CN102149158B - 基于网格分簇的传感器网格数据融合方法 - Google Patents
基于网格分簇的传感器网格数据融合方法 Download PDFInfo
- Publication number
- CN102149158B CN102149158B CN2011100957207A CN201110095720A CN102149158B CN 102149158 B CN102149158 B CN 102149158B CN 2011100957207 A CN2011100957207 A CN 2011100957207A CN 201110095720 A CN201110095720 A CN 201110095720A CN 102149158 B CN102149158 B CN 102149158B
- Authority
- CN
- China
- Prior art keywords
- node
- data
- grid
- sensor
- wireless sensor
- 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.)
- Expired - Fee Related
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
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于网格分簇的传感器网格数据融合方法,其将任务分配给每个无线传感器网络的所有传感器节点后,在每个无线传感器网络中运行基于网格分簇的自适应遗传算法,根据所有传感器节点的感知数据找到最优传感器节点,进而找到一条通信代价最小的最优融合路由,移动代理沿最优融合路由对数据进行初步融合,将初步融合结果发送至该网络汇聚点节点;网格层采用自适应加权融合算法对数据进行深层次融合,得到最终的融合结果,以供用户决策使用。本方法能适用于传感器网格环境,对数据进行充分的处理,获得优良的融合结果;网格对数据的深层次融合,减少了无线传感器网络的能量消耗,延长了传感器网格的寿命。
Description
技术领域
本发明涉及网格计算和无线传感器网络相结合的技术领域,具体涉及一种传感器网格中基于网格分簇的数据融合方法。
背景技术
网格计算(Grid Computing)是近年来国际上兴起的一种重要信息技术,称之为21世纪的IT技术基础设施。网格本质上是一种以实现资源高度共享的分布式计算系统,它以虚拟组织的形式存在,用户或计算资源通过网络可以自愿地加入或撤出虚拟组织。
无线传感器网络(Wireless Sensor Network,WSN)是由大量体积小、成本低,且具有传感、数据处理和无线通信能力的传感器节点通过自组织方式组成的自治测控网络系统,是一种全新的信息获取和处理技术,能够在无人值守的监控区域实时监测、感知和采集感兴趣的环境参数(如光、温度、声音等),并最终通过节点间的无线通讯将所采集的数据传输到控制站点。
传感器网格(Sensor Grid)是将WSN和网格结合在一起构成的复合系统。一个Sensor Grid由WSN和传统的网格资源组成,像计算机、服务器、数据库、及用于处理和存储传感器数据的磁盘队列。传感器网格是WSN和网格计算集成的产物,它是两者的完美结合:首先,网格拥有的计算资源和存储资源可以对WSN收集到的大量数据进行处理、分析和存储;其次,同一个WSN所得数据可以通过网格平台同时被多个应用程序使用,传感数据使用更加方便,数据使用率同时提高;最后,在网格中可以利用数据挖掘、数据融合、分布式数据库等技术对其数据进行处理,获得传感数据的新知识。传感器网格以一种普适的方式无缝的访问海量资源,人工智能、数据融合、数据挖掘和分布式数据库处理中的先进技术能使传感数据更有意义,并能产生新的环境知识。反过来,产生的结果能够优化传感器的操作,或者影响执行器的操作以改变环境。因此,传感器网格非常适合自适应和普适计算应用领域。
传感器网格是一个相对较新的研究领域,各方面的研究还不是很成熟,研究传感器网格具有很大的挑战性,例如研究其中的数据融合方法。迄今为止,学者们提出了很多有关无线传感器网络数据融合的算法,以将大量传感器节点采集的海量数据进行处理、分析和存储,得到融合数据,把这些融合数据作为共享资源传给网格用户,以供用户决策使用,但是这些传统的网络数据融合算法不能很好的适用于传感器网格。这是因为传感器网格和无线传感器网络是两个差异性很大的网络,两者在物理层、通信协议、应用协议等各方面都不同;同时,传感器网格本身是动态的,允许WSN的加入和撤离,各种各样的错误都有可能产生使得网格任务的不正常执行,甚至是整个系统的崩溃。
因此,有必要提供一种适用于传感器网格的数据融合方法。
本发明涉及的参考文献:
[1]翟翌立,戴逸松,多传感器数据自适应加权融合估计算法的研究[J],计量学报,1998,19(1):12;
[2]陈明杰,刘胜,改进自适应遗传算法在函数优化中的应用研究[J],哈尔滨工程大学学报,2007,28(8):975-879。
发明内容
本发明的目的是提供一种基于网格分簇的传感器网格数据融合方法,适用于传感器网格,将大量传感器节点采集的海量数据进行处理、分析和存储,得到融合数据,把这些融合数据作为共享资源传给网格用户,以供用户决策使用。
为了实现上述目的,本发明提供了一种基于网格分簇的传感器网格数据融合方法,包括如下步骤:
(1)在传感器网格环境中,将用户提交的任务按照到达时的优先级创建队列;
(2)任务调度器按照队列中任务的先后次序将每个任务布置给所有无线传感器网络的网络汇聚节点;
(3)每个网络汇聚节点把当前布置的任务分配给对应无线传感器网络的所有网关节点,每个网关节点把任务分配给对应无线传感器网络的所有传感器节点,每个传感器节点根据任务进行数据感知;
(4)对每个无线传感器网络,将该无线传感器网络的所有传感器节点作为初始群体,并在初始群体的基础上产生子代群体,对每个产生的群体进行处理,直到找到每个无线传感器网络的最优传感器节点集;
(5)对每个无线传感器网络的最优传感器节点集,每个最优传感器节点将感知数据发送给对应无线传感器网络的网关节点,收到感知数据的网关节点就是对应无线传感器网络的最优网关节点;
(6)根据所有无线传感器网络的最优网关节点确定最优融合路由;
(7)对每个无线传感器网络,移动代理从该无线传感器网络的网络汇聚节点出发,沿着与该无线传感器网络对应的最优融合路由顺次访问最优网关节点,收集并初步融合最优网关节点中的数据,将初步融合结果发送至该网络汇聚节点;
(8)所有无线传感器网络的网络汇聚节点将接收的初步融合结果发送至网格层中的数据接口层,数据接口层把初步融合结果转化成网格数据格式,将格式转化后的数据发送至数据融合层;
(9)数据融合层采用自适应加权融合算法对收到的数据进行深层次融合,将深层次融合结果发送至数据存储层储存以辅助用户决策,
其中,所述步骤(4)中对每个产生的群体进行处理的步骤具体为:
(41)根据适应度函数计算当前群体中各个个体的适应度值;
(42)根据各个个体的适应度值,采用轮盘赌选择法从当前群体中选择适应度高的优势个体用于交叉操作;
(43)对选择的个体,以一定的概率Pc进行交叉操作;
(44)对选择的个体,以一定的概率Pm进行变异操作。
由步骤(4)、(5)和(6)知,最优网关节点组成了最优融合路径,由步骤(7)可知,移动代理沿最优融合路径收集并初步融合最优网关节点中的数据,由步骤(3)、(7)和(9)知,传感器节点采集数据和移动代理融合数据分离,降低了每个节点的能量消耗;另外,由(9)知,无线传感器网络能量有限,无法对大量数据进行深层次融合,网格对数据进一步融合,得到更加优良的融合结果。所以,与现有技术相比,本发明基于网格分簇的传感器网格数据融合方法具有如下特点:
1、结合已有的数据融合算法,对数据进行充分处理,能适用于传感器网格环境(见步骤(7)和(9));
2、本方法利用网关传递信息,利用移动代理进行初步融合,降低了传感器节点的能量消耗,延长了无线传感器网络的生命周期。(见步骤(3)和(7));3、在进行融合时,利用网格的高速处理能力,对数据进行高层次的处理,获得更加优良的结果,更好的帮助用户制定决策(见步骤(9));
通过以下的描述并结合附图,本发明将变得更加清晰,这些附图用于解释本发明的实施。
附图说明
图1为本发明基于网格分簇的传感器网格数据融合方法的流程图。
图2为图1所示基于网格分簇的传感器网格数据融合方法涉及的传感器网格数据融合框架示意图。
图3为图1所示基于网格分簇的传感器网格数据融合方法涉及的无线传感器网络的物理区域划分成逻辑网格的示意图
具体实施方式
现在参考附图描述本发明的实施例,附图中类似的元件标号代表类似的元件。
本发明基于网格分簇的传感器网格数据融合方法中,针对传感器网格设计了一个融合框架。如附图2所示,传感器网格被划分为两层,一层是网格层,另一层是无线传感器网络层。
网格层包括任务队列、任务调度器、数据接口层、数据融合层和数据存储层。任务队列主要负责把任务有序的组织到队列中,当用户发出任务请求,网格首先查找数据储存层是否有任务的执行结果,若有,数据储存层把结果发送给用户,否则,任务按照优先级进入队列排队;任务调度器按任务的优先级次序对任务进行调度;数据接口层的主要作用是屏蔽无线传感器网络与网格的差异,负责无线传感器网络和网格之间的正常通信;数据融合层接收数据接口层传来的数据,然后采用自适应加权融合算法对数据进行融合处理;数据存储层把数据融合层得到的融合结果存储起来,为用户服务;
无线传感器网络层包括多个无线传感器网络,每个无线传感器网络包括一个网络汇聚节点(Sink节点)、多个网关节点和多个传感器节点。每个无线传感器网络中的网络汇聚节点负责把任务分配给其所属网络内部的网关节点,还负责把移动代理(MA)传送来的数据传递给数据接口层;网关节点是所属网络内部的网络汇聚节点与传感器节点之间的桥梁,把接收到的任务请求部署给其区域内的传感器节点,并且接收来自区域内的传感器节点传输的感知数据;传感器节点负责采集任务感兴趣的数据,并把感知的数据传送给其所属网络的网关节点。
网关节点为从每个网格中选出的能量最大的传感器节点,其作用是向所在网格内的传感器节点广播网络汇聚节点发送的任务请求包。如果网关节点的剩余能量达到一定的阀值,则网格内能量最高的传感器节点接替当前网关节点成为新的网关节点,
如图3,每个无线传感器网络都被划分成大小合理的多个二维网格,每个二维网格中都有一个Sink节点、多个网关节点和多个传感器节点。不同二维网格中的Sink节点不能相互通信;每个二维网格中的相邻网格间的网关节点可以通信,不同二维网格之间的网关节点不能通信;不同网格之间的传感器节点不能相互通信,同一网格内的传感器节点可以相互通信。
每个二维网格都是边长为a的正方形,用xy坐标轴中的坐标(x,y)来标识网格。
假设无线传感器网络中的每个传感器节点都知道自己目前的位置。对任何位置,都有一个到网格坐标的映射。每个网格ID都通过[CX,CY]标识,网格中的每个传感器节点根据如下公式计算自己的CX和CY:
需要注意的是,网关节点更新时,新网关节点的坐标改成将被替代的网关节点的坐标,这样就不需要新节点发送给其他网关节点更新消息,减少了能量的消耗,延长了网络生命周期。
在本发明中,为了便于分析问题,假设传感器网格环境下,用户提交的任务为元任务,满足两个条件:一是,每个任务都是原子的和独立的,任务之间没有通讯和数据依赖;二是,系统一次只能执行一个任务,当一个任务被执行完成之后才能执行下一个任务。这里将传感器网格中n个相互独立的任务表示为T={t1,t2,...,tn}。基于这一假设,现在来说明本发明基于网格分簇的传感器网格数据融合方法,其过程分为三个阶段:分配任务阶段、寻找最优融合路由阶段、回送融合结果阶段。下面会对这三个阶段分别进行介绍。
分配任务阶段
分配任务阶段的具体实施过程是:在传感器网格融合框架(附图2)的支撑下,网格中的网格层接到用户提交的任务t1,t2,...,tn,任务t1,t2,...,tn按照优先级在任务队列Q中排序,任务排序依次为Q1,Q2,...Qn,任务调度器对任务队列Q中排列的任务Q1,Q2,...Qn进行调度,数据接口层把每个任务布置给所有无线传感器网络,每个无线传感器网络的网络汇聚节点(Sink节点)把接收到的任务分配给其所属网络内部的网关节点Gateway1,Gateway2,...,Gatewayn,每个网关节点把任务部署给其所属网络内部的传感器节点Sensor1、Sensor2,...,Sensorn,此时每个传感器节点根据任务对目标进行数据感知,得到感知数据。
寻找最优融合路由阶段
寻找最优融合路由的具体实施过程是:
(1)对每个无线传感器网络,运行基于网格分簇的自适应遗传算法,搜索该无线传感器网络内的最优传感器节点集;
(2)对每个无线传感器网络,每个最优传感器节点将感知数据发送给其所属网络内部的网关节点,收到感知数据的网关节点就是该网络内的最优网关节点,每个无线传感器网络的所有最优网关节点组成了多个融合路由,在该多个融合路由中确定最优融合路由,即通信代价最小的路径;
(3)对每个无线传感器网络,移动代理从该无线传感器网络的网络汇聚点节点出发,沿着与该无线传感器网络对应的最优融合路由顺次访问最优网关节点,收集并初步融合最优网关节点的数据,将初步融合结果发送至该网络汇聚点节点。
下面说明搜索每个无线传感器网络内的最优传感器节点集的过程。
对每个无线传感器网络,同时运行基于网格分簇的自适应遗传算法,在每个无线传感器网络中分别找出网络内的最优传感器节点。基于网格分簇的自适应遗传算法的基本运算步骤是:
步骤S101,将无线传感器网络的所有传感器节点作为初始群体;
步骤S102,对网关采用两层编码,第一层编码是移动代理依次经过网关节点的序号,第二层编码为二进制编码,‘1’表示该网关有效,即所在区域有最优传感器节点,‘0’表示网关节点无效,初始时,网关节点都是无效的;对剩下的传感器节点采用二进制编码,‘1’表示传感器节点可用,‘0’表示传感器节点无效,即没有电量或感知不到目标;
步骤S103,计算初始群体中所有传感器节点的适应度:第i个传感器节点v(i)的适应度F(i)的计算公式是:
其中,ωcon为较大常数以确保适应值非负;EG(i)为第i个传感器节点对目标的感知数据的有效性,G(i)是惩罚项。
EG(i)的表达式为:
其中,dit为节点v(i)到目标的距离;Dmax为目标的最大检测距离,由(3)式可以看出,dit小于Dmax时,节点可感知目标,否则不能感知目标。
G(i)的表达式为:
其中,EGT为累计信号增益阈值;λ为惩罚系数,可由实验调节。在本专利中,EGT为目标发射信号总和的70%,λ=0.6。
步骤S104,采用轮盘赌选择法从当前群体中选择出多个高适应度的传感器节点;
步骤S105,采用两点交叉(参考http://baike.baidu.com/view/45853.htm)作用于传感器节点的二进制编码(即传感器节点的基因),以交叉概率Pc’对选择的传感器节点进行交叉操作(较高的交叉概率Pc’有利于扩大搜索空间,在本算法中,交叉概率Pc’是自适应变化的,所以能保证群体的多样性及算法的收敛性),其中交叉概率Pc’为:
其中,fmax、fmin、fave分别为种群的最大适应度(即步骤S103计算出的最大适应度)、最小适应度(即步骤S103计算出的最小适应度)以及平均适应度(即步骤S103计算出的所有适应度的平均值),fave/fmax反应了种群内部适应度的分布情况,fmin/fmax反应了整个种群的集中程度。当fave/fmax>a且fmin/fmax>b时,判断为种群集中(即种群内部个体的适应度分布集中),此时概率Pc自适应调整增加;否则,判断为种群分散(即种群内部个体的适应度分布不集中),此时概率Pc保持不变。参数0.5<a<1,0<b<1,本算法中取a=0.65,b=0.01,Pc为0.85(参见参考文献2);
步骤S106,采用两点对换变异和反转变异(参考http://baike.baidu.com/view/45853.htm)作用于传感器节点的二进制编码(即传感器节点的基因),以变异概率Pm’对选择的传感器节点进行变异操作(较小的变异概率Pm’可避免搜索陷入完全的随机,在本算法中,变异概率Pm’是自适应变化的,所以能保证群体的多样性及算法的收敛性。),其中变异概率Pm’为:
其中,fmax、fmin、fave分别为种群的最大适应度(即步骤S103计算出的最大适应度)、最小适应度(即步骤S103计算出的最小适应度)以及平均适应度(即步骤S103计算出的所有适应度的平均值),fmin/fmax反应了整个种群的集中程度。当fave/fmax>a且fmin/fmax>b时,判断为种群集中(即种群内部个体的适应度分布集中),此时概率Pm自适应调整增加;否则,判断为种群分散(即种群内部个体的适应度分布不集中),此时概率Pm保持不变。参数0.5<a<1,0<b<1,本算法中取a=0.65,b=0.01,Pm为0.02(参见参考文献2);
步骤S107,进行交叉和变异操作后的传感器节点组成子代群体;
步骤S109,计算当前子代群体中各个传感器节点的适应度;
步骤S110,判断当前子代群体中各个传感器节点的适应度与上一子代群体中各个传感器节点的适应度的差值是否小于10-6,如果是(适应值趋稳定),继续下一步,如果否,转步骤S104;
步骤S111,将当前子代群体的所有传感器节点作为最优传感器节点集。
下面说明在该多个融合路由中确定最优融合路由的过程。
步骤S201,确定每两个最优网关节点之间的通信代价:假定移动代理(MA)融合数据过程中,移动代理传送单位数据量的代价为SMA,则最优网关节点v(i)到v(j)的通信代价ω(i,j)为:
其中,dij为最优网关节点v(i)和v(j)间的传输距离;Rmax为最优网关节点最大传输距离,假设SMA为1,由(7)式可以看出,最优网关节点v(i)到v(j)的代价ω(i,j)只与最优网关节点v(i)和v(j)间的传输距离dij的平方成正比;
步骤S202,根据所有最优网关节点之间的通信代价确定最优融合路由:最优融合路由满足以下公式:
其中,min表示取最小值,xij表示最优网关节点v(i)与v(j)之间的连通状态,“1”表示可以通信,“0”表示不能通信;ω(i,j)为最优网关节点v(i)到v(j)的通信代价。
回送融合结果阶段
所有网络汇聚节点将接收的初步融合结果发送至网格层中的数据接口层,数据接口层把初步融合结果进行格式转化,转化成网格数据格式,将格式转化后的初步融合结果发送给数据融合层;数据融合层采用自适应加权融合算法(参见参考文献1)对收到的数据进行深层次融合,将深层次融合结果发送至数据存储层储存以辅助用户决策。
下面详细说明本发明基于网格分簇的传感器网格数据融合方法,需要注意的是:各无线传感器网络同时执行任务,寻找区域内的最优传感器节点集,各个无线传感器网络互不影响。参考图1,所述方法包括如下步骤:
步骤S1,根据用户提交的任务t0,t1,...,tn创建任务集T,任务集T中的任务t0,t1,...,tn按照到达时的优先级创建队列Q,队列Q中的任务排序依次为Q1,Q2,...Qn,根据所有Sinki(i=1,2...n)创建集合Z;
步骤S2,按照队列Q中任务的先后次序,任务调度器将排序最前的一个任务Qi布置给集合Z中的所有Sink节点Sinki(i=1,2...n);
步骤S3,取集合Z中的一个Sinki节点,把当前布置的任务Qi分配给Sinki节点所属网络内的所有网关节点Gateway1...Gatewayn;每个网关节点把任务部署给其所属网络内部的所有传感器节点Sensor1、Sensor2,...,Sensorn,此时每个传感器节点根据任务对目标进行数据感知,得到对目标的感知数据;
步骤S4,将无线传感器网络的所有传感器节点作为初始群体P(0);
步骤S5,根据所有传感器节的感知数据计算当前群体P(t)中各个传感器节点的适应度;
步骤S6,采用轮盘赌选择法从当前群体P(t)中选择适应度高的优势个体,采用两点交叉作用于二进制编码,以交叉概率Pc进行交叉操作,采用两点对换变异和反转变异作用于二进制编码,以变异概率Pm进行变异操作;
步骤S7,进行交叉和变异操作后的传感器节点组成子代群体P(t);
步骤S8,计算当前子代群体P(t)中各个传感器节点的适应度;
步骤S9,判断当前子代群体P(t)中各个传感器节点的适应度与上一子代群体中各个传感器节点的适应度的差值是否小于10-6,如果是(适应值趋稳定),继续下一步,如果否,转步骤S6;
步骤S10,将当前子代群体的所有传感器节点作为最优传感器节点集;
步骤S11,最优传感器节点将数据传送给其所属区域的网关节点,将传感数据的最优网关节点之间通信代价最小的路径作为最优融合路由;
步骤S12,输出Sinki区域中最优融合路由中的网关节点序列(前面步骤S102已经对网关节点进行了编码),移动代理从Sinki出发,沿着网关节点序列顺次访问最优网关节点,收集并初步融合数据,把初步融合结果传送给本区域的Sinki节点;
步骤S13,从集合Z中删除Sinki,更新集合Z;
步骤S14,判断集合Z是否为空,如果否,转步骤S3,如果是,继续下一步;
步骤S15,所有Sink节点把得到的初步融合结果交给网格层中的数据接口层,数据接口层把数据抽象成网格服务,交给数据融合层;
步骤S16,数据融合层采用自适应加权融合算法对数据深层次融合,然后把深层融合结果传给数据存储层储存,辅助用户决策;
步骤S17,删除任务Qi,更新队列Q;
步骤S18,判断任务集T是否为空,如果否,转步骤S2,如果是,结束。
由上述技术方案可知,由(4)、(5)、(6)和(7)知,最优网关节点组成了最优融合路由,移动代理沿最优融合路由收集并初步融合最优网关节点中的数据,采集任务和融合任务分离,降低了每个节点的能量消耗;另外,由(12)知,无线传感器网络能量有限,无法对大量数据进行深层次融合,网格对数据进一步融合,得到更加优良的融合结果。所以,本发明基于网格分簇的传感器网格数据融合方法具有如下特点:
1、结合已有的数据融合算法和传感器网格特性,能适用于传感器网格环境;
2、在进行融合时,利用网格的高速处理能力,对数据进行进一步的处理,获得更加优良的结果,能帮助人们制定决策;
3、本方法充分考虑到了系统的能量有效性和生命周期。
以上结合最佳实施例对本发明进行了描述,但本发明并不局限于以上揭示的实施例,而应当涵盖各种根据本发明的本质进行的修改、等效组合。
Claims (1)
1.一种基于网格分簇的传感器网格数据融合方法,包括如下步骤:
(1)在传感器网格环境中,将用户提交的任务按照到达时的优先级创建队列;
(2)任务调度器按照队列中任务的先后次序将每个任务布置给所有无线传感器网络的网络汇聚节点;
(3)每个网络汇聚节点把当前布置的任务分配给对应无线传感器网络的所有网关节点,每个网关节点把任务分配给对应无线传感器网络的所有传感器节点,每个传感器节点根据任务对目标进行数据感知;
(4)对每个无线传感器网络,将该无线传感器网络的所有传感器节点作为初始群体,并在初始群体的基础上产生子代群体,对每个产生的群体进行处理,直到找到每个无线传感器网络的最优传感器节点集;
(5)对每个无线传感器网络的最优传感器节点集,每个最优传感器节点将感知数据发送给对应无线传感器网络的网关节点,收到感知数据的网关节点就是对应无线传感器网络的最优网关节点;
(6)根据所有无线传感器网络的最优网关节点确定通信代价最小的最优融合路由;
(7)对每个无线传感器网络,移动代理从该无线传感器网络的网络汇聚节点出发,沿着与该无线传感器网络对应的最优融合路由顺次访问最优网关节点,收集并初步融合最优网关节点中的数据,将初步融合结果发送至该网络汇聚节点;
(8)所有无线传感器网络的网络汇聚节点将接收的初步融合结果发送至网格层中的数据接口层,数据接口层把初步融合结果转化成网格数据格式,将格式转化后的数据发送至数据融合层;
(9)数据融合层采用自适应加权融合算法对收到的数据进行深层次融合,将深层次融合结果发送至数据存储层储存以辅助用户决策,
其中,所述步骤(4)中在初始群体的基础上产生子代群体,对每个产生的群体进行处理,直到找到每个无线传感器网络的最优传感器节点集的步骤具体为:
采用轮盘赌选择法从当前群体中选择出多个传感器节点,对选择出的节点进行交叉和变异操作,直到交叉和变异操作后的传感器节点组成的子代群体的适应度与上一子代群体中各个传感器节点的适应度的差值小于10-6,此时将当前子代群体的所有传感器节点作为最优传感器节点集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100957207A CN102149158B (zh) | 2011-04-18 | 2011-04-18 | 基于网格分簇的传感器网格数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100957207A CN102149158B (zh) | 2011-04-18 | 2011-04-18 | 基于网格分簇的传感器网格数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102149158A CN102149158A (zh) | 2011-08-10 |
CN102149158B true CN102149158B (zh) | 2013-07-24 |
Family
ID=44423087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100957207A Expired - Fee Related CN102149158B (zh) | 2011-04-18 | 2011-04-18 | 基于网格分簇的传感器网格数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102149158B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103296749B (zh) * | 2012-02-24 | 2016-07-06 | 江苏省帕瓦电力技术有限公司 | 一种基于无线传感网的电网状态信息的处理方法及系统 |
CN102801720B (zh) * | 2012-08-08 | 2015-04-08 | 浙江树人大学 | 一种机构调控、契约担保的层次式协同自组织方法 |
CN103826285A (zh) * | 2014-03-20 | 2014-05-28 | 南京农业大学 | 一种无线传感器网络簇首选举及其轮换方法 |
CN104023356B (zh) * | 2014-06-26 | 2017-06-23 | 南京农业大学 | 一种面向设施环境控制的无线传感器网络数据传输方法 |
CN106921710B (zh) * | 2015-12-25 | 2020-03-13 | 中兴通讯股份有限公司 | 一种群智感知方法及装置 |
CN105954744B (zh) * | 2016-04-21 | 2018-07-27 | 北京科技大学 | 一种双向测距方法及系统 |
CN106412811B (zh) * | 2016-11-27 | 2019-08-13 | 福建农林大学 | 一种基于数据均匀性加权的传感器网络数据融合方法 |
CN107144843B (zh) * | 2017-04-25 | 2019-12-31 | 西安电子科技大学 | 基于图结构任务调度的并行测距方法 |
CN107182100B (zh) * | 2017-05-08 | 2020-02-21 | 姜飞 | 用于无线传感器网络的移动代理的路由方法 |
CN107148034A (zh) * | 2017-05-08 | 2017-09-08 | 姜飞 | 基于地理网格和移动代理的无线传感网络管理方法和系统 |
CN107257572A (zh) * | 2017-07-31 | 2017-10-17 | 广东工业大学 | 一种无线传感网的分簇路由方法 |
CN107994948B (zh) * | 2017-12-30 | 2023-04-28 | 山东省科学院海洋仪器仪表研究所 | 一种用于水下异构传感器网络的移动Sink路径规划方法 |
CN107942716A (zh) * | 2018-01-02 | 2018-04-20 | 潘永森 | 一种智能家居环境控制系统 |
CN108900322A (zh) * | 2018-06-08 | 2018-11-27 | 苏州科技大学 | 一种工业无线网络接入与多约束多径路由系统及方法 |
CN110048945B (zh) * | 2019-04-24 | 2021-03-02 | 湖南城市学院 | 一种节点移动性分簇方法及系统 |
CN110798848A (zh) * | 2019-09-27 | 2020-02-14 | 国家电网有限公司 | 无线传感器数据融合方法及装置、可读存储介质和终端 |
CN112153594B (zh) * | 2020-09-25 | 2021-09-07 | 天津大学 | 一种基于启发式算法的无线传感器网络任务分配方法 |
CN112580702B (zh) * | 2020-12-10 | 2024-01-23 | 深圳技术大学 | 多传感器协同感知方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101252543A (zh) * | 2008-04-11 | 2008-08-27 | 北京交通大学 | 一种应用于无线传感器网络的快速数据融合算法 |
CN101471952A (zh) * | 2007-12-28 | 2009-07-01 | 中国科学院软件研究所 | 一种无线传感器网络层级结构数据融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090043862A (ko) * | 2007-10-30 | 2009-05-07 | 울산대학교 산학협력단 | 심볼별 빈도 분포 정보 기반의 관찰 데이터 처리 방법 및이를 적용한 센서네트워크 장치 |
-
2011
- 2011-04-18 CN CN2011100957207A patent/CN102149158B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101471952A (zh) * | 2007-12-28 | 2009-07-01 | 中国科学院软件研究所 | 一种无线传感器网络层级结构数据融合方法 |
CN101252543A (zh) * | 2008-04-11 | 2008-08-27 | 北京交通大学 | 一种应用于无线传感器网络的快速数据融合算法 |
Non-Patent Citations (4)
Title |
---|
一种传感器网格自协同作战模型;鄢余武等;《指挥控制与仿真》;20080229;第30卷(第01期);全文 * |
一类三角形网格无线传感器网络监测性能评价方法;傅质馨等;《南京理工大学学报(自然科学版)》;20090228;第33卷(第01期);全文 * |
傅质馨等.一类三角形网格无线传感器网络监测性能评价方法.《南京理工大学学报(自然科学版)》.2009,第33卷(第01期),全文. |
鄢余武等.一种传感器网格自协同作战模型.《指挥控制与仿真》.2008,第30卷(第01期),全文. |
Also Published As
Publication number | Publication date |
---|---|
CN102149158A (zh) | 2011-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102149158B (zh) | 基于网格分簇的传感器网格数据融合方法 | |
Ahmad et al. | Toward modeling and optimization of features selection in Big Data based social Internet of Things | |
Arumugam et al. | EE-LEACH: development of energy-efficient LEACH Protocol for data gathering in WSN | |
Wang et al. | Spectral partitioning and fuzzy C-means based clustering algorithm for big data wireless sensor networks | |
CN101119303B (zh) | 基于动态聚类的多目标规划无线传感网路由算法 | |
Gavalas et al. | An approach for near-optimal distributed data fusion in wireless sensor networks | |
Brennand et al. | FOX: A traffic management system of computer-based vehicles FOG | |
Yalçın et al. | TEO-MCRP: Thermal exchange optimization-based clustering routing protocol with a mobile sink for wireless sensor networks | |
CN107613480B (zh) | 一种基于树状簇与移动元素的数据收集方法 | |
CN103259744A (zh) | 一种基于分簇的移动虚拟网络映射方法 | |
Praveen et al. | Energy efficient congestion aware resource allocation and routing protocol for IoT network using hybrid optimization techniques | |
Saranraj et al. | A novel data aggregation using multi objective based male lion optimization algorithm (DA-MOMLOA) in wireless sensor network | |
Tang et al. | ST-DeLTA: A novel spatial-temporal value network aided deep learning based intelligent network traffic control system | |
Guo et al. | Joint optimization of delay and cost for microservice composition in mobile edge computing | |
Liao et al. | Vehicle mobility-based geographical migration of fog resource for satellite-enabled smart cities | |
Chen et al. | Artificial intelligence-empowered path selection: A survey of ant colony optimization for static and mobile sensor networks | |
Tuyishimire et al. | Optimal clustering for efficient data muling in the internet-of-things in motion | |
CN103281233A (zh) | 一种泛在传感网系统架构及其实现方法 | |
Chen et al. | A Lifetime Optimization Algorithm Limited by Data Transmission Delay and Hops for Mobile Sink‐Based Wireless Sensor Networks | |
Bai et al. | GA-DCTSP: An intelligent active data processing scheme for UAV-enabled edge computing | |
Fu et al. | Top-k taxi recommendation in realtime social-aware ridesharing services | |
Wala et al. | Energy efficient data collection in smart cities using iot | |
Boukerche et al. | A novel two-mode QoS-aware mobile charger scheduling method for achieving sustainable wireless sensor networks | |
Barros et al. | Load balancing in D2D networks using reinforcement learning | |
Gobinath et al. | RETRACTED ARTICLE: RFDCAR: Robust failure node detection and dynamic congestion aware routing with network coding technique for wireless sensor network |
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 | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130724 Termination date: 20140418 |