无线传感器网络中基于Haar小波变换的数据压缩算法.docx
《无线传感器网络中基于Haar小波变换的数据压缩算法.docx》由会员分享，可在线阅读，更多相关《无线传感器网络中基于Haar小波变换的数据压缩算法.docx（41页珍藏版）》请在冰豆网上搜索。
无线传感器网络中基于Haar小波变换的数据压缩算法
无线传感器网络中
基于Haar小波变换的数据压缩算法
（*********************************************************）
摘要:
无线和嵌入式技术的日益成熟和广泛应用推动了无线传感器网络的快速发展。
传感器网络中，数据分发耗费大量的能量和通信带宽。
在保证数据精度的前提下，如何有效地减少数据发送量是传感器网络中的一个重要研究问题。
因此发展数据压缩技术显得非常必要，数据压缩一方面可以删除采样的冗余和不相关信息，保留过程主要特征信息，节约数据存储空间，另一方面可以减少数据流量，提高数据传输的速度及效率，为企业综合自动化系统服务，提高自动化技术的精确性。
基于传感器网络数据的特性，本文提出了基于小波变换数据压缩方法。
基于小波变换的数据压缩方法通过为小波系数建立树形结构确定可压缩的小波系数，在满足数据精度的前提下最大程度地压缩小波系数，该方法适用于数据整体波动较小的情况，但允许存在数据的异常波动。
通过理论分析和实验结果，验证了本文提出的数据压缩方法的有效性和优越性。
关键词：
传感器网络；数据压缩；压缩率；小波变换
ANewHaarwavelettransformationdatacompressionalgorithminwirelesssensornetwork
*********
（DepartmentofComputersciencesandtechnicalHunanCityUniversityYiYangHunan413000）
Abstract:
Recentadvancesinwirelessandembeddedtechniquehaveenabledthedevelopmentoflowenergyconsumedsensornodes.Insensornetwork,thedisseminatingofdatawillcostmuchenergyinwirelesssensornetwork.Underthecircumstanceofguaranteeinghighdataprecision,howtoreducethedataexchangeefficientlyisanimportantresearchproblem.Thusitisnecessarytodevelopthedatacompressiontechniquetoreservethemajorcharacteristicinformationoftheprocess,tosavethedatastoringspace,aswellastoreducethedatastreamandtoimprovethespeedandtheefficiencyofthedatatransmission.Accordingly,itisnecessarytodevelopthedatacompressiontechnique，whichwouldservethemill-wideautomationsystemand
improvetheperformanceconcerningprecisionandrealinautomatictechnology.
Inthispaper,weproposeamethodaccordingtothewaveletsspecifieswaveletcoefficientsofsensornetwork.Themethodbasedonwaveletsspecifieswaveletcoefficientscanbecompressedusingatreestructureandminimizescoefficientsgreatlyguaranteeingthedataprecision,whichisnotonlyefficientfordatathatfluctuatesless,butalsofordatathatexistsabnormity.
Thetheoryanalysisandtheresultofexperimentsdemonstratethatmethodefficientincompressingthesensordatainsensornetwork.
