CN103781078B - 形成区域中的多个移动传感器的凸多边形的方法和系统 - Google Patents
形成区域中的多个移动传感器的凸多边形的方法和系统 Download PDFInfo
- Publication number
- CN103781078B CN103781078B CN201310503469.2A CN201310503469A CN103781078B CN 103781078 B CN103781078 B CN 103781078B CN 201310503469 A CN201310503469 A CN 201310503469A CN 103781078 B CN103781078 B CN 103781078B
- Authority
- CN
- China
- Prior art keywords
- sensor
- computer
- movable
- convex polygon
- movable 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Mobile Radio Communication Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明涉及一种形成区域中的多个移动传感器的凸多边形的方法和系统。提供形成区域中的多个移动传感器的凸多边形。使用优化问题分析从所述区域中的所述多个移动传感器接收的传感器输出数据。判定所述多个移动传感器是否在所述区域中形成所述凸多边形。响应于判定所述多个移动传感器在所述区域中形成所述凸多边形,生成对应于所述优化问题的目标函数和一组约束。然后,使用所述目标函数和所述一组约束计算所述优化问题的稀疏解,以便确定所述多个移动传感器中的每个移动传感器的向量权重值。
Description
技术领域
本公开一般地涉及分析传感器数据,更具体地说,涉及分析从无线网络中的多个移动传感器收集的传感器数据,以便通过在由区域中的多个移动传感器形成的凸多边形上求解优化问题而确定该区域的当前状态。
背景技术
无线传感器网络是固定传感器节点的集合,这些节点通过某种形式的无线通信网络链接。无线传感器网络可以通过几个传感器节点到几百个或者甚至数千个传感器节点构建。这些传感器节点是可以包括各种类型传感器以便监视其中部署传感器节点的环境的设备。不同类型的传感器例如可以是用于检测温度、声音、振动、压力、运动或污染物的传感器。无线传感器网络包括多个独特的特性,例如检测被监视事件的移动性、传感器节点的异构性、大规模部署和无人照管操作的能力。
发明内容
根据本发明的一个实施例,提供一种用于形成区域中的多个移动传感器的凸多边形的计算机实现的方法。计算机使用优化问题分析从所述区域中的所述多个移动传感器接收的传感器输出数据。所述计算机判定所述多个移动传感器是否在所述区域中形成所述凸多边形。响应于所述计算机判定所述多个移动传感器在所述区域中形成所述凸多边形,所述计算机生成对应于所述优化问题的目标函数和一组约束。然后,所述计算机使用所述目标函数和所述一组约束计算所述优化问题的稀疏解,以便确定所述多个移动传感器中的每个移动传感器的向量权重值。
附图说明
图1是其中可以实现示例性实施例的数据处理系统网络的图形表示;
图2是其中可以实现示例性实施例的数据处理系统的示意图;
图3是根据一个示例性实施例的移动传感器网络的示意图;
图4是示出根据一个示例性实施例的传感器管理模块的实例的示意图;
图5是示出根据一个示例性实施例的决策模块的实例的示意图;
图6是示出根据一个示例性实施例的移动传感器网络扩展的实例的示意图;
图7是示出根据一个示例性实施例的移动传感器网络修改的实例的示意图;以及
图8是示出根据一个示例性实施例的用于形成移动传感器的凸多边形的过程的流程图。
具体实施方式
所属技术领域的技术人员知道,本发明的各个方面可以实现为计算机系统、计算机实现的方法或计算机程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、驻留软件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。此外,本发明的各个方面还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是—但不限于—电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括例如在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括—但不限于—电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括—但不限于—无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的各个方面的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。
也可以把这些计算机程序指令存储在计算机可读介质中,这些指令使得计算机、其它可编程数据处理装置、或其它设备以特定方式工作,从而,存储在计算机可读介质中的指令就产生出包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的指令的制造品(article of manufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令提供实现流程图和/或框图中的一个或多个方框中规定的功能/动作的过程。
现在参考附图,具体地说参考图1-3,提供了其中可以实现示例性实施例的数据处理环境的示意图。应当理解,图1-3只是示例性的并且并非旨在断言或暗示有关其中可以实现不同实施例的环境的任何限制。可以对所示环境做出许多修改。
图1示出其中可以实现示例性实施例的数据处理系统网络的图形表示。网络数据处理系统100是其中可以实现示例性实施例的计算机和其它设备的网络。网络数据处理系统100包含网络102,其是用于在网络数据处理系统100中连接在一起的计算机和其它各种设备之间提供通信链路的介质。网络102可以包括连接,例如有线、无线通信链路或光缆。
在所示实例中,服务器104和服务器106连同存储单元108一起连接到网络102。服务器104和服务器106例如可以是与网络102具有高速连接的服务器计算机。服务器104和/或服务器106可以提供服务,以便收集、分析和监视连接到网络102的多个移动传感器获得的传感器数据。
客户机110、112和114也连接到网络102。客户机110、112和114是服务器104和/或服务器106的客户机。在所示实例中,服务器104和/或服务器106可以为客户机110、112和114提供信息,例如引导文件、操作系统映像和应用。在该特定实例中,客户机110、112和114是包括传感器(例如传感器116、118和120)的移动设备。客户机110、112和114例如可以是蜂窝电话、智能电话、个人数字助理、游戏设备、手持式计算机或者它们的任意组合,它们具有到网络102的无线通信链路。此外,客户机110、112和114还可以是任意类型的陆地、空中或水上运载工具,例如汽车、卡车、火车、飞机、轮船或潜水艇,它们具有到网络102的无线通信链路。此外,运载工具可以是有人驾驶的运载工具或无人驾驶的运载工具,例如自主或半自主机器人运载工具。此外,每个客户机110、112和114独立于其它客户机设备并且沿着任意方向自由移动。
