基于小波变换的分布式WSN数据融合模型研究

党小超，高琪，郝占军

1.西北师范大学计算机科学与工程学院，兰州 730070

2.甘肃省物联网工程研究中心，兰州 730070

基于小波变换的分布式WSN数据融合模型研究

党小超1，2，高琪1，郝占军1，2

1.西北师范大学计算机科学与工程学院，兰州 730070

2.甘肃省物联网工程研究中心，兰州 730070

无线传感器网络[1-3]（Wireless Sensor Network，WSN）是由大量微型、低成本、低功耗的传感器节点自组织形成的多跳网络。其在监控区域内部署大量的传感器节点（Sensor Node）感知和监测目标。由于节点资源受限，多个传感器节点对同一环境元素监测的数据具有时空相关性[4]，因此需要对节点感知数据进行融合处理，去除其中的冗余数据，实现高效感知，节约带宽和存储开销，从而提高目标监测的准确性和延长网络生存期。

数据融合技术[5-8]是近年来一种性能相对较好的数据处理技术，是解决无线传感器网络节点生存时间瓶颈的一种有效的方法。文献[9]介绍了物联网技术中涉及的复杂数据问题以及大数据处理相关技术，核心是利用算法对多信息源发出的大量信息进行采集、传输、综合、过滤、相关及合成等数据级处理，去除冗余数据，将少量的准确目标数据传输到汇聚节点。数据融合方法能有效地提取网络感知数据中有价值的数据。

小波变换具有压缩率高、速度快等优点，目前主要用于图像处理等方面。因其具有高保真压缩、小波分解和重构算法循环使用，并且易于硬件实现的特点，因此可以将小波变换算法应用到无线传感器网络的数据压缩方面。研究表明，采用基于小波变换的压缩算法进行数据融合证明了其良好的压缩性能，但是运算开销方面需要进一步的研究和分析。同时由于传感器节点自身的限制，应用的小波压缩算法必须是轻量级的，也需要进一步研究和分析。文献[10-13]分别描述了小波变换在传感器网络数据压缩方面所做的研究，但均未考虑感知数据差异变化情况的处理。

本文基于此设计出一种基于小波变换的分布式WSN数据融合模型，该模型对原有环模型进行改进，在数据融合前进行数据有效性验证，并利用小波提升方案对数据进行融合处理，有效减少了网络中感知数据的传输量，提高了数据传输的有效性和可靠性，均衡了传感器节点的能耗。理论分析和仿真结果证明该模型的有效性和可行性。

1 模型建立

1.1 基于虚拟网格的改进环模型

该模型基于文献[12]中的环模型，将每个簇划分成M×N个单位虚拟网格，M和N的大小根据簇的大小设定，如图1所示。传感器节点分布在虚拟网格内，每一个网格里的节点都可以和相邻的网格里的任一节点通信。在保证最优覆盖的前提下，每个网格里同一时刻工作的节点只有一个，网格内其他节点均处于休眠状态，当工作节点因能量耗尽，自身损坏等原因无法正常工作时，同一虚拟网格内的休眠节点将会被唤醒，代替失效节点继续工作，节约重新构造新融合路径的开销。

图1 环模型示意图

本文作如下定义：簇头节点完成簇和环的构建后，立即宣布解除簇头标识，每轮的簇头由以下定义得出。环首节点在构造环时指定为s0，数据的传输从环首开始，沿环依次传输给下一节点，本轮数据传输结束后，间隔Δt时间，重新开始数据监测，下一轮环首节点则为s(k-1)mod(n)，k值从1到n循环递增；则每一轮簇头节点为s(n+k-2)modn。将环末节点定义为簇头。

1.2 数据验证模型

所有环上传感器节点参与首轮数据监测，将数据传输给环上的下一个节点，依次下去，每个节点将自己的数据加入到从上一节点接收的数据中去，这样最终获取整个簇节点对目标感知的全部数据。

