專利名稱：一種無(wú)線傳感器網(wǎng)絡(luò)的多重主成分分析數(shù)據(jù)壓縮方法
技術(shù)領(lǐng)域：
本發(fā)明涉及無(wú)線傳感器網(wǎng)絡(luò)采集的數(shù)據(jù)壓縮方法，具體是一種無(wú)線傳感器網(wǎng)絡(luò)的 多重主成分分析數(shù)據(jù)壓縮方法。
背景技術(shù)：
無(wú)線傳感器網(wǎng)絡(luò)是當(dāng)前在國(guó)際上備受關(guān)注的、涉及多學(xué)科高度交叉、知識(shí)高度集 成的前沿?zé)狳c(diǎn)研究領(lǐng)域。傳感器技術(shù)、微機(jī)電系統(tǒng)、現(xiàn)代網(wǎng)絡(luò)和無(wú)線通信等技術(shù)的進(jìn)步，推 動(dòng)了無(wú)線傳感器網(wǎng)絡(luò)的產(chǎn)生和發(fā)展，無(wú)線傳感器網(wǎng)絡(luò)擴(kuò)展了人們信息獲取能力，將客觀世 界的物理信息同傳輸網(wǎng)絡(luò)連接在一起，在下一代網(wǎng)絡(luò)中將為人們提供最直接、最有效、最真 實(shí)的信息，具有十分廣闊的應(yīng)用前景，可廣泛地應(yīng)用于軍事國(guó)防、工農(nóng)業(yè)生產(chǎn)、城市管理、生 物醫(yī)療、環(huán)境檢測(cè)、搶險(xiǎn)救災(zāi)、危險(xiǎn)區(qū)域遠(yuǎn)程控制等領(lǐng)域，已經(jīng)引起了許多國(guó)家學(xué)術(shù)界和工 業(yè)界的高度重視，被認(rèn)為是對(duì)21世紀(jì)產(chǎn)生巨大影響力的技術(shù)之一。無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)體積微小，通常攜帶能量十分有限的電池，在很多情況下更 換電池代價(jià)過(guò)高，通信開(kāi)銷常常比計(jì)算開(kāi)銷高幾個(gè)數(shù)量級(jí)，傳輸Ibit數(shù)據(jù)所消耗的能量大 約相當(dāng)于執(zhí)行1000條CPU指令，若無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)采集節(jié)點(diǎn)將所有的觀測(cè)值發(fā)送給網(wǎng) 關(guān)Sink節(jié)點(diǎn)，不僅浪費(fèi)了通信的帶寬和自身的能量，也會(huì)使大量數(shù)據(jù)包進(jìn)入無(wú)線網(wǎng)絡(luò)，產(chǎn) 生擁塞，并使整個(gè)網(wǎng)絡(luò)的能量急劇減少，使信息收集的效率大大降低。由于同一區(qū)域內(nèi)相鄰 傳感器節(jié)點(diǎn)在同一段時(shí)間內(nèi)所采集到的觀測(cè)值之間具有較高的相關(guān)性，對(duì)觀測(cè)值進(jìn)行數(shù)據(jù) 壓縮后再發(fā)送給網(wǎng)關(guān)Sink節(jié)點(diǎn)，可顯著減少通信開(kāi)銷，降低傳感器節(jié)點(diǎn)的能耗，延長(zhǎng)網(wǎng)絡(luò) 生命周期，因此，無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)壓縮方法成為本領(lǐng)域研究熱點(diǎn)之一?，F(xiàn)有的采用單次主成分分析數(shù)據(jù)壓縮方法，只能消除在一段時(shí)間內(nèi)同一簇內(nèi)不同 節(jié)點(diǎn)所采集數(shù)據(jù)間的相關(guān)性，而無(wú)法消除同層路由上相鄰簇首數(shù)據(jù)之間的相關(guān)性，總數(shù)據(jù) 壓縮比低，通信開(kāi)銷大，傳感器節(jié)點(diǎn)的耗能多，網(wǎng)絡(luò)生命周期十分有限。

