CN103533674B - 一种分簇水声传感器网络数据采集和传输的方法 - Google Patents
一种分簇水声传感器网络数据采集和传输的方法 Download PDFInfo
- Publication number
- CN103533674B CN103533674B CN201310507000.6A CN201310507000A CN103533674B CN 103533674 B CN103533674 B CN 103533674B CN 201310507000 A CN201310507000 A CN 201310507000A CN 103533674 B CN103533674 B CN 103533674B
- Authority
- CN
- China
- Prior art keywords
- cluster head
- sub
- matrix
- clustering
- transmission
- 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
Landscapes
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
一种分簇水声传感器网络数据采集和传输的方法,涉及水声传感器。提供可解决在分簇结构下水声传感器网络数据压缩传输问题的一种分簇水声传感器网络数据采集和传输的方法。簇首收集本簇内各传感器节点原始数据,并与所设计的测量矩阵运算获得测量值,这些测量值包含了原始数据的信息;簇首保留了前一跳簇首传输到本簇首的包含有其他分簇原始数据信息的测量值,将此测量值和本地产生的测量值进行累加运算得到更新后的测量值;簇首在路由的指导下将更新后的测量值传输到下一个簇首,通过簇首间的传递得以将包含有所有分簇原始数据信息的测量值传输到汇聚中心;最后为重构,汇聚中心采用平滑l0算法(SL0)由测量值恢复原始数据。
Description
技术领域
本发明涉及水声传感器,尤其是涉及一种分簇水声传感器网络数据采集和传输的方法。
背景技术
水声传感器网络传承于陆地无线传感器网络,是一种由分布在一定水下区域内的水声传感器节点通过自组织方式构成的无线网络,其主要任务是以多跳中继的方式,将由水声传感器节点采集的温度、流速和盐度等现场物理信息传输到汇聚中心。近年来,随着世界各国海洋开发步伐的加快,对水声传感器网络的需求愈来愈迫切,从原来仅有的军事领域逐渐扩展到商业领域,现在它已经广泛应用于海洋数据采集、污染检测、海上探测、灾难预警、援助导航和战略监测等方面。
水声传感器网络是一种能量受限网络,如何有效使用电池能量以延长网络生命周期是水声传感器网络所迫切需要解决的问题。分簇网络结构是能够提高能量有效性的一种网络拓扑,网络层协议将地理位置相邻的若干个节点组合成一簇,并选举其中一个节点作为簇首,负责收集簇内节点采集的物理信息,然后传输到下一跳簇首,依次中继传输,直到汇聚中心,下文称之为分簇水声传感器网络。由于水声信道的传播损耗较大,节点数据传输的功率远远大于陆地无线传感器网络数据传输的功率,因此若依照陆地无线传感器网络的传统方法进行数据采集和传输,则簇首之间较大的数据传输量带来较大的能量消耗,不利于延长网络生命周期。
压缩感知(CS,CompressedSamplingorCompressedSensing)是一种新颖的信号采集和处理理论框架,它针对稀疏或可压缩信号,在采样的同时实现对信号数据的压缩处理,信号重建时采用非线性算法实现信号重构。压缩感知应用的三要素为,具有一个有限时间自由度的稀疏信号、一个能有效感知信号的测量矩阵和一个从感知的压缩数据中恢复原始信号的重构算法。应用CS理论,测量是关键,对于测量矩阵和观测过程,必须要满足不破坏原始信号中的信息,保证信号能够精确重构,为此,约束等距性质(RIP,RestrictedIsometryProperty)给出了存在确定解的充分条件,即要想使信号能够精确重构,必须保证测量矩阵不会把两个不同的稀疏信号映射到同一个采样集合中。目前,最常用的测量矩阵是高斯随机矩阵,该类矩阵高概率满足RIP性质。
