[发明专利]高效节能的星载无线传感器网络数据压缩模型的构建方法

说明书

本发明提供一种高效节能的星载无线传感器网络数据压缩模型的构建方法，包括：对原始传感数据去噪并进行归一化处理；应用D‑CRBM构造基于变分自编码器结构的CBN‑VAE数据压缩方法；将处理过的传感数据集用于网络的训练，训练采用基于弹性正交权重修正算法EOWM的连续学习，使网络能够以上下文相关的方式，连续学习数种不同的映射规则而不会受到干扰。本发明适用于一个无线传感器网络节点内集成有多种传感器收集的不同属性监测数据，以一种连续学习方式对传感器节点采集不同属性数据进行高效压缩和高精度重构，可降低网络通信能耗、计算能耗和存储能耗，提高无线传感器网络的生命工作周期。

技术领域

本发明涉及航天技术与人工智能技术领域，尤其涉及一种高效节能的星载无线传感器网络数据压缩模型的构建方法。

背景技术

无线传感器网络(Wireless Sensor Networks,WSN)是物联网的核心技术之一，具有采集高效、能量有限、节点分布密集等特点。研究发现，传感器网络适合于在人较难到达的地区收集环境信息如温度、光照和湿度。无线传感器网络通常在监测区域部署大量的传感器节点，通过无线通信技术形成多跳自组织通信网络，通过收集和处理网络覆盖区域内被监测对象的各种信息，用户可以随时获取部署区域内的各种类型的监测数据。由于传感器节点的存储和便携能源有限，因此设计一种节能冗余的无线传感器网络数据压缩方案具有重要意义。有研究表明，在大多数情况下，无线数据传输是传感器节点能源消耗的主要原因。传感器节点的能源问题一直是制约无线传感器网络广泛应用的瓶颈。因此，降低传感器节点的通信能耗成为无线传感器网络的研究热点之一。

数据压缩可以有效地减少无线传感器网络的数据量和通信能量消耗。传统的无线传感器网络通常采用数据聚合和编码压缩来降低传感数据传输的能量消耗。但是它们存在一些问题，例如数据易丢失，抗噪声的能力较弱，需要较为完备的编码字典等。目前大多数传统的无线传感器网络数据压缩算法都探究的是传感数据的浅层表面特征，没有深入探究数据的深层隐藏数学特征，属于浅学习算法。

深度学习方法可以学习到原始数据的深层隐藏数学特征，并通过利用学习到的特征进行算法参数的调整，使得算法具有比传统算法更好的数据拟合能力和数据压缩能力，与此同时在现在的大数据时代深度学习方法会获得更优的关于大数据内在深层隐藏数学特征的信息描述，这为无线传感器网络数据压缩的研究提供了新思路。因此研究如何利用深度神经网络进行无线传感器网络的数据压缩是有意义和实际价值的。

现有的基于深度学习的数据压缩算法针对单一属性的数据压缩效果良好，例如Liu等人研究了RBM和自动编码器的组合提出的Stacked RBM-AE压缩方案，但是一个无线传感器网络节点内往往集成有多种不同种类的传感器，例如加州大学无线传感器网络研究团队从2004年2月28日至4月5日在实验室部署54个传感器节点，同一个节点采集温度、湿度和光照等环境信息。一般而言，同一个节点温度、湿度和光照等不同属性的监测数据变化规律并不相同，很难用一个统一压缩模型同时对不同属性数据进行有效压缩和高精度重构。

本发明的目的在于解决：针对同一个无线传感器网络节点内往往集成有多达上十种不同种类的传感器，提出了一种高效节能的多属性连续学习无线传感器网络数据压缩方法。该方法将具有下采样功能的高效卷积结构D-CRBM与变分混合编码器(VAE)结合构造出数据压缩网络CBN-VAE；迭代训练中采用EOWM弹性正交权重修正算法用于连续学习不同传感器采集的多属性监测数据，使网络能够以上下文相关的方式不断学习不同的映射规则；本发明以一种连续学习方式对传感器节点采集不同属性数据变化规律进行自动建模，从而获得统一的高效压缩和高精度重构模型，可降低网络通信能耗、存储能耗和计算能耗，提高无线传感器网络的生命工作周期。

发明内容

有鉴于此，本发明提供一种高效节能的星载无线传感器网络数据压缩模型的构建方法，包括以下步骤：

步骤一：对集成多种不同类型传感器的无线传感器网络节点采集的包括温度、湿度和光照多属性数据进行预处理，获得训练数据集；