近年来, 物联网技术在世界范围内取得了蓬勃的发展, 这也使诸多专家与学者纷纷开展物联网技术研究, 在物联网技术中, 无线传感网络无疑是其重要支撑技术, 其也是实现物联网感知功能的基础所在, 在应用无线传感网络过程中, 其网络节点需要对大量的数据进行采集, 而这就需要消耗很大的能量与存储空间, 不过, 受到其网络节点存储、计算以及供电能力的局限性, 要想确保传感器网络的使用寿命得到最大限度的延长, 就必须要在采集数据精确的基础上花费最小的代价, 而采用数据聚类、分布式源编码等传统方法虽然能够起到一定的作用, 但却无法对异常数据进行有效处理, 而且在计算上过于复杂。为此, 本文便根据近年来新提出的一种理论, 即压缩感知理论, 提出一种有效而合理的基于物联网的无线传感信号重构算法。
一、无线传感网络的压缩感知理论
在某个离散信号中如果包括有若干个非零元素, 则可将其判断为这些非零元素是稀疏的, 对于非稀疏离散信号来说, 其需要在稀疏基合适的前提下对稀疏或近稀疏进行表示。在压缩感知理论中, 其在描述离散信号采样过程时, 是对感知矩阵中长度为N的信号的对应投影进行描述, 由此便可获得该信号的压缩采样形式, 通常来说, 为了使信号的采样效率更高, 需要尽可能的保证采样次数要小, 通常来说, 该信号在感知矩阵中的投影次数要比其长度要小, 而这便是所谓的压缩感知。相比于传统的数据采集方法来说, 传统的数据采集过程为先采集, 后压缩, 然后传输, 最后解压。而压缩感知理论对数据的采集则有很大不同, 其不需要保证信号采集的完整性, 图像可以不是高分辨率的, 其只是对最能对信息的数据特征进行采集即可, 这样能够使存储空间得到大幅节约, 同时还能使传输代价有效降低, 可以说, 压缩感知是在采集数据过程中进行压缩的, 并在需要时来重构数据, 而传统的数据采集方式则是需要先对完整的数据进行采集, 然后存储到系统中, 并在使用时将其压缩后再进行传输。由此可见, 压缩感知理论中的数据采集方法属于一种欠采集方式, 这种方式的速率要比Nyquist低。
二、基于物联网的无线传感网络压缩采样模型
(一) 基于物联网的无线传感网络构造
在基于物联网的无线传感网络中, 其在一定空间范围内分布有若干个传感器节点, 这些节点能够感知外界环境的物理状态, 如外界环境的温度、湿度、压力等。在传感器节点中, 主要由通信单元、传感单元、能量供应单元以及处理单元组成, 传感器节点在感知到外界环境的物理状态参数后, 会将这些数据进行采集, 然后利用无线传输将其发送给中心节点, 中心节点则会在接收到所有传感器节点所发送过来的数据后, 通过其他传输介质将其传输到系统中。由于大量传感器节点所采集的数量非常多, 如果全部积聚到中心节点, 势必会造成中心节点阻塞, 因此需要通过压缩感知技术来对这些正在采集的数据进行压缩, 以此降低数据传输量, 使能量损耗得以减少。在无线传感网络中应用压缩感知技术, 是各个目标对信号进行周期性的发射, 使各个传感器节点能够对数据信号进行周期性的采集, 并在采集过程中对数据进行压缩, 然后发送到中心节点中, 中心节点则会通过感知矩阵来恢复数据, 并将其传输到处理端中进行分析。在此过程中, 数据信号采集周期性过长和过短, 都会造成能量消耗过快, 因此必须要对节点能量的肖耗进行平衡, 而这就需要选择一个合理的事件信号。
(二) 物联网中无线传感网络的压缩感知机制
在物联网中, 无线传感网络中包含有大量的传感器节点, 这些节点具有环境监控作用, 并可实现对数据的采集、处理、通信和控制, 其要想确保数据的完整, 就需要采集信号中所有的采样样本, 而利用压缩感知, 则需要得到信号的变换系数, 并利用该变换系数来对完整的信号进行恢复。在无线传感网络中所涉及到的数据矢量往往是非常大的, 其数据矢量可能包含有几百个甚至上千个无线传感节点数据, 而通过压缩感知则可使无线传感网络对数据信息的采集量有效减少。压缩感知方法不必对非零系数进行事先确定便可实现信号的压缩采样, 其只需要获得长度已知的矢量数据, 即可对无线传感网络的信息采样周期进行完整的表达, 并可进一步重构出原始的信号。
(三) 基于物联网的无线传感网络中数据采样的压缩矩阵
