Energy-balanced compressive data gathering in Wireless Sensor Networks
Energy-balanced compressive data gathering in Wireless Sensor Networks
复制标题
无线传感器网络中的能量平衡压缩数据收集
DOI：
10.1016/j.jnca.2015.11.002
复制
发表时间：
2016-02
影响因子：
8.7
通讯作者：
Yi Shen
中科院分区：
文献类型：
--
作者：
Cuicui Lv;Qiang Wang;Wenjie Yan;Yi Shen
压缩感知（CS）可以使用更少的样本来恢复大量的原始数据，这些数据在适当的基础上具有稀疏表示。对于能量受限的无线传感器网络 (WSN)，CS 提供了一种有效的数据收集方法。高斯随机矩阵以高概率满足受限等距性（RIP）。通常选择矩阵类别作为无线传感器网络中压缩数据收集的测量矩阵。然而，它们很密集，计算复杂度较高。另一方面，每列中具有固定数量的非零条目的稀疏二元矩阵满足 RIP-1 属性。由于稀疏性较高，本文选择稀疏二值矩阵类作为测量矩阵。为了适应网络拓扑的动态变化，我们设计了一种基于移动代理的压缩数据采集算法（MA-Greedy算法），其中每个传感器节点在M次测量中被统一访问。提出变异系数（CV）来评估能源消耗的平衡。数值实验表明，该算法在能量平衡方面优于其他算法（即非 CS、普通 CS、混合 CS 和分布式压缩稀疏采样（DCSS））。此外，我们发现当使用基追踪（BP）算法进行信号恢复时，所提出的MA-Greedy算法中使用的稀疏二元矩阵重建稀疏零一信号的性能优于高斯随机矩阵。
Compressive Sensing (CS) can use fewer samples to recover a great number of original data, which have a sparse representation in a proper basis. For energy-constrained Wireless Sensor Networks (WSNs), CS provides an effective data gathering approach. Gaussian random matrix satisfies Restricted Isometry Property (RIP) with high probability. The class of matrices is usually selected as the measurement matrix for compressive data gathering in WSNs. However, they are dense, and the computational complexity is higher. On the other side, sparse binary matrix with a fixed number of nonzero entries in each column satisfies RIP-1 property. Due to the higher sparsity, the class of sparse binary matrix is chosen as the measurement matrix in the paper. In order to adapt to the dynamic change of network topology, we design a mobile agent based compressive data gathering algorithm (MA-Greedy algorithm), where each sensor node is uniformly visited inMmeasurements. Coefficient of Variation (CV) is proposed to evaluate the balance of energy consumption. The numerical experiments show the proposed algorithm is superior to other algorithms (i.e. non-CS, plain-CS, Hybrid-CS, and Distributed Compressive Sparse Sampling (DCSS)) in terms of energy balance. Moreover, we discover the performance of reconstructing sparse zero-one signals by sparse binary matrix, which is used in the proposed MA-Greedy algorithm, is better than that by Gaussian random matrix when Basis Pursuit (BP) algorithm is used for signal recovery.
登录
查看更多内容
DOI：
10.1007/978-0-387-31439-6_647
发表时间：
2008-03
期刊：
--
影响因子：
--
作者：
Richard Baraniuk
通讯作者：
Richard Baraniuk
DOI：
--
发表时间：
--
期刊：
--
影响因子：
--
作者：
Masters Theses;Shuang Jiang;Li;Shuangjiang Li;Jiang;H. Qi;Major Professor;Husheng Li;Qing Cao;Carolyn R Hodges;Shuangjiang Li
通讯作者：
Masters Theses;Shuang Jiang;Li;Shuangjiang Li;Jiang;H. Qi;Major Professor;Husheng Li;Qing Cao;Carolyn R Hodges;Shuangjiang Li
DOI：
10.1017/cbo9780511794308
发表时间：
2012
期刊：
--
影响因子：
--
作者：
Gitta Kutyniok
通讯作者：
Gitta Kutyniok
DOI：
10.1007/978-981-13-2523-6_1
发表时间：
2018-09
期刊：
SpringerBriefs in Electrical and Computer Engineering
影响因子：
--
作者：
L. Kong;Bowen Wang;Guihai Chen
通讯作者：
L. Kong;Bowen Wang;Guihai Chen
DOI：
10.1016/j.comcom.2011.10.001
发表时间：
2012-05
期刊：
Comput. Commun.
影响因子：
--
作者：
Ahmed E. A. A. Abdulla-Ahmed-E.-A.-A.-Abdulla-2468957;Hiroki Nishiyama;N. Kato
通讯作者：
Ahmed E. A. A. Abdulla-Ahmed-E.-A.-A.-Abdulla-2468957;Hiroki Nishiyama;N. Kato