因為本文算法依據已確定的簇頭節點到未確定的候選簇頭節點的距離依次確定簇頭，在盡量少增加簇內傳輸量的前提下減少數據傳輸跳數，降低簇間傳輸量.對簇內數據傳輸量高于門限值的節點以及用于簇間傳輸的節點使用CS壓縮數據傳輸，減少數據傳輸量.本文算法與文獻[8]提出的Optimal Tree with Hybrid CS相比網絡傳輸量略有減少，但是基于分簇結構的網絡具有更好的容錯性，在基于樹的網絡結構中當樹中的某些節點能量耗盡而死亡時，網絡拓撲結構就會發生變化，導致傳輸樹不再高效.

3.3 傳輸量減少比仿真與分析

圖5(a)為本文算法與其他4種數據收集算法在壓縮比率為5的條件下數據傳輸量減少比的仿真結果.圖5(b)為本文算法與其他4種數據收集算法在壓縮比率為10的條件下數據傳輸量減少比的仿真結果.

Fig. 5 Reduction ratio of transmissions compared with other data collection methods圖5 對比其他算法傳輸量減少比

由圖5(b)可知，當壓縮比率為10時，本文算法相比Clustering without CS傳輸量減少了大約75%，相比SPT without CS傳輸量減少了大約65%，相比于SPT with Hybrid CS傳輸量減少了大約35%，相比于文獻[13]提出的Clustering with Hybrid CS傳輸量減少了大約20%.顯然減少比率并未隨著節點數目的增大而減小，這說明本文算法具有良好的擴展性.由圖5(a)可知，當壓縮比率為5時，相比于Clustering without CS和SPT without CS壓縮比率為10的情況，傳輸量減少比率大約只降低了5%～10%，這說明本文算法即使在采樣信號較多的情況下也能有效減少網絡的傳輸量.相比于SPT with Hybrid CS和Clustering with Hybrid CS壓縮比率為10的情況，傳輸量減少比率降低了2%～5%，這是因為本文算法著重減少簇間傳輸量，當壓縮比率降低時，相比于SPT with Hybrid CS和Clustering with Hybrid CS減少的網絡總傳輸量也會降低，故傳輸量減少比也會降低.

3.4 負載均衡仿真與分析

本節對本文算法與其他算法在網絡負載均衡方面進行了對比分析.圖6為壓縮比率為10的條件下本文算法與其他5種數據收集算法的各個節點傳輸量的標準差圖.

Fig. 6 The standard deviation of nodes transmissions when the compress ratio equals 10圖6 壓縮比率為10時，節點傳輸量標準差圖

Clustering without CS和SPT without CS由于未使用CS對傳輸量超過壓縮感知門限值的節點進行壓縮測量，故骨干樹的節點傳輸量很大，而葉子節點傳輸量很少，故節點間傳輸量的差異很大，即負載不均衡.因此，簇形網絡相比于樹型網絡，具有更好的負載均衡效果.SPT with Hybrid CS和Optimal Tree with Hybrid CS由于采用樹型拓撲結構，導致葉子節點與融合節點傳輸量差異很大.相比于Clustering with Hybrid CS，本文算法負載更均衡，這是因為對簇內數據傳輸量高于門限值的節點以及用于簇間傳輸的節點使用CS壓縮數據傳輸.

簇內通信消耗的平衡是影響負載均衡的重要因素之一.簇內通信消耗[16]與簇內成員節點數量、簇頭到其成員之間的距離成正比，因此驗證本文算法簇內負載均衡性能主要考慮簇內成員數量平均偏差Intra-memdevi和簇頭到其成員節點的平均距離的平均偏差Intra-disdevi具體結果如表1所示：

Table 1 Load Balance Performance of Intra-Cluster Transmission

表1中的Intra-memaver表示簇內平均成員節點的數量，Intra-disaver表示簇頭到其成員節點的平均距離，2個平均變量主要反映簇內通信消耗的平均負載，平均負載越小，則網絡能耗越小.偏差變量主要反映不同簇之間的差異程度，偏差越小，差異也就越小，負載也就越均衡.從表1可知.本文算法對比于文獻[13]而言，簇內負載均衡指標偏差以及平均差異略差于文獻[13].這是由于本文算法主要考慮在應用CS的背景下盡量降低簇間傳輸.

表2為簇內節點傳輸量的平均標準差Std-intraaver，反映簇內節點傳輸量的平均差異，平均標準差越小，證明簇內節點負載越均衡.

Table 2 Average Standard Deviation of Intra-Cluster Nodes Transmissions

由表2可知，本文算法的簇內節點傳輸量的平均標準差在400～1 200個節點下都低于文獻[13]，證明本文算法對簇內數據傳輸量高于門限值的節點進行壓縮測量，減少了簇內節點間傳輸量的差異，均衡了簇內負載.

簇間的通信消耗均衡是衡量負載均衡的另一個重要因素，對相鄰簇頭之間的平均距離以及平均偏差進行測試，具體結果如表3所示：

Table 3 Load Balance Performance of Inter-Cluster Transmission

相鄰簇頭之間的平均距離Inter-disaver反映簇頭之間的通信消耗，而相鄰簇頭之間的距離平均偏差Inter-disdevi則反映通信消耗的差異程度.由表3可知，本文算法在平均距離和平均偏差上都比文獻[13]要低，這是因為簇頭節點的選擇考慮已確定的簇頭與未確定的候選簇頭節點間的距離，依次選擇距離父簇頭節點最短的候選簇頭節點為子簇頭節點.在貪婪構建簇間傳輸樹時能有效降低簇間傳輸距離，降低通信消耗，均衡負載.

4 總 結

本文在分簇式傳感器網絡提出了一種基于混合CS的數據收集方法.為了降低網絡中數據傳輸量以及均衡網絡負載，優化了網絡中的簇頭選擇機制.1)確定距離Sink最近的候選簇頭節點為首個簇頭,通過考慮已確定的簇頭節點到未確定的候選簇頭節點的距離，依次選擇距離父簇頭節點最短的候選簇頭節點為子簇頭節點，將網絡劃分成簇；2)貪婪構建一棵以Sink節點為根節點并連接所有簇頭節點的數據傳輸樹；3)通過數據傳輸樹將數據傳遞到Sink節點，并對簇內數據傳輸量高于門限值以及用于簇間傳輸的節點使用CS壓縮數據傳輸，達到均衡網絡負載和減少數據傳輸量的目的.實驗結果表明：本文提出方法比Clustering without CS，SPT without CS，SPT with Hybrid CS，Clustering with Hybrid CS都能大幅減少數據傳輸量，且在網絡負載均衡方面性能更佳.

[1]Xia Na, Xu Shun’an, Jiang Jianguo. Energy-consumption analysis and testing of sensors in wireless sensor networks [J]. Journal of Computer Research and Development, 2010, 47(Suppl1): 296-301 (in Chinese)(夏娜, 徐順安, 蔣建國. WSNs中節點能耗分析與測試[J]. 計算機研究與發展, 2010, 47(增刊1): 296-301)

[2]Dai Qionghai, Fu Changjun, Ji Xiangyang. Research on compressed sensing [J]. Chinese Journal of Computers, 2011, 34(3): 425-434 (in Chinese)(戴瓊海, 付長軍, 季向陽. 壓縮感知研究[J]. 計算機學報, 2011, 3(34): 425-434)

[3]Jiao Licheng, Yang Shuyuan, Liu Fang, et al. Development and prospect of compressive sensing[J]. Acta Electronica Sinica, 2011, 39(7): 1651-1662 (in Chinese)(焦李成, 楊淑媛, 劉芳, 等. 壓縮感知回顧與展望[J]. 電子學報, 2011, 39(7): 1651-1662)

[4]Donoho D L. Compressed sensing[J]. IEEE Trans on Information Theory, 2006, 52(4): 1289-1306

[5]Haupt J, Bajwa W U, Rabbat M, et al. Compressed sensing for networked data[J]. IEEE Signal Processing Magazine, 2008, 25(2): 92-101

[6]Luo Chong, Wu Feng, Sun Jun, et al. Compressive data gathering for large-scale wireless sensor networks[C]Proc of the 15th Annual Int Conf on Mobile Computing and Networking. New York: ACM, 2009: 145-156

[7]Luo Chong, Wu Feng, Sun Jun, et al. Efficient measurement generation and pervasive sparsity for compressive data gathering[J]. IEEE Trans on Wireless Communications, 2010, 9(12): 3728-3738

[8]Xiang Liu, Luo Jun, Vasilakos A. Compressed data aggregation for energy efficient wireless sensor networks[C]Proc of the 8th Annual Communications Society Conf on Sensor, Mesh and ad Hoc Communications and Networks (SECON).Piscataway, NJ: IEEE, 2011: 46-54

[9]Wang Jin, Tang Shaojie, Yin Baocai, et al. Data gathering in wireless sensor networks through intelligent compressive sensing[C]Proc of IEEE INFOCOM 2012. Piscataway, NJ: IEEE, 2012: 603-611

[10]Tropp J A, Gilbert A C. Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Trans on Information Theory, 2007, 53(12): 4655-4666

[11]Youssef M A, Youssef A, Younis M F. Overlapping multihop clustering for wireless sensor networks[J]. IEEE Trans on Parallel and Distributed Systems, 2009, 20(12): 1844-1856

[12]Soro S, Heinzelman W B. Cluster head election techniques for coverage preservation in wireless sensor networks[J]. Ad Hoc Networks, 2009, 7(5): 955-972

