面向智能家居的动态路由与压缩感知技术研究

胡同花 吕满金

（湖南永州职业技术学院 湖南·永州 425000）

0 引言

数据收集是智能家居环境监测的基础。基于压缩感知的数据收集是最具代表性的数据收集技术。然而，监测环境大规模和动态变化给智能家居数据收集带来了极大的挑战。在大规模监控网络中，当网络覆盖区域增大，区域内差异性也随之增大，那么网络数据的整体稀疏性能会下降，从而降低压缩感知的压缩能力。还有一些无线信道不稳定、节点失效等因素导致的网络拓扑结构动态变化等问题也给分布式压缩感知方案的设计带来了极大挑战。通过压缩感知方案，来研究如何为各个子区域设计网络拓扑结构动态自适应的压缩感知测量方案；如何基于头节点的动态选择机制，实现跨区域数据收集树的动态化改造问题；如何结合不同区域间的相关性，构建多区域压缩感知测量协同恢复机制具有很好的实践指导意义。

1 研究现状和发展动态

1.1 大规模场景数据收集技术研究现状

节能降耗是智能家居数据收集技术是重要研究课题。通过挖掘数据时空相关性，可以减少数据传输量，有利于节省能耗，延长网络生命周期。代表性的技术包括：基于压缩感知、基于主元分析、基于自编码器的数据收集技术。压缩感知将数据采集和压缩融为一体，突破了香农-奈奎斯特极限，大大降低数据采集成本，广泛应用于无线传感器网络、智能家居等场景中。基于压缩感知的智能家居数据采集技术涉及路由设计、网络拓扑发现、休眠节点调度等问题，已成为最具应用前景的技术之一。

1.2 动态路由结合的压缩感知机制研究现状

动态路由结合的压缩感知机制，通过将压缩感知技术和随机路由技术结合，可以提高网络拓扑结构动态变化的自适应能力，相对于传统树形或者簇型结构，可以延长网络生命周期。

随机游走和压缩感知的有效整合方面仍然存在挑战。压缩感知技术要求所有测量结果最终到达服务器端，用于数据恢复。然而传统随机游走无方向性，可能路由到网络中的任何一个节点。

1.3 压缩感知机制中的稀疏表达基的研究现状

稀疏变换域是压缩感知的一个重要概念。依据压缩感知理论，待处理的信号需要在某个特定的变换域中是稀疏的或者可以压缩的。该稀疏变换域由对应的稀疏表达基进行描述。

针对稀疏表达基的研究，主要包括两个方面：一类是选择合适的预定义稀疏表达基。另一类是通过字典学习训练出合适的稀疏表达基。字典学习在图像等领域取得了很大的成功，也有许多学者将其引入到网络领域。

2 研究方案与实现

2.1 研究方案设计

2.1.1 大规模网络环境下的压缩感知数据收集方案研究

大规模环境监测网络中，网络覆盖面积大，区域内不同节点的数据之间的差异性增大，这会使得网络数据的整体稀疏性能下降，从而降低压缩感知技术的压缩感知能力。通过构建区域自适应划分和跨区域协同的压缩感知方案构建网络覆盖区域的自适应划分机制，以提高各个子区域内节点间的相关性，从而降低各个子区域内对压缩测量次数要求，提升压缩感知效率。

2.1.2 网络拓扑结构动态自适应的压缩感知方案数据收集方案研究

受节点失效、无线信道不稳定等因素影响，大多数的生态环境监测场景中都存在网络拓扑结构动态变化的问题。从动态路由与压缩感知整合方案设计的角度出发，构建可以适应网络拓扑结构动态变化的分布式压缩感知方案。

2.1.3 研究如何解决分布式压缩感知性能随时间发生变化的问题

不论网络拓扑结构动态变化与否，在许多分布式应用场景中，压缩感知都存在恢复性能随时间动态变化的问题。这主要因为不同节点的数据之间，存在着复杂而动态变化的相互关系，导致整个网络空间所对应的最佳稀疏表达基随时间或空间发生变化，进而导致压缩感知恢复性能不稳定。不论是通用的预定义稀疏基，还是基于特定历史数据训练出的稀疏基，本质上都是静态基。因此都无法满足这种动态变化场景的需求。通过从稀疏表达基的自适应学习更新的角度出发，构建随时间动态调整的稀疏表达基，来提高压缩感知恢复性能的稳定性。

2.2 实现方法

2.2.1 区域自适应划分和跨区域协同的压缩感知数据收集

（1）基于社团检测的网络覆盖区域自适应划分。通过基于社区监测技术进行网络覆盖区域的自适应划分，提高各个子区域内节点间的相关性，改善各子区域内数据稀疏性能，从而降低各个子区域内对压缩测量次数要求，提升压缩感知效率。

（2）基于剩余能量约束的子区域头节点的动态选择机制。通过剩余能量约束的子区域头节点的动态选择机制，确保子区域内各个节点的剩余能量的均衡。该方法有利于避免传统方案中SINK附近节点能量消耗过快，形成网络瓶颈，进而降低整个网络的生命周期的问题。

