一种基于无线传感器网络的小波数据压缩算法

《一种基于无线传感器网络的小波数据压缩算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、～种基于无线传感器网络的小波数据压缩算法摘要无线传感器网络由一些可以感知例如温度、气压、湿度的携带有限能量的微型设备所构成。无线传感器网络节点失效，通常都是由于无线传感器网络节点具有有限的能量和通信能力。多跳路由是指聚集无线传感器网络各个区域每个节点收集到信息，并且最终汇聚到无线传感器网络基站上去。这个过程是无线传感器网络生命周期中最大的能量消耗过程。因此对于无线传感器网络节点来说，如何将传输的数据最小化是非常重要的。本文首先针对现有数据融合方法中，网络中节点能量消耗不均匀存在过热节点，并且无法根据外部动态变化的环境而动态调整聚合路径的问题，提出一种基于学习自

2、动机的数据融合算法。该方法使节点能够在本身聚合路径发生变化的情况下及时作出调整。在提出的方法中，无线传感器网络为每个节点都配备了一台学习自动机，这些学习自动机集体的学习了网络中所有节点的聚合路径。在信息传递的过程中传递的数据包括数据包和知识包两部分，当节点接收到来自于其它节点的信息包时候，学习自动机根据节点给出的反馈，对当前的聚合路径进行奖励或者惩罚，从而选择出最优的聚合路径。之后，本文对小波多模数据压缩算法进行改进。小波多模数据压缩算法是根据不同数据之间具有相关性而提出来的。针对经过小波多模数据压缩算法处理后的数据与原始数据相比较，并没有被有效压缩的问题，提

3、出在对原始数据进行小波多模数据压缩后，再进行经典的Huffman编码数据压缩。Huffrnan编码数据压缩对Hair小波变换后产生的低频系数进行Huffrnan编码，从而来提高数据压缩率。仿真实验结果表明，基于学习自动机的数据融合算法，可以很好的解决传感器网络在数据收集的过程中存在过热节点的问题，并且对于外部环境动态变化的情况下数据融合率得到较为理想的提高。对小波变换后的低频系数进行Huffman编码的方法也可以有效的提高数据压缩率。关键词：学习自动机；聚合路径；数据压缩；小波变换；过热节点一种基于无线传感器网络的小波数据压缩算法AbstractWireles

4、sSensorNetwork(WSN)iSbuiltwithsomeminiequipmentwhichCallsensethephenomenonjustliketemperature、pressureandhumidity．ThefailureofWSNnodesarealwaysduetotheirlimitedenergyandcommunicationability．Multi-hopmutingistogatheringthedatacollectedbyallthenodesscatteredinvariousareas，andeventuall

5、y,transmitthedatatosink．TheprocesswillcostmaximumenergyofthenodesduringthelifetimeofWSN．So，it’Simportantforthenodestotransmittheminimumdata．Firstly,thispapergivesadataaggregationalgorithmbasedonlearningautomatatosolvetheproblemthattheexistingdataaggregationalgorithmcall’tsolve，theun

6、evenenergycost，andtheexistingalgorithmCall’tchangethegatheringpathdynamicallyexistingtheoverheadenvironment．Intheproposedmethod，nodesCallchangeitsgatheringpathtoadjusttheoverheadenvironment．AllthenodesofWSNequippedwithalearningautomata．Theseleaningautomatalearnallthegatheringpathoft

7、henodes．Intheprocessoftransmitinformationtwokindsofdataaretransmitted，includingdatapacket，knowledgepacket．Whentheinformationofthenodeschanges，accordingtothefeedbackofthenods，thelearningautomatagivestherewardorpunishtothecurrentgatheringpath，whichhelptofmdthebestgatheringpath．Secondl

8、y,thispaperimproved