Keywords:
sensornetwork;datacompression;compressionratio;wavelet
目录
1、绪论1
1.1研究背景1
1.2本文的结构1
2、无线传感器网络2
2.1传感器网络的定义与结构2
2.2传感器网络的特点2
2.3无线传感器网络的应用3
2.3.1军事应用3
2.3.2其他方面的应用4
2.4传感器网络的发展前景4
2.5国内外研究现状5
3、基于Haar小波变换的数据压缩方法8
3.1Haar小波的简介8
3.2基于小波变换的最少化细节分量值压缩方法9
3.2.1DCTree的构建算法9
3.2.2可压缩细节分量值的确定11
3.2.3建立节点列表和候选列表12
3.2.4选择可压缩的节点13
3.2.5确定可压缩的细节分量值14
3.2.6小波系数索引的建立16
4、实验17
4.1实验:
17
4.2实验分析19
5、总结22
5.1总结和归纳22
6、致谢语23
主要参考文献:
24
附录:
25
1、绪论
1.1研究背景
无线和嵌入式技术的日益成熟和广泛应用推动了无线传感器网络的快速发展。
无线传感器网络由部署在监测区内的大量传感器节点组成，用以监测温度、湿度、压力、位移、噪音和光强等多种属性，并能够向基站返回监测对象的数据信息。
组成无线传感器网络的传感器节点不但具有感知能力，而且具有处理、存储和无线通信等能力。
在传感器网络中，大量发送原始的数据将占用节点有限的通信带宽，导致节点能量耗尽，从而缩短了整个传感器网络的生存期。
如果传感器节点的数据产生率很高，那么基站将很难实时处理接收到的所有数据，同时网络中频繁的数据传输也将会浪费节点和网络宝贵的能量资源。
因此，减少传感器网络中的数据发送是十分必要的。
无线传感器网络广泛地应用于监测周围的物理环境。
监测区域内通常配置大量的传感器节点，所有传感器节点周期地向基站返回感知数据，如果返回数据的周期较短，数据的产生率较高，基站将无法实时处理来自所有节点的所有数据。
而且，传感器节点覆盖的区域较大，距离基远的节点无法和基站直接通信，需要中间节点转发数据，如果每个中间节点负责转发多个节点的数据，而每个节点产生的数据量又很大，会导致中间节点接收数据包的丢失,基于以上的问题，传感器节点无需将产生的数据实时地向基站反馈，可以连续收集几个周期的数据，压缩成一个数据包后发送。
这不但缓解了网络的通信负担，也减少了数据的丢失。
1.2本文的结构
第一章是绪论部分
第二章是无线传感器网络介绍部分
第三章是基于Haar小波变换的数据压缩方法，也是本文的主要内容，MDC实现数据的压缩。
第四章是实验部分
第五章是结论和总结部分
第六章是致谢
2、无线传感器网络
2.1传感器网络的定义与结构
无线传感器网络是由大量集成了处理器、存储器和无线通信能力的传感器节点组成，通过无线通信方式形成的Ad-Hoc网络，其目的是监测其覆盖区域内的感知对象，形成感知数据并发送给接收端。
在该网络环境中，传感器节点通常是一些具有有限（较低）的处理、存储和通信能力的小型低值传感器，这些传感器节点通过无线网络互连，网络中的部分（或全部节点）可以移动，网络拓扑结构也随着节点的移动不断动态变化，节点间以Ad-Hoc方式进行通信，其中的每一个节点都可以充当路由器的角色，并且每个节点都具备动态搜索、定位和恢复连接的能力。
传感器网络系统通常由传感器节点（sensornode）、接收节点（sinknode）和任务管理节点（taskmanagernode）构成。
传感器节点分散在监测区域内（sensorfield），监测该区域内的物理现象，并产生感知数据。
感知数据经过中间节点以“多跳”的路由方式发送到接收节点，在转发的过程中感知数据可能被中间节点处理。
经过多跳后路由到接收节点，最后通过互联网和通信卫星到达任务管理节点，实现了任务管理节点与传感器节点的通信。
传感器网络中的节点按其功能不同可分为：
基站节点（basestationnodes）、固定节点（fixednode）和应用节点（applicationnode）。
基站节点负责无线传感器网络和有线网络的通信。
固定节点以“多跳”路由的方式将感知数据发送到基站。
应用节点可以是可移动或固定的节点，它负责感知物理现象并产生感知数据。
2.2传感器网络的特点
Ad-hoc网络是一个由几十到几百个节点组成的、采用无线通信方式的、动态组网的多跳的移动性对等网络。
无线传感器网络与Ad-hoc网络具有很多相似之处，例如，二者提供的网络连接都具有弱可靠性；网络中的节点都具有可移动性；节点的电源电力都很有限等。