假设一个环包含n个节点，分别为s0,s1,…,sn-1，如图2所示，节点si感知的数据属性为m维的列向量的时间序列，即

图2 n个节点构造的环

因此，对整个簇内节点感知数据的融合处理就抽象成对数据矩阵R的处理，即利用小波变换对数据矩阵R进行融合处理，融合处理后由簇头将数据传输给下一节点。

从次轮开始，每个节点将监测的数据与前一轮数据进行差异验证，本文利用均方根误差RMSE（Root Mean-Square Error）衡量两次感知数据的变化，有（以第一个节点为例）：

数据有效性验证机制如图3所示，当ρ小于设置值时，该节点只进行数据转发。当ρ大于设置值时，则该节点参与本轮的数据融合处理，同时更新节点的存储数据，本轮数据收集完毕由簇头传送给Sink节点。间隔一定时间后，节点重新开始监测数据。

对抽象矩阵数据进行小波变换，要考虑无线传感器节点能耗、计算能力有限问题，因此本文选用提升小波变换来处理抽象感知数据矩阵R。

图3 数据验证机制

2 DDA-WT算法

2.1 数据时空相关性

节点时间采样模型，如图4所示，不同传感器节点对同一目标检测的数据具有时空相关性，在设计算法时，要同时对监测数据时空相关性分别进行处理，降低数据的冗余度，减少网络传输数据量，提高监测数据的准确度。

图4 节点时间采样模型

基于数据在时间和空间上的相关性，本文利用小波提升算法解决数据时空相关性的问题，小波提升算法[14-15]是将现有的小波滤波器分解成基本的构造模块，小波变换分为分解（split）、预测（predict）、更新（update）三个步骤来完成，分解是将输入信号根据奇偶性分为2个序列，预测是利用P滤波器作用于偶数序列得到奇数序列的预测值，得到的预测误差即为高频系数，更新是使用预测误差线性组合更新偶数序列，得到低频系数。数据分解与重构如图5和图6。

图5 分解变换

图6 重构变换

将监测数据抽象成矩阵R，那么对数据时间相关性的分析映射到矩阵的列变换上，对数据空间上的变换映射到矩阵的行变换上，行数据和列数据都可以进行l（l取决于环上节点数）级变换，列变换在单节点内部执行，行变换则在各节点间进行。

2.2 算法描述

步骤1网络初始化，所有节点自组织成网。

步骤2 Each node on ring：

每一轮从环首节点s(k-1)mod(n)开始数据的处理转发。t时刻开始监测数据，第一轮监测的数据存储在节点里，小波列变换处理并转发给下一节点；从第二轮开始监测到的数据首先进行数据有效性验证，满足有效性条件，节点将本轮数据丢弃；否则更新节点存储数据、小波列变换处理并转发下一节点。

步骤3数据在节点内部做小波列变换，去除数据时间相关性，在节点间进行小波行变换，去除数据空间相关性。

步骤4当节点完成数据处理后，由簇头s(n+k-2)modn将数据发送出去，簇间接力传输的过程中，同时对数据进行简单小波变换，压缩数据，减少数据量，簇头到sink之间利用算法寻找最优路径进行数据转发，sink对数据进行还原，获取监测目标的原始数据，从而完成实现对目标的监控。Sink要对本轮数据进行有效存储，从而完成数据的完全重构和还原。

2.3 算法能耗分析

本节分析算法能耗。从传感器构造模块分析，处理器和传感器模块的能耗较低，绝大部分能耗都集中在无线通信模块上。而无线通信模块的能耗主要表现在数据发送和数据接收两个方面。下面是能耗分析过程：

一方面，从数据验证方面分析能耗。本文采用简单无线模型，发送方将λbit数据从节点i发送到相距为d的节点j时，发送和接收能耗分别为：

发送能耗：

其中，Eelec为发送或接收1比特数据电路能耗；εamp表示发射放大器传送1比特数据能耗；V为节点电压。N为每次变换的操作周期数目。C为单位周期所转换数据量。

已有环模型算法能耗由节点发送能耗、接收能耗和处理数据能耗组成，即

以下是基于改进环结构模型分析算法能耗，设节点id为α字节，感知的数据位β字节，显然有α＜＜β。

设数据阈值ρ为ρ0，数据验证时计算出的阈值为ρΔ，设在某一轮数据收集中有x(x≤n)个节点的ρΔ＞ρ0的概率为τ，则有

设小波压缩系数为c，第一轮Sink节点得到的数据可以表示为：

可以看出，当τ=1时，表明本轮节点感知数据变化全部超过阈值ρ0，数据量与能耗和第一轮相同；当τ≪1时，表明只有少数节点感知数据变化超出阈值ρ0，本轮只将变化的节点数据传输给Sink节点，其他节点发送特定信号即可。数据有效性验证成功时，能够有效地降低处理数据和转发的能耗，延长节点生存时间。