發(fā)明內(nèi)容
本發(fā)明提供一種無(wú)線傳感器網(wǎng)絡(luò)多重主成分分析數(shù)據(jù)壓縮方法，能夠有效地解決 了單次主成分分析數(shù)據(jù)壓縮方法，只能消除在一段時(shí)間同一簇內(nèi)不同節(jié)點(diǎn)所采集數(shù)據(jù)間的 相關(guān)性，而無(wú)法消除同層路由上相鄰簇首數(shù)據(jù)之間的相關(guān)性的問(wèn)題，同時(shí)提高總數(shù)據(jù)壓縮 比，降低通信開(kāi)銷和傳感器節(jié)點(diǎn)的耗能，延長(zhǎng)網(wǎng)絡(luò)生命周期。為達(dá)到上述目的，本發(fā)明提供的一種無(wú)線傳感器網(wǎng)絡(luò)多重主成分分析數(shù)據(jù)壓縮方 法，具體包含以下步驟步驟一、將無(wú)線傳感網(wǎng)絡(luò)采集的數(shù)據(jù)發(fā)送到簇首，簇首接收到 采集數(shù)據(jù)的同時(shí)將 無(wú)線傳感網(wǎng)絡(luò)第j個(gè)節(jié)點(diǎn)在第i次采集的數(shù)據(jù)記錄為Clij，并將無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)采集的 所有數(shù)據(jù)知組成矩陣Dij ；步驟二、簇首對(duì)數(shù)據(jù)矩陣Du進(jìn)行主成分分析，計(jì)算滿足數(shù)據(jù)重構(gòu)精度要求的矩陣 Dij的投影矩陣E，提取矩陣Dij的主成分PCs，
步驟三、將投影矩陣E和主成分PCs發(fā)送到上一級(jí)簇首；步驟四、上一級(jí)簇首對(duì)主成分PCs進(jìn)行主成分分析，計(jì)算滿足數(shù)據(jù)重構(gòu)精度要求 的主成分PCs矩陣D' u的投影矩陣E'，并提取矩陣D'。.的主成分PCs'；步驟五、重復(fù)兩次或兩次以上執(zhí)行步驟三和步驟四，直到投影矩陣和主成分發(fā)送 到sink節(jié)點(diǎn)完成數(shù)據(jù)壓縮。2.根據(jù)權(quán)利要求1所述的一種無(wú)線傳感器網(wǎng)絡(luò)的多重主成分分析數(shù)據(jù)壓縮方法， 其特征在于求解所述步驟二中數(shù)據(jù)矩陣的投影矩陣和主成分PCs的方法為(1).對(duì)數(shù)據(jù)矩陣Dij進(jìn)行去均值處理，求解中心差異矩陣Rij中的每一個(gè)元素， 其計(jì)算公式為
1 Mr,=""- —式中1 < i <M，1 < j < N，其中M為無(wú)線傳感器網(wǎng)絡(luò)采集數(shù)據(jù)總次數(shù)，N為無(wú)線 網(wǎng)絡(luò)傳感器總節(jié)點(diǎn)數(shù)；(2).求解中心差異矩陣Ru的協(xié)方差矩陣Σ，其計(jì)算公式為 (3).求解協(xié)方差矩陣Σ的特征根λ&及其相應(yīng)的單位化的特征向量Ek，計(jì)算公式 如下 式中，I為單位矩陣，≤k≤N，N為無(wú)線網(wǎng)絡(luò)傳感器總節(jié)點(diǎn)數(shù)；(4).將特征根入1;按照從大到小排序，再將其對(duì)應(yīng)的特征向量Ek按列向量組成投 影矩陣E，計(jì)算主成分Yk，計(jì)算公式為Yk=EXEk(5).根據(jù)用戶要求的數(shù)據(jù)重構(gòu)精度，確定主成分PCs貢獻(xiàn)累計(jì)率Wp(l <p<N)， 進(jìn)而確定主成分PCs的個(gè)數(shù)P，Wp的計(jì)算公式為