另外，传感器网络与Ad-hoc网络也存在着很大的差别。
传感器网络具有的鲜明特点如下：
（1）、节点的无线通信能力更为有限，网络中的通信带宽更窄，而且经常发生变化，通常无线通信覆盖范围也只有几十到几百米，通信代价较高。
（2）、节点间通信的断接更加频繁，传感器网络的通信更多地受到高山、建筑物、障碍物等地势地貌以及风雨雷电等自然环境的影响，因此传感器节点可能经常长时间脱离网络，离线工作。
（3）、电源电力更为有限，传感器节点通常采用电池供电，因此其能量非常有限。
（4）、传感器网络中的传感器节点由于环境影响和能量耗尽，节点更容易出现故
障。
（5）、传感器节点的分布范围广泛，可以分布在一定的区域内，甚至可以分布在全球每一个需要的角落。
（6）、网络中的节点密集，节点数目更为庞大，可能达到几百、几千、几万，甚至更多。
（7）、传感器节点通常产生流式感知数据，而且感知数据具有实性。
（8）、网络中的节点具有移动性，并经常有新的节点加入或原来的节点失效，因此网络的拓扑结构经常动态变化。
2.3无线传感器网络的应用
无线传感器网络具有广阔的应用前景，它可以用于军事、环境监测和预报、城市交通、空间探索、仓库管理和智能家居等多个领域。
随着传感器网络的深入研究和广泛应用，传感器网络将逐渐深入到人类生活的各个领域。
2.3.1军事应用
传感器网络的可自组织、隐蔽性强、快速部署和高容错性等特点适合于军事上的应用。
利用传感器网络可以实时地监视战场，监控敌军的兵力和装备，随时进行目标定位以及检测和搜索核武器和生物化学攻击武器等。
传感器网络的高效性使得它已经成为军事领域必不可少的一部分，目前，很多军事发达国家均投入了大量的人力和财力进行研究，以更好地利用传感器网络资源。
美国DARPA很早就启动了SenslT（SensorInformationTechnology）计划，目的就是将多种类型的传感器、可重编程的通用处理器和无线通信技术组合起来，建立一个廉价的无处不在的网络系统，用以监测光学、声学、震动、磁场、湿度、污染、压力、温度、加速度等物理量。
2.3.2其他方面的应用
传感器网络在其它领域也有广泛的应用。
传感器网络可应用于空间探索。
借助航天器在外星体散播一些传感器网络节点，可以对星球表面进行长时间的监测。
这种方式成本很低，节点体积小，相互之间可以通信，也可以和地面站进行通信。
传感器网络能够应用在家居中。
在家电和家具中嵌入传感器节点，通过无线网络与Internet连接在一起，将会为人们提供更加舒适、方便和更具人性化的智能家居环境。
利用远程监控系统，可以完成对家电的远程遥控，例如可以在回家之前半小时打开空调，这样回家的时候就可以直接享受适合的室温，也可以遥控电饭锅、微波炉、电冰箱、电话机、电视机、电脑等家电，按照自己的意愿完成相应的煮饭、烧菜、查收电话留言、选择录制电视和电台节目以及下载网上资料到电脑中等工作，也可以通过图像传感器设备随时监控家庭安全情况
2.4传感器网络的发展前景
2002年5月，美国Sandia国家实验室与美国能源部（DoE）合作，共同研究能够尽早发现以地铁、车站等场所为目标的生化武器袭击，并及时采取防范对策的系统。
该研究属于美国能源部恐怖对策项目"PROTECT”的重要一环。
该系统融检测有毒气体的化学传感器和网络技术于一体。
当安装在车站的传感器一旦检测到某种有害物质，就会自动向管理中心通报或自动进行引导旅客避难的广播及封锁入口等处理。
该系统除了能够在专用的管理中心进行监视之外，还可以通过WWW进行远程监视。
根据用户级别，还可以进行访问控制等。
美国陆军已确定开发灵巧传感器网络通信，并认为这是建成未来目标部队的关键之一。
“灵巧传感器网络通信（SSNC）”概念已被批准为2001财年的一项科学技术目标（STO）计划，并将在2001到2005年期间实施。
灵巧传感器网络通信的目标是一个通用的通信基础结构，是支援前方部署，将无人值守式弹药、传感器和未来战斗系统所用的机器人系统连成网络的一套灵巧网络和装备。
SSNC将成倍地提高单一传感器的能力，使作战指挥员能够更好、更快地做出决策，从而改进未来战斗系统的生存能力。
SSNC计划将是最具挑战性的计划项目之一，会面临许多难题。
需要解决的问题之一是如何把这些传感器布置到战场上；另一个问题是必须要以最少的能量需求来设计这些传感器，可能还应设计成休眠式，以便保存其电池的能量。
这些系统还必须包括更有效的协议，使它们不需要作过多的数据加工处理，减少电能消耗。
传感器与通信装置相集成的方法也必须强调用电量最少。
信号的传播也是一个潜在的难题。
