CN103874091B - 一种基于传感器网络事件检测的kNN查询方法 - Google Patents
一种基于传感器网络事件检测的kNN查询方法 Download PDFInfo
- Publication number
- CN103874091B CN103874091B CN201410125872.0A CN201410125872A CN103874091B CN 103874091 B CN103874091 B CN 103874091B CN 201410125872 A CN201410125872 A CN 201410125872A CN 103874091 B CN103874091 B CN 103874091B
- Authority
- CN
- China
- Prior art keywords
- node
- mesh
- grid
- event
- knn
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于传感器网络事件检测的kNN查询方法,包括如下步骤:配置基于潜在事件的kNN查询问题;将感知区域进行网格划分并选取网格管理节点;确定值得关注的感知数据,滤除不值得关注的感知数据;计算事件距离并离散化;将值得关注的事件信息异地存储到相应网格;汇聚节点依次向网格管理节点发送查询消息,网格管理节点反馈查询结果。利用本发明,能够以少量的数据传输量得到较为精确的潜在事件查询结果,并且查询响应时间快,很适合基于传感器网络的实时事件监控系统。
Description
技术领域
本发明涉及一种kNN查询方法,尤其涉及一种基于传感器网络事件检测的kNN查询方法,属于传感网技术领域。
背景技术
在新兴的无线传感器网络(Wireless Sensor Networks,简称WSN)应用中,一个关键性的挑战是设计可靠和节能的数据处理方法,从分布式的感知数据中获取有用的信息,如已经或即将发生的事件。无线传感器网络可以看成是能量受限的分布式数据库系统,每个分布式节点通过无线通信连接。无线传感器网络的任务包括:检测物理环境值,处理感知数据,传输处理结果到基站(或汇聚节点)。由于在无线传感器网络中,数据传输需要消耗大部分的能量,因此无线传感器网络应用的一个核心挑战是设计节能而可靠的数据处理算法,减少数据传输量,从而提高网络生命周期。此外,减少数据传输量还可以提高处理响应速度,降低无线通信过程中的信号干扰。
kNN查询是无线传感器网络应用中的一个常见任务,例如事件检测和目标追踪等。kNN是K最邻近结点算法(k-Nearest Neighboralgorithm)的缩写,是电子信息分类器算法的一种。在无线传感器网络应用中,主要有两种类型的kNN查询:一是基于地理位置的kNN查询,即给定一个地理位置坐标,查找k(K为正整数)个离该位置最近且满足一定条件的节点;另一种是基于值的kNN查询,这需要用户指定一个值,查询k个距离给定值最近的节点。
无论是哪种类型的kNN查询,现有的kNN查询方法大都是基于原始感知数据的,处理这些原始数据会导致非常大的数据传输量,以及很慢的查询响应速度。然而在大部分无线传感器网络应用中,用户并不关注这些原始感知数据,也不关心网内处理时的数据格式,他们只是想要得到监控对象的状态信息,例如(潜在)事件节点的位置等。在现有技术中,传统的kNN查询方法要么基于以数据为中心的存储方式,要么基于传感器节点本地存储的方式,前者往往需要大规模的数据移动,从而造成很大的数据传输量;后者需要基站广播查询消息至整个网络,既耗能又耗时。
发明内容
针对现有技术所存在的不足,本发明所要解决的技术问题在于提供一种基于传感器网络事件检测的kNN查询方法。
为实现上述的发明目的,本发明采用下述的技术方案:
一种基于传感器网络事件检测的kNN查询方法,包括如下步骤:
配置基于潜在事件的kNN查询问题;
将感知区域进行网格划分并选取网格管理节点;
确定值得关注的感知数据,滤除不值得关注的感知数据;
计算事件距离并离散化;
将值得关注的事件信息异地存储到相应网格;
汇聚节点依次向所述网格管理节点发送查询消息,所述网格管理节点反馈查询结果。
其中较优地,所述将感知区域进行网格划分并选取网格管理节点的步骤进一步包括:
按照事件距离等级的数目对感知区域进行网格划分;
根据感知区域的大小和网格的数目确定网格大小;
每个节点根据全局信息和自身的地理坐标计算得到它所属的网格号;
选取离网格中心坐标最近的节点作为所述网格管理节点。
其中较优地,所述节点的网格号按下式进行计算:
其中,和分别代表了a的上界整数和下界整数,G.height和G.width分别表示单个网格的大小,width代表了矩形感知区域的宽度。
其中较优地,所述确定值得关注的感知数据的步骤中,
当感知数据和事件的距离不大于预设阈值时,将感知数据作为值得关注的感知数据,否则作为不值得关注的感知数据被过滤掉。