当然，数据验证也会带来能耗问题，但验证过程是在节点自身进行，不需要无线通信模块参与，因此，此阶段能耗是极小的。

另一方面，除发送和接收数据外，原有模型中每一轮簇头选举也会带来很大能耗。本文算法对簇头选举方法进行了改进，节约了重新选举簇头的能耗和计算量。

综上所述，本文算法在节省能耗方面具有优势。

3 仿真实验分析

3.1 仿真环境

假设仿真覆盖区域为100 m×100 m的范围，随机播散500个同构的传感器节点，并随机生成100个节点组成的环，节点间隔平均为5 m。

与基本的小波算法Mallat以及基本的小波提升变换进行对比实验仿真，从算法的平均能耗AEC（Average Energy Consumption）、数据阈值ρ与平均能耗关系以及平均传输时延ATD（Average Time Delay）三个方面分析算法性能。仿真详细参数设置如表1所示。

表1 仿真参数

3.2 仿真分析

为了评价本文算法的性能，采用MATLAB工具对算法进行仿真实验。

图7表示三种算法能耗对比，Mallat Algorithm算法能耗基本是6个单位能量；Lifting scheme算法能耗基本是5个单位能量；本文DDA-WT算法能耗基本为4.6个单位的能量。说明本文算法在能耗方面的优越性。提升方案的能耗低于传统Mallat算法，取决于提升方案计算速度快，占用的内存较小，而且复杂度只是原始的一半。本文算法的能耗低于Lifting scheme算法，一方面是进行了数据的有效性验证；另一方面是节省了成簇后簇头的选举能耗。

图7 算法平均能耗对比

图8给出了三种算法在不同的数据阈值ρ下的能耗变化情况。从图中可以看出，随着ρ从0到1不断增大，算法的能耗也在不断增加。说明在数据验证阶段，新一轮的监测数据与存储数据对比，变化越大，能耗也越大，这与实际情况相符合。当数据阈值ρ变化小于0.6左右时，本文DDA-WT算法的能耗要明显优于其他两种算法，证明本文算法能够节省能耗，延长网络生存期。

图8 不同阈值下平均能耗对比

图9 节点传输数据的平均延迟

图9表示三种不同的算法在节点传输数据量变化的过程中，节点传输数据的平均延迟情况。从图中可以看出，随着节点所传输数据量的不断增加，节点在传输数据的时延也在不断的增大，当节点传输数据很少的情况下，三种算法都可以很快地处理数据；随着数据量的增加和节点能量的减少，节点处理转发数据的速度会不断下降，导致转发延迟增大。DDA-WT算法引入数据验证机制，并需要每一轮都把监测的数据全部转发，因此，处理的数据量会较少，处理延迟也会有所降低。从图中可以看出，DDA-WT算法处理延迟要明显小于Mallat和Lifting scheme算法。

4 总结

本文提出一种基于小波变换的分布式WSN数据融合模型（DDA-WT），模型对原有环模型进行了改进，同时对监测数据进行有效性验证，进而利用小波提升方案对数据进行融合处理。通过仿真实验与其他算法进行对比分析，证明算法DDA-WT在节省能耗，延长网络生存期方面具有较好的优越性。

[1]Li Jianzhong，Gao Hong.Survey on sensor network research[J].Journal of Computer Research and Development，2008，45（1）：1-15.

[2]仲元昌，宋扬.大规模无线传感器网络自适应路由算法[J].计算机工程与应用，2013，49（1）：89-93.

[3]杨小军.无线传感器网络下分布式决策融合方法综述[J].计算机工程与应用，2012，48（11）：1-6.

[4]Tang Shiqi.Application of spatial-temporal correlation in data fusion for wireless sensor network[Z].2011：2-11.