（3）基于无人机的动态跨区域数据收集机制。使用无人机作为边缘计算节点，实现对各个子区域数据的收集。重点研究无人机路径规划，以使得总体能耗最少。无人机的动态跨区域数据收集方案的设计需要与区域自适应划分、头节点动态选择、子区域内压缩感知测量方案进行协同优化。大规模动态网络场景，其子区域内节点仍然存在拓扑结构动态变化的特点，需要设计合适的动态路由结合的压缩感知机制。从拓扑动态的角度出发，我们需要实现动态自适应的路由机制。从压缩感知测量的角度出发，我们需要实现均匀性区域覆盖采样。子区域头结点的动态选择会给压缩感知测量和路由的设计带来影响。

（4）多区域压缩感知测量结果的协同恢复机制。构建跨区域协同的压缩感知重建恢复方案，充分挖掘不同区域间数据的时空相关性，提高压缩感知的数据恢复精度。

2.2.2 动态拓扑自适应压缩感知数据收集

（1）双重随机游走动态路由的设计，设计双重随机游走首先通过跨层随机游走实现随机游走的方向性，然后通过同层随机游走来实现空间采样的均匀性。动态路由机制的设计过程中，需要同时考虑如下三个因素：其一，该动态路由的终点需要与压缩感知测量结果目的地相同。这样才能实现随机游走过程、压缩感知测量过程和测量结果传输过程的三位一体，避免对静态路由树的依赖。其二，该动态路由的构建不能依赖于GPS等全局性坐标信息。其三，兼顾后续空间非均匀补偿方案设计的需要。利用无线传感器网络中无线信道的衰减特征，为每个节点构建了两类节点集合，即同一层邻居节点集合和上一层邻居节点集合，双重随机游走过程沿着这两类节点集合进行随机跳转。

（2）汇聚效应导致的空间不均匀分布的定量补偿模型的构建。定量推导出有向随机游走空间概率分布模型，和非均匀分布补偿模型，进而基于双重随机游走实现空间非均匀分布的量化补偿，不同的有向随机游走路径汇聚到同一个sink节点，会形成一种汇聚效应，导致节点空间分布不均匀。这种不均匀，会导致压缩感知测量过程的空间采样不均匀，进而影响压缩感知恢复性能。通过对汇聚效应进行建模，得出随机部署情形下，有向路由节点的空间概率分布表达式。然后构建与之适应的量化补偿模型。进而通过对双重随机游走中的同层随机游走的设计改造，实现对路由节点空间非均匀分布的量化补偿。

（3）动态路由与压缩感知的整合，以及无偏估计的压缩感知测量方案的构建和理论分析证明。一方面，为减少压缩感知测量过程的通信开销，本方案的压缩感知测量过程，采用沿随机游走路径线性加权融合的方式实现。由于随机游走测量过程中的每一跳传输的都是融合结果，而不是原始数据的串联，因此可以避免通信开销逐跳增加，防止形成通信瓶颈。另一方面，依据压缩感知理论，无损压缩感知恢复过程要求，从统计意义上而言，压缩感知测量结果应当是原始测量结果的无偏估计。因此，我们需要设计一种无偏估计的，与动态路由结合的压缩感知测量方案。我们通过引入改进的伯努利分布，来对随机游走测量的融合过程的权值进行约束。从而可以得到一个在压缩感知测量领域广泛使用的伯努利矩阵。该矩阵满足压缩感知无偏估计测量的要求。

（4）随机游走压缩感知测量的RIP分析和数据恢复误差边界分析。

2.2.3 基于压缩感知测量结果的稀疏表达基学习与更新

（1）基于压缩感知测量结果的稀疏表达基模型构建。压缩感知测量结果是压缩感知方案本身测量结果，获取难度小，获取成本低。通过引入先验知识约束，构建结构化稀疏的稀疏表达基模型，得到一个带两个稀疏约束目标的双目标优化问题。

（2）基于核函数的非线性关系的表达。引入核函数机制，通过核函数的非线性变换特征，实现对复杂非线性关系的表达。

（3）稀疏表达基模型训练的方案设计。

（4）对稀疏表达基训练方案的收敛性能进行定量分析。

3 创新

（1）为解决大规模场景中不同节点数据差异性增大，导致网络覆盖区域内整体数据的稀疏特性下降的问题。提出了一种区域自适应划分与跨区域协同的压缩感知数据收集方案，将社交网络领域的社团检测技术应用到分布式压缩感知的子区域划分，提高了区域内数据之间的Coherent特征，改善了智能家居环境监测数据的稀疏特征，提高了压缩感知的数据压缩能力。

（2）提出了一种基于双重随机游走的压缩感知数据收集方案。方案可以保证随机游走的方向性，确保压缩感知数据沿动态路径到达指定节点，从而保证了方案的动态网络拓扑自适应性。方案实现了有向随机游走的空间采样的均匀性，保证了压缩感知测量矩阵的RIP特征，保障了压缩感知性能。

（3）提出了从压缩感知测量结果中直接学习和更新稀疏表达基的方案，解决了传统字典学习技术中所需要的大量训练数据在无线传感器网络中无法获取或者获取成本较高的问题。

4 结论

本文从动态路由设计，动态路由与压缩感知整合方案设计的角度出发，提出一种适应智能家居网络拓扑结构动态变化的分布式压缩感知方案，降低数据获取的难度和成本，为无线传感器网络技术在智能家居中的应用提供理论借鉴。