基于改進CoSaMP的農田信息異常事件檢測算法

肖利平 全臘珍 余 波 霍覽宇

(1.湖南農業大學工學院， 長沙 410128； 2.湖南機電職業技術學院電氣工程學院， 長沙 410151)

0 引言

隨著物聯網技術的快速發展，農業物聯網已成為現代農業的發展趨勢[1]。以傳感器與通信網絡相結合的全方位環境監測系統在農業物聯網中占有重要地位，尤其是基于無線傳感器網絡技術(Wireless sensor network，WSN)的農田信息監測網絡更是迅速發展。WSN是一種由大量具有感知、計算能力的傳感器節點組成的自組織網絡，通過WSN可以檢測農田信息中的異常事件，如火災、環境污染等[2-3]。農田信息異常事件檢測對監測網絡實時性要求較高，加之監測網絡生存周期受WSN節點能量限制，因此如何提高異常事件檢測效率成為當前研究熱點[4]。

針對基于WSN技術的異常事件檢測方法，國內外學者進行了大量研究[5]。無線傳感器網絡異常事件檢測算法可分為集中式和分布式。集中式檢測算法適合于較小規模WSN，且網絡需中央處理節點，當網絡規模較大時，中央處理節點能耗大，易出現過早死亡現象，同時，還存在丟包率高等不足[6]；分布式檢測算法將檢測任務分配至各節點完成，相比前者，其節點能耗少，網絡通信速度快，應用更加廣泛[7]。文獻[8]提出了一種基于神經網絡的無線傳感器網絡異常事件檢測算法，利用神經網絡實現網絡參數自動尋優，從而提高異常事件檢測準確率。文獻[9]則從異常事件的時空相關性出發，提出了一種改進的WSN節能策略，從而提高異常事件檢測準確性。然而實際應用中，上述算法均需采集各節點信息，當網絡節點較多時，算法檢測效率低，無法滿足檢測實時性要求[10-14]。異常事件多為突發偶然事件，具有稀疏性。壓縮感知(Compressed sensing，CS)理論具備稀疏性、全局采樣、采樣與壓縮同步進行、編碼端算法簡單等特征，適合資源受限的感知終端[15-19]。文獻[13]基于CS理論，提出了一種基于CoSaMP的信號重構算法，可以實現原始信號的快速重構。CoSaMP算法需要已知信號稀疏度K值，但實際應用中，K值往往未知，從而無法確定算法迭代次數，嚴重影響算法性能。文獻[15-17]分別提出改進CoSaMP算法，但是未能降低算法的能耗和提高低稀疏度的識別率。

針對上述問題，本文提出一種基于改進CoSaMP的農田信息異常事件檢測算法。首先，基于CS理論對節點感知數據進行處理；其次，引入Dice系數和PSNR參數，通過改進的壓縮感知重構算法DP-CoSaMP和迭代操作檢測異常事件；最后，通過模擬場景進行仿真實驗，證明算法的有效性和優越性。

1 農田信息異常事件檢測

1.1 農田無線傳感器網絡

農田無線傳感器網絡結構的應用場景如圖1所示[14]。考慮監測區域大、監測節點多等特點，將待監測農田劃分為若干區域，每個區域由簇頭節點和普通節點組成。其中，普通節點由溫度傳感器、濕度傳感器、攝像頭等組成，主要采集溫度、濕度、農田安全狀態等信息；簇頭節點則利用4G通信將普通節點采集的數據傳輸至基站；基站則將接收的數據傳輸至后臺。節點需滿足以下結構特點：①為適應農田面積遼闊特點，傳感器節點發射功率可自適應調整。②為方便區分不同農田區域，所有傳感器節點均具有單獨的標識。③所有傳感器節點地位相同且隨機分布于監控區域內。

圖1 農田無線傳感器網絡的應用場景Fig.1 Application scenario of farmland wireless sensor network

1.2 農田異常事件檢測

異常事件檢測實質上為二分類問題，即根據一定規則將事件劃分為正常事件或異常事件，通常可采用二進制編碼方式，將檢測到異常事件的傳感器節點信息賦值“1”，未檢測異常事件傳感器節點信息賦值“0”。

二分類問題可通過機器學習算法，如支持向量機(Support vector machines，SVM)、神經網絡、Logistics回歸等方法對信息進行分類，本文采用優化的BP神經網絡(Back propagation neural network)來檢測異常事件。