2002年10月24日，美国英特尔公司发布了基于微型传感器网络的新型计算的发展规划。
今后，英特尔将致力于微型传感器网络在预防医学、环境监测、森林灭火乃至海底板块调查、行星探查等领域的应用。
英特尔将这一新型计算称为“预发式计算”（ProactiveComputing）。
预发式计算是通过计算机之间的对话来预测人的需求，并进行自律处理。
智能化交通管理系统（ITS）是将先进的信息技术、数据通讯传输技术、电子传感技术、电子控制技术及计算机处理技术等有效的集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理系统。
这种先进的交通管理系统，将以庞大而又复杂的传感器网络为基础，构成一个完整的公路管理系统，并将提供和车载计算机系统进行双向交流的功能。
1995年3月美国交通部首次正式出版了“国家智能交通系统项目规划”，明确规定了智能交通系统的7大领域和29个用户服务功能，并确定了到2005年的年度开发计划。
预计到2025年，ITS系统将会投入全面使用。
这种新型系统将有效地使用传感器网络进行交通管理，它不仅可以使汽车按照一定的速度行驶、前后车距自动地保持一定的距离，而且还可以提供有关道路堵塞的最新消息，推荐最佳行车路线以及提醒驾驶员避免交通事故等。
由于该系统将会应用大量的传感器与各种车辆保持联系，所以人们还可以利用计算机来监视每一辆汽车的运行状况，例如制动质量、发动机调速时间等等。
根据具体情况，计算机就可以自动地进行调整，使车辆保持在高效率低消耗的最佳运行状态，并就潜在的故障发出警告，或直接与事故抢救中心取得联系。
2.5国内外研究现状
国际上针对传感器网络的研究起步于90年代末期，从2000年起，国际上发表了一些有关无线传感器网络、传感器数据库的研究论文。
目前，从事这项研究比较有代表性的单位有：
美国加州大学Berkeley分校（UCBerkeley）、科内尔大学（CornellUniversity）、UCLA、RutgersUniversity、英国UniversityCollegeLondon、日本东京大学、日本名古屋工学院（NagoyaInstituteofTechnology）、意大利UniversityofFerrara、以及美国Intel公司等。
我国在传感器网络方面的研究工作还很少，目前只有哈尔滨工业大学、清华大学和北京邮电大学等单位刚刚展开该领域的研究工作。
组成传感器网络的传感器节点是一种能源有效的设备，为了延长传感器网络的寿命，减少网络中节点的能量消耗是必要的。
而网络中的能量主要用于发送数据。
例如，Berkeley的MICA节点发送一位数据耗费的能量可执行1,000条CPU指令。
为解决传感器网络能量有限的问题，很多研究人员已经进行了大量研究，并提出了一些解决办法。
在网络层，提出了能源有效的路由和分簇路由。
在数据管理层，提出了采样、预测、数据中心存储、基于能量的查询优化和网络内部聚集、近似查询和数据过滤等技术。
预测技术为数据建立预测模型，通过预测模型得到数据的估计值。
预测技术不但减少了数据发送的能量消耗，而且节省了部分采样的能量消耗，但是它对于异常现象不能及时地预测，而且很难建立一个完全符合传感器网络中数据变化规律的预测模型。
聚集技术将一段时间间隔内的大量数据合并成一个统计数字（例如求均值，最大值等操作）,然后再将得到的统计结果发送给基站。
TAG和COUGAG研究了聚集查询的特性，提出了树结构，并在树的每层节点上作聚集操作。
聚集技术虽然可以有效地减少数据发送量，但处理基于详细历史数据的查询时具有局限性，而且对于不包含聚集操作的应用，效果也不明显。
在传感器网络中，由于受噪音、节点失效、无线通信的不可靠性，以及能量约束等因素的影响，感知数据的获取、处理和传输等常常存在一定的误差，感知数据具有一定程度的不确定性，而用户也并不一定需要非常精确的结果，因此感知数据本身是一种非精确的数据，数据通常允许有一定的误差存在。
在保证用户要求的前提下，可以通过牺牲一定的数据精度来降低数据在网络中的传输量，从而有效地降低能量消耗。
数据压缩就是一种有效的通过牺牲数据精度来减少能量消耗的技术。
在传感器网络的许多应用中，不但传感器采集的当前数据有效，历史数据也存在重要的应用价值。
例如传感器监测水污染，传感器跟踪系统等应用。
如果将这此历史数据发送到基站必然耗费大量的能量。
而传感器网络中的数据并不是完全随机的，数据间具有一定的相关性，因此可以将感知数据在传感器节点上进行压缩，在网络中发送压缩后的数据。
近几年，传感器网络中的数据压缩技术的得到了广泛的研究。
