[论文解读] Data Accuracy Model for Distributed Clustering Algorithm based on Spatial Data Correlation in Wireless Sensor Networks

Jyotirmoy Karjee, H. S. Jamadagni|arXiv (Cornell University)|Aug 12, 2011

Energy Efficient Wireless Sensor Networks参考文献 3被引用 14

一句话总结

本文提出一种用于无线传感器网络的分布式、非重叠聚类算法，利用空间数据相关性以优化聚类头的数据准确性。通过引入针对空间相关性的数据准确性模型（DAM），该方法在数据精度方面显著优于传统信息准确性模型，仿真结果表明在聚类数据收集中具有更高的准确性和效率。

ABSTRACT

Objective: The main objective of this paper is to construct a distributed clustering algorithm based upon spatial data correlation among sensor nodes and perform data accuracy for each distributed cluster at their respective cluster head node. Design Procedure/Approach: We investigate that due to deployment of high density of sensor nodes in the sensor field, spatial data are highly correlated among sensor nodes in spatial domain. Based on high data correlation among sensor nodes, we propose a non -overlapping irregular distributed clustering algorithm with different sizes to collect most accurate or precise data at the cluster head node for each respective distributed cluster. To collect the most accurate data at the cluster head node for each distributed cluster in sensor field, we propose a Data accuracy model and compare the results with Information accuracy model. Finding: Simulation results shows that our propose Data accuracy model collects more accurate data and gives better performance than Information accuracy model at the cluster head node for each respective distributed cluster in our propose distributed clustering algorithm.Morover there exist a optimal cluster of sensor nodes which is adequate to perform approximately the same data accuracy achieve by a cluster. Practical Implementation: Measuring humidity and moisture content in an agricultural field, measuring temperature in physical environment. Inventive /Novel Idea: A distributed clustering algorithm is proposed based on spatial data correlation among sensor nodes with Data accuracy model.

研究动机与目标

• 通过利用传感器节点之间的空间相关性，解决高密度无线传感器网络中的数据冗余和能量低效问题。
• 设计一种分布式聚类算法，基于空间数据相关性动态形成不规则、非重叠的、大小可变的聚类。
• 开发一种数据准确性模型（DAM），使聚类头能够从各自聚类中收集最精确的数据。
• 在数据精度和能量效率方面，对比所提出的DAM与传统信息准确性模型的性能。
• 通过农业湿度和环境温度监测等实际场景的仿真验证该模型。

提出的方法

• 该算法利用相邻传感器节点之间的空间相关性，以分布式方式动态形成不规则、非重叠的聚类，无需集中控制。
• 聚类头基于距离和数据相关性选择，以最小化冗余数据传输。
• 提出一种数据准确性模型（DAM），用于估计每个聚类头处聚合数据的准确性，优先选择相关性高且冗余低的节点数据。
• 将DAM与依赖熵或不确定性度量进行数据选择的信息准确性模型进行对比。
• 该模型使用基于相关性的度量来评估数据准确性，以反映节点间感知值的空间相似性。
• 在具有空间相关性数据（如湿度、温度）的传感器场中进行仿真，以在真实条件下评估准确性与性能。

实验结果

研究问题

• RQ1 如何有效利用传感器节点之间的空间相关性，以分布式方式形成高效、非重叠的聚类？
• RQ2 基于空间相关性的数据准确性模型与基于信息论的准确性模型相比，对聚类头处数据精度有何影响？
• RQ3 具有可变聚类大小的分布式聚类算法能否在提高数据准确性的同时降低高密度WSN中的能耗？
• RQ4 能够实现近似最大数据准确性且冗余最小的最优聚类大小是多少？
• RQ5 所提出的模型在农业湿度和环境温度传感等实际监测场景中的表现如何？

主要发现

• 所提出的DAM在聚类头处实现的数据准确性显著高于信息准确性模型。
• 仿真结果表明，DAM通过利用空间相关性减少了冗余数据传输，提升了能量效率。
• 该模型识别出一个最优聚类大小，在保持高数据准确性的同时最小化数据丢失和冗余。
• 结合DAM的分布式聚类算法在聚合数据的精度和一致性方面优于信息准确性模型。
• 该方法在农业湿度和环境温度监测等实际应用中得到验证，表现出在真实环境传感中的稳健性能。
• 结果证实，空间相关性可被有效建模并加以利用，以提升分布式WSN聚类中的数据准确性。