欢迎您访问《智慧农业(中英文)》官方网站! English
信息处理与决策

面向大规模农田生境监测的无线传感器网络节能优化策略

  • 张晓涵 1 ,
  • 尹长川 , 1, * ,
  • 吴华瑞 2
展开
  • 1. 北京邮电大学网络体系构建与融合北京市重点实验室,北京 100876
  • 2. 北京市农林科学院农业信息技术研究中心,北京 100097
*尹长川(1968-),男,博士,教授,研究方向:通信理论与网络技术及其在智慧农业中的应用,电话:010-62281645,Email:

张晓涵(1993-),女,硕士,研究方向:农业物联网,Email: zxh2011@bupt.edu.cn。

收稿日期: 2018-12-20

  要求修回日期: 2019-04-15

  网络出版日期: 2019-04-30

基金资助

国家自然科学基金(61871041)

国家自然科学基金(61629101)

北京市自然科学基金-市教委联合资助项目(KZ201911232046)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。

Energy optimization strategy for wireless sensor networks in large-scale farmland habitat monitoring

  • ZHANG Xiaohan 1 ,
  • YIN Changchuan , 1, * ,
  • WU Huarui 2
Expand
  • 1. Beijing Key Laboratory of Network System Architecture and Convergence, Beijing University of Posts and Telecommunications, Beijing 100876, China
  • 2. Beijing Research Center for Information Technology in Agriculture, Beijing Academy of Agricultural and Forestry Sciences, Beijing, 100079, China

Received date: 2018-12-20

  Request revised date: 2019-04-15

  Online published: 2019-04-30

Copyright

Copyright reserved © 2019

摘要

针对大规模农田生境监测场景中无线传感器网络节点在部分作物生长期内呈现节点空间冗余,以及传感器节点采集到的数据之间通常具有很强的时间关联性的特点,本研究提出一种基于矩阵补全的两步节能优化策略来同时降低传感器网络的数据采集和传输能耗,以实现延长网络寿命的目的。该算法首先通过对节点数据信息量的衡量来寻找出空间上的非冗余节点,剩余的冗余节点关闭其采集功能,只作为中继节点传输数据;其次,利用矩阵补全算法的部分采样原理在采样阶段进一步减少时间上的数据冗余量,达到同时降低采集和传输模块能耗的目的。试验结果表明,所提出的算法可减少网络中83%的工作节点数目,有效降低了网络能耗。

本文引用格式

张晓涵 , 尹长川 , 吴华瑞 . 面向大规模农田生境监测的无线传感器网络节能优化策略[J]. 智慧农业, 2019 , 1(2) : 55 -63 . DOI: 10.12133/j.smartag.2019.1.2.201812-SA024

Abstract

Wireless sensor network (WSN) has been widely deployed in precision agriculture to improve the crop production. However, we still face many challenges for large-scale farmland habitat monitoring, the energy shortage for battery-powered sensor nodes, the complicated propagation environment for wireless signals during different growing-up periods of the crops, the optimization of the coverage of the sensor nodes, etc. In order to guarantee the holeless coverage of the sensor nodes during the whole life of the crops, the WSNs are typically deployed with high density. Therefore, some of the sensors in the network are redundant in certain growing-up periods of the crops. And also the data collected by each sensor node may have strong temporal correlation. Recently, compressive sensing (CS) has received much attention due to its capability of reconstructing sparse signals with the number of measurements much lower than that of the Nyquist sampling rate. With the rapid progress of CS based sparse representation, matrix completion (MC) theory was proposed very recently. According to the MC theory, a low-rank matrix can be accurately rebuilt with a few number of entries in the matrix. Matrix completion provides the advantage of sampling small set of data at sensor nodes without requiring excessive computational and traffic loads, which meets the requirement of energy-efficient data gathering and transmitting in WSNs. In this research, by considering the characteristics that the sensor nodes are redundant in some growing-up periods of the crops and the data collected by sensor-nodes usually share a strong spatial and temporal correlation among them in WSNs for large-scale farmland habitat monitoring, we put forward a MC based two-step energy saving optimization algorithm to reduce both the energy consumption of the data acquisition and data transmission process in WSNs and achieved the purpose of prolonging the network lifetime. Firstly, through the measurement of the sensor node's data information, we found the non-redundant nodes by considering the spatial correlation of the data from the sensor nodes. We would close the data acquisition units of the remaining redundant nodes and make them only transmit data as relay nodes. Secondly, we took advantage of the partial sampling scheme in matrix completion to further reduce the quantity of data. Thereby, we could reduce the energy consumption on both data collection and transmission process of the wireless sensor network. The experiment results show that the proposed algorithm reduces 83% working nodes in the network, and therefore reducing the energy cost of the network.

1 引言

无线传感器网络综合了传感器、通信与微处理器技术,在当前农业信息化领域具有良好的应用前景[1]。无线传感器网络是由部署在一定区域范围内的微型传感器通过自组织的方式构成的用于数据采集、处理及无线通信的分布式自组织网络[2],其在农业领域的一项典型应用是实现精准农业中面向大规模农田复杂环境下的分布式信息采集和监测,通过它能够收集土壤温度、湿度、大气气压、风速、作物生长情况等数据,为农业专家决策并制定农田变量作业处方提供主要数据源和参数,为精准农业过程的信息采集、传输、处理和控制提供集成化解决方案。
考虑到无线传感器节点的信号覆盖范围有限[3],要实现大范围的农田监测,需要部署的传感器节点数量可能会达到成百上千的规模,数量非常庞大。此外,由于作物的生长周期较长,在不同的生长期由于作物的枝叶繁茂程度差异,可能会引起无线传感器网络的信号传播特性呈现非常大的差异性[4,5]。一般来说,在农作物枝叶繁茂期,由于叶子的遮挡等原因导致无线信号传播的衰减较大,为了保证无线传感器网络在整个作物生长期均能对观测区域实现无缝覆盖[6],传感器节点的部署需要按照作物繁茂期的特性进行部署。而在作物生长的其他阶段(如作物生长的初期),由于作物的枝叶较少,无线信号传播特性较好,此时的无线传感器网络中的节点数量会呈现出较大的冗余特性。在作物的整个生长期内,如果网络中的所有节点都一直处于采集工作状态,其采集的数据中将会包含大量冗余,使得传感器节点在数据采集和传输中耗能增加,严重影响网络寿命。
为了提高大范围农田生境监测中无线传感器节点的生命周期,需要综合考虑无线传感器网络节点的优化部署[6]和传感器网络中数据采集和传输的高能效工作策略。现有的无线传感器网络部署策略[7,8]难于适应节点数量众多且传播特性随作物生长动态变化的环境。为了提高传感器节点的数据采集效率,降低网络中的数据冗余,Cheng等[9]提出了基于矩阵补全方法的无线传感器网络中的数据采集方法,Xie等[10]提出了一种应用于通信网络端到端性能质量监控的自适应数据采集方案。但这些方法并没有针对农业作物生长的监控环境进行优化设计。
综合考虑大规模农田生境监控的网络特点,在前人工作基础上,本研究提出一种面向大规模农田生境监测的无线传感器网络节点节能策略,能够在大规模农田监测的不同作物生长期中针对随机部署的网络节点动态选择代表性的传感器节点进行数据采集工作,其余节点仅作为中继节点进行工作,并进一步利用矩阵补全理论对采集数据进行抽样传输,以达到充分获取农作物环境信息的前提下减少网络能耗的目的。本研究的主要贡献如下所述:
(1)对大规模农田生境监测场景中存在传感器节点空间冗余的工作特点,提出了一种基于矩阵补全算法的传感器节点选择策略,将传感器网络中的空间冗余节点挑选出来,将其采集模块设为睡眠状态,不进行数据采集工作,只作为中继节点传输其余工作节点发送过来的数据,而其余节点作为数据采集节点进行数据采集和传输;
(2)为了进一步降低传感器节点在采集和传输数据时消耗的电能,本研究提出运用矩阵补全算法进行数据在时间上的减量传输,只传输经过采样的少量数据,在接收端通过相应的恢复算法将原始信号重构出来,从而进一步降低了网络中需要采集和传输的数据量。

2 无线传感器网络结构

本研究设计了如图1所示的无线传感器网络拓扑结构实现大规模农田作物生长环境的实时监控。
图1 无线传感器网络结构

Fig. 1 Topology of wireless sensor networks

为了降低网络的部署成本,假设电池供电的无线传感器节点按照随机部署的方式分布在需要监测的大规模农田区域,此处的节点部署密度假设能够保证传感器网络在农作物的各个生长期内均能够对部署区域的作物生长环境(如温度、湿度、气压等参数)进行监测。每个节点都可以看成一个小型的嵌入式系统,负责感知、处理数据并通过自组织网络的组网协议(如Zigbee协议)以多跳的方式将处理后的数据发送到汇聚节点(Sink节点,假设通过交流电进行供电),由Sink节点通过移动通信或者卫星设备,将数据传送给任务管理节点。任务管理节点可以对收集到的监测数据做相应的分析和处理以及对传感器网络进行管理和配置。

3 基于矩阵补全算法的节能优化算法

为了实现大规模农田中农作物生长信息的实时动态监控,考虑到农作物的生长周期较长,在不同的作物生长期内无线传感器网络的工作环境呈现出随作物的生长周期逐渐变化的特点,在不同的生长期之间,传感器网络的工作环境相对稳定。基于上述特点,本研究基于矩阵补全理论设计了一种两步节能优化算法,来降低传感器网络中采集和传输模块的能耗。该算法可在作物的不同生长期中动态调整,实现传感器网络的动态节能优化。具体工作过程包括:第1步,实现传感器节点的空间选择优化,根据后文3.2节中定义的节点信息量概念从空间上选择网络中的代表性节点(称为非冗余节点)作为数据采集节点,其余节点看作网络中的冗余节点仅作为中继节点传输数据但不需要进行数据采集。第2步,使用矩阵补全算法对第1步中选出的代表性节点采集到的数据在时间上做进一步的抽样传输,仅传输抽样后的数据,在接收端通过补全算法进行恢复,达到进一步降低数据采集量和传输量的目的。通过以上两个步骤,可以有效降低在作物生长监控过程中的信息冗余量,实现网络的节能优化,延长无线传感器网络的生命周期。

3.1 矩阵补全的基本原理

Candès和Tao[11]证明当矩阵具有低秩性并且采样率满足一定条件时,可以通过求解一个核范数最小化问题来由部分采样元素重构出整个矩阵缺失的元素,这一问题被称为矩阵补全问题[12],具体数学模型描述如下:
对于一个矩阵 Y R n 1 × n 2 ,其秩r<<min{n1,n2 },已知该矩阵的一部分观测值Yij(i,j)
Ω,Ω是一个随机采样集合,通过求解秩最小化问题:
min min rank X s.t. P Ω X = P Ω ( Y )
得到的矩阵X就是精确恢复出的原始矩阵Y,其中rank(X)是矩阵X的秩,采样符号 P Ω X = & X ij i , j Ω & 0 otherwise ,XijYij分别为矩阵XY的第(i,j)个值。
然而这个秩最小化问题是一个NP-hard问题[13],Natarajan[14]提出将目标函数rank(X)转换成它的凸包函数||X||*,就可以将该问题转化为一个可解的凸优化问题——核范数最小化问题来求解,它的最优解是公式(1)的一个近似解,该核范数最小化问题为:
min min X * s.t. P Ω X = P Ω ( Y )
其中,||X||*是矩阵X的核范数,它等于矩阵X的奇异值之和,即:
X * = k=1 r σ k X
其中,σk(X)是X的第k大的奇异值。

3.2 节点选择策略

为了降低面向大规模农田生境监控的无线传感器网络的部署成本,传感器节点假设采用随机大量部署的方式,节点部署的密度将考虑农作物生长期的不同情况,保证传感器节点在各个生长期内均能实现作物环境监控的无缝覆盖。考虑到各个传感器节点采集数据在空间和时间上的相关性,为了提高网络中数据传输的有效性,可以利用采集原始数据中的时空冗余性来将其降维压缩、去除冗余[15, 16]。在本研究中,我们进一步优化这个过程,在数据采集阶段通过节点选择,减少空间冗余数据的采集,利用相邻节点采集到的数据之间的空间强关联性,让一部分节点保持工作状态采集数据,让另一部分节点关闭数据采集功能,从而省去采集后再压缩处理的过程,也减少了网络能量在采集数据和后续传输数据上的能耗。
由于在无线多跳网络中,源节点和目的节点之间的通信是通过多跳的形式完成的,该路径上经过的中间节点用于转发源节点的数据,因此,无线多跳网络中的每个节点既可以充当源节点产生数据并转发该数据包,也可以充当路由节点转发其他节点发送过来的数据包[17]。对于本研究中不执行采样操作的部分节点,可以让其采集模块关闭而仅作为多跳的中继节点存在,以此来降低网络的整体耗电量。
3.2.1 算法描述
节点选择是通过节点在空间上的冗余程度判定来进行的。具体的节点冗余度度量判断方法为:对于第k个节点,其加入前和加入后的两步分别设为tt+1,M(t)和M(t+1)分别为两步对应的观测数据集,第k个节点采集到的数据集为Xk。显然,M(t)∩Xk=Ø,M(t+1)∩XkØ,对两步的观测值M(t)和M(t+1)分别运用矩阵补全算法得到的重构矩阵为 X ̂ t X ̂ t + 1
我们利用数据矩阵XN×T中所有数据点的重构误差之和来定义矩阵补全算法的误差率(Error Ratio)[10]
Error Ratio = X ij - X ̂ ij X ij
其中,i∈[1,N],j∈[1,T], X ij X ̂ ij 分别代表原始数据矩阵和恢复数据矩阵在(i, j)处的取值。
则上述两步算法的误差率分别为:
Error Ratio t = X ij - X ̂ ij t X ij Error Ratio t + 1 = X ij - X ̂ ij t + 1 X ij
其中,Xij为原始数据矩阵X的第(i, j)个元素, X ̂ ij t 为节点k加入之前计算得到的恢复矩阵的第(i, j)个元素, X ̂ ij t + 1 为节点k加入之后计算得到的恢复矩阵的第(i, j)个元素。
I为前后恢复矩阵精度之差,定义如下:
I= Error Ratio t + 1 - Error Ratio t = i , j X ij - X ̂ ij t + 1 i , j X ij - i , j X ij - X ̂ ij t i , j X ij = i , j X ̂ ij t - X ̂ ij t + 1 i , j X ij = i X ̂ i t - X ̂ i t + 1 i X i
其中, X ̂ i t X ̂ i t + 1 分别为节点k加入前后计算得到的恢复矩阵中节点i对应的所有数据列。
因此,如果 X ̂ t X ̂ t + 1 相差很小,那么说明节点k的加入不能进一步降低恢复矩阵的误差,其新增的信息量太小,属于可关闭采集数据模块的空间冗余节点;如果 X ̂ t X ̂ t + 1 相差较大,则说明节点k加入后新增的信息量可以进一步降低数据矩阵的恢复误差,那么节点k就被认为是信息量较大的节点,需要让其执行采集数据功能。
基于上述分析,我们定义节点k的信息量度量如下[10],
INFO k = 1 n k · i Q k X ̂ i t - X ̂ i ( t + 1 ) F 1 2 * X ̂ i t + X ̂ i ( t + 1 ) F
其中,节点k加入之前非冗余节点集为Qk,其含有的节点数量为nk。节点k的空间冗余度定义为其信息量的倒数,可根据其冗余度判断是否将节点k加入到非冗余节点集。完整的空间代表性(非冗余)节点选择策略如表1所示。
表1 基于矩阵补全的传感器网络节点选择算法

Table 1 Matrix completion based node selection algorithm for wireless sensor network

1 初始化非冗余节点集Q_k:k=1,将任意一个节点加入到节点集,节点集中包含的节点数目n_k=1(n_k的最大值为NMAX),t=0
2 将节点集中节点的数据填充到原始数据矩阵X(t)中,X(t)RN×T
3 以采样率p0,1X(t)进行采样观测得到观测矩阵Mt,采样集合为Ω,其大小为Ω=p*N*T
4 Mt运用矩阵补全算法得到恢复矩阵X̂(t)
5 if nkNMAX then
6 随机选择下一个节点且k增加1,将该节点数据和节点集中所有节点的数据都填充到新的原始数据矩阵X(t+1)中,并运用矩阵补全算法得到新的恢复矩阵X̂(t+1)
7 根据式(7)计算该节点的信息量INFO
8 if INFO&gt;μ then
9 将该节点加入到节点集Qk中且nk增加1
10 end if
11 t=t+1,返回第5步
12 end if
首先,从任意一个节点开始,假定它提供的是有效数据并将该节点放入到非冗余节点集中,然后将该节点的数据填充到整个数据矩阵的每一列,作为原始数据矩阵,再以一个固定采样率p对该矩阵进行随机采样,得到观测矩阵M(t),对M(t)运用矩阵补全算法得到的恢复矩阵为 (t),再随机选择下一个节点,将这两个节点的数据填充到整个数据矩阵,运用矩阵补全算法得到的恢复矩阵为 (t+1),对比上述连续两步的恢复矩阵,可以得到该新加入节点提供的信息量大小,如果大于一定的阈值,则将该新的节点加入到非冗余节点集中,否则跳过该节点,随机选择下一个节点进行判断,以此类推,对之后每次要新加入节点集的节点做上述度量判断,直到遍历所有节点,最后得到的非冗余节点集中的节点为该片区域所有需要开启采集数据模块的节点,未包含在节点集中的节点将关闭其采集功能,仅作为中继节点传输其他工作节点发送过来的数据,由此降低了数据的采集量和所需的传输量,进而降低了采集和传输模块消耗的总能量。
与文献[10]中的应用场景不同,本研究采用基于节点信息量的方法来实现面向大规模农田应用的无线传感器网络中的空间代表性节点选择,而文献[10]中作者采用基于矩阵补全的方法来实现通信网络中不同节点对之间测量数据的选择。
为了进一步均衡网络中代表性节点的能量消耗,在某个作物生长期内,我们可以通过定期地轮换数据采集节点和路由节点,以达到整体延长网络生命周期的目的。
3.2.2 节点选择策略试验结果
本研究采用瑞士洛桑理工学院的LUCE传感器网络在2006.7~2007.5期间采集的农业相关气象信息公开数据集作为原始数据[18],该数据包含了246m×310m范围内部署的97个节点采集的74.7MB现场数据。每条数据包含节点编号、采集时刻、环境温度、地表温度、太阳辐射、空气相对湿度、土壤湿度、土壤水势、降水量、风速、风向的具体数值。我们选取了97个节点中数据相对完整的70个节点的环境温度、地表温度、空气相对湿度三种数据作为试验数据,代表农田中和作物生长相关的各个维度的物理信息,对信息量阈值μ =0.034时的节点选择情况进行仿真分析,依次加入节点得出的节点信息量如图2所示。
图2 依次加入节点,由公式(7)计算得到的所有节点信息量值

Fig.2 Adding node in turn to the network, node information calculated by using Equation (7) versus node numbering

为了便于观察,重新绘制了图2中第7到第70个节点的信息量如图3所示,图中横轴表示依次加入的节点序列编号,纵轴表示节点的信息量,水平虚线是信息量的阈值线。
图3 图2中第7-70个节点的信息量

Fig.3 Node information calculated by using equation (7) for 7th-70th node in Fig.2

图3中可以看出,刚开始加入的节点信息量都比较大,也就是说加入节点之后得到的恢复矩阵和加入节点前得到的恢复矩阵差别较大,当前精确恢复原始矩阵需要的信息量还没有达到饱和;当加入到第12个节点时(算法默认将首末两个节点算入非冗余节点集),节点信息量趋于平缓,说明此时恢复矩阵需要的信息量差不多达到饱和,继续加入节点将不会显著降低误差率,因此,本研究将合理的最少需要布局的节点数目设为12个。在本试验中,我们的目标是在一定的监测精度(信息量阈值μ=0.034)要求情况下开启最少的节点来采集数据,即找到一个误差率和网络总体耗电量的最佳平衡点,因此加入到第12个节点时我们将不继续加入节点,认为此时的信息量阈值μ以下的节点都属于应该睡眠的节点。在对监测精度还有进一步要求的试验中,可以选择更小的信息量阈值,来让更多的节点采集数据,以继续提高恢复精度,当然相应的网络整体耗电量会随着工作节点数量的增加而增大。

3.3 数据恢复与时间抽样算法

3.3.1 数据恢复算法描述
在设计数据矩阵的存储方式时,为了能够更好地利用数据之间的时间关联性和空间关联性来恢复未采样的数据,我们将每列数据存为一个传感器节点在连续时间采集到的缓慢变化的数据记录,那么相邻数据之间将具有很强的时间关联性;然后每一行数据是同一时间不同位置的传感器节点采集到的监测数据值,它们之间将呈现出较强的空间关联性,那么数据矩阵中的每一个值就代表在特定的时间特定位置的传感器节点采集到的某种监测数据,并且该矩阵具有良好的低秩特性。
定义和原始数据矩阵XN × T同型的二进制采样矩阵BN × T来表示每个数据点是否是采样点,B定义如下:
B = B ij N × T = & 1 ,节点 j 的第 i 时刻的数据是采样点 & 0 ,节点 j 的第 i 时刻的数据不是采样点
定义和原始数据矩阵同型的观测矩阵MN × T来表示采样数据矩阵,定义如下:
M N × T = X N × T · B N × T
其中,·代表矩阵的点乘。在观测矩阵MN × T中,采样点和XN × T具有相同数值,非采样点的位置值为0。
根据第2节矩阵补全算法的定义,通过求解
min min X * s.t. M N × T = X N × T · B N × T
就可以得出由观测矩阵MN × T推断出的原始数据矩阵XN × T的恢复矩阵 X ̂ N × T
3.3.2 数据恢复与时间抽样试验结果
矩阵补全算法部分采样所需的采样点数目是由原始数据矩阵本身的特性决定的,对于一个秩为rn×n的矩阵,实现矩阵补全算法的部分采样点数目m需要满足如下不等式才能保证整个矩阵能由部分采样矩阵精确重构出来[19]
m C n 6 5 r log log n
其中,C为一个常数,需要自己设定。根据大规模农田中作物的实时监测数据构成的采样矩阵的秩以及满足公式(11)的条件下可以进一步优化选择传感器节点在时间上的采样率。本研究选取以下采样率p==0.16作为数据恢复算法的采样率。此处仍然采用3.2.2节中使用的公开数据集[18]进行算法的实验验证。
①节点选择前后数据恢复算法的重构误差对比为了衡量节点选择前后矩阵补全算法的恢复效果差别,我们对比了节点选择前后算法的重构误差率,如图4所示,横轴代表算法迭代次数,纵轴代表重构误差率。
图4 节点选择策略使用之前和使用之后算法的重构误差率