每个传感器116、118和120可以表示包含一个或多个传感器的集合。此外,传感器集合可以是相同类型的传感器,或者可以是不同类型传感器的组合。传感器116、118和120例如检测和测量区域的物理和/或环境特性,例如温度、湿度、化学气味、气体、烟雾、声音、气压、区域中的物体、到区域中的物体的距离、区域中的物体的移动速度、区域的海拔、区域的地理位置等。物体可以是有生命物体(例如人、动物或植物),或者可以是无生命物体(例如火灾、运载工具或污染物)。传感器116、118和120还经由网络102将测量的传感器数据无线传输到服务器104和/或服务器106。
例如,客户机110、112和114可以配备有一组传感器,这些传感器能够检测和测量火灾产生的热量、湿度和气体(例如一氧化碳)。当传感器检测到被监视事件(例如热量、湿度、气体等)时,传感器通过网络102向服务器104和/或服务器106报告事件。服务器104和/或服务器106然后分析传感器输出数据,并且根据对传感器输出数据的分析,采取适当的操作,例如向系统管理员发送警报消息。备选地,服务器104和/或服务器106可以将传感器输出数据发送到另一个数据处理系统,以便采取自动更正操作,例如启动自动喷水灭火系统。因此,通过使用移动传感器,示例性实施例例如知道火灾何时开始、火灾位置在何处、大火燃烧得多热、大火蔓延得多快、发生火灾的区域中有什么物体,以及发生火灾时要采取什么操作。
存储单元108是能够存储结构化或非结构化格式的数据的网络存储设备。存储单元108例如可以提供以下各项的存储:当前传感器输出数据、历史传感器输出数据、传感器输出数据的标签、对应于传感器输出数据标签的原型数据、用于确定多个移动传感器的凸多边形的优化问题、优化问题的目标函数、优化问题的约束、目标函数的稀疏解、传感器输出数据阈值,以及当超过传感器输出数据阈值时要采取的操作。当前传感器输出数据是区域中的多个移动传感器当前检测和测量的数据。历史传感器输出数据是区域中的多个移动传感器在一段时间内收集的数据,并且可以用作基准以便与特定区域的当前传感器输出数据相比较。传感器输出数据的标签描述多个移动传感器测量的数据的类型。标签附加到传感器输出数据或者与该数据关联,以便进行传感器输出数据的标识和/或分类。原型数据对应于每个传感器输出数据标签。原型数据根据对应的传感器输出数据标签,描述特定区域中的当前状态或者发生的事情。如果给出定义哪个解是候选解的一组约束,以及定义哪个候选解是最佳解的目标函数,则优化问题从所有候选解中查找最佳解。目标函数被定义为以下两项之间的差异的正规化:与描述特定区域的当前状态的原型数据关联的向量,以及表示与特定区域关联的传感器输出数据的移动传感器向量权重值的总和。约束是优化问题的稀疏解需要满足的条件。凸多边形是由彼此连接的直线组成的几何结构。换言之,凸多边形是没有曲线的闭合形状。此外,凸多边形没有大于180度的内角。此外,由直线相交形成的凸多边形的拐角点称为顶点。此外,存储单元108可以存储其它数据,例如可以包括用户标识和系统管理员密码的安全信息。此外,应该注意,网络数据处理系统100可以包括任意数量的其它服务器设备、客户机设备、传感器设备和其它未示出的设备。
位于网络数据处理系统100中的程序代码可以存储在计算机可记录存储介质中,并下载到计算机或其它设备以供使用。例如,程序代码可以存储在服务器106上的计算机可记录存储介质中,并通过网络102下载到客户机114以便在客户机114上使用。
在所示实例中,网络数据处理系统100是因特网,同时网络102代表全球范围内使用传输控制协议/网际协议(TCP/IP)协议集来相互通信的网络和网关的集合。在因特网的核心是主节点或主机之间的高速数据通信线路的主干,它包括数以千计的商业、政府、教育以及其它路由数据和消息的计算机系统。当然,网络数据处理系统100也可以实现为许多不同类型的网络,例如内联网、局域网(LAN)或广域网(WAN)。图1旨在作为一个实例,并非旨在作为对不同示例性实施例的体系结构限制。
现在参考图2,示出根据一个示例性实施例的数据处理系统的示意图。数据处理系统200是计算机(例如图1中的服务器104或客户机110)的一个实例,实现示例性实施例的过程的计算机可读程序代码或指令可以位于其中。在该示例性实施例中,数据处理系统200包括通信光纤通道网络(fabric)202,其在处理器单元204、存储器206、永久性存储装置208、通信单元210、输入/输出(I/O)单元212和显示器214之间提供通信。
处理器单元204用于执行可以加载到存储器206的软件应用或程序的指令。处理器单元204可以是包含一个或多个处理器的集合或者可以是多处理器核心,具体取决于特定实现。此外,处理器单元204可以使用一个或多个异构处理器系统来实现,其中在单个芯片上同时存在主处理器与辅助处理器。作为另一个示例性实例,处理器单元204可以是包含相同类型的多个处理器的对称多处理器系统。
存储器206和永久性存储装置208是存储设备216的实例。计算机可读存储设备是任何能够存储信息的硬件,所述信息例如包括但不限于数据、功能形式的计算机可读程序代码和/或其它合适的临时性和/或持久性信息。在这些实例中,存储器206例如可以是随机存取存储器或任何其它合适的易失性或非易失性存储设备。永久性存储装置208可以采取各种形式,具体取决于特定实现。例如,永久性存储装置208可以包含一个或多个设备。例如,永久性存储装置208可以是硬盘驱动器、闪存、可重写光盘、可重写磁带或上述的某种组合。永久性存储装置208使用的介质可以是移动的。例如,可移动硬盘驱动器可以用于永久性存储装置208。
在该实例中,通信单元210提供与其它数据处理系统或设备的通信。通信单元210可以通过使用物理和无线通信链路两者之一或全部来提供通信。物理通信链路例如可以使用电线、电缆、通用串行总线或者任何其它物理技术,针对数据处理系统200建立物理通信链路。无线通信链路例如可以使用短波、高频、超高频、微波、无线保真(Wi-Fi)、蓝牙、全球移动通信系统(GSM)、码分多址(CDMA)、第二代(2G)、第三代(3G)、第四代(4G)或者任何其它无线通信技术或标准,针对数据处理系统200建立无线通信链路。
输入/输出单元212允许使用其它可以连接到数据处理系统200的设备来输入和输出数据。例如,输入/输出单元212可以通过小键盘、键盘、鼠标和/或某种其它合适的输入设备来提供连接以实现用户输入。显示器214提供用于向用户显示信息的机构。
用于操作系统、应用和/或程序的指令可以位于存储设备216中,存储设备216通过通信光纤通道网络202与处理器单元204通信。在该示例性实例中,指令以功能形式位于永久性存储装置208中。这些指令可以加载到存储器206以便由处理器单元204运行。处理器单元204可以使用计算机实现的指令(可以位于存储器(例如存储器206)中)执行不同实施例的过程。这些指令称为程序代码、计算机可用程序代码或计算机可读程序代码,它们可以由处理器单元204中的处理器读取和运行。在不同的实施例中,程序代码可以包含在不同的物理计算机可读存储设备(例如存储器206或永久性存储装置208)中。
程序代码218以功能形式位于可选择性地移除的计算机可读介质220中,并且可以加载或传输到数据处理系统200以便由处理器单元204运行。程序代码218和计算机可读介质220形成计算机程序产品222。在一个实例中,计算机可读介质220可以是计算机可读存储介质224或计算机可读信号介质226。计算机可读存储介质224例如可以包括光盘或磁盘,其被插入或放置到属于永久性存储装置208的一部分的驱动器或其它设备中,以便传输到属于永久性存储装置208的一部分的存储设备(例如硬盘驱动器)。计算机可读存储介质224还可以采取永久性存储装置的形式,例如连接到数据处理系统200的硬盘驱动器、拇指驱动器或闪存。在某些情况下,计算机可读存储介质224可能无法从数据处理系统200移除。