在无线传感网络信号采集中, 其传感器节点需要对事件信号进行捕获, 而在此过程中会遇到两个问题, 其一是事件信号同时发生时, 会造成各个传感节点相互干扰;其二是环境中存在热噪声情况下, 再加上信号在传播过程中的损耗, 会造成信号失真。为了对物联网中无线传感网络的信号采集过程做出进一步的分析, 可对噪声环境下无线传感网络采集的信号矢量用以下公式描述, 即, 在该公式中, 原信号由X表示, 其属于稀疏矢量, 之所以要这样设定, 是为了使描述变得更加简便, 感知信号则由Y表示, 干扰及热噪声则由ω表示, 信道采样矩阵则由表示, 由此可对该矩阵的结构表示成, 在该结构表达式中, i传感器至j传感器之间的距离由di, j表示, 信号的传播损耗因子由σ表示, 高斯噪声中方差是σ2且均值是零的瑞利衰减参数由mh, n表示。在采样矩阵中, 传感器的总数量N、活动状态的传感器数量M以及特定周期内传感节点的传输次数K之间的关系应满足N˃M˃K, 最后测量获得该信号矢量在事件发生时的压缩矩阵表示形式。考虑到外界环境噪声会对压缩采样信号的精确性造成直接影响, 这会在很大程度上影响信号的重构结果, 因此需要通过近似梯度下降算法来确保原信号得以高精确度的恢复。
三、基于物联网的无线传感信号重构过程
在基于物联网的无线传感信号重构中, 借助于近似梯度算法来对噪声环境下的原信号进行高精度重构, 其算法具体流程如下:其一, 需要对物联网中所有无线传感器节点的时间进行同步设置, 如果事件的发生会持续一段时间, 则处于活动状态的各个传感器节点会按照该周期来检测事件信号, 该信号利用向量X进行表示, 并通过离散余弦变换来对稀疏基进行构建, 使各个传感节点在该周期内所产生的信号向量能够在稀疏基矩阵中形成投影, 由此便可完成对信号进行稀收化处理, 这一步是利用压缩感知来实现无线信号采集的前提步骤;其二, 根据上文中提到的信道采样矩阵结构表达式来对采样矩阵进行构建, 然后在采样矩阵中对稀收化处理后的信号向量进行投影, 由此便可实现对信号的采样, 考虑到该采样矩阵不属于方阵, 因此其实质上是对信号进行欠采样的过程;其三, 传感器网络中的各个传感节点会在信号采样的过程中进行压缩, 并将压缩后的信号传输给中心节点, 中心节点与其他传感节点一样, 所使用的采样矩阵都是一致的, 当中心节点在接收到信号以后, 便会通过近似梯度算法来对信号的稀疏形式进行恢复, 并通过离散余弦反变换来对原信号进行恢复, 然后对信号做出进一步的融合处理, 由此便完成了整个无线传感信号的重构过程。
四、结语
在基于物联网的无线传感信号重构算法中, 利用压缩采样方法, 能够大幅降低采集完整信号时所花费的代价, 同时考虑到噪声对无线传感网络的影响, 会造成欠采样数据的重构非常困人, 因此需要通过近似梯度下降算法来保证噪声环境下压缩采样信号的精确性, 该算法是采取逐步迭代逼近方式来寻找最优解的, 以此实现对原信号的完整还原, 从而有效解决了无线传感网络中节点存储、传输、采集能力有限的问题, 克服了外部环境噪声的干扰, 进一步推动了物联网技术的发展。
摘要：近年来, 我国科技的飞速发展, 使物联网在各个领域中的应用变得越来越广泛, 并为我国各个领域的发展带来了一次新的技术革命。物联网是通过无线传感器网络来实现其感知功能的, 不过由于无线传感网络具有开放性的特点, 因此环境噪声很容易会对其传感信号造成影响, 而如果仅仅采用压缩感知的方法来对数据进行欠采样, 势必会造成欠采样数据的不完整, 进而导致其对环境噪声更加敏感。为了解决这一问题, 本文便对基于物联网的无线传感信号重构算法进行深入的研究, 以期能够为物联网技术的进一步发展做出贡献。
关键词：物联网,无线传感,信号重构
参考文献
[1] 赵小虎, 刘闪闪, 沈雪茹, 邓园芳.基于分布式压缩感知的微震数据压缩与重构[J].中国矿业大学学报, 2018, 47 (01) :172-182.
[2] 梁家烨, 伍冯洁, 黄浩腾, 冯兆熙, 黎梓毅, 陈志德, 张雨楠.基于物联网的堆叠式可重构无线传感装置的设计[J].物联网技术, 2018, 8 (03) :15-17.
[3] 刘颜星, 党小超, 郝占军, 董晓辉.用于压缩感知的无线传感网测量矩阵设计方法[J].计算机应用, 2015, 35 (11) :3043-3046+3062.
[4] 党小超, 刘颜星, 郝占军.无线传感网中一种用于压缩感知的测量矩阵优化方法[J].小型微型计算机系统, 2017, 38 (09) :1966-1970.