资助项目：国家自然科学基金重点项目（61033015）。者简介：李国华（1984-），男，湖南娄底人，博士研究生，主要研究方向：无线传感器网络中的数据压缩和拥塞控制。着传感器技术，车载计算和无线通信技术的发展，无线传感器网络已经出现。于无线传感器网络中的节点仅具有有限的电池电量，并且无线数据传输是功耗的主要部分，因此过多的无线传输将迅速消耗能量来自节点电池，导致节点故障。此，如何在不危害网络任务的前提下尽可能地压缩数据是一个重要的研究课题。文从时间相关性，空间相关性和空时相关性三个方面总结了近年来无线传感器网络数据压缩技术的研究进展，并探讨了一些现有的问题和解决方法。来的研究方向。年来，随着无线通信，微机电系统和超大规模集成电路（VLSI）的飞速发展和成熟，现代传感器具有强大的检测和通信能力以及小型化开始。智能和网络化的开发过程，最典型的代表是无线传感器节点（也称为传感器节点）。些具有一定检测，计算和通信功能的传感器节点位于特定区域中，可以自组织和监视，实时检测和处理网络中的数据，然后使用无线通信。距离多跳数据。送到接收节点（接收节点），从而形成一个集成了信息感知，信息处理和信息传输的集成网络，称为无线传感器网络[1-2] （无线传感器网络，WSN）。WSN首先在美国军事中得到广泛使用，并取得了优异的成绩。国军方的长期战场感知系统[3]（远程监视战场传感器系统，REMBASS）是由美国L-3通信公司设计和启动的，可以远程监视战场感知系统。24小时地面战场，报告车辆和人员的活动以及其他活动。REMBASS最初是在1970年代初的越南战争期间使用的，当时，美国军方在胡志明小道上部署了大量传感器节点，胡志明小道是胡志明小道的重要运输线。约部队获得了极为精确的情报，并获得了卓越的认可和出色的效果。DARPA在2001年提出了智能传感器网络（SSW）计划[4]，该计划已在2001-2005财政年度发布并实施。SSW的基本思想是在战场上部署大量传感器节点以收集数据并过滤原始数据，然后将重要信息传输到各个数据融合中心，从而获得包含大量信息的战场全景。图。士兵需要时，他们可以向他们发送相关信息，从而大大提高了他们在战场上感知情况的能力。计以数据为中心的WSN的目的是将数据从网络传输到接收节点（接收节点），然后在所有级别执行处理。果，如何有效地通过网络将数据传输到接收节点已经成为WSN研究的关键技术之一。是，由于无线传感器网络的存储，计算和通信能力有限，这给数据传输带来了一定的挑战。传统的无线网络中，数据传输通常经历首先压缩然后传输的过程。劳德·香农（Claude Shannon）在1948年发表的文章“传播的数学理论”是信息论的先驱[5]，指出该信息中包含的所有信息都有一定程度的冗余。章，并且是第一次给出。出了计算信息熵的公式。据压缩的本质是消除信息的冗余部分。常理解的数据压缩是指使用某种编码方法使用较少的数据位来表示原始数据的技术。据压缩通常涉及两个过程：压缩和解压缩。
缩过程是对原始数据使用算法或编码机制来描述具有较少数据位的原始数据的过程。压缩过程与压缩相反。是，压缩数据用于恢复通过算法压缩的数据。压缩后，根据恢复的数据是否与原始数据相同，可以将数据压缩算法分为两种类型，即有损压缩和无损压缩[6]。损压缩意味着原始数据无法通过压缩数据恢复，因为它具有很高的压缩率（衡量压缩性能的重要指标），因此在压缩中更为常见多媒体，例如图像和视频压缩；无损压缩是指通过压缩数据可以完全恢复原始数据，但是其压缩率低于有损压缩方法，因此它主要用于压缩文本文件。常用的无损压缩算法是Huff。编码，算术编码等经过数十年的发展，已经开发出大量的数据压缩算法，并广泛应用于各个领域。（3）许多传统的数据压缩算法通常将重点放在算法的压缩性能上，即压缩率上，而较少地关注节能方面。无线传感器网络中，能效是算法和协议设计中的重要参数之一。（3）基于时空相关的数据压缩算法研究。下将介绍这三个领域的研究工作。许多WSN应用中，单个传感器节点不断从检测对象收集数据（称为检测数据）。测数据的值在短时间内变化不大。属性可以称为WSN数据的时间相关性。一方面，由于WSN中的大多数节点都将部署在某个地理区域中，因此这使得相邻节点同时收集的感知数据的值相对相似，因此可以将此属性称为WSN关联数据空间。第一个基于时间相关性的数据压缩算法中，Jagadish [8]提出了一种动态编程算法，该算法将L2误差最小化，以便在给定数量的线段下近似数据。算法是一种最优算法，但它是一种离线算法，该算法的时间复杂度仅为O（n2）。献[9]提出了自顶向下算法和自底向上算法。上而下的算法在给定精度的前提下考虑从上至下的时间序列的每个可能的划分，选择最佳划分点，然后连续迭代直到整个时间序列结束。