(6).將投影矩陣E和選取Yk的前P個(gè)主成分PCs發(fā)送到本簇的上一級(jí)簇首。(7).由Yk的前ρ個(gè)主成分列向量組成矩陣YP，求解重構(gòu)數(shù)據(jù)矩陣Dij的近似值矩 陣Qu，計(jì)算公式為Qij = E-1XYP⑶.根據(jù)用戶要求數(shù)據(jù)重構(gòu)精度，Qij為近似值矩陣Qu的元素，求解數(shù)據(jù)矩陣Dij 第m列數(shù)據(jù)重構(gòu)的平均誤差Lm和均方誤差MSE計(jì)算公式分別為
采用本發(fā)明一種無(wú)線傳感器網(wǎng)絡(luò)多重主成分分析數(shù)據(jù)壓縮方法對(duì)采集的海量數(shù) 據(jù)進(jìn)行壓縮，所產(chǎn)生的有益效果有(1).無(wú)線傳感器網(wǎng)絡(luò)的多重主成分分析數(shù)據(jù)壓縮方法，與僅采用單次主成分分析 數(shù)據(jù)壓縮方法相比，不僅有效地消除了在一段時(shí)間同一簇內(nèi)不同節(jié)點(diǎn)所采集數(shù)據(jù)間的相關(guān) 性，而且有效地消除了同層路由上相鄰簇首提取主成分間的相關(guān)性；
(2).無(wú)線傳感器網(wǎng)絡(luò)的多重主成分分析數(shù)據(jù)壓縮方法由于多重迭代地進(jìn)行數(shù)據(jù) 壓縮，提高了總數(shù)據(jù)壓縮比；(3).無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)采集的數(shù)據(jù)經(jīng)過(guò)多次循環(huán)迭代主成分分析計(jì)算后，數(shù)據(jù) 壓縮比大大提高了，減少了節(jié)點(diǎn)信息包發(fā)送數(shù)量；由于一次數(shù)據(jù)計(jì)算消耗的能量遠(yuǎn)遠(yuǎn)小于 一次信息包的發(fā)送所消耗的能量，本發(fā)明通過(guò)增加數(shù)據(jù)計(jì)算量而減少信息包的發(fā)送量，從 而減少了系統(tǒng)消耗的能量，降低傳感器節(jié)點(diǎn)的能耗，延長(zhǎng)網(wǎng)絡(luò)生命周期。


圖1是本發(fā)明的三層集簇分層型路由樹(shù)模型示意圖；圖2是本發(fā)明的多重主成分分析數(shù)據(jù)壓縮方法執(zhí)行流程圖；圖3是本發(fā)明的主成分分析中計(jì)算數(shù)據(jù)矩陣的投影矩陣和主成分PCs的方法流程 圖；圖4是本發(fā)明的相鄰簇首提取主成分間的具有較強(qiáng)相關(guān)性示意圖；圖5是本發(fā)明的多重主成分分析數(shù)據(jù)壓縮比變化曲線圖；圖6是本發(fā)明的多重主成分分析通信能耗變化曲線圖；圖7是本發(fā)明的多重主成分分析數(shù)據(jù)重構(gòu)誤差示意圖；圖8是本發(fā)明的多重主成分分析方法的平均均方誤差示意圖；圖中1---Sink節(jié)點(diǎn)，2—第三級(jí)簇首，3—第二級(jí)簇首，4—第一級(jí)簇首，5—第一級(jí) 簇內(nèi)的節(jié)點(diǎn)，6—一多重主成分分析進(jìn)行壓縮數(shù)據(jù)之前壓縮比，7-—多重主成分分析進(jìn)行 壓縮數(shù)據(jù)之后壓縮比，8—一多重主成分分析進(jìn)行壓縮數(shù)據(jù)之前能耗變化曲線，9一一多重 主成分分析進(jìn)行壓縮數(shù)據(jù)之后能耗變化曲線，10一一多重主成分分析進(jìn)行壓縮數(shù)據(jù)之前重 構(gòu)誤差變化曲線11一一多重主成分分析進(jìn)行壓縮數(shù)據(jù)之后重構(gòu)誤差變化曲線，12一一多 重主成分分析進(jìn)行壓縮數(shù)據(jù)之前均方誤差變化曲線，13一一多重主成分分析進(jìn)行壓縮數(shù)據(jù) 之后均方誤差變化曲線。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式