备选地,可以使用计算机可读信号介质226,将程序代码218传输到数据处理系统200。计算机可读信号介质226例如可以是包含程序代码218的传播数据信号。例如,计算机可读信号介质226可以是电磁信号、光信号和/或任何其它合适类型的信号。这些信号可以通过通信链路传输,通信链路例如包括无线通信链路、光缆、同轴电缆、电线和/或任何其它合适类型的通信链路。换言之,在示例性实例中,通信链路和/或连接可以是物理或无线的。计算机可读介质还可以采取非有形介质的形式,例如包含程序代码的通信链路或无线传输。
在某些示例性实施例中,可以通过网络借助计算机可读信号介质226将程序代码218从另一个设备或数据处理系统下载到永久性存储装置208,以便在数据处理系统200中使用。例如,可以通过网络将存储在服务器数据处理系统内的计算机可读存储介质中的程序代码从该服务器下载到数据处理系统200。提供程序代码218的数据处理系统可以是服务器计算机、客户机计算机,或者能够存储和传输程序代码的218的某种其它设备。
针对数据处理系统200示出的不同组件并非旨在提供有关可以实现不同实施例的方式的体系结构限制。可以在如下数据处理系统中实现不同的示例性实施例:该系统包括除了针对数据处理系统200示出的那些组件之外的组件或替代那些组件的组件。图2中所示的其它组件可以不同于所示的示例性实例。可以使用任何能够执行程序代码的硬件设备或系统来实现不同实施例。作为一个实例,数据处理系统200可以包括与无机组件集成的有机组件和/或可以完全由有机组件(不包括人类)组成。例如,存储设备可以由有机半导体组成。
作为另一个实例,数据处理系统200中的计算机可读存储设备是任何可以存储数据的硬件装置。存储器206、永久性存储装置208和计算机可读存储介质224是有形形式的物理存储设备的实例。
在另一个实例中,总线系统可以用于实现通信光纤通道网络202,并且可以由一条或多条总线(例如系统总线或输入/输出总线)组成。当然,总线系统可以使用任何合适类型的体系结构来实现,所述体系结构在连接到总线系统的不同组件或设备之间提供数据传输。此外,通信单元可以包括一个或多个用于发送和接收数据的设备,例如调制解调器或网络适配器。此外,存储器例如可以是存储器206,或者例如在接口中发现的高速缓存,以及可以存在于通信光纤通道网络202中的存储控制器集线器。
示例性实施例将多个无线移动传感器表示为凸多边形,并将一组活动移动传感器确定为在该凸多边形上的优化问题的稀疏解。因此,示例性实施例能够快速标识跨特定感兴趣区域动态移动的一组活动移动传感器。此外,示例性实施例可以在一段时间内根据需要向/从凸多边形添加/删除移动传感器。因此,随着时间的推移,凸多边形的边可以扩展或收缩,并且对应于凸多边形的顶点的数量可以增加或减少,具体取决于形成凸多边形的移动传感器的数量。
因此,示例性实施例提供一种用于形成区域中的多个移动传感器的凸多边形的计算机实现的方法。计算机使用优化问题分析从所述区域中的多个移动传感器接收的传感器输出数据。计算机判定所述多个移动传感器是否在所述区域中形成凸多边形。响应于计算机判定所述多个移动传感器在所述区域中形成凸多边形,计算机生成对应于所述优化问题的目标函数和一组约束。然后,计算机使用所述目标函数和所述一组约束计算所述优化问题的稀疏解,以便确定所述多个移动传感器中的每个移动传感器的向量权重值。
现在参考图3,示出根据一个示例性实施例的移动传感器网络的示意图。移动传感器网络300例如可以在数据处理系统网络(例如图1中的网络数据处理系统100)中实现。移动传感器系统300包括移动传感器1302、移动传感器2304、移动传感器N306和数据处理系统308。移动传感器302-306例如可以是图1中的传感器116-120。移动传感器302-306沿着任意方向并且独立于彼此自由移动。此外,移动传感器302-306可以表示连接到一个或多个无线网络的任意数量的移动传感器,范围从三个到数十亿个移动传感器。此外,每个移动传感器302-306可以形成凸多边形的顶点,如图6和图7的实例图中所示。
每个移动传感器302-306可以表示包含一个或多个传感器的集合。此外,移动传感器302-306可以是任意类型并且可以是传感器的组合。例如,移动传感器302-306可以检测和测量区域的一个或多个物理和/或环境特性,例如区域的温度、区域的湿度、区域中的化学气味、区域中的气体、区域中的烟雾、区域中的声音、区域的气压、区域中的物体、到区域中的物体的距离、区域中的物体的移动速度、区域的海拔,以及区域的地理位置。当然,应该注意,移动传感器302-306能够检测和测量区域的任意类型的传感器可确定特性。例如,移动传感器302-306可以被配置为检测和测量区域(例如,房间、建筑物、运载工具、城市街区或游乐园)中的一个或多个人的社会特性。社会特性例如可以是人之间的交互,例如语音水平、言语内容、语调、言语中的情感水平、所用语言、人之间的身体接触、身体接触的类型,以及身体接触的位置。
移动传感器302-306检测和测量传感器输入310。传感器输入310例如可以是音频输入、视频输入、生物特征输入或者它们的任意组合。然后,移动传感器302-306经由网络(例如图1中的网络102)将传感器输出数据312无线地传输到数据处理系统308。传感器输出数据312表示由移动传感器302-306检测、处理和测量之后的传感器输入310。数据处理系统308例如可以是图1中的服务器104。此外,数据处理系统308可以实现为图2中的数据处理系统200。此外,应该注意,数据处理系统308可以无线地控制移动传感器302-306的功能和操作。
数据处理系统308从移动传感器302-306接收传感器输出数据312。然后,数据处理系统308使用传感器管理模块314分析传感器输出数据312。传感器管理模块314将移动传感器302-306在特定感兴趣区域中检测到的传感器输出数据312表示为一组向量权重值,所述一组向量权重值通过在由移动传感器302-306形成的凸多边形上计算优化问题的稀疏解来定义。此外,传感器管理模块314通过确定向量权重值超过预定向量权重阈值的那些移动传感器,标识凸多边形中的哪些移动传感器是活动传感器。此外,传感器管理模块314确定多个移动传感器中的哪些移动传感器要包括在凸多边形中,以及应移除哪些移动传感器。应移除的移动传感器是向量权重值低于预定向量权重阈值的那些移动传感器,或者不再位于感兴趣区域的最大定义范围内的那些移动传感器。换言之,传感器管理模块314确保区域中的多个移动传感器中的至少一组移动传感器形成凸多边形。
应该注意,尽管凸多边形是2维几何结构,但示例性实施例也可以用于3维空间。换言之,示例性实施例可以在区域中以3维方式形成多个移动传感器的凸包,而不是形成凸多边形。凸包例如可以是凸多面体,其是闭合的3维几何形状,具有由多个连接的凸多边形形成的平面和直边。因此,当多个移动传感器在区域中以3维方式而不是以2维方式测量数据时,传感器管理模块314将传感器输出数据312表示为一组向量权重值,所述一组向量权重值通过在特定感兴趣区域中的多个移动传感器形成的凸包上计算优化问题的稀疏解来定义。
然后,传感器管理模块314将从形成凸多边形的移动传感器302-306接收的传感器输出数据312发送到决策模块316。决策模块316根据对从形成凸多边形的移动传感器302-306接收的传感器输出数据的分析,确定特定感兴趣区域的当前状态。此外,决策模块316根据所确定的特定感兴趣区域的当前状态,确定要采取的操作。例如,如果根据传感器输出数据在区域的预定最大和最小传感器阈值之间,确定区域的当前状态在正常限度内,则决策模块316可以不采取操作。但是,当根据传感器输出数据高于或低于区域的预定最大和最小传感器阈值,确定区域的当前状态在正常限度之外时,决策模块316可以执行一个或多个操作。操作例如可以是向紧急救援人员(例如消防员)警告特定感兴趣区域中发生的情况(例如火灾)。
