CN101765226B - 无线传感器网络与其数据感测方法 - Google Patents
无线传感器网络与其数据感测方法 Download PDFInfo
- Publication number
- CN101765226B CN101765226B CN2008101886033A CN200810188603A CN101765226B CN 101765226 B CN101765226 B CN 101765226B CN 2008101886033 A CN2008101886033 A CN 2008101886033A CN 200810188603 A CN200810188603 A CN 200810188603A CN 101765226 B CN101765226 B CN 101765226B
- Authority
- CN
- China
- Prior art keywords
- initial data
- sensing
- data
- module
- sensor network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明有关于一种无线传感器网络与其数据感测方法,根据所感测的数据来建立预测模型。当所感测数据的统计数值如平均值在使用者允许范围内,根据此预测模型,以过去数据的平均值来回报给使用者,以减少感测次数及降低耗电量。或者,当所感测数据的统计数值如平均值在使用者允许范围外,根据此预测模型,以实际感测数据来回报给使用者。此外,更可根据后续所接收到的感测数据来动态更新预测模型。
Description
技术领域
本发明是有关于一种无线传感器网络,且特别是有关于一种根据感测值的周期特性,动态调整传感器的侦测行为的无线传感器网络。
背景技术
无线传感器网络(WSN,wireless sensor network)可应用于如森林生态监测,工厂二氧化碳浓度的侦测,室内监测等。在无线传感器网络中,无线传感器扮演重要角度,其用以感测数据、收集数据并回传。
在传统技术中,根据管理者所指定的感测频率(感测间隔),无线传感器侦测环境变量并且回传数据。当感测间隔较长(感测次数较少),则较节省能源但得到较少的感测数据;而感测间隔较短(感测次数较多),可得到较多感测数据,但是却很耗电。这是因为,当无线传感器在进行感测或是数据收发时,其耗电量非常大。而且,无线传感器通常使用电池当作它的电源,受限于所处环境,使得它们难以被充电。
故而,如何节省无线传感器的耗电量便成为相当重要的议题。以目前而言,无线传感器的省电机制着重于节省传输或感测的耗电量。但其成效不明显。
有鉴于此,本案提出一个对无线传感器所收集到的数据进行趋势分析,并利用所找出的数据周期特性,来动态调整无线传感器的探测行为(亦即,要不要进行感测),以降低感测次数或数据传输次数,以节省无线传感器的耗电量。
发明内容
本发明有关于一种无线传感器网络与其方法,根据所感测的数据来建立预测模型,在使用者允许的误差范围及信心水准下,以过去数据的统计数值来回报给使用者,或者,以实际感测数据来回报给使用者。
根据本发明的一例提出一种无线传感器网络,包括:一信息处理模块,发出一感测指令;以及一信息收集模块,接收由该信息处理模块所传来的该感测指令,以收集一原始数据并回传给该信息处理模块。该信息处理模块找出该原始数据的一趋势以建立一预测模型。根据所建立出的该预测模型,该信息处理模块更新该感测指令并传给该信息收集模块。该信息收集模块根据该感测指令,以决定在一感测时间点是否要进行数据收集。如果要,则该信息收集模块收集该原始数据并回传给该信息处理模块。如果不要,则该信息处理模块根据过去的该原始数据以得到一预估值。
根据本发明的另一例提出一种无线传感器网络的数据感测方法,包括:发出一感测指令;根据该感测指令,感测一原始数据;找出该原始数据的一趋势,以建立一预测模型;根据所建立出的该预测模型,更新该感测指令;根据该更新后感测指令,以决定在一感测时间点是否要感测数据;如果要,则感测该原始数据并回报给一使用者;以及如果不要,则根据过去的该原始数据以得到一预估值,并回报给该使用者。
附图说明
为让本发明的上述内容能更明显易懂,下文特举实施例,并配合附图,作详细说明如下,其中:
图1显示根据本发明实施例的无线传感器网络的示意图。
图2显示根据本发明实施例的预测模块122的操作流程图。
图3A显示将具有周期P的原始数据T进行分段的一个例子。
图3B显示将图3A的原始数据T进行分段后的结果。
图3C显示预测点与感测点的一例。
图3D显示预测点、感测点与检查点的一例。
图4显示信息收集模块110与信息处理模块120的操作流程。