作進(jìn)一步說(shuō)明圖1是本發(fā)明的無(wú)線傳感器網(wǎng)絡(luò)集簇分層路由協(xié)議的三層集簇分層型路由樹(shù)模 型示意圖為便于無(wú)線傳感器網(wǎng)絡(luò)集簇分層型路由協(xié)議建模，做如下合理假設(shè)1)無(wú)線傳感器網(wǎng)絡(luò)各節(jié)點(diǎn)均勻分布于二維平面，各節(jié)點(diǎn)已獲取自身的地理位置信 息，并保持靜止；2)所有的傳感器節(jié)點(diǎn)具有相同的通信半徑，傳輸任意單位比特?cái)?shù)據(jù)的平均能耗均 相同；3) Sink節(jié)點(diǎn)位置固定，各層簇首將處理后的數(shù)據(jù)逐級(jí)傳送給Sink節(jié)點(diǎn)；4)所有傳感器節(jié)點(diǎn)的軟硬件配置相同，且每個(gè)節(jié)點(diǎn)有唯一的標(biāo)識(shí)號(hào)。如圖1所示，給出了本實(shí)施例1的三層集簇分層型路由 樹(shù)模型，節(jié)點(diǎn)S31選為第一 級(jí)簇首2，節(jié)點(diǎn)S21 S23選為第二級(jí)簇首3，節(jié)點(diǎn)S11 S17選為第一級(jí)簇首4，節(jié)點(diǎn)S11 S17 的下一級(jí)為第1級(jí)簇內(nèi)的節(jié)點(diǎn)5，所有節(jié)點(diǎn)的數(shù)據(jù)最終由第一簇首2即節(jié)點(diǎn)S31傳給網(wǎng)關(guān)Sink節(jié)點(diǎn)1，所有簇首1、2、3、4均不進(jìn)行數(shù)據(jù)采集工作，只對(duì)本簇節(jié)點(diǎn)發(fā)送來(lái)的數(shù)據(jù)進(jìn)行主 成分分析，并將提取接收到的主成分PCs發(fā)送給上一級(jí)簇首，每個(gè)簇首保留各自的投影矩 陣和相應(yīng)的主成分PCs，由圖1可以看出建立集簇分層型路由樹(shù)模型的詳細(xì)過(guò)程。圖1中集簇分層型路由樹(shù)模型建立之后，對(duì)節(jié)點(diǎn)5采集的數(shù)據(jù)進(jìn)行多重主成分分 析，如圖2所示，為本發(fā)明的多重主成分分析數(shù)據(jù)壓縮方法執(zhí)行流程圖，含以下步驟首先將無(wú)線傳感網(wǎng)絡(luò)采集節(jié)點(diǎn)5采集的數(shù)據(jù)發(fā)送到第一級(jí)簇首4，即節(jié)點(diǎn)S11 S17，第一級(jí)簇首4接收到采集數(shù)據(jù)的同時(shí)將無(wú)線傳感網(wǎng)絡(luò)第j個(gè)節(jié)點(diǎn)在第i次采集的數(shù)據(jù) 記錄為Clij，并將無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)采集的所有數(shù)據(jù)Clij組成矩陣Dij ；第一級(jí)簇首4對(duì)數(shù)據(jù)矩陣Du進(jìn)行主成分分析，計(jì)算滿足數(shù)據(jù)重構(gòu)精度要求的矩陣 Dij的投影矩陣E，提取矩陣Dij的主成分PCs， 然后，將投影矩陣E和主成分PCs發(fā)送到其上一級(jí)簇首即第二級(jí)簇首3，作為第二 級(jí)簇首3的S21 S23節(jié)點(diǎn)接收投影矩陣E和主成分PCs數(shù)據(jù)；第二級(jí)簇首3對(duì)主成分PCs進(jìn)行主成分分析，計(jì)算滿足數(shù)據(jù)重構(gòu)精度要求的主成 分PCs矩陣D' υ的投影矩陣E'，提取該矩陣D' υ的主成分PCs'；將該投影矩陣E'和主成分PCs'發(fā)送到其上一級(jí)簇首即第一級(jí)簇首2，作為第一 級(jí)簇首2的S31節(jié)點(diǎn)接收到的主成分PCs'數(shù)據(jù)進(jìn)行主成分分析，計(jì)算滿足數(shù)據(jù)重構(gòu)精度要 求的主成分PCs'矩陣的投影矩陣，并提取相應(yīng)的主成分；最后，第一級(jí)簇首2將該投影矩陣和主成分發(fā)送到Sink節(jié)點(diǎn)1，完成了圖1中所示 的三層集簇分層型路由樹(shù)模型數(shù)據(jù)的多重主成分分析數(shù)據(jù)壓縮。