Ioannidis和Poosala最先提出了利用直方图压缩数据的方法。
离散的余弦转换（DiscreteCosineTransform,DCT）可以建立mpeg编码，也可用来构建多维直方图。
IosifLazaridis和SharadMeshrota等通过对传感器网络中的时间序列的研究，提出了直接在传感器节点上压缩原数据，只有当超出查询精度要求时才将压缩的数据发送到基站的数据处理方法。
AntoiosDelisiarmakis等提出了利用同一传感器节点多个属性数据或不同时间段内数据间的相关性压缩历史数据的技术。
小波技术也广泛地应用于数据压缩中。
传感器网络中数据在连续时间段内变化较小，邻近数据大部分相同或相似，感知数据的这一特性为基于小波变换的数据压缩技术提供了很好的机会。
Kchan提出了利用小波技术压缩时间序列的方法。
Aushik和chabarti等提出了为数据建立小波快照，并在压缩的结构上直接进行查询处理的方法。
在许多应用中，不但传感器采集的当前数据有效，而且历史数据也存在着重要的应用价值，因此获得完整的历史数据在许多系统应用中是必要的。
例如，监测水污染的应用中，如果要了解整个污染的变化过程或者根据己知信息推测未来的污染变化情况，需要获得详细的数据信息。
再如，传感器网络跟踪系统，如果要确定跟踪对象的行踪，或者总结跟踪对象的运动规律，都需要获得跟踪对象在一个很长连续时间内的数据信息。
在上述的应用中，如果传感器节点每个周期返回采样数据到基站必然浪费大量的通信能量，而传感器节点有限的存储能力也无法存储过多的历史数据。
因此，将大量的历史数据压缩后存储和发送不但有效地解决传感器节点存储空间有限的问题，而且可以减少通信造成的能量消耗。
3、基于Haar小波变换的数据压缩方法
3.1Haar小波的简介
传感器网络用于监测周围环境中的物理属性，属性的异常变化使得数据在满足一定规律的同时存在着异常的波动，现有数据压缩方法大多针对满足一定规律的感知数据。
本章提出了基于小波变换的数据压缩方法，该方法不但可以压缩变化平缓的感知数据，而且也适用于存在着异常波动的数据。
小波是近十几年才发展并迅速应用到图像和语音分析等众多领域的数学工具，是继110多年前建立傅立叶（JosePhFourier）分析之后的一个重大突破。
小波的分级分解功能使得它是一种非常有用的数学工具。
Harr小波是一种简单、计算速度快、节省存储空间的数据分解方法。
它可以看成是一系列求均值和差值操作的函数，每次计算一对相邻数据的均值和差值。
设数据向量A＝[9,5,2,4]，用Harr小波变换A的过程如下：
计算相邻数据对的平均值（average，亦可称之为近似值approximation）,得到一个数据个数为原向量1/2的新向量：
[7,3]。
这时数据信息已部分丢失，为了能从2个数据组成的向量重构出4个数据的原向量，必须把每个数据对的第一个数据值减去这对数据的平均值作为数据的细节分量值（detailcoefficient）保存。
因此，原向量可用下面的两个平均值和两个细节分量值表示：
[7,3，2，-l]。
把第一步变换得到的向量按照上述过程进一步变换，重复上述过程，直到只剩下一个均值。
A的小波变换可以表示成WA，WA=[a,
]=[7,3,2,-1],WA的每个元组都称为一个小波系数。
其中,a为所有数据均值，即为（9+5+2+4）/2=5，
表示第i级的第j个细节分量值。
通过在均值上加上或减去细节分量值可以得到不同级的原数据。
例如，[9,5]=[7-（-2）,7+（-2）]。
利用WA表示原始数据向量A的优越性在于，向量中包含很多相似的数据，导致WA中的大部分细节分量值很小。
因此从小波转换中舍弃这些小的细节分量值（例如，将它们视为0）后，在重构原数据时只引入很小的误差，这是一种有效的有损数据压缩方法。
3.2基于小波变换的最少化细节分量值压缩方法
传感器网络监测的实际环境中，传感器节点采集的很多监测属性值如温度、湿度、露点温度和振动等在连续时间内的变化较小，多数邻近的数据相同或者近似，用小波分解这样的感知数据时，得到的细节分量值大部分为0或者近似为0。
感知对象的异常变化，使得感知数据存在波动异常，小波变换的多级分解特性可以缓解异常波动对整体数据的影响，保证了部分细节分量值仍然近似为0。
压缩值为0的细节分量值，不会影响数据的重构，但是压缩值不为0的细节分量值，就会对数据的精度产生影响，压缩越多的细节分量值，数据的压缩率越高，但是带来的数据误差也越大。
为了在保证数据精度的前提下，最大程度地压缩细节分量值，本文提出了一种最少化细节分量值（Mini
升级会员 