图5A显示时域数据,而图5B则显示频域数据。
具体实施方式
在本发明实施例中,收集数据并计算其周期性。接着,根据此周期性,将所收集的数据叠合一起,以分析数据趋势,以决定在未来,哪些时间点要收集(感测)数据,哪些时间不需要收集数据。
图1显示根据本发明实施例的无线传感器网络的示意图。如图1所示,本发明实施例的无线传感器网络100包括信息收集模块110与信息处理模块120。信息收集模块110包括:处理单元111、无线传感器112、执行模块113与射频(RF)模块114。信息处理模块120包括:处理单元121、预测模块122、数据库123与射频(RF)模块124。
信息收集模块110会根据信息处理模块120所传来的指令来收集数据并回传给信息处理模块120。信息处理模块120接收到由信息收集模块110所回传的数据后,找出此数据的趋势,以建立预测模型并动态调整预测模型。根据所建立出的预测模型,信息处理模块120决定在未来,哪些时间点,信息收集模块110要收集数据,哪些时间信息收集模块110不需要收集数据。信息收集模块110据以进行数据收集。
处理单元111用以执行区域计算(local computing),比如,分析指令等。处理单元111具有基本运算能力,可决定感测周期,并控制无线传感器112将感测结果通过射频模块114送回信息处理模块120。
无线传感器112受控于处理单元111与执行模块113。无线传感器112会进行数据的收集、感测等。无线传感器112所收集到的数据会通过射频模块114而传给信息处理模块120。无线传感器112可为多属性传感器,其可用于感测:温度、湿度、光度、压力、气体浓度等各类型环境变量。
执行模块113用以分析由信息处理模块120所传来的指令,以决定无线传感器112是否要执行数据的收集。
射频模块114用以接收及传送数据于信息收集模块110与信息处理模块120之间。
处理单元121用以执行区域计算,及进行数据的分析。预测模块122会根据信息收集模块110所收集的数据进行预测模型的建立。数据库123用以储存信息收集模块110所收集的数据。射频模块124用以接收及传送数据于信息收集模块110与信息处理模块120之间。
现将说明预测模块122的操作,包括如何根据信息收集模块110所收集的数据来建立预测模型及如何动态更新预测模型。
请参考图2,其显示根据本发明实施例的预测模块122的操作流程图。如图2所示,首先,信息收集模块110会根据信息处理模块120所传来的指令来收集数据并回传给信息处理模块120,如步骤210所示。
接着,要得知原始数据的周期,如步骤220所示。如果数据的周期可预先知道的话,则可事先输入至预测模块122,而且,所收集的数据长度至少为周期的两倍。如果数据的周期无法预先知道的话,则在信息收集模块110收集一段适当长度的原始数据后,预测模块122会预测此原始数据的周期。预测数据的周期如后所述。原始数据T的长度为n。将原始数据T移位i,得到数据T’,其中i从1-n/2(周期长度最大为数据长度的一半)。利用相似度(SIM,Similarity)函数比较T和T’的相似度,算出的值越小,则表示越相似。假设原始数据T的周期为P,原始数据T与移位P的数据T’的相似度最高(SIM函数值最低)。由于T’共有n/2个版本,故共可得到n/2个SIM函数值。找出n/2个SIM函数值中的第二个低点所对应的移位值,其当成周期p的预测值。n/2个SIM函数值中的最低点所对应的移位值可能是起点(i=0),所以将之排除。此外,如果发现所找出的周期p无法满足时,可再收集更多的数据以进行周期的预测。
在得知此原始数据的周期后,可根据此周期,将原始数据分段,如步骤230所示。如何将数据分段可参考图3A,其显示具有周期P的原始数据T的一个例子。如图3A所示,可根据此周期P,将原始数据T分成4段数据T1-T4,其中,原始数据代表温度,纵轴是温度,横轴则是感测时间点。
接着,将各段数据叠合,如步骤240所示。如何将各段数据叠合可参考图3B,其显示将各分段数据T1-T4叠合的一个例子,其中,纵轴是温度,横轴则是时间点。
接着,找出此原始数据的趋势,如步骤250所示。在找出此原始数据的趋势时,可以算出各分段数据在每个时间点的统计值,本实施例以平均值与变异数为例子说明。以图3B为例,算出各分段数据T1-T4在时间点1的平均值(为19.34)与变异数(为0.53)。如果变异数小于临界值的话,则平均值必然满足使用者所定义的信心水准与误差容忍,亦即,信息处理模块120可将平均值回传给使用者。相反地,如果变异数大于临界值的话,则平均值无法满足使用者所定义的信心水准与误差容忍,如此,信息处理模块120需令信息收集模块110收集数据并将所收集的数据回传给使用者。临界值的设定根据使用者参数与数据特性而定,使用者参数包括:信心水准、误差容忍度、感测机率等。当误差容忍度越大时,省电率就会越高。