對(duì)于有三層以上的集簇分層模型，在多層路由上迭代使用主成分分析進(jìn)行數(shù)據(jù)壓 縮，可達(dá)到提高壓縮比，減少了系統(tǒng)消耗的能量，延長(zhǎng)無(wú)線傳感網(wǎng)絡(luò)壽命。圖3是本發(fā)明的主成分分析中數(shù)據(jù)矩陣的投影矩陣主成分PCs的方法流程圖。對(duì)無(wú)線傳感網(wǎng)絡(luò)采集節(jié)點(diǎn)5采集的數(shù)據(jù)矩陣Dij進(jìn)行去均值處理，求解中心差異矩 陣Ru，求解中心差異矩陣、的協(xié)方差矩陣Σ，其計(jì)算公式為I = Ri χ&。計(jì)算協(xié)方差矩陣Σ的特征根入，及其相應(yīng)的單位化的特征向量Ek，計(jì)算公式如下 式中，I為單位矩陣，1彡k彡N，N為無(wú)線網(wǎng)絡(luò)傳感器總節(jié)點(diǎn)數(shù)；然后，將特征根λ ,按照從大到小排序，再將其對(duì)應(yīng)的特征向量Ek按列向量組成投 影矩陣Ε，計(jì)算主成分Yk，計(jì)算公式為Yk = Σ XEk據(jù)用戶要求的數(shù)據(jù)重構(gòu)精度，確定主成分PCs貢獻(xiàn)累計(jì)率Wp (1 < ρ < N)，進(jìn)而確 定主成分PCs的個(gè)數(shù)P，Wp的計(jì)算公式為 將投影矩陣E和選取Yk的前P個(gè)主成分PCs發(fā)送到本簇的上一級(jí)簇首。由Yk的前ρ個(gè)主成分列向量組成矩陣YP，求解重構(gòu)數(shù)據(jù)矩陣Dij的近似值矩陣Qij， 計(jì)算公式為Qij = E-1XYP根據(jù)用戶要求數(shù)據(jù)重構(gòu)精度，Qij為近似值矩陣Qu的元素，求解數(shù)據(jù)矩陣Du第m列數(shù)據(jù)重構(gòu)的平均誤差Lm和均方誤差MSE計(jì)算公式分別為
提供一組實(shí)驗(yàn)數(shù)據(jù)集，取自熱帶大氣海洋項(xiàng)目，共有61個(gè)傳感器節(jié)點(diǎn)從2004年 1月20日2004年5月23日每天的12:00采集到的海水溫度數(shù)據(jù)。其中S11 S17各簇內(nèi) 傳感器節(jié)點(diǎn)分別為8個(gè)、11個(gè)、10個(gè)、9個(gè)、8個(gè)、9個(gè)和6個(gè)。每個(gè)傳感器節(jié)點(diǎn)采集130個(gè) 海水溫度數(shù)據(jù)。對(duì)這61組數(shù)據(jù)做主成分分析后的，提取一次主成分PCs。同一層相鄰簇首 提取主成分之間也具有較強(qiáng)相關(guān)性，如圖4所示是相鄰簇首提取主成分間的具有較強(qiáng)相關(guān) 性示意圖，從圖4可以看出，節(jié)點(diǎn)S21的第一主成分和節(jié)點(diǎn)S23第二主成分之間的相關(guān)系數(shù) 為-0. 8969，具有較強(qiáng)的相關(guān)性。采用本發(fā)明所述的多重主成分分析進(jìn)行壓縮數(shù)據(jù)之后，如圖5所示，為多重主成 分分析與多重主成分分析之前數(shù)據(jù)壓縮比對(duì)照?qǐng)D。本層簇首接收到下一級(jí)發(fā)送來(lái)的主成分 數(shù)據(jù)PCs同時(shí)進(jìn)行主成分分析，消除同層路由上相鄰簇首所提取主成分間的相關(guān)性，根據(jù) 所要求數(shù)據(jù)重構(gòu)精度計(jì)算投影矩陣，提取相應(yīng)主成分，并將投影矩陣和主成分發(fā)送到本簇 的更上一級(jí)簇首，在多層路由上迭代使用主成分分析進(jìn)行數(shù)據(jù)壓縮，至無(wú)線傳感器網(wǎng)絡(luò)網(wǎng) 關(guān)sink節(jié)點(diǎn)1為止。