下而上算法的主要思想与自上而下算法完全相反。发点是将整个时间序列分为n / 2个小段（n是时间序列的长度），然后算法连续迭代，即在阶段进行融合最低直到满足特定的停止条件，相邻段才会结束。献[10]也提出了Cache算法，该算法最初选择第一个数据点作为近似值。果以下数据点在第一个数据点的范围内，则会对其进行过滤，否则将结束当前线段，并选择无法过滤的数据点作为新的近似值，待处理以下数据点的到来。复之前的过程，直到整个时间序列结束。考文献[11]也提出了线性滤波算法。算法选择通过连接前两个数据点形成的直线作为数据第一部分的近似值。新数据点与直线之间的距离小于给定阈值ε时，请等待下一个新数据点的到来，否则它将立即结束对数据第一部分的近似并从当前未近似压缩的数据点开始数据近似的第二部分。
Franky Kin-Pong Chan等人还提出了一种基于Haar小波的时间序列匹配算法[12]。先，为了描述两个时间序列的相似性，该算法给出了相似性的度量，这是传统的欧几里得距离。下来，该算法对节点的时间序列执行Haar小波变换，然后使用滑动窗口处理小波系数，然后创建多维索引树，并使用相似性度量来查询多维索引树，用于确定最接近的n在时间序列中，其序列相似性值的度量小于给定阈值的所有序列。于不超过阈值的序列，可以使用一个代码表示，而其他代码则用不同的代码表示。须发送比原始数据更多的编码数据，这在一定程度上消除了序列中的冗余信息。后，文献[13]提出了一种PMC-MR算法，该算法使用直线来近似时间序列。要思想是，当第一个数据点到达时，将第一个数据放在第一部分（抽象语言）中，以使最大值和最小值等于第一个数据点的值。第二个数据点到达时，将其与先前的最大值和最小值进行比较，并更新最大值和最小值。时，如果最大值和最小值之差在给定的阈值2ε内，则会计算出最大值和最小值之差。果Max-Min小于2ε，则将第二个数据点放置在隔离专区中，然后等待第三个数据点，否则（Max Min）/ 2用于近似当前Value隔离专区中的每个数据点，然后从第三个数据点开始一个新的存储桶以加载下一个数据。上过程一直持续到整个时间序列结束为止。算法可以保证近似值和实际值之间的误差不超过ε。外，文献[14]提出了SBR算法，每个节点可以同时监视几个物理量，利用该算法探索每个物理量之间的相关性，通过选择一个物理量信号作为基础，探索数量。理量和其他物理量之间的相似性，然后使用此基本信号加上某些参数来表示其他物理量信号。献[15]提出了BBQ算法，该算法使用统计模型来减少用户给出的错误条件和置信区间中的数据感知和通信过载。
应地，文献[16]提出了使用两个动态概率模型的Ken算法，其中一个运行在接收节点（接收节点）上，另一个运行在模型的每个节点上。络，假设损失了几分钟的精度可以使用以下两个模型来最大程度地减少数据传输量。他研究包括文献[17]提出了ALVQ算法，该算法包括从历史数据构建代码本以探索数据固有的特征，然后使用该代码本执行压缩。段线性于其他数据，从而减少了传输的数据量。外，文献[18]提出了一种分段线性逼近算法，该算法包括使用一条直线来逼近在给定误差范围内的现有但未压缩的数据点，直到一个新的数据点使其边界已被打破。后，同样，从这个新数据点开始，使用一条新线来逼近下一个终点。外，文献[19]也提出了EAQ算法。
先，将原始时间序列转换为特殊的MVA（多版本表）时间序列描述。用此MVA前缀，可以检索到具有一定误差的原始时间序列。似版本以及随着前缀的增加，误差将逐渐减小，从而实现具有可变误差的时间序列的近似。上述研究外，研究人员还提出了离散傅里叶变换[20]，离散余弦变换[21]和离散小波变换[22]来执行数据压缩算法，这些算法基于时间序列时间相关算法。是，它的计算复杂度很高，不适合WSN。于节点部署在一个地理区域内，因此相邻节点同时收集的数据将具有很大的相似性，为了充分利用节点的带宽资源并减少冗余数据传输，研究人员已开始着手研究。索如何从数据空间消除冗余。[23]中提出的算法主要研究WSN数据的空间相关性。算法会在一段时间内通过Sink节点从节点收集原始数据，然后Sink节点破坏节点之间的数据相关性，并通过Chebyshev不等式确定具有数据相关性的节点。旦建立了相关，就建立了相关模型，之后，当发送数据时，仅可以发送节点的原始数据和相关模型的相应参数。献[24]还提出了一种根据贪婪度选择最优路径的算法，其主要思想与有向扩散算法[25]相似，唯一的区别是路径选择的标准不同最佳。此算法中，每个节点还将路径搜索数据包发送到网络，该网络记录将数据包从源节点传输到当前节点所需的能量。径树中已经存在的每个节点还可以生成一个增量功耗数据包，该数据包与该节点接收到的每个新的路径探索数据包相对应，但是此功耗数据包增量能量只能沿着从节点到接收节点的方向发送和更新，增量功耗数据包遍历的区域最多只能更新关闭（即，节点接收具有最低能耗的相应路径探索数据包）和最低能耗。