其中较优地,所述将值得关注的事件信息异地存储到相应网格的步骤进一步包括:
节点采集到一个值得关注的数据;
根据本地的事件距离函数和事件距离等级,将所述值得关注的数据转化成为一个新事件距离等级;
所述节点通过一个hash函数把所述事件距离等级和相应的节点编号异地存储到相对应的网格中。
其中较优地,汇聚节点依次向所述网格管理节点发送查询消息,所述网格管理节点反馈查询结果的步骤进一步包括:
基站按照事件距离等级的顺序发送查询消息到相应的网格管理节点中;
所述网格管理节点接收到查询消息后,查找出现频率大于预设阈值的节点作为查询的候选结果,并将结果返馈给所述基站;
如果候选结果的数量大于用户设定的查询设定值,则返回频率最高的与用户查询设定值数目相同的节点编号作为查询结果;
如果候选结果的数量小于用户设定的查询设定值,则返回所有候选结果中的节点编号作为查询结果,并且所述基站继续发送查询消息到下一个网格中查询剩余的结果;
如果查询得到与用户查询设定值数目相同的结果或者查询完所有的网格,则结束查询。
本发明所提供的基于传感器网络事件检测的kNN查询方法更加节能,综合性能较高,能够以少量的数据传输量得到较为精确的潜在事件查询结果,并且查询响应时间快,很适合基于传感器网络的实时事件监控系统。
附图说明
图1是本发明所提供的kNN查询方法的流程示意图;
图2是水产水产养殖监控系统中,利用传感器节点检测养殖区域水的PH值的示意图;
图3是将感知区域进行网格划分的实施例示意图;
图4是基于事件距离的网格异地存储和查询的实施例示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
本发明提供一种基于传感器网络事件检测的kNN查询方法,如图1所示,主要包括如下步骤:用户配置基于潜在事件的kNN查询问题;将感知区域进行网格划分并选取网格管理节点;确定值得关注的感知数据,滤除不值得关注的感知数据;计算事件距离并离散化;将值得关注的事件信息异地存储到相应网格;汇聚节点依次向网格管理节点发送查询消息,网格管理节点反馈查询结果。下面对本发明的各个具体步骤展开详细的说明。
首先,介绍用户配置基于潜在事件的kNN查询问题的步骤。
在本发明中,将基于潜在事件的k近邻查询(potential event based k NearestNeighbors query)简称为e-kNN。在基于传感器网络事件检测的kNN查询方法中,需要设定一个传感器节点集合S(集合大小为N,N为正整数),并将用户设定的事件设为e。查找一个大小为k的子集S’(S’≤N),使得对于任意i属于S’且任意j属于S-S’,dist(Ri,eT(e))≤dist(Rj,eT(e))。这里Ri是节点i的感知数据,Ri=(Di[1],Di[2],…,Di[m]),m是感知数据属性个数,eT(e)是e的事件发生阈值,dist(Ri,eT(e))表示了Ri和eT(e)的距离,例如欧式距离。dist(Ri,eT(e))可由领域专家给定,具体举例如式(1)所示:
其中,ωi(i=1,...m)是一个可调的权重值,通过它可以定义这些属性对于事件距离的影响程度,ω1+ω2+...+ωm=1。如果某属性i对于事件距离的影响较大,则它对应的ωi应设为较大值,反之亦然。
下面以在基于传感器网络的水产养殖监控系统中,传感器节点用于检测养殖区域水的PH值为优选例对基于潜在事件的k近邻查询进行详细说明。
如图2(a)所示,养殖水域只包含一个微环境,这里有一个事件“适合某种水生生物生长(如PH值为5.5)”,如果用户想得到关于这个事件的两个最近邻,则该基于事件的kNN查询结果为S7和S9,因为S9的PH值和此事件的距离最短,其次是S7。
当在传感器网络中包含多个微环境时,每个微环境中的事件阈值(eT)不同。例如在现代化精细农业管理系统中,传感器节点用于检测温度和土壤湿度等环境值,不同的农作物被种植在农场的不同区域,不同区域的浇灌条件不同。例如,在草莓种植区域,最适合浇水的温度和土壤湿度分别是28摄氏度和28%,在药草种植区域最适合浇灌的温度和湿度分别为13摄氏度和41%,农场的这些区域分别代表着一个微环境,如图2(b)所示。如果用户关注的事件为“最适合浇灌的位置”,则可以找到距离事件最近的k个邻居(位置)。
其次,介绍将感知区域进行网格划分并选取网格管理节点的步骤。
在该步骤中,根据用户最初的设定,在矩形感知区域中,按照事件距离等级数目对感知区域进行网格划分。根据感知区域的大小和网格的数目确定网格大小。每个节点可以根据这些全局信息和自身的地理坐标计算得到它所属的网格号。本发明中,可按照一定的策略选取管理节点,例如一个最简单的方法是将离网格中心最近的节点作为网格管理节点,但也可以使用其它有效的选取网格管理节点的方法。具体如图3所示,根据用户最初的设定,在矩形感知区域中,有N个传感器节点(S1,S2,…,SN,Si表示节点i),每个节点都带有卫星定位装置,因此每个节点可以得到相应的二维地理位置坐标(Si.x和Si.y)。矩形网格将当前的感知区域划分成若干个矩形网格(grid)。感知区域边界(width等)和网格大小(G.height和G.width)等全局信息在网络部署后由汇聚(sink)节点广播给其他所有节点。如此,每个节点可以根据这些全局信息和自身的地理坐标计算得到它所属的网格(网格号为GID)。每个节点计算它对应的网格号的方法如式(2)所示:
其中,和分别代表了a的上界整数和下界整数,G.height和G.width分别表示单个网格的大小,width代表了矩形感知区域的宽度。
把当前的感知区域划分成若干个矩形网格(grid)时,事件距离等级(EventDistance Grades,简写为EDGs)的数量决定网格的数量。一般情况,这两者相等。关于EDGs,下文有进一步的详细说明。网络通常被划分成和EDGs相同数量的网格,如果网络节点密度不是太稀疏或者网格大小足够大,那么每个网格通常至少包含一个节点。如图3所示,将感知区域进行网格划分,每个网格有一个网格管理节点(Grid Manager,简写为GM)。在网内数据融合时,GM负责本地网格内的存储和计算。
在此需要说明的是,本发明中的网格划分是逻辑上的划分,这意味着这些子网格不需要额外的算法管理,不像分簇网络那样需要簇管理算法管理簇划分。当一个节点增加或移动到一个网格中,这个节点只需要根据它的地理位置坐标就可以计算得到它所属的网格(GID)。当一个网格内的GM移走或者耗尽时,它周围的节点可以检测到它的移动或者失效,根据GM选取方法,网格会计算得到新的GM。
再次,介绍确定值得关注的感知数据、滤除不值得关注的感知数据的步骤。
为了使那些不值得关注的感知数据(即事件距离较大的传感器读数)尽早地被过滤掉,用户需要设定一个阈值来识别值得关注的感知数据。例如在值得关注的感知数据中,感知数据r是一个值得关注的感知数据,当且仅当该感知数据对应的事件距离不大于预设定的阈值thrd时感知数据才会被当作值得关注的感知数据,否则会被当作不值得关注的感知数据而被过滤掉。
接下来,介绍计算事件距离并离散化的步骤。
为了减少网内数据融合过程中的数据传输量和内存消耗,需要计算事件距离并将其离散化。前已述及,事件距离等级简写为EDGs,每个EDGs对应一个非均匀事件距离子范围事件距离越小的EDGs,其对应的子范围间隔越小,反之亦然。下面结合一个实施例展开具体说明:
如表1第一列所示,设定八个EDGs,分别是‘A’、‘B’、‘C’、‘D’、‘E’、‘F’、‘G’和‘H’(由于篇幅有限,只列出部分内容),它们对应的事件距离语义分别在表1第二列所示,EDG‘A’对应的时间距离最小,同时它对应的间隔最小,EDG‘H’对应的间隔最大。值得关注的感知数据的事件距离阈值thrd为edH,这意味着使得事件距离大于edH的感知数据可以被提前过滤。
表1 事件距离离散化的示例
上述非均匀的事件距离子范围可根据实际应用通过建立数学模型的方法获得。使用越多的EDGs,e-kNN查询越精确,但计算、存储等过程会更复杂,因此选取合适个数的EDGs要基于历史经验和实际应用的需求。
接下来,介绍将值得关注的事件信息异地存储到相应网格的步骤;
当网络被划分成网格之后,所有值得关注的事件信息应该被发现和存储。节点采集到一个值得关注的数据,根据本地的事件距离函数和事件距离等级,将值得关注的数据转化成为一个新的事件距离等级,节点通过一个hash函数将新的事件距离等级异地存储到相对应的网格中。具体说明如下:当一个节点采集到一个值得关注的数据,该数据根据本地的事件距离函数和表1中的EDGs设定,将该值得关注的数据转化成为一个新的EDGs,该节点通过一个hash函数把此新的EDGs异地存储到相对应的网格中。如上文所述,由于EDGs和网格的数量相同,因此每个EDGs都可以hash到一个网格的GM中存储。每个GM只存储最近n(n为正整数)个采样周期内的EDGs。每当一个新的采样周期来临,较早的采样周期内的潜在事件信息被替换,因为在实时事件监测系统中,越陈旧的数据越没有价值。而且这样可以防止占用GM过多的存储空间。在基于事件距离的网格存储过程中,不传输实际的原始感知数据,因此网内的数据传输量很小。基于事件距离的网格存储的另一个好处是:潜在事件信息以分布式的方式存储在各个网格内,这样可以避免出现集中式存储产生的存储热点和能量空洞等问题。此外,汇聚节点(sink)只需要依次发送查询消息到网格GM节点,然后GM节点在本地查询处理后返回满足要求的结果给sink,这样查询响应速度非常快,极大地提高了查询效率。
下面以在一个传感器系统为例,对基于事件距离的网格异地存储过程展开详细说明。如表2所示,其假设了一个存储了最近n个采样周期内某个EDGs(如‘A’)的GM内的存储信息。在采样周期1,网络中共有三个节点(节点号为3、9、17)的感知数据的EDGs为‘A’;在采样周期1,网络中共有四个节点(节点号为2、3、11、9)的感知数据的EDGs为‘A’,等等。从这两个采样周期的存储信息,初步可以得出节点3和9为e-kNN查询结果的可能性较大。从表2可知,在基于事件距离的网格异地存储过程中,只有传感器节点编号(Sensor ID,简写为SID)需要被传输,而不需要传输原始的感知数据。这是一种非常有效的查询处理方法。