假设将无线网络中的多个移动传感器中的每个移动传感器Tit(i=1、…n)表示为动态m维向量,该向量具有表示某一时间点t的某种类型的传感器测量的值。这些传感器测量例如可以是特定时间点t时特定区域中的移动传感器Ti位置处的一氧化碳浓度水平。覆盖移动传感器T1、…Tn的几何结构可以被定义为移动传感器的凸多边形(即,对应于移动传感器Ti的所有向量权重值的总和)。通过将时间点t的向量权重值表示为示例性实施例将对应于顶点(i=1、…n)的凸多边形定义为
以便并且 (1)
随着时间的推移,当向量更改时,该凸多边形的大小和形状将更改。还假设存在某个目标函数F(β,Tt,yt),其定义如何可以将传感器测量的事件yt(可以表示为依赖于时间的向量权重值)定义为凸多边形Pt中的点。假设将凸多边形Pt中的点计算为优化问题的稀疏解
以便并且 (2)
该优化问题提供用于判定区域中的多个移动传感器中的哪些移动传感器要保留某一预定时间间隔的策略。例如,示例性实施例将包括那些在高于时间间隔阈值的时间段内具有非0向量权重值的移动传感器Ti。此外,示例性实施例将排除对应向量权重值低于预定向量权重阈值的其它移动传感器。因此,示例性实施例能够通过包括和/或排除区域中的移动传感器而生成随时间动态更改的凸多边形。将传感器测量的事件y引入优化问题中的一种方法是:将区域中发生的情况的某种描述(例如,原型数据)定义为应以某种方式与传感器测量匹配的向量。例如,如果传感器测量的事件y表示专用控制移动传感器系统(因为发生需要注意的某个事件(例如火灾、交通事故等)而到达区域)检测的控制传感器测量,则可以执行该操作。备选地,传感器测量的事件y可以表示某个移动传感器测量,该测量提供有关形成凸多边形的多个移动传感器所覆盖的感兴趣区域的当前状态的定性信息。例如,如果将凸多边形形成的区域中的一氧化碳浓度定义为低(即,低于预定的低一氧化碳阈值=无火灾),则传感器测量的事件y1=1,或者如果将凸多边形形成的区域中的一氧化碳浓度定义为高(即,高于预定的高一氧化碳阈值=火灾),则传感器测量的事件y1=10。同样,如果将凸多边形形成的区域中的交通模式定义为低(即,低于预定的低交通模式阈值=无事故),则传感器测量的事件y2=1,或者如果将凸多边形形成的区域中的交通模式定义为高(即,高于预定的高交通模式阈值=事故),则传感器测量的事件y2=10。通过这种方式,可以将传感器测量的事件y的每个条目表示为某一标度(例如在1至10之间的标度)上的数值。
目标函数F的一个实例可以是
其中示例性实施例使用移动传感器Ti的向量作为列生成矩阵H。对于足够大的λ,该目标函数F是凹函数(例如,起着惩罚的作用)。即使λ很小并且目标函数F不是凹函数,方程3的解通常也很稀疏,因为无约束问题的解
通常位于凸多边形P覆盖的区域之外,并且在凸多边形P上的投影通常是稀疏的,因为投影在凸多边形的某些边或边界上,这意味着某些向量权重值βi变成零值。
现在参考图4,其是示出根据一个示例性实施例的传感器管理模块的实例的示意图。传感器管理模块400例如可以是图3中的传感器管理模块314。传感器管理模块400包括模块402-408。但是,应该注意,传感器管理模块400仅旨在作为实例并且可以包括更多或更少的模块,具体取决于备选的示例性实施例。
模块402是用于生成多个移动传感器(例如图3中的移动传感器302-306)的凸多边形的模块。模块402可以通过使用多个移动传感器中的一组移动传感器而生成凸多边形。该组移动传感器可以包括特定感兴趣区域中的多个移动传感器中的全部移动传感器、多个移动传感器的一部分,或者仅包括多个移动传感器中所确定的向量权重值高于预定向量权重阈值的那些移动传感器。
模块404是用于使用与多个移动传感器的凸多边形关联的目标函数和一组约束生成优化问题的模块。模块406是用于计算优化问题的稀疏解以便确定多个移动传感器中的每个移动传感器的向量权重值的模块。模块408是用于从多个移动传感器的凸多边形中去除所确定的向量权重值低于预定向量权重阈值的一个或多个移动传感器的模块。换言之,所确定的向量权重值低于预定向量权重阈值的移动传感器不贡献显著的传感器输出数据,或者根本不贡献传感器数据。因此,模块408将不在凸多边形中包括所确定的向量权重值低于预定向量权重阈值的那些移动传感器。此外,模块408可以去除或者不考虑位于凸多边形边界或边内的移动传感器的向量权重值。此外,传感器管理模块400还可以包括用于将所确定的向量权重值高于预定向量权重阈值的一个或多个移动传感器添加到多个移动传感器的凸多边形的模块。
现在参考图5,其是示出根据一个示例性实施例的决策模块的实例的示意图。决策模块500例如可以是图3中的决策模块316。决策模块500包括模块502-508。但是,应该注意,决策模块500仅旨在作为实例并且可以包括更多或更少的模块,具体取决于备选的示例性实施例。
模块502是用于将标签与从在特定感兴趣区域上形成凸多边形的多个移动传感器接收的传感器输出数据相关联的模块。模块504是用于将与从形成凸多边形的多个移动传感器接收的传感器输出数据关联的标签与原型数据相匹配的模块。原型数据描述特定感兴趣区域中发生的情况或者当前状态。模块506是用于根据对应于匹配标签的原型数据而分析从形成凸多边形的多个移动传感器接收的传感器输出数据以便确定与凸多边形关联的特定感兴趣区域的当前状态的模块。模块508是用于根据与凸多边形关联的特定感兴趣区域的当前状态而确定要执行的操作的模块。
现在参考图6,其是示出根据一个示例性实施例的移动传感器网络扩展的实例的示意图。移动传感器网络扩展600示出包括形成凸多边形的多个移动传感器的无线网络可如何随时间扩展。例如,在时间T1608,凸多边形602包括移动传感器S1614、移动传感器S2616、移动传感器S3618、移动传感器S4620、移动传感器S5622以及移动传感器S6624。换言之,在时间T1608,六个移动传感器形成凸多边形602。
此外,应该注意,六个移动传感器614-624中的每一个形成凸多边形602的顶点。在时间T2610,移动传感器614-624形成凸多边形604的顶点,从时间T1608到时间T2610,随着移动传感器614-624从凸多边形602的顶点向外移动,凸多边形604的顶点扩展凸多边形602的边。在时间T3612,移动传感器614-624形成凸多边形606的顶点。但是,应该注意,在时间T2610和T3612之间,移动传感器614-624沿着不同的方向移动。因此,凸多边形606的形状不同于凸多边形602和604的形状。如上所述,每个移动传感器在任意时间可以沿着任意方向移动。
此外,移动传感器的状态可以在任意时间更改,例如从ON(开启)状态更改为OFF(关闭)状态。因此,传感器管理模块(例如图3中的传感器管理模块314)将从凸多边形去除状态从ON状态更改为OFF状态的移动传感器。因此,凸多边形的大小和形状可以随着时间的推移不断变化,因为传感器管理模块从凸多边形去除移动传感器或者添加移动传感器。但是,在该实例中,从时间T1608到时间T3612,所有六个移动传感器614-624仍在凸多边形602-606中。
现在参考图7,其是示出根据一个示例性实施例的移动传感器网络修改的实例的示意图。移动传感器网络修改700示出包括形成凸多边形的多个移动传感器的无线网络如何在一段时间内更改。例如,在时间T1708,凸多边形702包括移动传感器S1714、移动传感器S2716、移动传感器S3718、移动传感器S4720、移动传感器S5722以及移动传感器S6724。换言之,在时间T1708,六个移动传感器形成凸多边形702。
此外,应该注意,六个移动传感器714-724中的每一个形成凸多边形702的顶点。在时间T2710,移动传感器714-724形成凸多边形704的顶点,从时间T1708到时间T2710,随着移动传感器714-724从凸多边形702的顶点向外移动时,凸多边形704的顶点扩展凸多边形702的边。但是在时间T3712,移动传感器714-724在时间T2710和T3712之间沿着不同的方向移动。因此,凸多边形706的形状不同于凸多边形702和704的形状。