径将被保存，从而构建由最近的节点组成的GIT路径树（贪婪增量树）。后，在最佳路径树上探索与空间相关的节点，并在传输数据时执行数据聚合，从而减少了数据传输量。献[26]提出了GIST算法，该算法假设节点部署在一个正方形区域中，每个节点都知道自己的位置信息，然后以迭代和递归的方式划分区域，并构建一个叠加树，树中的每个点都代表该区域中的一个点。建完成后，接收器节点将逐层发送数据请求。数据传输过程中，当非终端下层节点将数据传输到上层节点时，它们必须首先消除数据的空间冗余，然后再向上传输。样，顺序地和递归地消除了空间冗余，从而减少了数据传输量。献[27]提出了三种算法，即：DSC（分布式源编码），RDC（路由驱动压缩）和CDR（压缩驱动路由）。三种算法都考虑了数据压缩和路由选择，以在数据传输期间尽可能消除数据空间的冗余。献[28]提出了使用路由来获得数据的最佳联合编码，从而达到消除空间冗余的目的。考文献[29]提出了一种在数据传输通过中间节点时的编码算法。文中提到了两种编码方法：外来编码和外来编码。第一种情况下，原始数据仅在传输数据的中间节点编码，而在第二种情况下，原始数据可以在该节点编码，但前提是必须存在从其他节点传输数据。献[30]提出了两种算法：E-Span（能源感知生成树）和LPT（生命保存树）。中，E-Span算法可以将剩余能量最多的节点用作根节点，而其他节点则必须根据自身剩余能量确定父子关系。立结构树后，非叶子节点将在传输数据时合并其数据。节点的数据消除了数据的空间冗余，因此可以执行到接收节点（接收节点）的递归传输。LPT算法选择有向广播协议作为路由协议，选择剩余能量最大的节点作为父聚合节点，并且LPT具有自恢复的特性。点发生故障或出现网络链路由中断时，可以修复并重建网络树。献[30]分别给出了集中式和分布式LPT算法，并通过仿真验证了当处理相同的数据集时，两种形式的LPT算法节点的能耗相似，并且还验证了LPT算法节点的平均生命周期大于E-Span算法中的相应索引。献[31]提出了用于WSN数据的时空冗余的DIMENTIONS算法。DIMENTIONS首先使用小波变换来消除节点中数据的时间冗余，然后消除分层网络拓扑中数据的空间冗余。算法的优点是可以提取具有多种分辨率的数据实体，从而可以根据实际情况以不同的精度获取数据。外，该算法采用分布式结构和随机簇头生成方案，有利于平衡节点间的能耗。DIMENTIONS算法的缺点是必须执行多次小波变换，算法复杂度较高，对节点的计算和存储容量的要求也较高。考文献[32]考虑将Slepian-Wolf编码算法[33]应用于WSN以消除数据的时空冗余。献[34]提出了GAMPS算法。先，该算法对节点进行动态分组，以使每个群集中的节点数据具有时空相关性，并且所有时空链接的节点都可以压缩在一起。后，在给定误差限制的条件下，从与时间和空间有关的节点中选择一个基本信号，当进行数据传输时，只需要基本信号和相关参数即可。输。一文献提出了一种基于小波变换的算法。算法假设节点部署在一维线上，并以等间隔排列，并且所有节点都编号，奇数节点将数据发送到偶数节点，偶数节点接收到数据后，将来自这个结执行Harr小波。）根据一定的阈值对获得的高频系数进行转换，压缩，然后将其传输到接收节点（接收节点）。时，以均匀的方式对偶数节点进行重组，然后进行Haar小波变换，并将新奇数节点的低频系数发送到新的相邻偶数节点。后，它对新的偶数节点进行递归和迭代地执行Haar小波变换，直到最后一组Haar小波变换为止，恒温阀芯并将最终的高频和低频系数传输到接收节点。献[35]提出了一种使用压缩检测技术的算法。主要思想是，在将数据从源节点传输到接收节点的过程中，每当中间节点通过时，中间节点的数据值和一定的系数相加。点传输更加平衡，在接收节点执行数据恢复，并通过应用压缩检测的理论知识来恢复数据。于传感器节点的电池能量有限，因此在设计用于无线传感器网络的各种协议时，如何提高节点的能量效率已成为一个重要的问题。外，无线传感器网络以数据为中心，数据传输是能耗的主要部分。此，减少数据传输量将大大减少节点的功耗。文基于数据的时间相关性，空间相关性和时空相关性，总结了无线传感器网络中数据压缩技术的研究进展。有数据压缩算法的问题在于，对于资源有限的传感器网络，某些算法更为复杂，而另一些算法则是离线算法，存在较大的延迟。了解决这些问题，可以研究具有低复杂度和在线特性的数据压缩算法，该算法将更适合资源有限的传感器网络。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com