时间 | 节点号 |
采样周期1 | 3,9,17 |
采样周期2 | 2,3,11,9 |
… | … |
采样周期n | 5,7,13 |
表2 最近n个采样周期内的某个GM中存储信息
最后,介绍汇聚节点依次向网格管理节点发送查询消息,网格管理节点反馈查询结果的步骤。
在基于事件距离的网格存储过程中,所有值得关注的潜在事件信息(具有EDGs语义的节点编号)被哈希存储到各网格的GM中,因此在e-kNN查询处理方法中,汇聚节点(sink)不需要广播查询消息到各个节点,只需要按照EDGs的顺序(从事件距离最小的EDGs‘A’开始)发送查询消息到相应的网格GM中,接收到查询消息的网格GM在本地进行处理并返回结果给sink,直到sink得到k个距离事件最近的结果。具体方法如下:网格管理节点接收到查询消息后,查找出现频率大于预设阈值的节点作为查询的候选结果,并将所得到的结果反馈给基站;如果候选结果的数量大于用户设定的查询设定值k,则返回频率最高的与用户查询设定值数目相同的节点编号作为查询结果;如果候选结果的数量小于用户设定的查询设定值k,则返回所有候选结果中的节点编号作为查询结果,并且基站继续发送查询消息到下一个网格中查询剩余的kNN结果;如果查询得到与用户查询设定值数目相同的结果或者查询完所有的网格,则结束查询。如果查询完所有的网格,并未得到满足用
户查询要求的结果,则结束查询。具体的e-kNN查询方法描述如下:
下面以用户定义了四个EDGs为例,对基于潜在事件的e-kNN查询方法展开详细说明:
假设在一个传感器网络中,用户定义了四个EDGs,因此网络被划分成四个网格。它们的GM所存储的EDGs分别为‘A’、‘B’、‘C’和‘D’的潜在事件信息,如图4所示。在e-kNN查询中,每个GM基于网格存储方法存储最近5个采样周期内值得关注的潜在事件信息(实际上是事件节点编号)。如果设置上述方法中第三行的pre-thrd为2,则e-1NN查询结果为节点3,因为在Grid(‘A’)中,节点3出现的频率最大,因此节点3最可能为查询结果。e-2NN的查询结果为{节点3,节点19}或者{节点3,节点11},由上述方法随机选择,因此上述方法的结果并不是精确的,然而这种不精确是可以接受的。因为节点11和节点19都是非常接近用户关注的事件。e-5NN的结果为{节点3,节点19,节点11,节点7,节点1}或者{点3,节点19,节点11,节点7,节点5},不管节点1还是节点5被选为最终结果,查询结果的精确度都是可以保证的。e-7NN的查询结果为{点3,节点19,节点11,节点7,节点5,节点1}。由此不难看出本发明提供的kNN查询方法可以得到精确度较高的查询结果。
综上所述,在本发明提供的基于传感器网络事件检测的kNN查询方法中,一些噪音事件节点可以通过预先设定的阈值pre-thrd被过滤掉。理论分析和基于真实数据集的实验评估表明,本发明可以用很少的数据传输量,得到较为精确的查询结果,并且查询响应速度很快。
上面对本发明所提供的基于传感器网络事件检测的kNN查询方法进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质精神的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (6)
1.一种基于传感器网络事件检测的kNN查询方法,其特征在于包括如下步骤:
配置基于潜在事件的kNN查询问题;
将感知区域进行网格划分并选取网格管理节点;其中,将感知区域进行网格划分是按照事件距离等级的数目对感知区域进行网格划分;
确定值得关注的感知数据,滤除不值得关注的感知数据;
计算事件距离并离散化;
将值得关注的事件信息异地存储到相应网格;即节点采集值得关注的事件信息,将所述值得关注的事件信息转化成为一个新事件距离等级;通过hash函数将新事件距离等级异地存储到相对应网格中;
汇聚节点依次向所述网格管理节点发送查询消息,所述网格管理节点反馈查询结果。
2.如权利要求1所述的kNN查询方法,其特征在于所述选取网格管理节点的步骤进一步包括:
根据感知区域的大小和网格的数目确定网格大小;
每个节点根据全局信息和自身的地理坐标计算得到它所属的网格号;
选取离网格中心坐标最近的节点作为所述网格管理节点。
3.如权利要求2所述的kNN查询方法,其特征在于所述节点的网格号按下式进行计算:
其中,和分别代表了a的上界整数和下界整数,G.height和G.width分别表示单个网格的大小,width代表了矩形感知区域的宽度,Si表示节点i,(Si.x和Si.y)是节点i相应的二维地理位置坐标。
4.如权利要求1所述的kNN查询方法,其特征在于所述确定值得关注的感知数据的步骤中,
当感知数据和事件的距离不大于预设阈值时,将感知数据作为值得关注的感知数据,否则作为不值得关注的感知数据被过滤掉。
5.如权利要求1所述的kNN查询方法,其特征在于:
将所述值得关注的事件信息转化成为一个新事件距离等级时,根据本地的事件距离函数和事件距离等级进行处理。
6.如权利要求1所述的kNN查询方法,其特征在于汇聚节点依次向所述网格管理节点发送查询消息,所述网格管理节点反馈查询结果的步骤进一步包括:
基站按照事件距离等级的顺序发送查询消息到相应的网格管理节点中;
所述网格管理节点接收到查询消息后,查找出现频率大于预设阈值的节点作为查询的候选结果,并将结果返馈给所述基站;
如果候选结果的数量大于用户设定的查询设定值,则返回频率最高的与用户查询设定值数目相同的节点编号作为查询结果;
如果候选结果的数量小于用户设定的查询设定值,则返回所有候选结果中的节点编号作为查询结果,并且所述基站继续发送查询消息到下一个网格中查询剩余的结果;
如果查询得到与用户查询设定值数目相同的结果或者查询完所有的网格,则结束查询。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410125872.0A CN103874091B (zh) | 2014-03-31 | 2014-03-31 | 一种基于传感器网络事件检测的kNN查询方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410125872.0A CN103874091B (zh) | 2014-03-31 | 2014-03-31 | 一种基于传感器网络事件检测的kNN查询方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103874091A CN103874091A (zh) | 2014-06-18 |
CN103874091B true CN103874091B (zh) | 2018-10-30 |
Family
ID=50912135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410125872.0A Active CN103874091B (zh) | 2014-03-31 | 2014-03-31 | 一种基于传感器网络事件检测的kNN查询方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103874091B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104981003B (zh) * | 2015-05-11 | 2018-06-05 | 天津工业大学 | 一种蛇形时隙存储方法 |
CN108667926B (zh) * | 2018-05-07 | 2021-01-01 | 浙江工业大学 | 一种实时的隐私安全边缘范围近似查询方法 |
CN112241464A (zh) * | 2020-05-27 | 2021-01-19 | 杭州智尔科技有限公司 | 一种数据查询方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5333815B2 (ja) * | 2008-02-19 | 2013-11-06 | 株式会社日立製作所 | k最近傍検索方法、k最近傍検索プログラム及びk最近傍検索装置 |
-
2014
- 2014-03-31 CN CN201410125872.0A patent/CN103874091B/zh active Active
Non-Patent Citations (5)
Title |
---|
An Approximate Nearest NeiAlgorithm Based on BZ-treeghbor Query;Hongbo Xu1, 2, Nianmin Yao1, Qilong Han1, Shaobin Cai1, Dongpu S;《IEEE》;20121231;全文 * |
Processing the v-KNN Queries inWireless Sensor Networks;Yongxuan Lai1,2, Hong Chen1,2, Cuiping li1,2;《IEEE》;20071231;全文 * |
一种基于过滤器的无线传感器网络近似k N N 查询优化算法;李斌阳 赵志滨 于戈 姚兰 杨晓春 刘阳;《计算机研究与发展》;20071231;全文 * |
无线传感器网络中基于值的kNN 查询处理;黄 博1 , 蔚赵春1 , 2 , 关佶红3;《微电子学与计算机》;20090930;全文 * |