此外,应该注意,在时间T3712,移动传感器S1714不再有资格被包括在凸多边形706中。例如,在时间T3712,移动传感器S1714的加权向量值现在可能低于预定加权向量阈值并且被视为不重要。例如,移动传感器S1714可以被配置为检测和测量一氧化碳水平。假设在时间T2710,移动传感器S1714检测的一氧化碳水平高于预定一氧化碳阈值。高水平的一氧化碳是显著的,因为较高浓度的一氧化碳可能指示区域中的火灾或其它危险情况。然后假设在时间T3712,移动传感器S1714检测的一氧化碳水平低于预定一氧化碳阈值,因此被确定不显著。因此,当移动传感器S1714的向量权重值仍被视为显著时,传感器管理模块(例如图3中的传感器管理模块314)将在时间T2710在凸多边形706中保留与移动传感器S1714关联的顶点,并且在时间T3712从凸多边形706去除移动传感器S1714。
此外,应该注意,凸多边形706包括七个顶点而不是在凸多边形702和704中包括的六个顶点。在该实例中,传感器管理模块向凸多边形706中添加新移动传感器,即移动传感器S7726。假设在时间T3712,移动传感器S7726检测的一氧化碳水平高于预定一氧化碳阈值。因此,传感器管理模块在时间T3712向凸多边形706添加与移动传感器S7726关联的顶点,因为移动传感器S7726的加权向量值被视为显著。因此,传感器管理模块管理这种弹性(即,扩展和收缩)移动传感器网络。传感器管理模块例如可以每十秒钟,根据组成凸多边形的移动传感器的数量和位置,重新计算凸多边形的大小和形状。但是,示例性实施例可以以任意时间间隔(例如每一秒钟、五秒钟、十秒钟、十五秒钟、三十秒钟、一分钟、五分钟、十分钟、十五分钟、三十分钟、一小时、一天,或者任何其它时间增量),重新计算特定区域中的移动传感器的凸多边形。
此外,传感器管理模块可以针对使用与不再有资格包括在区域的凸多边形中的移动设备关联的先前记录的向量权重值而定义时间限制。该时间限制定义与移动设备关联的先前记录的向量权重值何时变得陈旧并且不再具有统计显著性。此外,传感器管理模块可以定义特定区域的最大范围。例如,传感器管理模块可以根据英尺、码、英里或任何其它度量增量,定义特定区域的最大范围。此外,传感器管理模块可以根据建筑物中的房间、整个建筑物、城市街区、整个城市、县、州、国家、半球或者全球定义区域的最大范围,具体取决于提供的服务范围和/或移动传感器监视的对象。
现在参考图8,其是示出根据一个示例性实施例的用于形成移动传感器的凸多边形的过程的流程图。图8中所示的过程可以在计算机(例如,图2中的数据处理系统200或者图3中的数据处理系统308)中实现。
所述过程始于计算机经由无线网络从区域中的多个移动传感器接收传感器输出数据(步骤802)。来自多个移动传感器的传感器输出数据例如可以是来自图3中的移动传感器302-306的传感器输出数据312。然后,计算机使用优化问题分析从区域中的多个移动传感器接收的传感器输出数据(步骤804)。
然后,计算机判定多个移动传感器是否在区域中形成凸多边形(步骤806)。凸多边形例如可以是图6中的凸多边形602。如果计算机判定多个移动传感器未在区域中形成凸多边形(步骤806的“否”输出),则计算机使用多个移动传感器形成凸多边形(步骤808)。然后所述过程继续到步骤810。如果计算机判定多个移动传感器在区域中形成凸多边形(步骤806的“是”输出),则计算机生成对应于优化问题的目标函数和一组约束(步骤810)。
此外,计算机使用目标函数和一组约束计算优化问题的稀疏解,以便确定多个移动传感器中的每个移动传感器的向量权重值(步骤812)。随后,计算机判定多个移动传感器中是否具有向量权重值低于向量权重阈值的移动传感器(步骤814)。如果计算机判定多个移动传感器中没有向量权重值低于向量权重阈值的移动传感器(步骤814的“否”输出),则计算机重设向量权重阈值(步骤816)。计算机可以通过增加向量权重阈值以便增加所接收的传感器输出数据的统计显著性来重设向量权重阈值。但是,应该注意,如果计算机判定多个移动传感器中没有向量权重值低于向量权重阈值的移动传感器,则示例性实施例可以以其它方式修改所述过程。然后,所述过程返回到步骤802,其中计算机继续从区域中的多个移动传感器接收传感器输出数据。
如果计算机判定多个移动传感器中具有向量权重值低于向量权重阈值的移动传感器(步骤814的“是”输出),则计算机从凸多边形中删除多个移动传感器中向量权重值低于向量权重阈值的那些移动传感器(步骤818)。此外,计算机将凸多边形附近的向量权重值高于向量权重阈值的新移动传感器添加到凸多边形(步骤820)。然后,所述过程返回到步骤802,其中计算机继续从区域中的多个移动传感器接收传感器输出数据。
因此,示例性实施例提供一种用于形成区域中的多个移动传感器的凸多边形的计算机实现的方法。出于示例目的给出对本发明的各种实施例的描述,但所述描述并非旨在是穷举的或是限于所公开的实施例。在不偏离所述实施例的范围和精神的情况下,对于所属技术领域的普通技术人员来说许多修改和变化都将是显而易见的。在此使用的术语的选择,旨在最好地解释实施例的原理、实际应用或对市场中的技术的技术改进,或者使所属技术领域的其它普通技术人员能够理解在此公开的实施例。
附图中的流程图和框图显示了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现的体系结构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (38)
1.一种用于形成区域中的多个移动传感器的凸多边形的计算机实现的方法,所述计算机实现的方法包括:
由计算机使用优化问题分析从所述区域中的所述多个移动传感器接收的传感器输出数据;
由所述计算机判定所述多个移动传感器是否在所述区域中形成所述凸多边形;
响应于所述计算机判定所述多个移动传感器在所述区域中形成所述凸多边形,由所述计算机生成对应于所述优化问题的目标函数和一组约束,其中所述目标函数是以下两项之间的差异:与描述所述区域的当前状态的原型数据关联的向量,以及表示所述传感器输出数据的与所述多个移动传感器关联的向量权重值的总和;以及
由所述计算机使用所述目标函数和所述一组约束计算所述优化问题的稀疏解,以便确定所述多个移动传感器中的每个移动传感器的向量权重值。
2.根据权利要求1的计算机实现的方法,还包括:
由所述计算机判定所述多个移动传感器中是否存在向量权重值低于向量权重阈值的移动传感器;
响应于所述计算机判定所述多个移动传感器中存在向量权重值低于向量权重阈值的移动传感器,由所述计算机从所述凸多边形中删除所述多个移动传感器中向量权重值低于所述向量权重阈值的那些移动传感器。
3.根据权利要求2的计算机实现的方法,还包括:
响应于所述计算机判定所述多个移动传感器中没有向量权重值低于所述向量权重阈值的移动传感器,由所述计算机重设所述向量权重阈值。
4.根据权利要求3的计算机实现的方法,其中所述计算机通过增加所述向量权重阈值而重设所述向量权重阈值,以便增加所接收的传感器输出数据的统计显著性。
5.根据权利要求1的计算机实现的方法,还包括:
由所述计算机将所述凸多边形附近的向量权重值高于所述向量权重阈值的新移动传感器添加到所述凸多边形。
6.根据权利要求1的计算机实现的方法,还包括:
由所述计算机使用所述多个移动传感器中的一组移动传感器生成所述凸多边形。
7.根据权利要求1的计算机实现的方法,还包括:
由所述计算机将标签与从在所述区域上形成所述凸多边形的所述多个移动传感器接收的所述传感器输出数据相关联,其中所述标签描述所述多个移动传感器测量的数据的类型。
8.根据权利要求7的计算机实现的方法,还包括:
由所述计算机将与从形成所述凸多边形的所述多个移动传感器接收的所述传感器输出数据关联的所述标签与原型数据相匹配,其中所述原型数据描述所述区域的当前状态。
