Jim Chou等‘36]提出了传感器网络的分布式压缩数据传输模型。其主要思想是在所有的传感器节点中，M27C2001-10F1选择一个节点发送完整的数据到汇聚节点，其他节点只发送压缩后的信息。汇聚节点收到数据后，通过压缩数据和未压缩数据之间的相关性进行解压缩，从而恢复原始数据。实现该方法的关键问题在于需要一个低复杂度、支持多压缩率的压缩算法和一种简单、高效的相关性跟踪算法。进一步地，Jim Cho等‘37]等提出了一个简单的预测模型，用于跟踪和确定节点数据之间的相关性。

   Sundeep Pattem等[38]讨论了相关性对数据压缩效果的影响。采用联合熵和位跳值分别来度量被压缩信息的大小和数据传输的总能耗，对比分析了DSC( Distributed  Source  Coding)、RDC  (Routing-Driven Compression)  矛口  CDR( Compression-Driven Routing)这3神不同处理策略下的能耗情况。理论分析结果

表明，相关性较低时，没有信息可以压缩，RDC方法能耗较低；关性较高时，通过压缩可以节省大量能耗，CDR节能效果较好。另外，在相关性处于中等范围时，RDC和CDR两者性能相当，这表明可以采用一种混合式方法进行处理，即传感器节点形成较小的集群，集群内的数据在集群首领处聚合，集群首领沿着最短路径向Sink节点传输聚合结果[39,40】。