在传感器网络中，由于节点部署密度高，传感器节点的覆盖区域重叠，这有助于生成更多的冗余数据。据压缩可以有效地减少冗余数据，最大程度地减少传输量，并节省节点能量。时间和空间上分析无线传感器网络中的数据冗余，并对传感器网络中使用的几种典型数据压缩算法进行分类和比较。感器节点是一个接收和信息处理单元，配备有无线电收发器，微控制器和电源。于传感器节点的尺寸小和成本低，它们受到带宽，功率和计算能力的限制。于部署大规模无线传感器节点的网络，要解决的主要问题是提高节点的能效并延长整个WSN网络的寿命。[1]对于监视区域中的传感器节点，数据收集行为通常具有可以被不同传感器捕获的相同信号；对于多维数据收集，并行采集数据多个传感器可以形成互补特性，这些特性可以通过冗余轻松生成。余数据[2]。间冗余来自于精度提高的传感器节点读数以及检测和通信过程中的瞬态故障抵抗能力。间冗余的应用更为复杂，因为它主要用于无线传感器网络的环境参数频繁变化的情况，传感器节点通过发送多个采集报告来提高数据的置信度。种冗余通常涉及视频监视等。代支持基于特定数据压缩技术的应用程序，例如编解码器。间冗余可以分为：时间冗余和时间通信冗余。间冗余来自传感器网络特定地理区域中多个传感器节点收集的重叠信息。种空间冗余的目的主要是提供容错能力或提高测量数据的可靠性，以达到一定程度的安全性。间冗余几乎发生在任何传感器网络部署中，因为在无线传感器网络应用程序中，通常必须密集部署节点以确保网络连接。覆盖问题的角度来看，空间冗余可分为物理冗余和分析冗余，具体分析如下。理冗余是一种广泛使用的技术，可通过在给定区域中高密度部署节点来确保系统可靠性，尤其是在网络受到安全威胁的情况下。然，由于节点之间的距离太近，由节点收集的数据可能具有一些相似性，并且这些数据的生成无疑会在传输过程中消耗大量的节点能量。线频道。此，需要某种数据融合方法。少数据冗余以节省资源。
析冗余是指通过某种数学模型从历史监控数据中得出的估计测量值，该估计值用于与节点发送的实际测量值进行比较，以获得具有恶意攻击或恶意攻击的节点。意。常，当节点数太大或数据模型太复杂时，计算冗余分析的成本太昂贵。[JP2]另外，通过冗余分析生成的冗余数据不一定与实际数据本身完全对应。余仅在较少的应用程序中发生。息冗余主要用于描述冗余数据表示方法，通常定义为使用冗余数据（例如特殊位）来重建丢失的信息。此，信息冗余意味着使用附加信息来检测和纠正故障。奇偶校验位添加到数据块，以便将错误检测视为实例信息的冗余。一个示例是信息冗余擦除码，它使用用于构造原始消息的信息冗余而无需重传机制。量原始数据被传输到基站，这迅速消耗了穿越节点并导致传感器网络死亡的节点的能量。
了减少数据传输过程中的数据量，从而节省网络能源并延长网络生命周期，许多专家和研究人员节点之间的合作对收集到的数据进行了网络内处理通过传感器网络，即正确采用了数据压缩方法，从而减少了数据量[3]。于观测数据的压缩处理，可以在传感器节点和基站的两端采用压缩和解压缩技术。传输数据之前或根据不同的应用要求对数据进行转换之前（例如，直接处理图像特征信息），以及在压缩前进行压缩操作，可以提高编码效率。行数据传输。站接收到数据后，对数据进行解压缩，以减少传输过程中大量冗余数据导致的功率损耗。压缩结果的观点来看，表示信息可以分为有损压缩和无损压缩，传感器的获取本质上是模拟类型的，主要使用有损压缩算法。于不同的传感器数据特性，可以使用标量数据压缩算法或矢量数据压缩算法，并且基于不同的数据类别选择相应的数据压缩算法。并到聚合节点。
于具有大覆盖区域的传感器网络，源节点和基站之间的数据传输比多跳模式下的直接点对点通信消耗的功率更少。输路径上的节点充当收集器节点：可以通过对收集器节点上的一些聚合数据进行排序和编码来删除这些聚合数据，从而在不丢失信息的情况下对数据进行压缩。于数据空间的相关性。地理位置相邻的传感器节点收集的数据链接起来，从多个节点中选择代表节点数据，然后将数据完全传输到基站，从其他节点中提取数据，并压缩部分为压缩并发送。站最后通过解压缩压缩数据和未压缩数据之间的相关性来重建原始数据。于数据的时间相关性。用诸如小波变换之类的信号处理方法来消除冗余信息，并基于保持特性压缩数据，可以将单个传感器节点收集的数据随时间进行关联。号统计。文献[4]中，提出了一种通过低能耗的分布式线性回归优化数据采集的策略，根据同一监控区域附近传感器节点测得的数据特点，将数据采集的特点称为“低能耗”。性回归模型用于表示传感器。集数据。设传感器在t1，t2，… tm时刻检测到数据，从而y1，恒温阀芯y2，… ym构成一个函数Y，该函数满足最小误差δi= Y（ti）-yi（该函数为由多项式表示，Y（t）＝ 1 λ2t λ3t2 λ4t3）；函数模型构建完成后，在网络中传输λ1，λ2，λ3和λ4这四个参数值即可获得原始数据。了使估计值的近似误差δi最小，选择范数以使近似误差向量的范数最小，即min（“δ” =（[DD（] m [] i = 1 [DD]]δ2i）1/2）。外，提供了回归模型参数更新方法，用于增量更新线性回归系统模型的矩阵和矢量参数。
模型大大减少了传感器节点之间频繁的数据传输和节点的能量消耗所导致的通信开销，其缺点是模型中矩阵的计算复杂度过高。[5]中，使用一维Haar小波分解算法通过数据向量的逐步分解来获得近似分量和细节分量，并形成了小波系数误差树对于误差e，则取决于小波系数的值和误差极限ε。过对量化系数进行熵编码，确定哪些节点可以归零并提高数据压缩效率，从而减少传输的数据。外，本文提出了一种与多属性错误相关的小波数据压缩算法，该算法可压缩给定时间每个节点收集的几种不同属性的数据。该方案中，首先对数据进行归一化并通过二维Haar小波变换进行完全分解，然后根据不同属性的感知数据和不同周期相同属性的数据，对相关信号进行处理。择并选择基本信号以代表其他信号。方案的缺点是基本信号选择算法将不同的属性划分为由某个基数表示的组，作为相关性的函数。了减少误差，所需的碱基数将减少，压缩效果将越差。外，以相同的方式分割基本信号以获得多个回归，但是当基本分割太大时，容易使分割回归的结果超过分割的结果。一化错误。如，假设部署在网络中的传感器节点在数据行为监控中具有数据相关性，则特定区域可能会被多个传感器覆盖。些传感器可能会监视相同的时间并生成相同的数据。献[6]不必要地浪费了能源，浪费了一种行为策略，旨在通过遵循每个传感器节点的相关机制来减少网络中的数据量，从而实现网络内的数据压缩。络包含n个传感器节点，它们构成一个集合S = {s1，s2，…，sn}，并且可以根据用户任意定义时隙λ。个传感器都有一个大小为B的缓冲池。次获取切片时，每个传感器节点都会根据是否检测到事件来设置缓冲区条目。特定时间间隔后，将传感器行为数据发送到基站，并且基站从行为数据中了解节点在该时间段内检测到事件的次数。外，组合了分布式减少机制。MNDGT树仅包含建立传感器关联规则所涉及的节点以及基站附近的一些节点。据收集沿着树的最低点到最高点进行。MNDGT的最后一步中，每个叶节点将参与集发送到父节点。节点根据这些集合计算所有子节点的交集，并根据某些规则定义活动节点。献[7]提出了一种分布式数据融合算法。要思想是中间节点将输入的多个数据包压缩为PCA（主成分分析）数据包，然后将合并结果发送到父节点。定的数据压缩过程基于多跳网络，也就是说，网络节点必须以多次跳转的方式将收集的数据发送到基站，但是路径可以是任意选择，不一定是最短的。后，恒温阀芯将路径上的节点构建为树结构，而基站则是数据结构的根节点。献[8]首先提出了一种通用的体系结构，旨在减少数据流引起的能源附加费和延迟的影响。这种体系结构中，监视节点的获取过程中的数据生成（感知流）是当一个节点将数据作为输入流传输到另一节点（路由流）时，传感器采集的样本过多，无法动态校准更多的数据处理，因此通过应用层对检测流进行数据压缩。据不同应用程序的需求，当不需要在网络上将数据传输到太多数据时，数据将在路由层中进行压缩以避免不可控制的丢包行为。用层数据压缩算法主要分为随机采样，集中采样，多次采样，汇总数据等。
果将压缩的数据流转发到其他节点，则将其再次由网络层封装并发送到接收节点。传统的数据传输模式下，如果无线传感器网络的所有节点都传输所有检测信息，则由于传输大量冗余信息，功耗将过高。果，数据首先被合并并发送到基站。有必要本文分析了时间冗余，空间冗余和信息冗余，对数据压缩算法进行了简单分类，并对几种典型的数据压缩算法进行了分析和比较。[JP2]基于这些研究，将提出一种考虑数据的空间相关数据压缩算法。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com