压缩感知(Compressive Sensing,CS)是一种新颖的抽样理论,在原信号具有可压缩性或者可稀疏化的前提下,通过一个测量矩阵对原信号信息的抽样,达到了采样和压缩的目的,而且不需要考虑原信号带宽的限制。对于大规模的分布式无线传感网络,传感器的节点通常能量有限、带宽有限。如果节点间无数据交换,把节点收集到的数据直接传输到融合中心,不但会造成网络的拥挤,而且节点消耗能量大。因此,设计一个节能、降低数据传输量的无线传感网络架构成为迫切需要。相对于其他数据融合技术,压缩感知比较适合应用在无线传感网络中,它的优点有如下:(1)编码比较简单,用非自适应的随机测量矩阵对数据节点的数据幅值线性变换,就能同时达到采样和压缩的目的。(2)解码与编码独立,解码端只需要知道测量值和测量矩阵就能采用不同的解码方法重构原信号。(3)鲁棒性能优越,数据传输到融合节点后,即使有部分的数据丢失,仍然能完美重构出原信号。考虑到压缩感知的优点和无线传感网络能耗有限的问题。本文把不平衡扩展模型的结构移植到分布式压缩感知,提出基于不平衡扩展模型的分布式压缩感知网络,进而引出基于二值稀疏随机映射的分布式算法。该算法的主要思想是二值稀疏随机向量的高度稀疏化大大减少预处理数据的通信成本。对于大规模传感网络的个在转换域项稀疏的分布式数据值,融合中心只需接收m(m(?)n)个传感器器数据就能完美重构n个分布式数据值。本文模拟在开放无限环境中,以一定扩散系数从初始时刻向四周扩散的点源产生的气体扩散,构建基于不平衡扩展模型的分布式压缩感知网络架构。通过实验仿真验证该方案在有效减少节点间的数据传送量和节点运算量的情况下保持良好的重构性能。