2 改進CoSaMP異常事件檢測算法

2.1 CS基本原理

CS理論主要是考慮到信號具有一定的稀疏度(可壓縮)時，選取某個線性測量矩陣將高維稀疏信號投影至低維區域，然后利用極少數的投影測量值進行最優化計算，最后恢復原始信號。而CS理論的信號重構問題實質就是尋找欠定方程的最優解問題，可通過l0范數求解方法表示為

(1)

式中x——稀疏數字信號，其維度為N×1

y——信號x在觀測矩陣下的線性投影

2.2 CoSaMP算法

CS理論的核心是稀疏信號重構，CoSaMP算法具有信號重構精度高和運算復雜度低等優點，目前已得到廣泛應用，已知稀疏度K，觀測矩陣Φ，觀測值y，閾值ξ。初始化殘差r0=y，支撐集索引集Γ=?，迭代次數n=1。其具體過程為:

(1)計算殘差rn-1與觀測矩陣ΦT的內積C。

(2)將C中的元素降序排列，并選取C中能量最大的2K個元素，將對應索引值構成索引集Γn。

(4)假如迭代停止條件滿足rn<ξ或n>K，輸出；否則返回步驟(1)[13]。

2.3 改進的CoSaMP算法

CoSaMP算法本質上是一種貪婪算法，將觀測矩陣的列向量視為原子，采用內積匹配準則找到與當前余量相關性最大的原子。假設兩個任意向量x、y，內積匹配準則如下

(2)

式中xi——x向量中的第i個元素

yi——y向量中的第i個元素

采用內積匹配準則具有容易選擇重復原子和部分信息易丟失的缺點，降低了信號重構品質，為此本文引入Dice系數，利用向量的每個元素來計算相關性，從而有效區分相關性較高的原子，保證匹配殘差信號的原子可以更優地被挑選，同時盡量多地保留原始信息。

(3)

式中 Dice——Dice系數

信號x滿足稀疏條件時，觀測矩陣Φ滿足一定限制等容條件(RIP)，即

(4)

式中X——稀疏度K的向量信號

根據信噪比(PSNR)定義有

(5)

式中RPSNR——信噪比

式(5)內部乘以一個觀測矩陣B得

(6)

式中Xk——第k次迭代信號

X0——原始信號Y——觀測值

假設第k次迭代和第k+1次迭代的判別式分別為Pk和Pk+1，即

(7)

(8)

PSNR的值會隨著迭代次數而改變，通常呈現先增大后減小趨勢，為保證迭代次數與稀疏度K一致，令

dk=ΔP/Pk

(9)

其中，ΔP=Pk+1-Pk。dk會從最初的小于零變為大于零，因此，可以對dk設置一個閾值，消除這種變化趨勢。

綜上所述，本文將引入Dice系數和峰值信噪比(PSNR)參數，提出一種改進的壓縮感知重構算法(DP-CoSaMP)。

DP-CoSaMP與傳統CoSaMP算法、D-CoSaMP算法、PNSR-CoSaMP算法的均方差如圖2所示。

圖2 4種算法均方差分析Fig.2 Algorithmic mean square error analysis

由圖2可知，CoSaMP的均方差最大，DP-CoSaMP的均方差最小，可以得到較好的信號重構結果。

2.4 異常事件檢測

設農田信息無線傳感器監測網絡中隨機分布N個節點，采集數據為x(n),n=1,2,…,N。首先依據各傳感器節點測量值在基站節點根據DP-CoSaMP算法迭代求解加權l0范數最小化問題，重構得到X(n)，n=1,2,…,N，即為各傳感器節點感知數據，該過程可描述為

(10)

整個網絡存在C個簇和N個測量值，Ni為在第i個簇內包含傳感器節點數目，每一個簇指派測量值計算公式為

(11)

式中Mij——第j輪、簇i的測量值

Aij——第j輪、簇i的事件數目

M——數據維度

相應的測量矩陣Φij定義為

(12)

式中GMij×Ni——高斯矩陣

sparse——稀疏矩陣函數

C個簇的平均測量值Nij定義為

(13)

基于壓縮感知理論的無線傳感器異常事件算法的工作步驟如下：

(1)在每個簇內，令權重矩陣W=I，I為單位矩陣。

(2)在每一個簇內通過DP-CoSaMP算法求解式(10)，重構得到X(n)。

(3)從X(n)中判斷事件是否發生。

(4)根據所有簇的檢測結果得到異常事件發生的近似分布，然后根據式(11)～(13)來更新測量矩陣Φij。

(5)迭代次數增加。

(6)如果達到最大迭代次數，則終止算法運行。

綜合上述可知，基于改進CoSaMP的農田信息異常事件檢測算法的工作流程如圖3所示。

3 仿真實驗與分析

3.1 仿真場景及評價指標

為了測試基于CS理論的異常事件檢測算法在農田信息監測中的性能，采用Intel 4核2.8 GHz CPU，4 GB RAM，Windows XP操作系統，采用Matlab 2012作為編程工具進行仿真實驗。計算機上仿真參數如表1所示。