当信心水准越高,则省电率和错误率越小。探测机率越大,则省电率和错误率越小。探测机率越高,表示探测次数变多,省电的机会变小,回报数据发生错误的机会也变小。
接着,建立预测模型,如步骤260所示。在预测模型中,会指定预测点、感测点、检查点与感测机率。如果在此时间点的变异数小于临界值,则将此时间点设为预测点,其中,如果此时间点被设为预测点,则在此时间点下,不需要进行感测,而是将平均值回传给使用者。反之,如果在此时间点的变异数大于临界值,则将此时间点设为感测点,其中,如果此时间点被设为感测点,则在此时间点下,需要进行感测。
图3C显示预测点与感测点。请同时参考图3B与图3C,由于在时间点2、7与8的变量异小于临界点,所以,将时间点2、7与8设为预测点310,如图3C所示。相似地,由于在时间点1、3-6的变量异大于临界点,所以,将时间点1、3-6设为感测点320,如图3C所示。
然而,为了检查数据趋势是否改变以及对异常数据的侦测,在预测模型中,对各预测点指定其感测机率,使其依感测机率而可能成为检查点。利用检查点,可检查数据趋势是否改变,以避免回报太多的错误估计值。比如,当感测机率为50%时,代表此预测点有50%的机率会成为检查点。当预测点成为检查点时,信息收集中心在此时间点(检查点)仍要进行数据的实际收集。在本实施例中,当某一时间点的数据趋势改变时,如果仍以估计值(亦即过去数据的平均值)给使用者,则容易出错。为了保持数据回报的高正确性,通过检查点可得知异常数据产生或数据趋势改变的情况。
现请参考图3D,其显示预测点、感测点与检查点。请同时参考图3C与图3D。假设根据感测机率,在时间点7的预测点成为检查点330。所以,如图3D所示,在时间点2与8(其为预测点)时,信息处理模块120将平均值回传给使用者;在时间点1与3-7(其为感测点或检查点)时,根据信息处理模块120的指令,信息收集模块110收集数据并回传给信息处理模块120,而信息处理模块120将实际数据回传给使用者。由此可看在,由于在某些时间点(其为预测点时),信息收集模块110不需要进行数据的收集(感测)与传送,所以,可节省无线传感器112的耗电量。
接着,动态更新预测模型,如步骤270所示。由于信息收集模块110会在感测点与检查点回传实际数据,所以,在本实施例中,可根据所接收到的实际数据来动态更新预测模型,使其能更接近目前数据趋势。如此,可根据实际数据,来决定是否将预测点更改为感测点,或者将感测点更改为预测点,此即所谓预测模型的更新。
当动态更新预测模型时,有两种方式。第1种方式是,根据旧平均值、旧变异数、数据个数与新数据(实际回传的数据),预测模块122计算出新的平均值与新的变异数,并据以决定是否更新预测模型。另一种方式则是,预测模块122根据最新的数笔数据来计算新的平均值与新的变异数,并据以决定是否更新预测模型。
接下来说明信息收集模块110与信息处理模块120的操作。请参考图4,其显示信息收集模块110与信息处理模块120的操作流程。刚开始时,信息收集模块110接收由信息处理模块120所传来的感测指令(比如,令无线传感器112每5分感测一次);信息收集模块110内的无线传感器112据以进行数据并回传数据;信息处理模块120建立预测模型,如步骤410所示。
更甚者,在信息处理模块120建立预测模型时,其可根据所接收到的数据来预测数据的周期(其细节如上述),并计算出此预测模型的可预测度(PD,Predictable Degree)。如果此预测模型的可预测度是不可接受的话,则信息处理模块120会继续接收由信息收集模块110所传来的数据,以建立更好的预测模型。此外,如上述,在建立预测模型时,更可参考使用者参数。更甚者,每个时间点的使用者参数可彼此不同。当信息处理模块120建立出足够好的预测模型时,信息处理模块120会根据使用者参数与预测模型再次得到新的感测指令(其包括:预测点的位置、感测点的位置、感测机率等),以再次传送感测指令给信息收集模块110。
接着,执行模块判断目前的时间点是否为周期内的最后一个时间点,如步骤420所示。如果是的话,则流程接续至步骤425,否则,流程接续至步骤430。
在步骤425中,执行模块将时间点设回到周期内的第一个时间点。或者,执行模块根据所接收到的感测指令,判断目前的时间点是否为预测点,如步骤430所示。如果是的话,则流程接续至步骤440,否则,流程接续至步骤435。
如果目前的时间点不是预测点,则代表目前的时间点为感测点,所以,如步骤435所示,执行模块113会令无线传感器112进行数据的感测、收集,并回传给信息处理模块120;而且信息处理模块120会根据所接收到的实际感测数据来动态更新预测模块(如果需要的话);以及,信息处理模块120将实际感测数据回报给使用者。
更甚者,如果需要的话,根据更新的预测模块,信息处理模块120会更新感测指令,并将新的感测指令传送给信息收集模块110,以控制其数据收集操作。
如果目前的时间点是预测点,根据感测机率,执行模块判断是否将预测点设为检查点,如步骤440所示。如果是的话,则流程接续至步骤435,否则,流程接续至步骤445。
因为目前的时间点虽为预测点但不是检查点,所以,无线传感器112不需进行感测;信息处理模块120将过去的感测数据的平均值回报给使用者,如步骤445所示。
由图4流程可知,在本发明实施例中,如果目前的时间点虽为预测点但不是检查点,则无线传感器112不需进行感测;所以,可以降低无线传感器112的数据传输与数据感测的次数与耗电量。此外,如果数据的周期性越明显,则预测点会越多,更可省下越多耗电量。此外,在本实施例中,检查点的导入可用以更新预测模型,使其适应于数据趋势变动的环境。当更新预测模型时,其会越来越准确。
在本发明实施例中,要得知原始数据的周期,除前文所述方法外,亦可采取其它方式,例如数据收集模块收集一段时间数据后,预测模块将时域(Time Domain)数据(如图5A所示)以傅立叶转换至频域(FrequencyDomain)数据(如图5B所示)。之后,将频域数据的低频部分滤掉,并将高频数值取倒数即为所求的数据周期。
在本发明实施例中,数据的收集可以滑动窗口(Sliding Window)进行,亦即保留最近k(k为正整数)笔数据数值以计算估计值,k值表示数据的新鲜度。估计值不限定为平均值,亦可以为中位数、众数、去偏值(Outlier)后的平均值等统计数值代替,等等。
在本发明实施例中,检查点的设立方式除了用既定机率决定外,亦可以其它方式实施,例如非参数模型(Non-Parametric Models)方式。非参数模型方式是指,当新数据加进预测模型时,会检查此模型内的对应时间点上的其它数据数值与新数据数值的差距。当差距小于一定范围内的其它数据个数过于稀少时,则此新数据被判定为一偏点。若在某时间点上的偏点过多,则可将此时间点设为检查点。
综上所述,在本发明实施例中,信息收集模块110与信息处理模块120的架构不对称,亦即,信息收集模块110的运算能力较弱,而信息处理模块120的运算能力较强。如此,复杂的预测运算(如趋势运算、动态调整预测模型等)由信息处理模块120进行。此外,更可针对据数据特性或使用者参数,基于机率理论来自动决定感测间隔(亦即,在哪些时间点,要真正感测数据,在哪些时间点不需要感测数据)。此外,更可适应性动态的改变预测模型。如此,可达到延长无线传感器的电池寿命。
综上所述,虽然本发明已以一实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求范围所界定的为准。
Claims (17)
1.一种无线传感器网络,包括:
一信息处理模块,发出一感测指令;以及
一信息收集模块,接收由该信息处理模块所传来的该感测指令,以收集一原始数据并回传给该信息处理模块;
其中,
该信息处理模块找出该原始数据的一趋势以建立一预测模型;
根据所建立出的该预测模型,该信息处理模块更新该感测指令并传给该信息收集模块;
该信息收集模块根据该感测指令,以决定在一感测时间点是否要进行数据收集;
如果要,则该信息收集模块收集该原始数据并回传给该信息处理模块;以及
如果不要,则该信息处理模块根据过去的该原始数据以得到一预估值,
该信息处理模块进一步包括:
一第一信息收发模块,用以在该信息收集模块与该信息处理模块之间进行该原始数据与该感测指令的收发;
一数据库,耦接于该第一信息收发模块,用以储存由该第一信息收发模块所接收的该原始数据;
一第一处理单元,耦接于该数据库,对该原始数据进行分析;以及
一预测模块,耦接于该第一处理单元,其找出该原始数据的该趋势,以建立与动态更新该预测模型;
其中如果该原始数据的一周期为已知,则将该原始数据的该周期输入至该预测模块;以及如果该原始数据的该周期为未知,则根据该信息收集模块所收集的该原始数据,该预测模块预测该原始数据的该周期。
2.如权利要求1所示的无线传感器网络,其中该信息收集模块包括:
一第二信息收发模块,用以在该信息收集模块与该信息处理模块之间进行该原始数据与该感测指令的收发;
一无线传感器,耦接至该第二信息收发模块,根据由该第二信息收发模块所收到的该感测指令而感测该原始数据;
一第二处理单元,控制该无线传感器,以将该原始数据通过该第二信息收发模块回传至该信息处理模块;以及
一执行模块,接收由该第二信息收发模块所收到的该感测指令,以决定在该感测时间点,该无线传感器是否要进行数据收集。
3.如权利要求2所示的无线传感器网络,其中,
该预测模块将该原始数据移位以得到一移位后数据,该预测模块比较该原始数据与该移位后数据间的相似度,以得知该原始数据的该周期;或者
该预测模块将该原始数据从一时域转换至一频域,将转换后的该原始数据的一低频部分滤掉,并将转换后的该原始数据的一高频数值取倒数,以得到该原始数据的该周期。
4.如权利要求2所示的无线传感器网络,其中,
根据该原始数据的该周期,该预测模块将该原始数据分段,并将该原始数据的各分段数据叠合,该预测模块计算出各分段数据在该感测时间点的一统计数值,以找出该原始数据的该趋势。
5.如权利要求4所示的无线传感器网络,其中,该统计数值包括一平均值与一变异数,
如果该变异数大于一临界值,则该信息收集模块收集该原始数据并回传给该信息处理模块以当成该回传值;以及
如果该变异数小于该临界值,该信息处理模块将该平均值当成该预估值。
6.如权利要求5所示的无线传感器网络,其中,
在该预测模型中,该预测模块定义一预测点、一感测点、一检查点与一感测机率;
如果在该感测时间点的该变异数大于该临界值,则将该感测时间点设为该感测点,在该感测点时,该无线传感器要进行数据的感测;
依据该感测机率或一非参数模型,该执行模块设定该预测点成为该检查点,在该检查点时,该无线传感器要进行数据的感测。
7.如权利要求6所示的无线传感器网络,其中,根据该信息收集模块所回传的该原始数据,该预测模块动态更新该预测模型。
8.如权利要求7所示的无线传感器网络,其中,当动态更新该预测模型时,该预测模块根据过去的该原始数据的该平均值、该变异数、一数据个数与新的该原始数据,以计算出新的该平均值与新的该变异数,并据以决定是否更新该预测模型。
9.如权利要求7所示的无线传感器网络,其中,当动态更新该预测模型时,该预测模块根据新的该原始数据来计算新的该平均值与新的该变异数,并据以决定是否更新该预测模型。
10.一种无线传感器网络的数据感测方法,包括:
发出一感测指令;
根据该感测指令,感测一原始数据;
找出该原始数据的一趋势,以建立一预测模型;
根据所建立出的该预测模型,更新该感测指令;
根据该更新后感测指令,以决定在一感测时间点是否要感测数据;
如果要,则感测该原始数据并回报给一使用者;
如果不要,则根据过去的该原始数据以得到一预估值,并回报给该使用者;其中如果该原始数据的一周期为已知,则输入该原始数据的该周期;以及如果该原始数据的该周期为未知,则根据所感测的该原始数据,预测该原始数据的该周期。
11.如权利要求10所示的无线传感器网络的数据感测方法,还包括:
储存所感测的该原始数据;
对该原始数据进行分析;以及
找出该原始数据的该趋势后,动态更新该预测模型。
12.如权利要求11所示的无线传感器网络的数据感测方法,其中,预测该原始数据的该周期的该步骤包括:
将该原始数据移位以得到一移位后数据,比较该原始数据与该移位后数据间的相似度,以得知该原始数据的该周期;或者
将该原始数据从一时域转换至一频域,将转换后的该原始数据的一低频部分滤掉,并将转换后的该原始数据的一高频数值取倒数,以得到该原始数据的该周期。
13.如权利要求11所示的无线传感器网络的数据感测方法,还包括:
根据该原始数据的该周期,将该原始数据分段;
将该原始数据的各分段数据叠合;
计算出各分段数据在该感测时间点的一统计数值,以找出该原始数据的该趋势。
14.如权利要求13所示的无线传感器网络的数据感测方法,其中,该统计数值包括一平均值与一变异值,
如果该变异数大于一临界值,则在该感测时间点,感测该原始数据并回报给该使用者;以及
如果该变异数小于该临界值,则在该感测时间点,以该原始数据的该平均值回报给该使用者。
15.如权利要求14所示的无线传感器网络的数据感测方法,还包括:
在该预测模型中,定义一预测点、一感测点、一检查点与一感测机率;
如果在该感测时间点的该变异数大于该临界值,则将该感测时间点设为该感测点,在该感测点时,要进行数据的感测;
依据该感测机率或一非参数模型,设定该预测点成为该检查点,在该检查点时,要进行数据的感测。
16.如权利要求15所示的无线传感器网络的数据感测方法,其中,动态更新该预测模型的该步骤包括:
根据过去的该原始数据的该平均值、该变异数、一数据个数与新的该原始数据,以计算出新的该平均值与新的该变异数,并据以决定是否更新该预测模型。
17.如权利要求15所示的无线传感器网络的数据感测方法,其中,动态更新该预测模型的该步骤包括:
根据新的该原始数据来计算新的该平均值与新的该变异数,并据以决定是否更新该预测模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101886033A CN101765226B (zh) | 2008-12-25 | 2008-12-25 | 无线传感器网络与其数据感测方法 |
US12/430,987 US8289150B2 (en) | 2008-12-05 | 2009-04-28 | Wireless sensor network and data sensing method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101886033A CN101765226B (zh) | 2008-12-25 | 2008-12-25 | 无线传感器网络与其数据感测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101765226A CN101765226A (zh) | 2010-06-30 |
CN101765226B true CN101765226B (zh) | 2012-07-25 |
Family
ID=42496171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101886033A Active CN101765226B (zh) | 2008-12-05 | 2008-12-25 | 无线传感器网络与其数据感测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101765226B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104394580B (zh) * | 2014-07-29 | 2019-01-04 | 湖南大学 | 基于模式统计的时间冗余数据消除方法 |
CN104683466B (zh) * | 2015-03-03 | 2018-01-09 | 友达光电股份有限公司 | 服务器及其运算方法 |
CN104933203B (zh) * | 2015-07-15 | 2018-07-06 | 中国科学院微电子研究所 | 一种无线传感网络中数据处理方法及装置 |
US10042340B2 (en) * | 2016-01-06 | 2018-08-07 | Johnson Controls Technology Company | Systems and methods for extending the battery life of a wireless sensor in a building control system |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007092522A2 (en) * | 2006-02-07 | 2007-08-16 | Deere & Company | Method of regulating wireless sensor network energy use |
CN101087311A (zh) * | 2006-02-12 | 2007-12-12 | 刘恒春 | 基于多协议模块结构的智慧型ad-hoc的自适应传感器网络 |
CN101267446A (zh) * | 2007-12-29 | 2008-09-17 | 中国科学院计算技术研究所 | 无线传感器网络的时域数据融合方法 |
-
2008
- 2008-12-25 CN CN2008101886033A patent/CN101765226B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007092522A2 (en) * | 2006-02-07 | 2007-08-16 | Deere & Company | Method of regulating wireless sensor network energy use |
CN101087311A (zh) * | 2006-02-12 | 2007-12-12 | 刘恒春 | 基于多协议模块结构的智慧型ad-hoc的自适应传感器网络 |
CN101267446A (zh) * | 2007-12-29 | 2008-09-17 | 中国科学院计算技术研究所 | 无线传感器网络的时域数据融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101765226A (zh) | 2010-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8289150B2 (en) | Wireless sensor network and data sensing method thereof | |
KR101990326B1 (ko) | 감가율 자동 조정 방식의 강화 학습 방법 | |
Jin et al. | Building occupancy forecasting: A systematical and critical review | |
CN101765226B (zh) | 无线传感器网络与其数据感测方法 | |
Estanjini et al. | Optimizing warehouse forklift dispatching using a sensor network and stochastic learning | |
CN101455056A (zh) | 基于远程服务器处的相关或学习对客户机设备进行本地化适配的方法和装置 | |
Koushanfar et al. | Sleeping coordination for comprehensive sensing using isotonic regression and domatic partitions | |
CN109840671B (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
KR101178669B1 (ko) | 모션 센싱을 이용한 usn 기반의 자산 추적 장치 및 방법 | |
KR20180024660A (ko) | 기계 학습 시스템 및 그의 사용자 제어 패턴 학습 방법 | |
CN103052128A (zh) | 一种基于无线传感器网络能量有效的协同调度方法 | |
Hribar et al. | Utilising correlated information to improve the sustainability of internet of things devices | |
Fraker et al. | Performance metrics for surveillance schemes | |
Zhang et al. | Multi-dimensional joint prediction model for IoT sensor data search | |
Cui et al. | Classification of data aggregation functions in wireless sensor networks | |
Zoumboulakis et al. | Complex event detection in extremely resource-constrained wireless sensor networks | |
CN115617606A (zh) | 设备监测方法和系统、电子设备、存储介质 | |
CN117078105A (zh) | 基于人工智能的生产质量监控方法及系统 | |
US20220012644A1 (en) | Method and system for monitoring a remote system | |
Han et al. | A novel deep-learning-based robust data transmission period control framework in iot edge computing system | |
KR102332248B1 (ko) | 다중상태 에너지 분류에 따른 비침입부하모니터링 성능 평가 시스템 및 방법 | |
Wang et al. | Efficient event detection using self-learning threshold for wireless sensor networks | |
TWI395151B (zh) | 無線感測器網路與其資料感測方法 | |
CN116070153A (zh) | 相控阵t/r组件故障参数的预测方法、装置、设备和介质 | |
Płaczek | Prediction-based data reduction with dynamic target node selection in IoT sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |