CN102740340A - 面向无线传感器网络簇内同构型节点的数据汇聚方法 - Google Patents
面向无线传感器网络簇内同构型节点的数据汇聚方法 Download PDFInfo
- Publication number
- CN102740340A CN102740340A CN2012102503951A CN201210250395A CN102740340A CN 102740340 A CN102740340 A CN 102740340A CN 2012102503951 A CN2012102503951 A CN 2012102503951A CN 201210250395 A CN201210250395 A CN 201210250395A CN 102740340 A CN102740340 A CN 102740340A
- Authority
- CN
- China
- Prior art keywords
- node
- bunch
- centerdot
- value
- epicycle
- 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.)
- Granted
Links
Images
Landscapes
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种面向无线传感器网络簇内同构型节点的数据汇聚方法。簇内节点每轮根据数据汇聚结果与自测数据自己评定下轮的测量置信等级;簇首依当前工作节点数选择汇聚策略,根据节点自报置信等级与测量值,按加权规则确定本轮的权系数,再以加权滤波结果作为汇聚值。节点数较多时采用加权伪中值滤波;节点数少时按加权中值滤波计算汇聚初值,节点据此初值重评置信等级后报簇首,簇首按加权平均计算汇聚值并上报。基于加权规则和中值滤波的鲁棒性,本方法使簇内同构节点的数据汇聚在高故障率下能保持较高精度和低能耗,在正常节点冗余量较低时还能保证汇聚结果正确,且故障节点恢复正常可重新工作。
Description
技术领域
本发明属于无线传感器网络信息处理领域,涉及一种面向无线传感器网络簇内同构型节点的数据汇聚方法。
背景技术
无线传感器网络(WSN)作为一种新兴的信息采集与监测技术,在工业、军事、交通、医疗等领域有着广阔的应用前景。WSN一般由部署在同一区域的低成本或廉价传感器节点组成,通过多个节点协同监测同一环境对象或目标,并将它们的监测结果交给汇聚节点或基站进行融合处理,从而实现对所处环境目标或对象的有效而可靠的监测。然而,节点的能量供给和处理能力有限以及网络本身可能处于恶劣环境等因素造成无线传感器网络节点容易出现各种故障或错误,影响网络监测结果的正确性和可靠性,容易造成网络对监测对象的误判。由于节点被干扰和发生故障不可避免,因此,一方面网络与节点都需具备检查发现或诊断故障的能力,另一方面,网络也应该可以容许部分节点发生错误或故障。从数据汇聚方法上使得WSN能够容错而又节能对无线传感器网络保持和提高性能至关重要。
针对WSN所处环境的复杂性和无线通信本身的不可靠性,在WSN的应用中常用多节点同时监测同一环境对象的协同工作方式。这使WSN的观测信息在时间和空间上存在冗余。存在冗余性显然有利于提高监测的准确性与可靠性,其前提是要求无线传感器网络或节点能够通过信息处理自识别错误和故障或者能避免它们对监测结果的影响。
因此,有必要设计一种面向无线传感器网络簇内同构型节点的数据汇聚方法。
发明内容
本发明所要解决的技术问题是提供一种面向无线传感器网络簇内同构型节点的数据汇聚方法,该面向无线传感器网络簇内同构型节点的数据汇聚方法能在高故障率下针对簇内不同成员节点数和不同故障情况下实施节能的具有容错性的数据汇聚。
发明的技术解决方案如下:
一种面向无线传感器网络簇内同构型节点的数据汇聚方法,该方法面向分簇结构的无线传感器网络,由簇首节点与簇成员节点按多节点协同工作流程实现数据汇聚,其中簇首节点的操作步骤如下:
a)初始时刻,把簇内节点的测量值的权系数都设为1,当分簇时确定的本簇成员节点总数超过20时,从中随机选取10~12个节点参与首轮监测;
b)从第一轮开始,每三轮一次,根据所接收的成员节点发送的环境噪声观测值,采用贝塞尔公式估计环境的白噪声水平σ,以σ作为成员节点自己评判是否存在故障的误差信号参考值;然后将其无线通信模块置于发送状态,发送σ给簇内成员,每三轮更新一次σ值;
c)将无线通信模块转入接收状态,接收本轮工作的各成员节点报送的经过滤波处理的测量值,以及各节点前一轮自己评定的本轮测量的可信等级(首轮不需要)【置信等级是节点按自评规则(后面有论述)确定的等级标示符号】,根据当前参与汇聚的簇成员节点数和节点测量值的置信等级以及对故障的预估最差情况,按权系数计算规则确定各节点监测值的权系数,将无线通信模块转入等待状态;
d)若当前工作的簇内成员节点数为8以上,则选用加权伪中值滤波策略,以当前工作的成员节点报送的监测数据的加权伪中值作为本轮的最终汇聚结果,转步骤g;否则进入下一步;
e)若当前工作的簇内成员节点数为7以下,则将无线通信模块转入发送状态,再依据该轮工作的成员节点报送的监测数据,采用加权中值滤波策略计算汇聚结果,将该汇聚结果作为本轮的汇聚初值发送给簇内成员;将无线通信模块转入接收状态,等待接收成员节点本轮第二次发送数据;
f)将第二次接收的成员节点的监测值和置信等级与其本轮中节点第一次报送的监测值对比,对两次置信等级一致的各成员节点的测量值进行加权均值计算,以此结果作为本轮的汇聚结果;
g)将无线通信模块转入发送状态,将本轮汇聚结果报送上级节点并广播给簇内成员,以此结果作为成员更新其监测值置信等级的判别标准,同时,发送根据成员节点的置信等级与已工作轮数确定的簇成员节点下轮工作或休眠的节点调度信息,该信息包括下一轮轮休一次的节点号码和参与工作的节点号码及其报送数据的顺序【除非发出个别调整次序,否则该顺序一般为按号码数值先小后大的次序】;进入休眠,休眠结束后转下一步;
h)重复b~g步骤。
本轮工作的簇内任一成员节点的操作步骤如下:
1)启用传感器采集监测信号,采用7点或9点中值滤波消除测量信号中的脉动噪声干扰;若当前轮为每三轮一次的环境噪声信号采集轮,则以节点中低于工作电压的稳定电压参考源(由微控制器内配置的或节点电路设置的)的输出电压作为输入时的节点采样值,并使用滤波窗口宽度为5的中值滤波器滤除其中的脉动干扰噪声后计算环境背景噪声信息;
2)将自己的无线通信模块转入发送状态,根据簇首调度命令指定的节点数据报送顺序【一般来说即成员节点号码次序】,在轮到本节点发送时向簇首节点发送本轮已经滤波处理的监测值和与其对应的监测值的置信等级、以及每三轮发送一次的环境噪声测量数据,然后将无线通信模块转入接收状态,等待并接收簇首信息;
3)若接收到簇首发布的是本轮的汇聚初值,则据此值判定节点自身是否属于新生的明显故障节点;若自判为本轮新生明显故障节点,则按退出和加入规则自动退出本轮汇聚,待以后恢复正常后向簇首发送数据申请重新加入;若非明显故障节点,则将无线通信模块转入发送状态,按自己的顺序号,将监测结果重新发送簇首,以排除通信错误或故障影响,然后无线通信模块重新转入接收状态,等待并接收簇首信息;
4)若收到的是本轮的最终汇聚结果,则依据该结果按自评规则更新自己监测值的置信等级;
5)根据簇首发布的调度命令,确定自己是参加下一个轮次工作或者下一轮休眠;
6)按周期时间休眠后重复1)~5)步骤。
其步骤b)中,σ=med(σ1,σ2,…,σn),其中yi是自诊断为正常的当前轮次的工作节点在参考值输入下的监测值经中值滤波后的结果,式中med表示对采样序列进行升序或降序排列然后取位于中间位置的值或中间位置的均值【数目一般选为奇数,取最中间的值作为结果;若数目为偶数,则取最中间的2个值的均值作为结果】。
其步骤c)中,根据下述权系数计算规则确定汇聚计算的权系数:
正常节点的权系数Wn应满足:
式中,N为簇内当前参与监测、汇聚工作的成员节点数目【不包括休眠节点,只是参与当前汇聚的簇内节点】,α为根据任务可靠性要求或者节点可靠度给出的每一轮次汇聚时所允许的最大故障率,也即当前的故障节点占当前轮次工作节点总数的比例,【α一般要求低于67%】,本轮开始时无检测故障节点也即正常节点出现的比率为β,β=1-α,边缘故障节点占故障节点数的比率为δ(低于67%);γ为当前轮中由正常节点转为明显故障节点的比率(γ小于50%),Wb、Wn为簇首根据节点测量值的置信等级(Sb或Sn)对节点报送的数据进行加权处理的权系数,对于置信等级标示为Sb的节点,其权系数为Wb=1,对于置信等级为Sn的节点,其Wn取满足式2的最小整数,对置信等级为Sf的节点,其权系数设为0(该类节点即明显故障节点,不参加汇聚,所以在式1中未出现Wf);式1~3式中表示向上取最小的大于该数的整数,表示向下取最大的小于该数的整数,式2中分母必须为大于等于1的数,即须保证确保正常点有冗余,也即使得汇聚节点接收正确的正常节点数量比被误判为正常点的故障点与通信错误点的数量和至少多1。
其步骤d)中,进行数据滤波的方法如下式:
式4
其中wi是节点监测数据的加权系数,即根据所述权系数计算规则确定的权值,当i节点的置信等级为Sn时,wi为Wn,当i节点的置信等级为Sb时,wi为Wb,Zi是各节点发送的监测值,PM表示求伪中值(PseudoMedian),计算方法为:
其中:L=(N+1)/2或L=N/2,L为整数,N为参与汇聚的节点个数。
其步骤e)中,获取汇聚结果初值为:
式6
当汇聚节点发送汇聚初值后再次接收到成员节点发送的数据时,对各节点两次传送结果与置信等级相同的节点按下式进行加权均值计算,此加权均值为本轮的最终汇聚结果:
其步骤2)及步骤4)中,成员节点按簇首指派顺序向簇首发送自身的测量值Zi与自身的当前置信等级;初始时刻各节点的权值自设为1,后续时刻发送的置信等级为节点通过自评最新的置信等级,自评规则如下:
若Δ>3σ,则认为其为明显故障节点,其置信等级标示为Sf;
若2σ≤Δ≤3σ,则认为其为边缘故障节点,其置信等级标示为Sb;
若2σ>Δ,则认为其为正常节点,其置信等级标示为Sn。
其步骤3)中,当节点接收的是簇首发布的汇聚初值时,节点根据下式判定自身是否属于本轮新生故障节点,
步骤g中,簇首根据簇成员节点维持非Sf置信等级的节点个数,再加上本轮处于休眠的非Sf置信等级的节点个数,得出下轮可用节点数目;若下轮可用节点数目大于或等于初始可用个数的50%,则按各节点当前的累计工作轮数,优先选择工作总轮次数少也即通信开支小、剩余能量多的节点为下一轮的工作节点,参与下一轮节点个数不少于初始可用数的50%(当簇内正常成员节点数小于8时,不再安排节点轮休),其他未选中的节点则休眠一个轮次。
步骤3)中所述的自判为新生故障点的节点的退出与加入规则如下:根据所述更新监测值置信等级规则,当节点自判为明显故障的节点时,自动停止发送数据,以避免增加通信量,但其还将按网络工作时序继续自行监测和侦听汇聚结果,若发现监测结果恢复正常,则根据本轮的最终汇聚结果自定置信等级,于下一轮待其他节点依次报送数据之后报送数据,也即重新加入汇聚过程。
上述方法应按照分别给定的簇首和节点的流程图和时序图协调配合工作以及转换收、发状态,才能达到本发明所称的节能和容错效果。
本发明的技术构思如下:
节点观测信息的冗余性可从一定程度上确保最终结果的正确性,但同时也增加了网络的信息处理与通信负担,其中通信负担是最主要的。由于通信环节是无线传感器网络最耗能的环节,而传感器节点往往是电池供电,为保证网络寿命必需控制整网的通信代价。如果能在一定的观测信息冗余度和通信量受控条件下保持WSN观测的正确性,这对减轻网络负担非常有利。因此,有必要将故障自诊断或者容错性与数据汇聚结合,以便在出现故障节点情况下WSN能有效排除或避免节点故障或者观测错误的影响,并通过有效的汇聚算法获得尽可能准确的监测结果。
中值型滤波是一种简单有效的非线性滤波方法,本身具有较好的鲁棒性和抑制脉冲干扰的能力,因而具备较好的容错能力。中值滤波与伪中值滤波及加权中值、加权伪中值滤波、加权均值滤波的定义依次如下:
中值滤波:Y=med(x1,x2,...,xN) (9)
伪中值滤波:
其中,L=N/2(N为偶数)或L=(N+1)/2(N为奇数)。
加权均值滤波:
以上式中med表示对采样序列进行升序或降序排列然后取位于中间位置的值或中间位置的均值。其算法本身简单有效,其在一维时域信号及二维图像信号处理上得到了广泛应用。中值滤波能有效抑制脉动噪声,当脉动噪声干扰的数据个数不超过滤波窗口宽度一半时,滤波结果不会受脉动噪声影响。中值滤波法应用于WSN数据融合时,只要故障节点数目或者观测错误的节点的数目不超过节点总数一半,那么网络的观测结果不会受节点的故障或错误的影响。伪中值(PM)具有与中值类似的性质,表示顺序从N个数据中选取L个数据,求出序列最大值中的最小值与序列最小值中的最大值,再对最大和最小值求平均,其中L=N/2或L=(N+1)/2。加权伪中值则先进行加权再进行伪中值运算,加权后窗口宽度较宽,运用伪中值运算能提高运算速度。加权伪中值具有一定的脉动抑制能力(也即一定的容错性),且含有一次平均运算后,具有更好的平滑性。
加权中值具有较好的容错性,然而节点数目较多时其运算较繁琐,伪中值具有比中值更好的平滑性能,其运算也较中值更为简单。均值是简单有效的滤除白噪声的方法,样本数目少时,均值相比于其它方法,其抑噪效果更为显著。
均值滤波是一种典型的线性滤波器,具有良好的白噪声抑制能力,缺点是对冲激性的脉动噪声敏感,对于一维信号,剔除脉动噪声影响后,采用均值滤波能有效抑制噪声。加权均值滤波在合适的权值下,能有效提高抑噪能力。
设定不同的权值即可改变节点被选择为滤波输出的概率,按照合理规则对可信节点赋予较高权值,对不可信节点赋予较低权值,即可保证在当前轮次参与汇聚的节点中故障节点超过50%的情况下网络仍能正常监测。本发明基于以上滤波原理和上述加权处理方法,对面向簇结构的无线传感器网络设计合理的汇聚方法,制定了汇聚过程中避免故障影响节点观测值的置信等级也即实现容错的加权规则。
有益效果:
本发明提供一种面向无线传感器网络簇内同构型节点的数据汇聚方法。簇内节点每轮根据数据汇聚结果与自测数据自己评定下轮的测量置信等级;簇首依当前工作节点数选择汇聚策略,根据节点自报置信等级与测量值,按加权规则确定本轮的权系数,再以加权滤波结果作为汇聚值。节点数较多时采用加权伪中值滤波;节点数少时按加权中值滤波计算汇聚初值,节点据此初值重评置信等级后报簇首,簇首按加权平均计算汇聚值并上报。基于加权规则和中值滤波的容错性,本方法使簇内同构节点的数据汇聚在高故障率下能保持较高精度和低能耗,在正常节点冗余量较低时还能保证汇聚结果正确,且故障节点恢复正常可重新工作。
本发明基于加权伪中值、加权中值及加权均值滤波的通过无线传感器网络簇内同构型节点故障自诊断与数据融合以实现有效数据汇聚。该方法针对高故障率情况下的簇内同构型无线传感器网络节点实现正确并可保持一定精度的数据汇聚,并根据测量数据偏差将节点故障分为明显故障与边缘故障。该方法针对簇内节点数目的多与少,采用不同的汇聚策略。节点数目较多时,在高故障率下通过分三级进行加权可以有效避免故障节点影响,得到具有较高精度的正确汇聚结果。在节点数目较少的情况下通过增加一次簇内通信,排除新增故障或避免通信故障的影响,降低对正常节点冗余量的要求,通过加权均值滤波得到有效的监测数据。该方法能够在较低的整网通信量下,有效保证无线传感器网络监测结果的正确与可靠性,适合于不同数目的同构型簇成员节点的数据汇聚。
附图说明
图1为簇首与簇成员节点实现多节点协同工作流程(注:图中虚线为节点与簇首之间的数据收、发时刻与方向)
图2为簇内节点数据汇聚过程时序示意图;其中(a)为成员节点数大于7时的汇聚时序(b)为成员节点数少于7时的汇聚时序;
图3为仿真原始信号与受白噪声脉动噪声干扰的信号波形图;
图4为存在故障影响的某些节点的监测信号输出示意图;
图5为对12个簇成员节点(每轮同时出现的故障节点最多有63%时)监测值的汇聚结果。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步详细说明:
实施例1:
本发明的流程图如图1所示,在面向无线传感器网络簇内同构型节点的数据汇聚方法中,针对同构型传感器节点监测同一目标时,由于多种原因可造成硬件模块性能退化、失效或损毁导致高节点故障率。不同节点、不同时刻的故障水平一般不同,故障可能为误差非常大的故障,称之为明显故障,输出幅值可能达到或超过测量量程上下限;或者传感器失效幅值极小,使观测量变为不规则或未知噪声信号。也可能是较小程度偏离真实水平的故障,称之为边缘故障。边缘故障节点达到一定程度时,网络的最终测量结果很容易受到这种故障的影响而偏离准确值。另外,数据传输通信过程中还可能出现随机通信故障。通过节点自诊断实现对其是否发生故障或是否为确定型的明显故障或为不同程度的边界故障进行判定,判定结果通过置信等级来表示,明显故障的节点数据的置信等级为Sf,这种节点不发送观测数据。
本发明针对同构型传感器节点监测同一对象,因此,节点所处环境的白噪声影响水平一致。白噪声幅值分布一般服从高斯分布,r~N(0,σ),按照统计理论,不同幅值的白噪声出现的概率如下:
P{|r|<σ}=0.6828 P{|r|<2σ}=0.9544 P{r|<3σ}=0.9974(14)
根据该规则,确定明显故障与边缘故障的方法为:各节点将自身置信等级与监测结果发送给簇首节点,簇首节点根据成员数及故障率等情况确定权值,对监测结果进行加权处理得到汇聚结果,并将结果广播给簇内节点。成员节点接收汇聚结果后,若其观测值与作为判别标准值的汇聚结果之差相比于白噪声标准差大于其3倍,则认为该节点发生了明显故障,其确定置信等级设为Sf,停止发送数据进行数据汇聚直至故障消除;对于偏差在3倍与2倍标准差范围之内的节点,视其为边缘故障节点,赋予置信等级Sb;对于偏差在2倍标准差范围之内的节点认为其为正常节点,赋予置信等级Sn。
上述过程涉及到初始时刻各节点的置信等级与权值、环境白噪声标准差获取、判别标准值的获取以及汇聚中的具体通信过程、以及置信等级与权值更新。
在监测初始时期,节点能量充足,产生故障可能性小,故障率一般不会超过50%,各节点置信等级都为Sn权值都赋为1。为增强WSN对环境变化的适应性,对节点所处环境的白噪声作周期性估计(例如每三轮数据汇聚之后重新估计一次环境白噪声),簇首节点根据各正常节点同一时段的节点零输入监测值yi按贝赛尔公式进行计算,对计算的n个白噪声标准差取中值。
σ=med(σ1,σ2,…,σn)(15)
其中:
初始时刻采用让各节点根据对自身某一常值信号测量进行噪声估计,簇首节点收到各节点的估计值后取其中值作为环境白噪声水平估计。
判别标准的产生即是数据融合、汇聚的过程,在某一轮的数据汇聚过程中各簇成员节点根据信道竞争结果依次向簇首发送自身的最新监测值与自身的测量置信等级,簇首根据当前接收到的成员节点测量数据与置信等级进行汇聚,得到本轮的汇聚结果该结果作为节点置信等级更新的判别标准值。簇首节点将该值上传给上级节点或基站的同时簇成员节点接收到该值。簇成员节点根据偏差值与σ的关系进行置信等级更新。得到节点本轮的置信等级Si。下一轮各成员节点得到新的监测值为zi(t+1),各节点又将依次传送自身的最新置信等级Si与最新监测值zi(t+1),重复上轮的动作。
上述汇聚过程中进行数据汇聚时,各节点采用的权值是依据前一轮的汇聚结果确定的置信等级,这样做有利于减少通信次数以节能。如果本轮中节点状态发生变化,部分正常节点有可能变为故障节点。当多个正常节点同一轮同时变为明显故障节点时,则故障节点的监测值很可能成为加权中值型滤波结果。为避免该情况,采用中值型滤波方法汇聚数据时需确定一种合适的加权策略,以保证汇聚结果不会过度偏离于真实值。簇首节点按下面的规则确定各个置信等级节点的加权系数,簇首对置信等级为Sb、Sn的节点的数据所确定的对应权系数为Wb、Wn。
设N为簇内待汇聚观测结果的节点数目,α为本次轮汇聚时刻所允许的最大故障率,则无检测故障出现概率为β(β=1-α),边缘故障节点占故障节点数的比率为δ。γ为本轮由正常节点转为明显故障节点的比率,为使融合结果为正确值。正常节点权值与边缘故障节点权值须满足条件:
Wb·N·αδ+Wn·N·βγ<Wn·Nβ(1-γ)(17)
节点数必需为整数,取整得:
由15式可得:
上式中分母必须为大于等于1的数,即须保证确保正常点有足够冗余,即使得汇聚节点接收正确的正常节点数量比被误判为正常点的故障点与通信错误点的数量和至少多1。由以上四式即可由故障率情况与节点数目得出权值W1的取值。
多个节点于同一时刻由正常状态转为故障状态概率较小。在节点数目较多情况下,正常节点冗余较多,此时采用上述加权方式的加权伪中值滤波方法可保证一定的数据汇聚精度。但随着故障增多,故障节点退出监测汇聚过程,参与汇聚的节点数目将变少,正常节点的冗余较少,这种情况下同一时刻几个节点出现故障将会影响到汇聚结果,使故障节点的监测值成为当前这一轮监测的汇聚结果。
针对节点数目少的情况,为避免新增故障节点影响采用加权中值获取初步汇聚结果,采用两次通信确认排除通信故障影响后,利用均值滤波值作为最后汇聚结果。采用加权中值滤波进行数据处理,更能保证汇聚结果为正常节点的值或边缘故障节点值,但不是故障节点的观测值。该初步结果返回给参与汇聚的成员节点,各节点比较自身监测值与汇聚初步结果值之差,若其绝对值超过白噪声水平σ,则认为其为新增故障节点,不参与该轮次汇聚,其绝对值之差不超过σ,则认为该节点为正常节点或边缘故障节点,将监测结果再次发送给簇首节点。簇首节点对比两次传送结果,结果不一致,则认为存在通信故障,该节点值不参与汇聚。对两次传送过来一致的节点数据进行加权均值计算,权值保持簇首节点确认的权值,加权均值结果作为最终汇聚结果。
上述过程中采用两次通信机制主要是为消除通信出错或故障的影响,节点数目较少时,通信错误和故障可能造成较大的影响。
图2为数据汇聚时簇首与簇成员节点的工作时序图,在成员节点数目不同的情况下各节点按各自的时序进行各自操作。
本发明涉及到中值、加权中值与加权伪中值、加权均值运算以及相互通信过程,汇聚过程中每个传感器节点主要进行一次中值运算与一次或两次权值更新运算,一次侦听通信,一次发送通信。中值滤波运算为滤除脉动噪声影响。汇聚节点,即簇首节点,进行一次加权伪中值处理运算或一次加权中值与均值运算,一次或两次上报通信,N次接收通信。整体的运算复杂度与在合理分簇与合理控制滤波窗口宽度且接收节点数据量合适的情况下不会很复杂整网通信量不会很大。
为说明该方法的有效性,以下对多节点在故障率较高、故障水平不同的情况下,采用一定加权规则处理后的汇聚结果与运算复杂度进行仿真分析。
仿真信号采用如附图3所示信号,实线代表真实信号,其为一段连续变化具有一定周期性的信号,包括趋势信号部份与常值信号部份。虚线表示受到噪声干扰后的信号,所受噪声包括白噪声与脉动噪声。白噪声r服从均值为0,标准差为0.1的高斯分布r~N(0,0.1)。所加脉动噪声为随机分布的脉动点宽度为0~3的幅值为5~10的脉动噪声。故障信号为一定幅度水平的偏离,如附图4所示为某一成员节点受故障影响时的监测输出曲线图,其中,时段0.5~1及1.5~2受到了明显故障的影响,时段3.75~4.5受到的是边缘故障的影响。
仿真中分别考虑了簇成员节点数为5~12个节点时的情况,各节点在滤除脉动噪声时采用了窗口宽度为7的中值滤波。仿真中白噪声的估计是根据簇成员节点于同一时刻对没有监测目标信号输入时节点的采样值(可视为环境白噪声)计算得到,各节点采用窗口宽度为5的中值滤波滤除环境白噪声采样值中的脉动噪声后发送给簇首,簇首再根据同一时刻各节点发送的一组测量值按贝塞尔公式(即公式16)计算出此组噪声的方差。以相同方式连续获得七个这样的白噪声水平估计值后,取它们的中值作为该时段簇成员节点所处环境的噪声水平值。
仿真结果如表1所示。其中权系数一项表示仿真中权系数的分级情况,具体加权方法如下:权系数向量为[wn wb wf],表示分别被判定为正常节点、边缘故障节点、明显故障节点时对应的权值,新增故障节点的权值在刚参与汇聚时会得到wn或wb的权值。将传感器节点监测值与其判别标准值的偏差分为几个等级,当节点监测值与判别标准值偏差取不同的值时赋予不同的权系数:Δ<2σ,置信等级为Sn,权值为wn;2σ≤Δ≤3σ,置信等级为Sb,权值为wb;3σ<Δ,置信等级为Sf,权值为wf。表中的故障率表示的是该轮汇聚中可能出现的最差情况下的本轮故障率,Nn,Nb,Nnf分别代表了本轮汇聚中的正常节点、边缘故障节点、新增故障节点数,而Nf为零说明以判明为故障节点的节点本轮不参加汇聚。实际中故障节点目一般会随着监测过程的延续不断增多,整体的故障率会不断提高。而每一轮的故障率最大允许值可接近67%。按表中所给权系数结合上述判别方法进行加权,可在较高故障率下得到较好的汇聚精度。
表1.不同情况下的数据汇聚结果
仿真中设置的多节点同一时刻出现故障的概率比实际情况大,按节点数分布最差情况作仿真得到的汇聚结果的精度在表中用δ表示,节点数目偏少时(10个以下)采用二次汇聚,并对比了在同一轮第二次汇聚中采用均值与加权伪中值滤波的结果。可以发现,节点数为7或更少时,采用均值滤波能获得更好的汇聚精度,参与汇聚的非明显故障节点减少后采用均值融合效果更好,采用加权伪中值容易受边缘故障节点影响。数据传输过程中各节点数据可以出现通信错误,仿真考虑了一定通信故障率下的数据汇聚,设置节点通信误码造成的数据错误率为0.5%。仿真结果表明,通过加权伪中值滤波,在较低通信故障率且不使用通信确认帧情况下,汇聚结果仍然能避免通信故障影响。实际应用中采用该方法,可以节省互发通信确认帧的能量消耗。
仿真表明汇聚结果精度较高,在高故障率下,通过自诊断与数据融合不仅能有效消除故障影响,通过各节点各自的中值滤波及簇首节点的加权伪中值的平滑作用有效削弱了白噪声干扰,由附图4所示的仿真结果可以发现汇聚结果非常接近真实值。从表1中的仿真数据也可发现,汇聚结果误差标准差下降了80%左右。且随着参与融合汇聚节点数目的增多,数据汇聚精度会提高。但其提高是以增加运算量为代价的。以下具体分析以本方法进行数据汇聚的运算复杂度。
完成一次数据汇聚各传感器节点需进行一次中值运算并进行一次或两次故障判别,簇首节点进行一次加权伪中值运算。本方法主要涉及中值与伪中值运算,需通过比较与赋值进行排序。对于窗口宽度为N的中值滤波,极端情况下每求一次中值需进行2m2-3m+1(N为偶数时m=N/2,为奇数时m=(N+1)/2)次比较与6m2-9m+3次赋值运算,每次比较后进行三次赋值。对于窗口宽度为N的伪中值滤波,极端情况下每求一次伪中值需进行2m2-2次比较与2m2+2m次赋值运算,即每次比较都进行赋值。
表2是当参与汇聚的节点数分别为5、7、11时对算法中的中值型滤波处理过程的运算量的估计结果,该估计是针对最极端情况进行的。在滤波中,每次比较操作后都有赋值操作,对加权中值,通过先排序再比较权值的方法可简化运算。对于中值运算,假设每次比较后进行了赋值。对数据汇聚过程中涉及到的加权中值和加权伪中值的运算量分析如下:汇聚节点在8个以上时,各节点各进行一次7点的中值运算、权值判别更新运算、簇首节点进行一次加权伪中值运算(一般情况下,进行伪中值加权后窗口宽度不超过原窗口宽度的两倍)。节点数目较少(例如5个、7个节点)时,同一轮的第一次初步汇聚采用加权中值滤波(采用数据全排序后按前n个数据的权值和刚好超过总权值和的一半时所对应位置上的数据为输出值的计算方法),第二次汇聚采用均值滤波,加权均值运算涉及乘除运算,但节点数目少,均值计算的数据量小,执行效率可保持较高。由于算法本身考虑了通信故障或错误的影响,通信中仅采用最基本的发送和接收,没有使用确认机制,降低了通信开销与通信延时。由于主要采用中值型滤波方法,赋值和比较是主要的运算操作,所以整个数据汇聚过程复杂度不高,适用于采用MCU的无线传感器网络硬件平台。
表2.一次数据汇聚过程中中值计算的运算复杂度
Claims (10)
1.一种面向无线传感器网络簇内同构型节点的数据汇聚方法,该方法面向分簇结构的无线传感器网络,其特征在于:由簇首节点与簇成员节点按多节点协同工作流程实现数据汇聚,其中簇首节点的操作步骤如下:
a)初始时刻,把簇内节点的测量值的权系数都设为1,当分簇时确定的本簇成员节点总数超过20时,从中随机选取10~12个节点参与首轮监测;
b)从第一轮开始,每三轮一次,根据所接收的成员节点发送的环境噪声观测值,采用贝塞尔公式估计环境的白噪声水平σ,以σ作为成员节点自己评判是否存在故障的误差信号参考值;然后将其无线通信模块置于发送状态,发送σ给簇内成员,每三轮更新一次σ值;
c)将无线通信模块转入接收状态,接收本轮工作的各成员节点报送的经过滤波处理的测量值,以及各节点前一轮自己评定的本轮测量的可信等级,根据当前参与汇聚的簇成员节点数和节点测量值的置信等级以及对故障的预估最差情况,按权系数计算规则确定各节点监测值的权系数,将无线通信模块转入等待状态;
d)若当前工作的簇内成员节点数为8以上,则选用加权伪中值滤波策略,以当前工作的成员节点报送的监测数据的加权伪中值作为本轮的最终汇聚结果,转步骤g;否则进入下一步;
e)若当前工作的簇内成员节点数为7以下,则将无线通信模块转入发送状态,再依据该轮工作的成员节点报送的监测数据,采用加权中值滤波策略计算汇聚结果,将该汇聚结果作为本轮的汇聚初值发送给簇内成员;将无线通信模块转入接收状态,等待接收成员节点本轮第二次发送数据;
f)将第二次接收的成员节点的监测值和置信等级与其本轮中节点第一次报送的监测值对比,对两次置信等级一致的各成员节点的测量值进行加权均值计算,以此结果作为本轮的汇聚结果;
g)将无线通信模块转入发送状态,将本轮汇聚结果报送上级节点并广播给簇内成员,以此结果作为成员更新其监测值置信等级的判别标准,同时,发送根据成员节点的置信等级与已工作轮数确定的簇成员节点下轮工作或休眠的节点调度信息,该信息包括下一轮轮休一次的节点号码和参与工作的节点号码及其报送数据的顺序;进入休眠,休眠结束后转下一步;h)重复b~g步骤。
2.根据权利要求1所述的面向无线传感器网络簇内同构型节点的数据汇聚方法,其特征在于,本轮工作的簇内任一成员节点的操作步骤如下:
1)启用传感器采集监测信号,采用7点或9点中值滤波消除测量信号中的脉动噪声干扰;若当前轮为每三轮一次的环境噪声信号采集轮,则以节点中低于工作电压的稳定电压参考源的输出电压作为输入时的节点采样值,并使用滤波窗口宽度为5的中值滤波器滤除其中的脉动干扰噪声后计算环境背景噪声信息;
2)将自己的无线通信模块转入发送状态,根据簇首调度命令指定的节点数据报送顺序,在轮到本节点发送时向簇首节点发送本轮已经滤波处理的监测值和与其对应的监测值的置信等级、以及每三轮发送一次的环境噪声测量数据,然后将无线通信模块转入接收状态,等待并接收簇首信息;
3)若接收到簇首发布的是本轮的汇聚初值,则据此值判定节点自身是否属于新生的明显故障节点;若自判为本轮新生明显故障节点,则按退出和加入规则自动退出本轮汇聚,待以后恢复正常后向簇首发送数据申请重新加入;若非明显故障节点,则将无线通信模块转入发送状态,按自己的顺序号,将监测结果重新发送簇首,以排除通信错误或故障影响,然后无线通信模块重新转入接收状态,等待并接收簇首信息;
4)若收到的是本轮的最终汇聚结果,则依据该结果按自评规则更新自己监测值的置信等级;
5)根据簇首发布的调度命令,确定自己是参加下一个轮次工作或者下一轮休眠;
6)按周期时间休眠后重复1)~5)步骤。
4.如权利要求1所述的一种面向无线传感器网络簇内同构型节点的数据汇聚方法,其
步骤c)中,根据下述权系数计算规则确定汇聚计算的权系数:
正常节点的权系数Wn应满足:
式中,N为簇内当前参与监测、汇聚工作的成员节点数目,α为根据任务可靠性要求或者节点可靠度给出的每一轮次汇聚时所允许的最大故障率,也即当前的故障节点占当前轮次工作节点总数的比例,本轮开始时无检测故障节点也即正常节点出现的比率为β,β=1-α,边缘故障节点占故障节点数的比率为δ(低于67%);γ为当前轮中由正常节点转为明显故障节点的比率(γ小于50%),Wb、Wn为簇首根据节点测量值的置信等级(Sb或Sn)对节点报送的数据进行加权处理的权系数,对于置信等级标示为Sb的节点,其权系数为Wb=1,对于置信等级为Sn的节点,其Wn取满足式2的最小整数,对置信等级为Sf的节点,其权系数设为0(该类节点即明显故障节点,不参加汇聚,所以在式1中未出现Wf);式1~3式中表示向上取最小的大于该数的整数,表示向下取最大的小于该数的整数,式2中分母必须为大于等于1的数,即须保证确保正常点有冗余,也即使得汇聚节点接收正确的正常节点数量比被误判为正常点的故障点与通信错误点的数量和至少多1。
9.如权利要求2所述的一种面向无线传感器网络簇内同构型节点的数据汇聚方法,其特征在于,步骤g中,簇首根据簇成员节点维持非Sf置信等级的节点个数,再加上本轮处于休眠的非Sf置信等级的节点个数,得出下轮可用节点数目;若下轮可用节点数目大于或等于初始可用个数的50%,则按各节点当前的累计工作轮数,优先选择工作总轮次数少也即通信开支小、剩余能量多的节点为下一轮的工作节点,参与下一轮节点个数不少于初始可用数的50%,其他未选中的节点则休眠一个轮次。
10.如权利要求2-9任一项所述的一种面向无线传感器网络簇内同构型节点的数据汇聚方法,其特征在于,步骤3)中所述的自判为新生故障点的节点的退出与加入规则如下:根据所述更新监测值置信等级规则,当节点自判为明显故障的节点时,自动停止发送数据,以避免增加通信量,但其还将按网络工作时序继续自行监测和侦听汇聚结果,若发现监测结果恢复正常,则根据本轮的最终汇聚结果自定置信等级,于下一轮待其他节点依次报送数据之后报送数据,也即重新加入汇聚过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210250395.1A CN102740340B (zh) | 2012-07-19 | 2012-07-19 | 面向无线传感器网络簇内同构型节点的数据汇聚方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210250395.1A CN102740340B (zh) | 2012-07-19 | 2012-07-19 | 面向无线传感器网络簇内同构型节点的数据汇聚方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102740340A true CN102740340A (zh) | 2012-10-17 |
CN102740340B CN102740340B (zh) | 2014-08-20 |
Family
ID=46994931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210250395.1A Expired - Fee Related CN102740340B (zh) | 2012-07-19 | 2012-07-19 | 面向无线传感器网络簇内同构型节点的数据汇聚方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102740340B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103533570A (zh) * | 2013-09-27 | 2014-01-22 | 中国科学技术大学苏州研究院 | 多维数据环境下无线传感器网络内传感器节点维护的方法 |
CN104159258A (zh) * | 2013-05-15 | 2014-11-19 | 电信科学技术研究院 | 一种通信节点状态调整方法、装置及系统 |
CN109325409A (zh) * | 2018-08-15 | 2019-02-12 | 马金环 | 通行车辆套牌检验平台 |
CN109584609A (zh) * | 2018-12-12 | 2019-04-05 | 深圳朗昇贸易有限公司 | 一种智能的停车场车位引导系统 |
CN109600680A (zh) * | 2018-08-15 | 2019-04-09 | 罗勇 | 重复场景图像分组方法 |
CN110113798A (zh) * | 2019-05-30 | 2019-08-09 | 武汉大学 | 一种多源无线传感器网络环境下同构性路由协议方法 |
CN111123328A (zh) * | 2019-12-30 | 2020-05-08 | 广东轻工职业技术学院 | 一种基于北斗卫星导航定位的冷链车温控系统 |
CN111507365A (zh) * | 2019-09-02 | 2020-08-07 | 中南大学 | 一种基于模糊聚类的置信规则自动生成方法 |
CN113128141A (zh) * | 2021-04-19 | 2021-07-16 | 电子科技大学 | 一种基于无误差随机计算的中值滤波系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008131787A1 (en) * | 2007-04-25 | 2008-11-06 | Nec Europe Ltd. | Method for aggregating data in a network |
KR20100054071A (ko) * | 2008-11-13 | 2010-05-24 | 중앙대학교 산학협력단 | 클러스터링에 의한 무선 센서 네트워크의 데이터 전송 장치및 방법 |
CN102056192A (zh) * | 2010-11-09 | 2011-05-11 | 广东石油化工学院 | 基于核密度估计与非参数置信传播的wsn网内数据融合方法 |
CN102438298A (zh) * | 2011-11-09 | 2012-05-02 | 无锡南理工科技发展有限公司 | 一种可信的无线传感网数据节能汇聚方法 |
-
2012
- 2012-07-19 CN CN201210250395.1A patent/CN102740340B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008131787A1 (en) * | 2007-04-25 | 2008-11-06 | Nec Europe Ltd. | Method for aggregating data in a network |
KR20100054071A (ko) * | 2008-11-13 | 2010-05-24 | 중앙대학교 산학협력단 | 클러스터링에 의한 무선 센서 네트워크의 데이터 전송 장치및 방법 |
CN102056192A (zh) * | 2010-11-09 | 2011-05-11 | 广东石油化工学院 | 基于核密度估计与非参数置信传播的wsn网内数据融合方法 |
CN102438298A (zh) * | 2011-11-09 | 2012-05-02 | 无锡南理工科技发展有限公司 | 一种可信的无线传感网数据节能汇聚方法 |
Non-Patent Citations (3)
Title |
---|
SHAOQIANG LIU,ET.AL.,: "Fault-tolerant data aggregating using median filtering in cluster-based homogeneous WSN", 《 2012 10TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA)》 * |
杨军等,: "基于分簇的无线传感器网络数据汇聚传送协议", 《软件学报》 * |
林亚平等,: "传感器网络中一种分布式数据汇聚层次路由算法", 《电子学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104159258A (zh) * | 2013-05-15 | 2014-11-19 | 电信科学技术研究院 | 一种通信节点状态调整方法、装置及系统 |
CN104159258B (zh) * | 2013-05-15 | 2018-03-02 | 电信科学技术研究院 | 一种通信节点状态调整方法、装置及系统 |
CN103533570A (zh) * | 2013-09-27 | 2014-01-22 | 中国科学技术大学苏州研究院 | 多维数据环境下无线传感器网络内传感器节点维护的方法 |
CN109325409A (zh) * | 2018-08-15 | 2019-02-12 | 马金环 | 通行车辆套牌检验平台 |
CN109600680A (zh) * | 2018-08-15 | 2019-04-09 | 罗勇 | 重复场景图像分组方法 |
CN109600680B (zh) * | 2018-08-15 | 2019-06-28 | 上海极链网络科技有限公司 | 重复场景图像分组方法 |
CN109584609A (zh) * | 2018-12-12 | 2019-04-05 | 深圳朗昇贸易有限公司 | 一种智能的停车场车位引导系统 |
CN110113798A (zh) * | 2019-05-30 | 2019-08-09 | 武汉大学 | 一种多源无线传感器网络环境下同构性路由协议方法 |
CN110113798B (zh) * | 2019-05-30 | 2022-11-18 | 武汉大学 | 一种多源无线传感器网络环境下同构性路由协议方法 |
CN111507365A (zh) * | 2019-09-02 | 2020-08-07 | 中南大学 | 一种基于模糊聚类的置信规则自动生成方法 |
CN111123328A (zh) * | 2019-12-30 | 2020-05-08 | 广东轻工职业技术学院 | 一种基于北斗卫星导航定位的冷链车温控系统 |
CN113128141A (zh) * | 2021-04-19 | 2021-07-16 | 电子科技大学 | 一种基于无误差随机计算的中值滤波系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102740340B (zh) | 2014-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102740340B (zh) | 面向无线传感器网络簇内同构型节点的数据汇聚方法 | |
US20210174171A1 (en) | Satellite anomaly detection method and system for adversarial network auto-encoder | |
CN101556651B (zh) | 一种分簇无线传感器网络内多源数据融合方法 | |
Pak et al. | Distributed hybrid particle/FIR filtering for mitigating NLOS effects in TOA-based localization using wireless sensor networks | |
CN106792435A (zh) | 一种无线传感器网络中基于压缩感知的数据聚合方法 | |
CN106056269A (zh) | 一种基于贝叶斯网络模型的微纳卫星星务健康管理系统 | |
CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
CN111601253B (zh) | 无源被动智能跟踪定位方法、系统、存储介质、跟踪定位终端 | |
CN104320311A (zh) | 一种scada分布式平台下的心跳检测方法 | |
CN105813020A (zh) | 一种自适应环境的rssi校正的无线传感器网络定位算法 | |
CN104506229A (zh) | 一种基于分簇的卫星网络故障诊断方法 | |
CN107087290A (zh) | 一种无线传感器网络动态分簇目标跟踪方法及装置 | |
CN104331602A (zh) | 基于马尔科夫链的gnss完好性检测率估计方法 | |
US20230071657A1 (en) | Data collection apparatus, data collection sysytem, and data collection method | |
CN102289226A (zh) | 现场通信系统 | |
CN111814976A (zh) | 一种空调系统传感器故障误差再学习方法及系统 | |
CN115794478B (zh) | 系统配置方法、装置、电子设备及存储介质 | |
Ayeesha Nasreen et al. | Long short‐term memory‐based power‐aware algorithm for prompt heterogenous activity | |
Chang et al. | A fuzzy knowledge based fault tolerance algorithm in wireless sensor networks | |
CN109616209A (zh) | 一种通用儿童健康视动能力智能测评系统 | |
Jia | Design of sports training system and motion monitoring and recognition under wireless sensor network | |
CN107527118A (zh) | 一种自适应容错指数平滑预报方法 | |
CN102740310B (zh) | 多传感器可靠性网络的并行组网方法 | |
CN105898774A (zh) | 分布式传感器协同选择方法 | |
CN106376069A (zh) | 一种无线通信系统的低功耗方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140820 Termination date: 20160719 |
|
CF01 | Termination of patent right due to non-payment of annual fee |