表1中，εmp為多徑衰落信道模型功率放大器能量消耗系數，εfs為自由空間能量消耗系數[20]，d為

圖3 異常事件檢測流程圖Fig.3 Abnormal event detection flow chart

參數數值節點數1000監測范圍/(m,m)(0,0)～(500,500)通信距離d/m50數據包長度/bit24控制包長度/bit64傳感器節點的初始能量/J5εfs/(J·b-1)0.005εmp/(pJ·b-1)0.0013Eelec/(nJ·b-1)50

通信距離，Eelec為無線傳感器節點發送和接收電路基本功耗系數。節點能耗包括發送能耗和接收能耗，其中無線傳感器節點發送k位信息的能耗為

(14)

無線傳感器節點接受k位信息的能耗為

Erv(k,d)=kEelec

(15)

3.2 仿真結果及分析

選擇CoSaMP算法[15]、D-CoSaMP算法[16]和PSNR-CoSaMP算法[17]，與本文異常事件檢測算法DP-CoSaMP進行比較，每種算法均進行5次仿真實驗，取其平均值，采用異常事件檢測成功率、檢測能耗及平均檢測速度作為算法性能評價指標。

3.2.1檢測成功率對比

不同觀測點數條件下，本文算法和文獻[15-17]異常事件檢測算法的檢測成功率變化曲線如圖4所示。由圖4可知，隨著觀測點數增加，4種算法檢測成功率隨之增加；相比其他算法，本文算法平均檢測成功率提高了大約20%，這主要是由于本文算法采用壓縮感知技術對每個傳感器節點進行動態觀測，提高算法的抗噪能力，并且根據迭代求解結果對權值進行動態調整，獲得了更加理想的無線傳感器異常事件檢測效果。

圖4 不同算法檢測成功率隨觀測點數量變化Fig.4 Changes of detection success rate of different algorithms with number of observation points

4種算法的檢測成功率與節點數稀疏度之間的變化關系如圖5所示。隨著節點數稀疏度增加，4種算法的檢測成功率不斷減小，在信號稀疏度相同條件，本文算法的檢測成功率比對比算法高約25%，因此本文算法具有更廣的應用范圍。

圖5 檢測成功率與稀疏度間的變化關系Fig.5 Relationships of detecting success rate and sparsity

3.2.2能量消耗對比

本文主要分析異常事件檢測過程能耗，因此忽略數據融合消耗能量，簇內采用單跳通信方式，本文算法和其他算法異常事件檢測算法的能量消耗變化曲線如圖6所示。從圖6可以看到，隨著仿真時間增加，4種算法的能量消耗不斷上升，然而在相同條件下，本文算法的能量消耗比文獻[15]異常事件檢測算法的能量消耗低15%左右，比其他算法低50%左右，這說明本文算法在保證異常事件檢測成功率的條件下，同時減少了不必要的通信開銷，節省了網絡能耗，結果表明，本文算法是一種能耗低、可以滿足網絡實時監測控制要求的無線傳感器異常事件檢測算法。

圖6 算法能量消耗對比Fig.6 Comparison of algorithm energy consumption

3.2.3檢測效率對比

在無線傳感器實際應用中，異常事件檢測的速度至關重要，采用平均檢測時間(s)作為檢測速度衡量標準，4種算法的仿真實驗結果如圖7所示。從圖7可以清楚看出，相對于傳統的異常事件檢測算法，本文算法的平均檢測時間減少了50%，提高了無線傳感器異常事件的平均檢測速度，可以更好滿足大規模無線傳感器網絡異常事件實時性、在線需求。

圖7 算法檢測速度對比Fig.7 Comparison of algorithm detection speed

4 結束語

提出了基于改進CoSaMP的無線傳感器網絡異常事件檢測算法，改善了無線傳感器網絡異常事件檢測效果，通過仿真實驗對其性能進行測試。結果表明，本文算法異常事件檢測成功率較現有算法提高了20%，且能耗降低了15%，平均檢測時間減少了50%，可以保證異常事件檢測的可靠性和實時性，為實現農田信息監測智能化提供了理論依據。