[5]Wan Runze，Wang Haijun，Zhang Xingyan.A low energyconsumingprivatedataaggregationmethodbasedon unequal clustering[J].Chinese Journal of Sensors and Actuators，2013，26（5）：715-721.

[6]Bagaa M，Challal Y，Ouadjaout A，et al.Efficient data aggregation with in-network integrity control for WSN[J].Journal of Parallel and Distributed Computing，2012，10（72）：1157-1170.

[7]杨庚，李森，陈正宇，等.传感器网络中面向隐私保护的高精确度数据融合算法[J].计算机学报，2013，36（1）：189-200.

[8]王宏岩，李英顺，王德彪，等.低能耗和低时延的无线传感器网络数据融合算法[J].电子设计工程，2013，21（7）：47-50.

[9]胡永利，孙艳丰，尹宝才.物联网信息感知与交互技术[J].计算机学报，2012，35（6）：1147-1163.

[10]林蔚，韩丽红.无线传感器网络的数据压缩算法综述[J].小型微型计算机系统，2012，33（9）：2043-2048.

[11]钟升，沈绪榜，郑江滨，等.提升小波变换的数据并行计算方法研究[J].计算机学报，2011，34（7）：1323-1331.

[12]周四望，林亚平，张建明，等.传感器网络中基于环模型的小波数据压缩算法[J].软件学报，2007，18（3）：669-680.

[13]罗文华，王继良.基于Haar小波的自适应数据压缩算法[J].计算机工程，2010，36（12）：138-140.

[14]Bai Lang，Lei Xuheng，Sheng Wei.Method of small unmanned aerialrotorcraftaltitudeinformationfusionbasedon wavelet filter[J].Journal of Beijing University of Aeronautics and Astronautics，2012，38（5）：659-664.

[15]Wang Feng，Zhao Zhiwen，Mou Sheng.Fast extraction algorithmofthepolyphasematrixdecompositioncoefficient based integer lifting wavelet[J].Journal of Image and Graphics，2012，17（3）：329-336.

DANG Xiaochao1，2,GAO Qi1,HAO Zhanjun1，2

1.College of Computer Science and Engineering,Northwest Normal University,Lanzhou 730070,China
2.Gansu Province Internet of Things Engineering Research Center,Lanzhou 730070,China

For the problems of hardware and energy of wireless sensor,the article puts forward a model of distributed data aggregation in WSN based on wavelet transform（DDA-WT）.The model improves the original loop structure,adds the data detection procedure to reduce the amount of sensory data,which also exploits the lifting scheme to process the data matrix from nodes of ring topology in order to low the complexity of transport the fused data.The simulation results confirm the DDA-WT can low the energy consumption of nodes and prolong the lifetime of network.

Wireless Sensor Network（WSN）;wavelet transform;lifting scheme;data detection;data aggregation

针对无线传感器网络节点硬件、能量受限问题，分析现有数据融合方法，提出一种基于小波变换的分布式WSN数据融合模型，该模型对现有环结构模型进行改进，并加入数据验证环节，策略性地减少传输的数据量，并利用小波提升方案对数据进行融合处理，降低数据表示和传输的复杂度。通过仿真实验，证明了DDA-WT算法能有效降低网络节点的能耗，延长整体网络的生存期。

无线传感器网络；小波变换；提升方案；数据验证；数据融合

A

TP393

10.3778/j.issn.1002-8331.1404-0454

DANG Xiaochao,GAO Qi,HAO Zhanjun.Research on model of distributed data aggregation in WSN based on wavelet transform.Computer Engineering and Applications,2014,50（22）：97-101.

国家自然科学基金（No.61363059）；西北师范大学青年教师科研能力提升计划项目（No.NWNU-LKQN-13-24）。

党小超（1963—），教授，硕士生导师，研究方向：计算机网络；高琪（1987—），男，硕士研究生；郝占军，通讯作者，男，讲师，研究方向：计算机网络、无线传感器网络。E-mail：zhanjunhao@126.com

2014-04-30

2014-06-03

1002-8331（2014）22-0097-05

CNKI网络优先出版：2014-07-11,http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1404-0454.html