Fig.4 Error ratios of data reconstruction with/without using node selection strategy

图4可以看出,重构误差随着迭代次数的增加而不断降低,当迭代次数达到40次左右时,恢复误差趋于平缓至基本不再变化;对比两条曲线,采用节点选择策略之后数据的恢复精度不如节点选择之前,这是因为采用节点选择策略之后采集数据的节点减少,冗余节点数降低,节点之间的空间关联性降低,因而数据矩阵的列之间的关联性也相应降低,而矩阵补全算法就是利用了数据矩阵行列之间的时空关联性来进行缺失数据的补全,所以节点选择策略对数据矩阵的恢复精度有一定的影响。但是对于传感器网络的环境监测数据来说,该重构误差属于容限范围之内,而需要开启采集功能的传感器节点数量从70个降到了12个,这对于无线传感器网络的节能问题来说是值得优化的。
②两种节点选择策略之后数据恢复算法的重构误差对比
本研究提出的按节点信息量进行节点冗余度判断的方法在每次新加入一个节点时,保留了对于当前恢复矩阵贡献较大的节点作为数据采集节点。为了衡量本研究节点选择算法最终整体的恢复效果,我们将其结果与随机选择相同数量的节点作为数据采集节点的最终恢复效果进行了对比。为了避免偶然性,我们进行了多次随机选择节点的试验并取平均值,试验对比结果如图5所示,横轴代表采样率,纵轴是最终的恢复误差率,可以看出,按信息量选择节点的恢复效果在不同的采样率下都好于随机选择节点的情况。
图5 随机选择冗余节点和本研究按信息量选择冗余节点算法最终的恢复误差率对比图

Fig.5 Error ratio comparison for random selection of redundant node and the proposed node selection strategy

4 结论

本研究针对面向大规模农田生境信息监测的无线传感器网络中在作物不同生长期传感器节点存在冗余的场景提出了一种两步节能优化算法。首先,提出一种基于信息量的传感器节点空间冗余度判定机制,让冗余节点的数据采集模块保持关闭状态(不进行数据采集工作),仅作为中继节点传输其余数据采集节点发送过来的数据,由此降低了网络中采集和需要传输的数据量。第二步,利用矩阵补全算法的部分采样原理进一步降低了网络中需要传输的数据量,只传输采样后的数据,再利用物理环境中的传感器数据之间的时空关联性,在接收端以一定的精度重建出原始数据,达到了进一步降低网络采集模块和传输模块耗能的目的。需要指出的是,即使在大规模农田生境监测过程中传感器节点不存在冗余(如在作物生长的枝叶繁茂期),仍然可以使用本研究算法中的第二步时间抽样算法实现数据的减量传输,提高传感器节点的生命周期。本算法可以根据农作物各个生长期的实时数据状况进行动态调整,可以应用于不同节点数量和不同节点密度的农作物监控网络场景。
本研究使用真实传感器网络的采样数据对所提出的两步节能算法进行了试验测试。在不同的试验条件下,分析了算法的恢复性能,并且将本研究提出的算法和随机节点选择算法进行了对比试验。试验结果表明,本研究的两步算法在保证了一定恢复精度的要求下,通过降低传感器节点数据之间的冗余度将网络中70个采样节点减少为12个,并通过矩阵补全算法的部分采样,再次降低了网络中需要采集的原始数据量,实现了以最小的数据传输量来以一定精度恢复出该片监测区域原始数据的目的,有效地节约了网络能耗。
[1]
郑少雄 . 无线传感器网络在农业信息化中的应用研究[J]. 数字技术与应用, 2012(11):85-86.

Zheng S . Study on applications of wireless sensor networks in agriculture informatization[J]. Digital Technology and Its Applications, 2012(11):85-86.

[2]
Akyildiz I F, Su W, Sankarasubramaniam Y , et al. A survey on sensor networks[J]. IEEE Communications Magazine, 2002,40(8):102-114.

[3]
顾晓燕, 孙力娟, 郭剑 , 等. 无线传感器网络覆盖质量与节点休眠优化策略[J]. 计算机仿真, 2011,28(9):127-131.

Gu X, Sun L, Guo J , et al. Optimization strategy of coverage quality and node dormancy in wireless sensor networks[J]. Computer Simulation, 2011,28(9):127-131.

[4]
缪祎晟, 吴华瑞, 李飞飞 , 等. 基于统计分布的小麦农田多径衰落信道建模研究[J]. 电子学报, 2016,44(3):665-672.

DOI

Miao Y, Wu H, Li F , et al. Study of wheat farmland multipath fading channel modeling based on statistical distribution[J]. Acta Electronica Sinica, 2016,44(3):665-672.

[5]
Li F, Wu H, Miao Y , et al. A research on the radio signal propagation characteristics in cornfield[J]. Biotechnology: An Indian Journal, 2013,8(10):1347-1352.

[6]
周军 . 对无线传感器网络感知能力动态调整算法研究[J]. 信息与电脑(理论版), 2010(4):144-145.

Zhou J . Study on dynamic algorithm for sensing capability adapting in wireless sensor networks[J]. China Computer & Communication, 2010(4):144-145.

[7]
赵春江, 吴华瑞, 刘强 , 等. 基于Voronoi的无线传感器网络覆盖控制优化策略[J]. 通信学报, 2013,34(9):115-122.

Zhao C, Wu H, Liu Q , et al. Optimized strategy on coverage control in wireless sensor networks based on Voronoi[J]. Journal on Communications, 2013,34(9):115-122.

[8]
Carbunar B, Grama A, Vitek J , et al. Coverage preserving redundancy elimination in sensor networks[C]. 2004 First IEEE Conference on Sensor and Ad Hoc Communications and Networks, IEEE SECON 2004. IEEE, 2004: 377-386.

[9]
Cheng J, Ye Q, Jiang H , et al. STCDG: an efficient data gathering algorithm based on matrix completion for wireless sensor networks[J]. IEEE Transactions on Wireless Communications, 2013,12(2):850-861.

DOI

[10]
Xie K, Wang L, Wang X , et al. Sequential and adaptive sampling for matrix completion in network monitoring systems[C]. 2015 IEEE Conference on Computer Communications (INFOCOM), 2015: 2443-2451.

[11]
Candès E J, Tao T . The power of convex relaxation: Near-optimal matrix completion[J]. IEEE Transactions on Information Theory, 2009,56(5):2053-2080.

DOI

[12]
Candès E J, Recht B . Exact matrix completion via convex optimization[J]. Foundations of Computational Mathematics, 2009,9(6):717.

[13]
Natarajan B K . Sparse approximate solutions to linear systems[J]. Siam Journal on Computing, 2006,24(2):227-234.

DOI

[14]
Natarajan B K . Sparse approximate solutions to linear systems[J]. Siam Journal on Computing, 2006,24(2):227-234.

DOI

[15]
Donoho D L . Compressed sensing[J]. IEEE Transactions on Information Theory, 2006,52(4):1289-1306.

DOI

[16]
Candès E J, Wakin M B . An introduction to compressive sampling[J]. IEEE Signal Processing Magazine, 2008,25(2):21-30.

DOI

[17]
乔丽娟 . 基于能量意识的Ad Hoc网络路由协议的研究[D]. 上海: 华东师范大学, 2011.

Qiao L . Research on energy-aware routing protocols in Ad Hoc networks[D]. Shanghai: Southeast Normal University, 2011.

[18]
Martin V . Sensorscope[DB/OL].[2019-01-10]. http://lcav.epfl.ch/page-145180-en.html.

[19]
Cai J F, Candès E J, Shen Z . A singular value thresholding algorithm for matrix completion[J]. Siam Journal on Optimization, 2008,20(4):1956-1982.

文章导航

/