9.根据权利要求8的计算机实现的方法,还包括:
由所述计算机根据对应于所匹配标签的所述原型数据而分析从形成所述凸多边形的所述多个移动传感器接收的所述传感器输出数据,以便确定与所述凸多边形关联的所述区域的所述当前状态。
10.根据权利要求9的计算机实现的方法,还包括:
由所述计算机根据与所述凸多边形关联的所述区域的所述当前状态而确定要执行的操作。
11.根据权利要求1的计算机实现的方法,其中所述计算机经由无线网络从所述区域中的所述多个移动传感器接收所述传感器输出数据。
12.根据权利要求1的计算机实现的方法,其中所述多个移动传感器中的每个移动传感器均沿着任意方向并独立于所述多个移动传感器中的其它移动传感器而自由移动。
13.根据权利要求1的计算机实现的方法,其中所述传感器输出数据是时间相关的。
14.根据权利要求1的计算机实现的方法,其中将对应于所述区域的所述传感器输出数据表示为通过在所述凸多边形上求解所述优化问题而定义的一组向量权重值。
15.根据权利要求1的计算机实现的方法,其中所述多个移动传感器中的每个移动传感器位于移动客户机设备中。
16.根据权利要求15的计算机实现的方法,其中包括一组传感器的所述移动客户机设备是运载工具。
17.根据权利要求15的计算机实现的方法,其中包括一组传感器的所述移动客户机设备是无线通信设备。
18.根据权利要求1的计算机实现的方法,其中所述一组约束是所述优化问题的所述稀疏解需要满足的一组条件。
19.根据权利要求1的计算机实现的方法,其中所述凸多边形的大小和形状中的至少一个在一段时间内更改。
20.一种用于形成区域中的多个移动传感器的凸多边形的计算机系统,包括:
用于使用优化问题分析从所述区域中的所述多个移动传感器接收的传感器输出数据的装置;
用于判定所述多个移动传感器是否在所述区域中形成所述凸多边形的装置;
用于响应于判定所述多个移动传感器在所述区域中形成所述凸多边形,生成对应于所述优化问题的目标函数和一组约束的装置,其中所述目标函数是以下两项之间的差异:与描述所述区域的当前状态的原型数据关联的向量,以及表示所述传感器输出数据的与所述多个移动传感器关联的向量权重值的总和;以及
用于使用所述目标函数和所述一组约束计算所述优化问题的稀疏解,以便确定所述多个移动传感器中的每个移动传感器的向量权重值的装置。
21.根据权利要求20所述的计算机系统,还包括:用于判定所述多个移动传感器中是否存在向量权重值低于向量权重阈值的移动传感器的装置;
用于响应于判定所述多个移动传感器中存在向量权重值低于向量权重阈值的移动传感器,从所述凸多边形中删除所述多个移动传感器中向量权重值低于所述向量权重阈值的那些移动传感器的装置。
22.根据权利要求21所述的计算机系统,还包括:
用于响应于判定所述多个移动传感器中没有向量权重值低于所述向量权重阈值的移动传感器,重设所述向量权重阈值的装置。
23.根据权利要求22所述的计算机系统,其中,通过增加所述向量权重阈值而重设所述向量权重阈值,以便增加所接收的传感器输出数据的统计显著性。
24.根据权利要求20所述的计算机系统,还包括:
用于将所述凸多边形附近的向量权重值高于所述向量权重阈值的新移动传感器添加到所述凸多边形的装置。
25.根据权利要求20所述的计算机系统,还包括:
用于使用所述多个移动传感器中的一组移动传感器生成所述凸多边形的装置。
26.根据权利要求20所述的计算机系统,还包括:
用于将标签与从在所述区域上形成所述凸多边形的所述多个移动传感器接收的所述传感器输出数据相关联的装置,其中所述标签描述所述多个移动传感器测量的数据的类型。
27.根据权利要求26所述的计算机系统,还包括:
用于将与从形成所述凸多边形的所述多个移动传感器接收的所述传感器输出数据关联的所述标签与原型数据相匹配的装置,其中所述原型数据描述所述区域的当前状态。
28.根据权利要求27所述的计算机系统,还包括:
用于根据对应于所匹配标签的所述原型数据而分析从形成所述凸多边形的所述多个移动传感器接收的所述传感器输出数据,以便确定与所述凸多边形关联的所述区域的所述当前状态的装置。
29.根据权利要求28所述的计算机系统,还包括:
用于根据与所述凸多边形关联的所述区域的所述当前状态而确定要执行的操作的装置。
30.根据权利要求20所述的计算机系统,其中,经由无线网络从所述区域中的所述多个移动传感器接收所述传感器输出数据。
31.根据权利要求20所述的计算机系统,其中所述多个移动传感器中的每个移动传感器均沿着任意方向并独立于所述多个移动传感器中的其它移动传感器而自由移动。
32.根据权利要求20所述的计算机系统,其中所述传感器输出数据是时间相关的。
33.根据权利要求20所述的计算机系统,其中将对应于所述区域的所述传感器输出数据表示为通过在所述凸多边形上求解所述优化问题而定义的一组向量权重值。
34.根据权利要求20所述的计算机系统,其中所述多个移动传感器中的每个移动传感器位于移动客户机设备中。
35.根据权利要求34所述的计算机系统,其中包括一组传感器的所述移动客户机设备是运载工具。
36.根据权利要求34所述的计算机系统,其中包括一组传感器的所述移动客户机设备是无线通信设备。
37.根据权利要求20所述的计算机系统,其中所述一组约束是所述优化问题的所述稀疏解需要满足的一组条件。
38.根据权利要求20所述的计算机系统,其中所述凸多边形的大小和形状中的至少一个在一段时间内更改。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/659,108 | 2012-10-24 | ||
US13/659,108 US20140112201A1 (en) | 2012-10-24 | 2012-10-24 | Forming a Convex Polygon of Mobile Sensors |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103781078A CN103781078A (zh) | 2014-05-07 |
CN103781078B true CN103781078B (zh) | 2017-03-29 |
Family
ID=50485239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310503469.2A Active CN103781078B (zh) | 2012-10-24 | 2013-10-23 | 形成区域中的多个移动传感器的凸多边形的方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (2) | US20140112201A1 (zh) |
CN (1) | CN103781078B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140112201A1 (en) | 2012-10-24 | 2014-04-24 | International Business Machines Corporation | Forming a Convex Polygon of Mobile Sensors |
US20150379408A1 (en) * | 2014-06-30 | 2015-12-31 | Microsoft Corporation | Using Sensor Information for Inferring and Forecasting Large-Scale Phenomena |
US20160124695A1 (en) * | 2014-11-05 | 2016-05-05 | Ciena Corporation | Network visualization system and method |