[13]Xie Ruitao, Jia Xiaohua. Transmission-efficient clustering method for wireless sensor networks using compressive sensing[J]. IEEE Trans on Parallel and Distributed Systems, 2014, 25(3): 806-815

[14]Xiao Fu, Sha Chaoheng, Chen Lei, et al. Localization algorithm for wireless sensor networks via norm regularized matrix completion [J]. Journal of Computer Research and Development, 2016, 53(1): 216-227 (in Chinese)(肖甫, 沙朝恒, 陳蕾, 等. 基于范數正則化矩陣補全的無線傳感網定位算法[J]. 計算機研究與發展, 2016, 53(1): 216-227)

[15]Xiao Fu, Sha Chaoheng, Chen Lei, et al. Noise-tolerant localization from incomplete range measurements for wireless sensor networks[C]Proc of IEEE Conf on Computer Communications (INFOCOM 2015). Piscataway, NJ: IEEE, 2015: 2794-2802

[16]Su Jinshu,Guo Wenzhong,Yu Chaolong, et al. Fault-tolerance clustering algorithm with load-balance aware in wireless sensor network [J]. Chinese Journal of Computers, 2014, 37(2): 445-456 (in Chinese)(蘇金樹, 郭文忠, 余朝龍, 等. 負載均衡感知的無線傳感器網絡容錯分簇算法[J]. 計算機學報, 2014, 37(2): 445-456)

Li Zhetao, born in 1980. PhD of Hunan University. Associate professor and master supervisor in the College of Information Engineering, Xiangtan University. Member of CCF. His main research interests include wireless sensor networks and compressive sensing.

Zang Lang, born in 1993. Master candidate of the Xiangtan University of the China. Student member of CCF. His main research interests focus on wireless sensor networks and compressive sensing.

Tian Shujuan, born in 1982. PhD candidate at the School of Information Science and Engineering, Central South University. Lecturer at the College of Information Engineering, Xiangtan University. Her main research interests focus on compressive sensing, signal processing and wireless sensor networks.

Li Renfa, born in 1957. Professor and PhD supervisor in the School of Information Science and Engineering, Hunan University. His main research interests include networks technology and distributed computing.

Data Collection Method in Clustering Network Based on Hybrid Compressive Sensing

Li Zhetao1,2,3, Zang Lang1,3, Tian Shujuan1,3, and Li Renfa4

1(CollegeofInformationEngineering,XiangtanUniversity,Xiangtan,Hunan411105)2(JiangsuHighTechnologyResearchKeyLaboratoryforWirelessSensorNetworks(NanjingUniversityofPostsandTelecommnications),Nanjing210003)3(KeyLaboratoryofIntelligentComputing&InformationProcessing(XiangtanUniversity),MinistryofEducation,Xiangtan,Hunan411105)4(SchoolofInformationScience&Engineering,HunanUniversity,Changsha410082)

In order to reduce the number of transmissions and balance the network load in wireless sensor network, this paper presents a data collection method by using hybrid compressive sensing (cs) in clustering network. Firstly we choose some nodes that are close to the temporary cluster-centroid as the candidate cluster head(CH), secondly determine the CH nodes on the basis of the distance of the candidate nodes to determined CH orderly. Then the common sensor nodes join their nearest cluster. Lastly we build a data transmission tree root of sink node that connects to all CHs greedy. When the number of data transmissions is higher than the threshold, nodes transmit data by using CS. On scenarios of compressive ratio equals 10，the simulation results demonstrate that the number of transmissions for the proposed method is 75% and 65% less than that of Clustering without CS and SPT without CS, 35% and 20% less than that of SPT with Hybrid CS and Clustering with Hybrid CS; The standard deviation of nodes transmissions for the proposed method is 62% and 81% less than that of Clustering without CS and SPT without CS, 41% and 19% less than that of SPT with Hybrid CS and Clustering with Hybrid CS.

wireless sensor network (WSN); compressive sensing; data collection; clustering network; load balance

2015-09-28；

2016-04-11

國家自然科學基金項目(61379115，61110215，61372049,61602398);湖南省自然科學基金項目(2015JJ4047,12JJ9021,13JJ8006)；江蘇省無線傳感網高技術研究重點實驗室開發課題(WSNLBKF201501)；湖南省重點學科建設基金項目 This work was supported by the National Natural Science Foundation of China (61379115, 61110215, 61372049, 61602398), the Natural Science Foundation of Hunan Province of China (2015JJ4047, 12JJ9021, 13JJ8006), the Key Laboratory of Jiangsu High Technology Research for Wireless Sensor Networks (WSNLBKF201501), and the Key Subjects Construction Foundation of Hunan Province.

田淑娟(sjtianwork@xtu.edu.cn)

TP393