[发明专利]一种基于矩阵填充的环境温湿度多时隙数据采集方法

说明书

本发明公开了一种基于矩阵填充的环境温湿度多时隙数据采集方法。该方法包括结构化随机稀疏采样方法和一种基于低秩和改进二阶水平全变分正则化的数据恢复算法。通过采用结构化随机稀疏采样方法，较大程度地减少数据感测和传输的数量，从而延长了无线传感器网络的使用寿命。利用无线传感器网络数据的低秩和时间稳定性，构建基于时间稳定性的核范数最小化模型，并采用交替方向法对该模型进行优化求解。通过采用本发明中的结构化随机稀疏采样方法，可以对基于矩阵填充的数据恢复算法有一定的增强作用。与此同时，本发明中的数据恢复方法通过较好地平衡低秩性和时间稳定性对恢复效果的影响，从而能够较大程度的提升恢复性能和重构精度。

【技术领域】

本发明涉及采样模型的构建以及无线传感器网络温湿度数据恢复算法领域，更具体地， 涉及一种基于矩阵填充理论的环境温湿度多时隙数据采集方法。

【背景技术】

通过无线传感器网络(Wireless Sensor Networks，WSNs)对环境参数的监控与采集已经 被广泛地应用在农业和环境保护领域方面。由于传感器节点通常都是电池供电且需要对周围 环境进行长时间的监测，因此对于无线传感器网络来说，能耗的控制就变得极为重要。如何 降低传感器节点的能耗，从而延长网络寿命也就成为了无线传感器网络中要解决的经典问题 之一。

为了解决这个问题，最直接的方法就是减少数据的采集量，这就引发了后期对缺失数据 的恢复问题。考虑到从相邻传感器采集到的数据具有冗余性和相关性，压缩数据采集 (Compressive Data Gathering，CDG)，一种基于压缩感知(Compressed Sensing，CS)理论 的数据采集与恢复的算法被提了出来。与传统的数据采集方法不同的是，CDG是在传输的过 程中进行数据压缩，从而降低了流量和感知的开销。尽管CDG在减少能耗和提高数据恢复精 度方面表现出了有效性，然而为了尽可能减少流量和感知的开销，基于CS理论的方法要求使 用最能使传感器观测值稀疏的变换，所以很可能因为传感器网络的不同而不断的改变变换的 形式，适应性也会受到很大的影响。除此之外，在大部分相关工作中，用CDG方法时，传感 器节点是需要对所有的数据进行采样然后压缩，所以实际来说，样本数量并没有减少。

随着稀疏表示理论的快速发展，利用传感器数据的低秩特征而提出的矩阵填充理论 (Matrix Completion，MC)应用在无线传感器网络中。根据矩阵填充理论的描述：一个低秩 的矩阵可以通过矩阵中相对少的已知元素来精确地恢复缺失数据。这就意味着在传感器节点 只需要采集一部分数据并将其传输到接收器，这为WSNs的数据采集提供了一种能源高效的方 法。

Candes等人证明了矩阵填充能够实现的条件之一就是：原始数据被均匀采样且满足非相 干特性。目前大部分基于MC的采样模型都设定为伯努利模型，即每个传感器节点仅根据预设 概率将其读数传送到接收器。对于多时隙无线传感器网络来说，若选取的随机点所对应的传 感器正在处于休眠状态时就会造成通信方面的限制，接收器可能无法接收所感测到的数据； 若未选取的传感器节点正处于唤醒状态时同样也会造成资源的浪费。尽管可以自适应地设置 WSNs的拓扑，但是当选取的传感器节点发生变化时，拓扑的过程将会消耗大量的能量和时间。 当采样率比较低时，伯努利模型都会较大概率地出现观测矩阵中整行或者整列的数据没有被 采集到的现象，加大了数据恢复的难度。目前许多基于MC理论的采样算法都忽略了上述所提 到的问题，导致网络能量分配不均，从而缩短了WSNs的寿命。Y.Chen证明了非相干性不是矩 阵填充所必需的条件，并提出了一种基于局部相干性的采样策略来进一步减少采样开销。所 以在满足恢复精度的前提下，寻找出不同于均匀采样的采样策略是很有必要的。