无线传感器网络中自适应数据存储与kNN查询处理研究;蔚赵春;《中国博士学位论文全文数据库》;20090815;第5.3.2、5.4.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN103874091A (zh) | 2014-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cambra et al. | An IoT service-oriented system for agriculture monitoring | |
CN103874091B (zh) | 一种基于传感器网络事件检测的kNN查询方法 | |
Hamouda et al. | Variable sampling interval for energy-efficient heterogeneous precision agriculture using Wireless Sensor Networks | |
CN103747537B (zh) | 一种基于熵度量的无线传感器网络离群数据自适应检测方法 | |
CN102413509A (zh) | 一种wsn中的时延受限能耗均衡数据采集树构建方法 | |
Su et al. | Efficient skyline query processing in wireless sensor networks | |
US7693181B2 (en) | Systems and methods of sharing information between protocol layers | |
CN103593435B (zh) | 不确定数据PT‑TopK查询近似处理系统和方法 | |
CN103024939A (zh) | 一种农田作物生长信息网络化采集系统及其构建方法 | |
Hawbani et al. | GLT: Grouping based location tracking for object tracking sensor networks | |
Maurya et al. | Threshold sensitive region-based hybrid routing protocol for precision agriculture | |
CN116138145A (zh) | 一种智能农业管理系统 | |
Teekaraman et al. | Implementation of cognitive radio model for agricultural applications using hybrid algorithms | |
Hedley et al. | Wireless soil moisture sensor networks for precision irrigation scheduling | |
CN108966169A (zh) | 针对农田土壤的重金属污染分析预警系统 | |
Pandiyaraju et al. | An optimal energy utilization model for precision agriculture in WSNs using multi-objective clustering and deep learning | |
Guerroumi et al. | Hybrid data dissemination protocol (HDDP) for wireless sensor networks | |
Chung et al. | An efficient mechanism for processing similarity search queries in sensor networks | |
CN108200148A (zh) | 应用无线传感器网络的果园监控系统 | |
CN108966327A (zh) | 一种农业无线传感器网络的寿命延长方法及系统 | |
Martirosyan et al. | LIP: an efficient lightweight iterative positioning algorithm for wireless sensor networks | |
CN113873459B (zh) | 土壤成分采集的多传感器优化部署方法 | |
CN107466057A (zh) | 一种基于区域生长法的wsn数据采集方法 | |
CN103281745B (zh) | 一种商拓扑能量递阶博弈的无线传感网路由方法 | |
Premananda et al. | An energy-efficient, coalition game theory based hierarchical routing protocol for WSNs |
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 |