CS理论可应用于陆地多跳无线传感器网络的数据采集(ChongLuo,FengWu,JunSun,andChangWenChen.“Efficientmeasurementgenerationandpervasivesparsityforcompressivedatagathering,”in:IEEETransactionsonWirelessCommunications,Vol.9,Nr.12,December2010,p.3728-3738),利用节点传感器数据存在的空间相关性,在采样过程的同时实现信号压缩,相比于传统的数据采集和传输方法,当传递的跳数较大时减少了总数据传输量,因此节省了数据传输的能量消耗。对美国国家航空航天局区域海洋监测系统提供的流速数据进行分析(FatemehFazel,MaryamFazel,andMilicaStojanovic.“Randomaccesscompressedsensingforenergy-efficientunderwatersensornetworks,”In:IEEEJournalonSelectedAreasinCommunications,Vol.29,Nr.8(2011),p.1660-1670),1000个节点在同一时刻采集的流速在频域内,10个数据点占据了90%的能量,表现出显著的稀疏特性。基于空间相关性,对无线传感器网络中设计了布式压缩感知模型和分布式压缩感知算法(胡海峰,杨震.无线传感器网络中基于空间相关性的分布式压缩感知[J].南京邮电大学学报(自然科学版),2009,06:12-16+22),以能量有效的方式对无线传感器网络的数据进行采集。
可见,由于水声传感器节点所采集数据具有明显的稀疏特性,应用CS理论对水声传感器网络数据进行测量是可行的,并可借鉴陆地无线传感器网络中的应用。但分簇水声传感器网络环境和陆地无线传感器网络环境存在较大的差异,水声传感器网络节点部署的密度较小,分簇内包含的传感器节点个数有限,在分簇内原始数据的空间相关性难以体现其稀疏性,无法在分簇内采用CS理论进行独立测量,可行的方法是传递多个分簇的数据至汇聚中心,在汇聚中心处对联合监测区域内的所有传感器数据进行测量和重构。此时又带来一个问题,簇首间是以非协作方式工作的,如何使传输到汇聚中心的测量值包含所有传感器节点的原始数据信息?
综上所述,为了节省分簇水声传感器网络消耗的数据传输能量,延长网络生命周期,迫切需要设计一种采集和传输的方法,在减少传输数据量的前提下仍然保留原始数据信息,使得汇聚中心能够精确恢复原始数据。
发明内容
本发明的目的是提供可解决在分簇结构下水声传感器网络数据压缩传输问题的一种分簇水声传感器网络数据采集和传输的方法。
本发明包括以下步骤:
1)建立一分簇水声传感器网络,分簇水声传感器网络内分布有k个分簇,则同时有k个簇首,并冠以序号1、2、3,……,k,同时定义分簇ID为每个分簇区别于其他分簇的唯一标识号,该ID为簇首所拥有;又设分簇内传感器节点个数为n,同一时刻采集的原始数据个数为n,分簇水声传感器网络内同一时刻采集的原始数据个数定义为N,N=k×n,每簇获得m个测量值,则汇聚中心获得M个测量值,M=k×m,此时有M<<N;
2)各簇首首先从分簇内的传感器节点中获得原始数据,采集的原始数据以一长度为n的向量Xi表示,下标i表示所在分簇的序号,且1≤i≤k;
3)簇首以分簇ID为随机种子,产生维度为M×n的高斯矩阵,以符号Φi表示;并对Φi进行稀疏化处理得到矩阵Φ'i,对应不同的测量过程设计分块高斯、分块对角高斯和分块上三角高斯三种测量矩阵结构,不同测量矩阵结构对应了不同的稀疏化过程;最后将测量矩阵Φ'i与原始数据Xi相乘获得本地测量值并以符号Yi表示,即Yi=Φ'i·Xi,Yi的长度为M,下标i表示所在分簇的序号,且1≤i≤k;
4)定义长度M的向量Yi'为第i个簇首向第i+1个簇首传输的测量值,1≤i≤k,第k+1个簇首实际为汇聚中心;第1个簇首待传输的测量值与计算的本地测量值相同,即Y1'=Y1,第2个簇首待传输的测量值为本地计算的测量值与第1个簇首传输而来的测量值之和,即Y′2=Y2+Y1',称此过程为更新测量值过程;依次类推,第k个簇首待传输的测量值为Y′k=Yk+Y′k-1;
5)尽管矩阵Yi'长度为M,但随着测量矩阵结构的不同,Yi'包含了数目不一的规范排列的零值,这些零值不需要传输到下一簇首,称之为去零传输;因此各簇传输的数据量不大于M,当M<<N时,传输消耗的能量要远远小于传统方法传输所消耗的能量;
6)汇聚中心接收的测量值为Y′k,并通过路由获得这些测量值所经过簇首的ID,用这些ID作为随机种子,生成重构所需要的测量矩阵,定义为符号Φ,此时的测量矩阵具有分块高斯、分块对角高斯和分块上三角高斯的结构形式,以Y′k和Φ作为输入参数,采用平滑l0算法(SL0)恢复原始数据。
在步骤3)中,所述稀疏化处理的具体步骤可为:
3-1)在第i个簇首产生的测量矩阵Φi为一随机高斯矩阵;若以符号φuv(1≤u≤M,1≤v≤n)表示矩阵Φi的元素,则Φi可以表示为下式:
3-2)若测量矩阵结构为分块高斯,则不作稀疏化处理,Φ'i=Φi;
3-3)若测量矩阵结构为分块对角高斯结构,保留测量矩阵Φi中由第(i-1)*m+1行开始的m行数值,其余为0,这样每个簇首获取的有效测量值为m个,其余为0;稀疏化后的Φi可以表示为下式,并以符号Φ'i表示;
3-4)若测量矩阵结构为分块上三角高斯结构,保留测量矩阵Φi中由第1行开始的i×m行数值,其余为0,这样每个簇首获取的有效测量值为i×m个,其余为0;稀疏化后的Φi可以表示为下式,并以符号Φ'i表示;
在步骤6)中,所述测量矩阵具有分块高斯、分块对角高斯和分块上三角高斯的结构形式为:
6-1)若为分块高斯结构,则测量矩阵如下式所示结构形式:
6-2)若为分块对角高斯结构,则测量矩阵如下式所示结构形式:
6-3)若为分块上三角高斯结构,则测量矩阵如下式所示结构形式:
本发明所提供分簇水声传感器网络采集和传输的实现方法分四步走。第一步是测量,簇首收集本簇内各传感器节点原始数据,并与所设计的测量矩阵运算获得测量值,这些测量值包含了原始数据的信息;第二步是更新,簇首保留了前一跳簇首传输到本簇首的包含有其他分簇原始数据信息的测量值,将此测量值和本地产生的测量值进行累加运算得到更新后的测量值;第三步是传输,簇首在路由的指导下将更新后的测量值传输到下一个簇首,通过簇首间的传递得以将包含有所有分簇原始数据信息的测量值传输到汇聚中心;最后一步是重构,汇聚中心采用平滑l0算法(SL0)由测量值恢复原始数据。
本发明具有如下有益效果:本发明提供了分簇水声传感器网络数据采集和传输的实现方法,以非协作的方式采集传感器数据并经过多跳传输到达汇聚中心,汇聚中心接收的测量值保留有各个原始数据信息,为精确重构原始数据提供了必要条件;同时采用三种结构测量矩阵对原始数据进行测量后,各个簇首传输的数据量比传统方法所需要的数据量要小,其中采用分块高斯矩阵结构时每个簇首所需要传输的数据量均为M,总传输量为k×M;采用分块对角和分块上三角矩阵结构时第i个簇首所需要传输的数据量为i×M/k,其中1≤i≤k,总传输量为(1+k)×M/2;而采用传统方法时第i个簇首数据传输量i×N/k,其中1≤i≤k,总传输量为(1+k)×N/2。
附图说明
图1是分簇水声传感器网络数据多跳传输示意图。
图2是分簇内簇首收集传感器节点原始数据示意图。
图3是簇首间测量值传输示意图。
图4是测量矩阵是分块高斯矩阵时的测量值传输示意图。
图5是测量矩阵是分块对角和分块上三角高斯矩阵时的测量值传输示意图。
具体实施方式
以下实施例将结合附图对本发明进一步说明。
1)图1所示为一典型分簇水声传感器网络模型示意图,地理位置相邻的若干个传感器节点组合成一簇,并选举其中一个节点作为簇首,负责收集簇内节点采集的原始数据,并对这些原始数据采用测量矩阵进行测量,然后在路由的指导下将携带有原始数据信息的测量值传输到下一跳簇首,依此中继传输,直到汇聚中心。本示例中定义传感网内有k簇,以第1簇、第2簇,……,第k簇区分,每个簇首具有区别于其他簇首的唯一标识号,称为分簇ID;每簇有n个传感器节点。同一时刻传感网内采集N个原始数据,N=k×n;每簇获得m个测量值,则汇聚中心获得M个测量值,M=k×m,此时有M<<N。
2)如图2所示为分簇内簇首收集传感器节点原始数据示意图,各簇首首先从分簇内的传感器节点中获得原始数据x1,x2,x3,…,xn,以列向量Xi表示,Xi={x1,x2,x3,…,xn}T,下标i表示所在分簇的序号,1≤i≤k。若按照传统方法进行数据采集和传输,第1个簇首需传输n个数据,第2个簇首需传输2n个数据,依此类推,第k个簇首需要传输kn个数据,传感网内共传输(1+k)×N/2个数据。
3)各簇以分簇ID为随机种子,产生维度为M×n的高斯矩阵,以符号Φi表示,并对Φi进行稀疏化处理,定义稀疏化后的矩阵为Φ'i,稀疏化的含义为将矩阵Φi的某些行置为0。将矩阵Φ'i与向量Xi相乘获得本地测量值并以列向量Yi表示,即Yi=Φ'i·Xi,Yi的长度为M,本步骤中符号Φi、Φ'i和Yi的下标i表示所在分簇的序号,且1≤i≤k。
4)定义向量Yi'为第i个簇首向第i+1个簇首传输的测量值,1≤i≤k,此时的第k+1个簇首实际为汇聚中心。如图3所示为簇首间测量值传输示意图,第1个簇首传输测量值Y1'到第二个簇首,第2个簇首传输测量值Y′2到第3个簇首,依次类推,第k个簇首传输测量值Y′k到汇聚中心。第1个簇首待传输的测量值与计算的本地测量值相同,即Y1'=Y1,第2个簇首待传输的测量值为本地计算的测量值与第1个簇首传输而来的测量值之和,即Y′2=Y2+Y1',本发明中称此过程为更新测量值过程。依此类推,第k个簇首待传输的测量值为Y′k=Yk+Y′k-1。
5)尽管Yi'长度为M,如步骤3)所述,测量矩阵Φi稀疏化后,Yi'包含了数目不一的规范排列的零值,这些零值不需要传输到下一簇首,本发明称之为去零传输。如图4所示,当测量矩阵是分块高斯矩阵时,第1个簇首传输的测量值为向量Y1'的第1到第M个数值,以Y1'(1:M)表示,第2个簇首传输的测量值为向量Y′2的第1到第M个数值,以Y′2(1:M)表示,依此类推,第k个簇首传输的测量值为向量Y′k的第1到第M个数值,以Y′k(1:M)表示。如图5所示,当测量矩阵是分块对角和分块上三角高斯矩阵时,第1个簇首传输的测量值为向量Y1'的第1到第m个数值,以Y1'(1:m)表示,第2个簇首传输的测量值为向量Y′2的第1到第2m个数值,以Y′2(1:2m)表示,依此类推,第k个簇首传输的测量值为向量Y′k的第1到第km个数值,以Y′k(1:km)表示。
由此可见,当测量矩阵是分块高斯矩阵时,各簇传输的数据量相同,均为M,传感网内共传输k·M个数值,当测量矩阵是分块对角和分块上三角高斯矩阵时,第1个簇首传输的数据量为m,第2个簇首传输的数据量为2m,第k个簇首传输的数据量为km,网内共传输(1+k)·M/2个数值。与传统方法的(1+k)×N/2个数据相比较,由于M<<N,当测量矩阵为分块对角和分块上三角高斯矩阵时较大幅度地减小了数据传输量,当测量矩阵是分块高斯矩阵时,若M<N/2时,也将减小数据传输量。
6)汇聚中心接收的测量值为Y′k,并通过路由获得这些测量值所经过簇首的ID,用这些ID作为随机种子,生成与各簇首相同的矩阵Φi,并与步骤3)相同,对Φi进行相同的稀疏化处理得到矩阵Φ'i,并组合为矩阵符号Φ即表示汇聚中心重构所需要的测量矩阵,此时的测量矩阵具有分块高斯、分块对角高斯和分块上三角高斯的结构形式。以Y′k和Φ作为输入参数,采用平滑l0算法(SL0)恢复原始数据。
在步骤3)所述稀疏化处理过程实现通过以下几个步骤:
3-1)在第i个簇首产生的测量矩阵Φi为一随机高斯矩阵;若以符号φuv(1≤u≤M,1≤v≤n)表示矩阵Φi的元素,则Φi可以表示为下式:
3-2)若测量矩阵结构为分块高斯,则不作稀疏化处理,Φ'i=Φi;
3-3)若测量矩阵结构为分块对角高斯结构,保留测量矩阵Φi中由第(i-1)*m+1行开始的m行数值,其余为0,这样每个簇首获取的有效测量值为m个,其余为0。稀疏化后的Φi可以表示为下式,并以符号Φ'i表示。
3-4)若测量矩阵结构为分块上三角高斯结构,保留测量矩阵Φi中由第1行开始的i×m行数值,其余为0,这样每个簇首获取的有效测量值为i×m个,其余为0。稀疏化后的Φi可以表示为下式,并以符号Φ'i表示。
在步骤6)所述在汇聚中心处测量矩阵具有分块高斯、分块对角高斯和分块上三角高斯的结构描述如下:
6-1)若为分块高斯结构,则测量矩阵如下式所示结构形式:
6-2)若为分块对角高斯结构,则测量矩阵如下式所示结构形式:
6-3)若为分块上三角高斯结构,则测量矩阵如下式所示结构形式:
Claims (3)
1.一种分簇水声传感器网络数据采集和传输的方法,其特征在于包括以下步骤:
1)建立一分簇水声传感器网络,分簇水声传感器网络内分布有k个分簇,则同时有k个簇首,并冠以序号1、2、3,……,k,同时定义分簇ID为每个分簇区别于其他分簇的唯一标识号,该ID为簇首所拥有;又设分簇内传感器节点个数为n,同一时刻采集的原始数据个数为n,分簇水声传感器网络内同一时刻采集的原始数据个数定义为N,N=k×n,每簇获得m个测量值,则汇聚中心获得M个测量值,M=k×m,此时有M<<N;
2)各簇首首先从分簇内的传感器节点中获得原始数据,采集的原始数据以一长度为n的向量Xi表示,下标i表示所在分簇的序号,且1≤i≤k;
3)簇首以分簇ID为随机种子,产生维度为M×n的高斯矩阵,以符号Φi表示;并对Φi进行稀疏化处理得到矩阵Φ'i,对应不同的测量过程设计分块高斯、分块对角高斯和分块上三角高斯三种测量矩阵结构,不同测量矩阵结构对应了不同的稀疏化过程;最后将测量矩阵Φ'i与原始数据Xi相乘获得本地测量值并以符号Yi表示,即Yi=Φ'i·Xi,Yi的长度为M,下标i表示所在分簇的序号,且1≤i≤k;
4)定义长度M的向量Y′i为第i个簇首向第i+1个簇首传输的测量值,1≤i≤k,第k+1个簇首实际为汇聚中心;第1个簇首待传输的测量值与计算的本地测量值相同,即Y′1=Y1,第2个簇首待传输的测量值为本地计算的测量值与第1个簇首传输而来的测量值之和,即Y′2=Y2+Y′1,称此过程为更新测量值过程;依次类推,第k个簇首待传输的测量值为Y′k=Yk+Y′k-1;
5)尽管矩阵Y′i长度为M,但随着测量矩阵结构的不同,Y′i包含了数目不一的规范排列的零值,这些零值不需要传输到下一簇首,称之为去零传输;因此各簇传输的数据量不大于M,当M<<N时,传输消耗的能量要远远小于传统方法传输所消耗的能量;
6)汇聚中心接收的测量值为Y′k,并通过路由获得这些测量值所经过簇首的ID,用这些ID作为随机种子,生成重构所需要的测量矩阵,定义为符号Φ,此时的测量矩阵具有分块高斯、分块对角高斯和分块上三角高斯的结构形式,以Y′k和Φ作为输入参数,采用平滑l0算法(SL0)恢复原始数据。
2.如权利要求1所述一种分簇水声传感器网络数据采集和传输的方法,其特征在于在步骤3)中,所述稀疏化处理的具体步骤为:
3-1)在第i个簇首产生的测量矩阵Φi为一随机高斯矩阵;若以符号φuv(1≤u≤M,1≤v≤n)表示矩阵Φi的元素,则Φi可以表示为下式:
3-2)若测量矩阵结构为分块高斯,则不作稀疏化处理,Φ'i=Φi;
3-3)若测量矩阵结构为分块对角高斯结构,保留测量矩阵Φi中由第(i-1)*m+1行开始的m行数值,其余为0,这样每个簇首获取的有效测量值为m个,其余为0。稀疏化后的Φi可以表示为下式,并以符号Φ'i表示;
3-4)若测量矩阵结构为分块上三角高斯结构,保留测量矩阵Φi中由第1行开始的i×m行数值,其余为0,这样每个簇首获取的有效测量值为i×m个,其余为0;稀疏化后的Φi可以表示为下式,并以符号Φ'i表示;
3.如权利要求1所述一种分簇水声传感器网络数据采集和传输的方法,其特征在于在步骤6)中,所述测量矩阵具有分块高斯、分块对角高斯和分块上三角高斯的结构形式为:
6-1)若为分块高斯结构,则测量矩阵如下式所示结构形式:
6-2)若为分块对角高斯结构,则测量矩阵如下式所示结构形式:
6-3)若为分块上三角高斯结构,则测量矩阵如下式所示结构形式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310507000.6A CN103533674B (zh) | 2013-10-24 | 2013-10-24 | 一种分簇水声传感器网络数据采集和传输的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310507000.6A CN103533674B (zh) | 2013-10-24 | 2013-10-24 | 一种分簇水声传感器网络数据采集和传输的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103533674A CN103533674A (zh) | 2014-01-22 |
CN103533674B true CN103533674B (zh) | 2016-06-08 |
Family
ID=49935245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310507000.6A Active CN103533674B (zh) | 2013-10-24 | 2013-10-24 | 一种分簇水声传感器网络数据采集和传输的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103533674B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203374B (zh) * | 2016-07-18 | 2018-08-24 | 清华大学深圳研究生院 | 一种基于压缩感知的特征识别方法及其系统 |
CN108924808A (zh) * | 2018-09-27 | 2018-11-30 | 山东理工大学 | 基于rbs同步机制的水下声学无线传感器网络节点动态定位方法 |
CN114124246B (zh) * | 2021-11-12 | 2022-11-25 | 厦门大学 | 一种基于多频空域稀疏重构的水声多址通信方法与系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013926A (zh) * | 2007-02-05 | 2007-08-08 | 华中科技大学 | 一种无线传感器网络通信方法和系统 |
CN102263610A (zh) * | 2010-05-28 | 2011-11-30 | 中国科学院声学研究所 | 一种用于水声传感器网络系统的数据传输方法 |
-
2013
- 2013-10-24 CN CN201310507000.6A patent/CN103533674B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013926A (zh) * | 2007-02-05 | 2007-08-08 | 华中科技大学 | 一种无线传感器网络通信方法和系统 |
CN102263610A (zh) * | 2010-05-28 | 2011-11-30 | 中国科学院声学研究所 | 一种用于水声传感器网络系统的数据传输方法 |
Non-Patent Citations (3)
Title |
---|
An Energy-efficient Clustering Algorithm for Underwater Acoustic Sensor Networks;Xia Li等;《2012 International Conference on Control Engineering and Communication Technology》;20121231;全文 * |
压缩感知和LEACH结合的水下传感器网络信息采集方案;刘亚等;《传感技术学报》;20130331;全文 * |
无线传感器水下监测网络稀疏采样和近似重构;邹志强等;《仪器仪表学报》;20121231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103533674A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101848529B (zh) | 一种无线传感器网络的多重主成分分析数据压缩方法 | |
CN106687773A (zh) | 用于基于上下文事件检测的传感器节点局部化和传感器网络组织的系统和方法 | |
CN103533674B (zh) | 一种分簇水声传感器网络数据采集和传输的方法 | |
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 | |
CN205354288U (zh) | 一种基于物联网技术的山体滑坡监测预警装置 | |
CN114067530B (zh) | 基于光纤传感的海洋信息感知预警方法、系统及存储介质 | |
CN108924148A (zh) | 一种多源信号协同压缩感知数据恢复方法 | |
CN102970707A (zh) | 基于压缩感知的无线传输数据丢失恢复方法 | |
CN104270829B (zh) | 一种基于压缩感知的井下数据采集及处理方法 | |
CN108289285A (zh) | 一种海洋无线传感器网络丢失数据恢复与重构方法 | |
CN103969702A (zh) | 大规模分布式海洋气象信息感知系统 | |
CN102355752A (zh) | 基于膨胀图的无线传感器网络压缩感知测量矩阵和重构方法 | |
Mamun et al. | Use of wireless sensor and microcontroller to develop water-level monitoring system | |
CN105068452B (zh) | 海洋环境场远程检测系统 | |
Garcia | Positioning of sensors in underwater acoustic networks | |
CN203657838U (zh) | 海洋环境监测基站 | |
CN112463877A (zh) | 一种三维海洋环境监测数据的压缩感知观测和重构方法 | |
Krishan et al. | Optimization of groundwater monitoring network in Bist-Doab, Punjab | |
CN110012488A (zh) | 一种移动无线传感器网络的压缩数据收集方法 | |
CN103533557A (zh) | 一种水情信息的分布式稀疏优化检测方法 | |
CN102256268B (zh) | 无线传感网中基于随机行走的容错方法 | |
CN106954219B (zh) | 一种基于压缩感知的无线传感器网络动态数据融合树方法 | |
CN104768186B (zh) | 在无线传感器网络中基于时序压缩感知的数据收集方法 | |
GB201107993D0 (en) | Nodal data processing system and method | |
Rahu | Energy Harvesting for Water Quality Monitoring using Floating Sensor Networks: A Generic Framework. |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210104 Address after: 361000 7th floor, Hualian electronics building, torch Park, torch hi tech Zone, Xiamen City, Fujian Province Patentee after: Xiamen Yixin Scientific Instrument Co.,Ltd. Address before: Xiamen City, Fujian Province, 361005 South Siming Road No. 422 Patentee before: XIAMEN University |