計(jì)算總數(shù)據(jù)壓縮比CR公式為 圖5表明，在不同平均誤差值L下，多重主成分分析的數(shù)據(jù)壓縮比7明顯優(yōu)于多重 主成分分析之前數(shù)據(jù)壓縮比6，其主要原因是，多重主成分分析之前的計(jì)算只消除原始數(shù)據(jù) 之間的相關(guān)性，而多重主成分分析在消除原始數(shù)據(jù)相關(guān)性的前提下，又消除了主成分之間 的相關(guān)性，進(jìn)一步減少了相關(guān)的數(shù)據(jù)量。實(shí)驗(yàn)表明，隨著給定誤差的增大，壓縮比明顯增大， 主要原因是保留下來(lái)的主成分進(jìn)一步減少。圖6所示為多重主成分分析通信能耗變化曲線圖，計(jì)算通信開(kāi)銷能耗時(shí)采用一階 無(wú)線通信模型進(jìn)行網(wǎng)絡(luò)的能耗分析。在該模型下，將k位數(shù)據(jù)傳送距離d的傳送能耗與接 收能耗由下面的公式為傳送能耗 接收能耗 其中ETx_ele。(k，d)表示發(fā)射器的能耗；EKx_ele。(k，d)表示接收器的能耗，ETx__(k， d)表示信道傳送的能耗，其中 無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)壓縮方法設(shè)計(jì)的重要目標(biāo)之一是降低網(wǎng)絡(luò)的能耗(記為 EC)，圖6表明，在不同平均誤差值L下，多重主成分分析方法之后無(wú)線傳感器網(wǎng)絡(luò)的能耗 9明顯低于多重主成分分析之前無(wú)線傳感器網(wǎng)絡(luò)的能耗10，前者發(fā)送的數(shù)據(jù)量明顯少于后 者，因此更節(jié)能。
在圖7中，給出了多重主成分分析與單次主成分分析的數(shù)據(jù)重構(gòu)誤差對(duì)照?qǐng)D。根據(jù)用戶要求數(shù)據(jù)重構(gòu)精度，Qij為近似值矩陣Qu的元素，求解數(shù)據(jù)矩陣Du第m 列數(shù)據(jù)重構(gòu)的平均誤差Lm和均方誤差MSE計(jì)算公式分別為 多重主成分分析之后的重構(gòu)誤差11與多重主成分分析之前重構(gòu)誤差10，在均方 誤差MSE上基本保持一致，這表明多重主成分分析方法保留的原始數(shù)據(jù)信息和對(duì)數(shù)據(jù)進(jìn)行 多重主成分分析之前基本相同。在圖8中，給出了多重主成分分析與多重主成分分析之前在不同平均誤差L下，兩 種方法的均方誤差對(duì)照?qǐng)D。圖8表明，在不同平均誤差L下，多重主成分分析之后均方誤差 13和多重主成分分析之前的均方誤差12基本一致，從而進(jìn)一步說(shuō)明了多重主成分分析數(shù) 據(jù)壓縮方法的可行性。
權(quán)利要求
一種無(wú)線傳感器網(wǎng)絡(luò)的多重主成分分析數(shù)據(jù)壓縮方法，其特征在于包含以下步驟步驟一、將無(wú)線傳感網(wǎng)絡(luò)采集的數(shù)據(jù)發(fā)送到簇首，簇首接收到采集數(shù)據(jù)的同時(shí)將無(wú)線傳感網(wǎng)絡(luò)第j個(gè)節(jié)點(diǎn)在第i次采集的數(shù)據(jù)記錄為dij，并將無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)采集的所有數(shù)據(jù)dij組成矩陣Dij；步驟二、簇首對(duì)數(shù)據(jù)矩陣Dij進(jìn)行主成分分析，計(jì)算滿足數(shù)據(jù)重構(gòu)精度要求的矩陣Dij的投影矩陣E，并提取矩陣Dij的主成分PCs；步驟三、將投影矩陣E和主成分PCs發(fā)送到上一級(jí)簇首；步驟四、上一級(jí)簇首對(duì)主成分PCs進(jìn)行主成分分析，計(jì)算滿足數(shù)據(jù)重構(gòu)精度要求的主成分PCs矩陣D′ij的投影矩陣E′，并提取矩陣D′ij的主成分PCs′；步驟五、重復(fù)兩次或兩次以上執(zhí)行步驟三和步驟四，直到投影矩陣和主成分發(fā)送到sink節(jié)點(diǎn)完成數(shù)據(jù)壓縮。
2.根據(jù)權(quán)利要求1所述的一種無(wú)線傳感器網(wǎng)絡(luò)的多重主成分分析數(shù)據(jù)壓縮方法，其特 征在于求解所述步驟二中數(shù)據(jù)矩陣的投影矩陣和主成分PCs的方法為(1).對(duì)數(shù)據(jù)矩陣Du進(jìn)行去均值處理，求解中心差異矩陣Ru中的每一個(gè)元素ru，其計(jì) 算公式為 式中1 < i <M，1 < j < N，其中M為無(wú)線傳感器網(wǎng)絡(luò)采集數(shù)據(jù)總次數(shù)，N為無(wú)線網(wǎng)絡(luò) 傳感器總節(jié)點(diǎn)數(shù)；(2).求解中心差異矩陣Ru的協(xié)方差矩陣Σ，其計(jì)算公式為 (3).求解協(xié)方差矩陣Σ的特征根入，及其相應(yīng)的單位化的特征向量Ek，計(jì)算公式如下 式中，I為單位矩陣，1 ^ k ^ N, N為無(wú)線網(wǎng)絡(luò)傳感器總節(jié)點(diǎn)數(shù)；(4).將特征根入1;按照從大到小排序，再將其對(duì)應(yīng)的特征向量Ek按列向量組成投影矩 陣E，計(jì)算主成分Yk，計(jì)算公式為Yk=E XEk(5).根據(jù)用戶要求的數(shù)據(jù)重構(gòu)精度，確定主成分PCs貢獻(xiàn)累計(jì)率Wp(1 < ρ < N)，進(jìn)而 確定主成分PCs的個(gè)數(shù)p，Wp的計(jì)算公式為 (6).將投影矩陣E和選取Yk的前P個(gè)主成分PCs發(fā)送到本簇的上一級(jí)簇首。(7).由Yk的前ρ個(gè)主成分列向量組成矩陣YP，求解重構(gòu)數(shù)據(jù)矩陣Dij的近似值矩陣Qij， 計(jì)算公式為Qij = E-1XYP(8).根據(jù)用戶要求數(shù)據(jù)重構(gòu)精度，為近似值矩陣Qu的元素，求解數(shù)據(jù)矩陣Du第！!！ 列數(shù)據(jù)重構(gòu)的平均誤差Lm和均方誤差MSE計(jì)算公式分別為
全文摘要
本發(fā)明涉及一種無(wú)線傳感器網(wǎng)絡(luò)的多重主成分分析數(shù)據(jù)壓縮方法，在無(wú)線傳感器網(wǎng)絡(luò)的多層路由上迭代使用主成分分析進(jìn)行數(shù)據(jù)壓縮，有效地消除了在一段時(shí)間同一簇內(nèi)不同節(jié)點(diǎn)所采集數(shù)據(jù)間的相關(guān)性和同層路由上相鄰簇首提取主成分間的相關(guān)性，在保證用戶所要求數(shù)據(jù)重構(gòu)精度的前提下可進(jìn)一步地提高數(shù)據(jù)壓縮比，從而更好地降低傳感器節(jié)點(diǎn)的能耗，延長(zhǎng)網(wǎng)絡(luò)生命周期，可用于無(wú)線傳感器網(wǎng)絡(luò)集簇分層型路由協(xié)議算法中。
文檔編號(hào)H04W52/02GK101848529SQ201010140258
公開(kāi)日2010年9月29日 申請(qǐng)日期2010年3月31日 優(yōu)先權(quán)日2010年3月31日
發(fā)明者劉俊, 文飛, 沈耀東, 肖萬(wàn)源, 陳分雄, 陳春暉 申請(qǐng)人:中國(guó)地質(zhì)大學(xué)(武漢)