US10108194B1 (en) | 2016-09-02 | 2018-10-23 | X Development Llc | Object placement verification |
US10452751B2 (en) * | 2017-01-09 | 2019-10-22 | Bluebeam, Inc. | Method of visually interacting with a document by dynamically displaying a fill area in a boundary |
CN107333226B (zh) * | 2017-06-23 | 2020-04-07 | 泰康保险集团股份有限公司 | 室内移动感知方法、装置、计算机可读介质和电子设备 |
CN109587695B (zh) * | 2018-10-09 | 2021-09-28 | 浙江树人学院 | 权衡丢包率和传输时延的稀疏移动传感节点感知覆盖方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6807158B2 (en) * | 2001-08-07 | 2004-10-19 | Hrl Laboratories, Llc | Method and apparatus for determining position and trajectory of gateways to optimize performance in hybrid non-terrestrial-terrestrial multi-hop mobile networks |
US7177295B1 (en) * | 2002-03-08 | 2007-02-13 | Scientific Research Corporation | Wireless routing protocol for ad-hoc networks |
US7457860B2 (en) * | 2003-10-09 | 2008-11-25 | Palo Alto Research Center, Incorporated | Node localization in communication networks |
US7295533B2 (en) * | 2004-03-08 | 2007-11-13 | Lucent Technologies Inc. | Method for location tracking using vicinities |
US7460976B2 (en) * | 2004-06-09 | 2008-12-02 | The Board Of Trustees Of The Leland Stanford Jr. University | Semi-definite programming method for ad hoc network node localization |
JP4859205B2 (ja) | 2005-02-04 | 2012-01-25 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
US7970574B2 (en) * | 2005-06-22 | 2011-06-28 | The Board Of Trustees Of The Leland Stanford Jr. University | Scalable sensor localization for wireless sensor networks |
US7733224B2 (en) | 2006-06-30 | 2010-06-08 | Bao Tran | Mesh network personal emergency response appliance |
US7978666B2 (en) * | 2005-10-31 | 2011-07-12 | Robert Bosch Gmbh | Node control in wireless sensor networks |
US7812718B1 (en) * | 2005-11-21 | 2010-10-12 | The Hong Kong University Of Science And Technology | Distributed position estimation for wireless sensor networks |
US7925730B1 (en) * | 2005-12-30 | 2011-04-12 | At&T Intellectual Property Ii, L.P. | Localization for sensor networks |
US8040859B2 (en) * | 2006-02-17 | 2011-10-18 | Honeywell International Inc. | Identification of the location of nodes distributed in ad hoc networks |
WO2007107979A2 (en) * | 2006-03-20 | 2007-09-27 | Technion Research & Development Foundation Ltd. | A geometric approach to monitoring threshold functions over distributed data streams |
US20080097731A1 (en) | 2006-10-18 | 2008-04-24 | Orbit One Communication Inc. | System and method for graphically displaying information concerning geographically dispersed assets |
US7930128B2 (en) | 2007-04-16 | 2011-04-19 | Acellent Technologies, Inc. | Robust damage detection |
US20090303888A1 (en) * | 2007-05-03 | 2009-12-10 | Honeywell International Inc. | Method and system for optimizing wireless networks through feedback and adaptation |
US9097786B2 (en) * | 2008-12-17 | 2015-08-04 | Telefonaktiebolaget L M Ericsson (Publ) | Reporting of positioning data |
US8401560B2 (en) * | 2009-03-31 | 2013-03-19 | Empire Technology Development Llc | Infrastructure for location discovery |
US8233389B2 (en) * | 2009-08-19 | 2012-07-31 | Mitsubishi Electric Research Laboratories, Inc. | Method and protocol for congestion control in a vehicular network |
US8280671B2 (en) * | 2010-01-29 | 2012-10-02 | Microsoft Corporation | Compressive data gathering for large-scale wireless sensor networks |
US8831524B2 (en) * | 2011-04-11 | 2014-09-09 | University Of Maryland, College Park | Systems, methods, devices, and computer program products for control and performance prediction in wireless networks |
US20130072223A1 (en) * | 2011-09-15 | 2013-03-21 | Cubic Corporation | Location-based decision making for asset tracking devices |
US20140112201A1 (en) | 2012-10-24 | 2014-04-24 | International Business Machines Corporation | Forming a Convex Polygon of Mobile Sensors |
-
2012
- 2012-10-24 US US13/659,108 patent/US20140112201A1/en not_active Abandoned
- 2012-11-20 US US13/681,771 patent/US8902792B2/en active Active
-
2013
- 2013-10-23 CN CN201310503469.2A patent/CN103781078B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
US20140114625A1 (en) | 2014-04-24 |
CN103781078A (zh) | 2014-05-07 |
US8902792B2 (en) | 2014-12-02 |
US20140112201A1 (en) | 2014-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103781078B (zh) | 形成区域中的多个移动传感器的凸多边形的方法和系统 | |
Kumar et al. | An IoT-based vehicle accident detection and classification system using sensor fusion | |
Soh et al. | Adaptive deep learning-based air quality prediction model using the most relevant spatial-temporal relations | |
JP7154295B2 (ja) | 無線信号の特性の機械学習に基づく動き検出 | |
Zhang et al. | Real time localized air quality monitoring and prediction through mobile and fixed IoT sensing network | |
Singh et al. | Crowd forecasting based on wifi sensors and lstm neural networks | |
Ballı et al. | Diagnosis of transportation modes on mobile phone using logistic regression classification | |
CN106767818B (zh) | 可穿戴电子设备及其健康出行系统 | |
Omatu et al. | Multi-agent technology to perform odor classification | |
KR20130077754A (ko) | 위치정보 표현방법, 위치정보 처리방법, 위치정보모델 생성방법, 및 위치정보처리장치 | |
Choudhary et al. | AirQ: a smart iot platform for air quality monitoring | |
Tang et al. | Geospatial interpolation analytics for data streams in eventshop | |
Kaur et al. | Adaptive neuro fuzzy inference system (ANFIS) based wildfire risk assessment | |
Liu et al. | A survey of crowd evacuation on passenger ships: Recent advances and future challenges | |
KR102313465B1 (ko) | 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 | |
KR20220077994A (ko) | 딥러닝 알고리즘을 이용한 실내 공기질 측정 관리 시스템 및 방법 | |
Tse et al. | Sensing pollution on online social networks: A transportation perspective | |
JP2014160420A (ja) | 活動状況処理装置及び活動状況処理方法 | |
Rahi et al. | Meta-heuristic with machine learning-based smart e-health system for ambient air quality monitoring | |
Ingabire et al. | LoRa RSSI based outdoor localization in an urban area using random neural networks | |
Chen et al. | WITM: Intelligent traffic monitoring using fine-grained wireless signal | |
Sivasangari et al. | Air pollution monitoring and prediction using multi view hybrid model | |
Fong et al. | Internet of Breath (IoB): Integrative indoor gas sensor applications for emergency control and occupancy detection | |
Hasan et al. | A forecasting tool for air quality monitoring built up on cloud and IoT | |
Leon-Garcia et al. | Smart City 360°: First EAI International Summit, Smart City 360°, Bratislava, Slovakia and Toronto, Canada, October 13-16, 2015. Revised Selected Papers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |