CN104981002B - 一种无线传感器网络中汇聚节点的位置确定方法 - Google Patents
一种无线传感器网络中汇聚节点的位置确定方法 Download PDFInfo
- Publication number
- CN104981002B CN104981002B CN201510228940.0A CN201510228940A CN104981002B CN 104981002 B CN104981002 B CN 104981002B CN 201510228940 A CN201510228940 A CN 201510228940A CN 104981002 B CN104981002 B CN 104981002B
- Authority
- CN
- China
- Prior art keywords
- node
- mass center
- classification
- location
- center node
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明提供了一种无线传感器网络中汇聚节点的位置确定方法,包括如下步骤:由支持向量机进行学习训练、进行多次二分类划分并输出各个分类的分类标签、根据分类标签逐级构造决策树、设定K均值聚类算法的初始K值、计算所有剩余传感器节点分别到各个质心节点之间的相对距离、将各个剩余传感器节点分别划分给相对距离低于阈值的质心节点、计算平均节点位置、将该平均节点位置作为新的质心节点位置、重复计算相对距离并更新质心节点位置、将稳定的质心节点位置作为汇聚节点的位置。该汇聚节点的位置确定方法能够快速有效地确定汇聚节点的位置,且能够使整个传感器网络能耗较低,延长传感器节点的使用寿命。
Description
技术领域
本发明涉及一种无线传感器网络,尤其是一种用于确定无线传感器网络中汇聚节点位置的方法。
背景技术
环境是影响农作物生长的重要因素,准确的环境信息检测手段和实时的数据传输机制能够使技术人员对农作物生长情况的了解和监控更加清晰准确。作为物联网技术的支撑载体,无线传感器网络(Wireless Sensor Network,WSNs)无疑是感知环境变量的最佳检测手段。但是农田广袤的空间环境(通常几百万甚至几千万平方米)需要至少几百个节点才能实现对整个农田的覆盖。更严重的是,目前野外无线传感网络在工作时依然采用电池供电的供能方式,每个节点的寿命相当有限。而对于需要在农田里长时间工作(至少3个月)的无线传感器网络而言,节能是设计时需要重点考虑的因素之一。无线传感网络的能耗主要体现在三个方面:传感、计算、传输,其中,传输消耗了整个网络65%的能量,传感器节点发送一位数据所消耗的能量足以使节点CPU执行3000条指令。因此,合理布局无线传感网络内各节点的空间位置使各节点间数据传输的总体距离最小,不仅能使无线传感网络实现对整个农田的最优覆盖、降低数据传输时的丢包率,同时还能大大降低无线传感网络的整体功耗,从而延长无线传感网络各节点的平均寿命。
无线传感器网络是一种具有全新的信息获取信息处理与传输技术的通信网络,通常包含大量的可自组织成多跳无线网络的分布式传感节点。无线传感网络具有组网快捷灵活,且不受有线网络约束的优点,可用于紧急搜索、灾难救助、军事、医疗等环境中,具有广泛的应用前景。汇聚节点在整个网络中起着承上启下的作用,一方面汇聚节点要处理传感器节点传输过来的大量的数据,将这些数据进行打包处理,再通过以太网等方式传输至远程的控制中心。另一方面要将远程控制中心的命令发送给各个传感器节点,使传感器节点根据人们的命令进行工作。因此,汇聚节点不仅要负责与远程终端的通信,而且还要负责与传感器节点的通信。由于通信需要消耗大量的能量,这就要求要给汇聚节点提供充足的能量。
降低能耗以延长网络生存时间是无线传感器网络设计中的一个重要挑战。在传感器节点高密度部署的环境中,在保证网络性能的前提下,将最少量的节点投入活跃工作状态,而将其余节点投入低功耗的睡眠状态,是一种节约系统能量的有效方法。如何计算同时满足覆盖要求和连通性要求的最小节点集合,是一个NP-hard问题。
一种应用比较广泛的降低无线传感网络能耗的方法是节点密度控制。密度控制是实现上述目的的重要而有效的手段。所谓密度控制,就是在不牺牲系统性能的前提下,将一部分节点投入低功耗的睡眠状态,只保留部分节点作为活跃工作节点。这样,可以降低网络中活跃节点的密度、降低感知数据的冗余性以及减少。网络中的每个节点地位都是相等的,换言之,每个节点都需知道全网的拓扑结构,与此同时,由于节点间频繁的交换路由信息,广播数据可能大量占用网络带宽,并影响节点的发送能力,致使整个网络陷入瘫痪,并消耗大量能量。
此外,国内外很多学者和专家对无线传感网络节点划分与节能做了大量研究,例如Gibbs随机场模型、观察集相似度算法等。这些方法在快速准确选取初始K值上确实优于传统的随机选取方法或穷举测试方法,但是这些方法并不适用于WSNs这种特殊的网络结构,并且有些方法要求一定的先验知识。
发明内容
本发明要解决的技术问题是现有的无线传感器网络中由于汇聚节点位置选择不好,从而导致了无线传感网络整体能耗较高。
为了解决上述技术问题,本发明提供了一种无线传感器网络中汇聚节点的位置确定方法,包括如下步骤:
步骤1,由支持向量机根据训练样本数据对分类算法进行学习训练,并建立分类规则,使支持向量机能够对数据集进行分类预测;
步骤2,再由支持向量机根据分类规则并利用循环二分法对各个传感器节点的坐标位置进行多次二分类划分,得到以支持向量作为划分区域边界的各个分类,并输出各个分类的分类标签;
步骤3,根据分类标签逐级构造决策树,设定决策树最底层分类标签的个数n为K均值聚类算法的初始K值,以初始K值作为聚类算法的初始值,在所有传感器节点中选取K个节点作为各个分类的质心节点;
步骤4,计算所有剩余传感器节点分别到各个质心节点之间的相对距离,并将各个剩余传感器节点分别划分给相对距离低于阈值的质心节点,由质心节点和划分给它的剩余传感器节点构成新的分类;
步骤5,计算每个新的分类中所有传感器节点的横坐标平均值和纵坐标平均值,得到平均节点位置,将该平均节点位置作为新的质心节点位置;
步骤6,重复步骤4和5,直到新的质心节点位置与上一次得到的质心节点位置相同或者两者相差在容差范围内,并将此时得到的质心节点位置作为汇聚节点的位置。
作为本发明的进一步限定方案,步骤2中的分类标签为“1”或“0”,分别表示各个传感器节点的位置属于正类或负类。
本发明的有益效果在于:(1)本发明采用无经验无监督的支持向量机学习训练方法和K均值聚类方法,即在没有任何先验经验的条件下,甚至是在不确定节点数量的情况下,仅根据节点自身提供的N维可观察数据,利用支持向量机的二分特性和K均值聚类的距离划分方法,将全部传感器节点划分成K个子集,实现子集内部各个传感器节点之间的总体距离尽可能小,而不同子集之间的总体距离尽可能大,最终使整个聚类的目标函数达到最小,因此本发明的方法能够在没有任何先验经验的条件下即可实现对所有传感器节点的自动分类和聚类,这是传统最优路径和最优覆盖算法所不具备的有点;(2)本发明采用基于决策树的支持向量机来确定聚类的初始K值,利用支持向量机的两类识别特性对整个无线传感网络进行多次二分类划分,最终构造出一颗带有分类标签的决策树,位于决策树最底层的分类标签的个数便是K均值聚类算法的初始K值,与传统支持向量机多分类方法相比较,本发明采用的决策树支持向量机在训练时不需要知道样本的分类个数,而是通过不断对样本进行二分类,根据决策树的分类标签最终确定分类数,能够轻松确定K均值聚类初始K值,提高了确定汇聚节点位置的准确性以及聚类收敛的速度。
附图说明
图1为本发明的无线传感网络整体结构示意图;
图2为本发明的汇聚节点位置确定方法流程图;
图3为本发明的最小超长方形;
图4为本发明的支持向量机的二分类;
图5为本发明的由二分类逐级构成的多分类;
图6为本发明的支持向量机训练阶段与预测阶段流程图;
图7为本发明的支持向量机生成的决策树;
图8为本发明的K均值聚类算法的聚类结果。
具体实施方式
由于传感器节点的通信能力有限,节点的布置首先要保证每个簇的簇头节点能够接受到管辖范围内子节点发送的数据,再考虑到数据采集的全面性,因此在实际的农田环境中,大约每20亩就需要布置一个传感器节点,对于10000亩的农田而言,需要500个节点才能实现完全覆盖。在实际的无线传传感网络中,当节点数量达到100以上时,节点通信会产生很严重的拥堵现象而使整个网络瘫痪,因此选取合适的节点聚类方法、降低节点间信道数量对于保证整体网络可靠性、减少整体信息传输距离是非常必要的。
如图1所示,本发明的无线传感网络根据农田数据采集需要,将各个传感器节点安装在农田中,再根据各个传感器节点的位置信息,通过循环二分法将整个传感器网络划分出多个超平面,这些超平面便是各个分类的分界面。在各个超平面内设有一个汇聚节点,各个传感器节点将采集的数据传输至分界面内的汇聚节点,再由汇聚节点向上一级的汇聚节点转发采集的数据,最终逐级上传至基站,再由基站将全部数据上传至远程监控中心。值得注意的是,汇聚节点并不是一开始就安装在农田里,而是通过本发明的方法确定出最终的位置信息后,再将汇聚节点安装至该位置上。选取出最优的汇聚节点后,汇聚节点可以以单跳或多跳的方式将自身所在超平面内的农田环境信息发送至基站,最终将数据传送至远程监控中心。利用本发明的方法确定的汇聚节点的位置可以使信息总传输距离减小39.6%。
如图2所示,本发明的无线传感器网络中汇聚节点的位置确定方法,包括如下步骤:
步骤1,由支持向量机根据训练样本数据对分类算法进行学习训练,并建立分类规则,使支持向量机能够对数据集进行分类预测;
步骤2,再由支持向量机根据分类规则并利用循环二分法对各个传感器节点的坐标位置进行多次二分类划分,得到以支持向量作为划分区域边界的各个分类,并输出各个分类的分类标签;
步骤3,根据分类标签逐级构造决策树,设定决策树最底层分类标签的个数n为K均值聚类算法的初始K值,以初始K值作为聚类算法的初始值,在所有传感器节点中选取K个节点作为各个分类的质心节点;
步骤4,计算所有剩余传感器节点分别到各个质心节点之间的相对距离,并将各个剩余传感器节点分别划分给相对距离低于阈值的质心节点,由质心节点和划分给它的剩余传感器节点构成新的分类;
步骤5,计算每个新的分类中所有传感器节点的横坐标平均值和纵坐标平均值,得到平均节点位置,将该平均节点位置作为新的质心节点位置;
步骤6,重复步骤4和5,直到新的质心节点位置与上一次得到的质心节点位置相同或者两者相差在容差范围内,并将此时得到的质心节点位置作为汇聚节点的位置。
其中,步骤2中的分类标签为“1”或“0”,分别表示各个传感器节点的位置属于正类或负类。
如图3所示,传感器节点的位置信息是进行多分类及聚类的前提条件,但实际农田的形状是不规则的,因此传感器节点位置信息的获取不应该以农田形状为参考,而应该以无线传感网络所构成的最小坐标系作为标准。为了使分类和聚类算法能够顺利进行,需要对无线传感网络节点所在地理区域进行规则化处理,本发明采用的超平面最小包含某一类样本作为样本分布范围的度量。最小超平面的长度L=Xmax-Xmin,宽度W=Ymax-Ymin。以(Xmin,Ymin)为坐标原点O建立二维直角坐标系,经过坐标变换就可以得到所有传感器节点的二维位置信息。
如图4所示,支持向量机经过训练后只具有二分类的识别能力,但在农田无线传感网络中,分类问题肯定会多于两类样本。为了解决多分类问题,需要反复使用支持向量机进行多次二分类,把多类问题的划分分解为多个二分类的识别,最后通过某种方式组合这些子分类器来实现多类问题的分类。
如图5所示,本发明采用基于决策树的支持向量机多分类算法对传感器节点进行区域划分,使本来只具有二分类能力的支持向量机具有多分类的能力。作为以数据为监督的机器学习算法,决策树支持向量机分类可以自动从实验数据集中学习分类算法,并输出相应的分类标签。经过学习训练后,决策树支持向量机可以根据学到的分类规则对新数据集进行分类预测。
如图6所示,农田内的传感器节点位置数据被分为两类:已分类的训练集和未分类的测试集。训练集的分类是根据各类之间的距离完成的。为了使支持向量机不会把属于某一类的传感器节点误判为属于其他类的节点,要求在分类时,应该让最容易被识别的节点类被最早划分出来,即把距离其他节点类最远的类当做决策树某一层的根节点。因此,对支持向量机训练的目的是使支持向量机具有根据样本元素间的距离将样本划分为两类的能力。
在训练阶段,将训练集数据输入到支持向量机,根据训练样本元素间的距离Di,j,让支持向量机把训练集数据划分为两类:正类和负类。支持向量机经过训练知道训练集的分类规则后,建立分类模型并输出分类标签。分类标签有两种:“1”和“0”,判断某个样本元素属于正类时输出标签“1”,属于负类时输出标签“0”。此时支持向量机已经具备了二分类的能力,可以对陌生数据集进行分类。
在预测阶段,将未分类的传感器节点位置信息输入到支持向量机,支持向量机根据在训练时建立的分类规则,首先将整个测试集数据划分为两类,并输出对应标签:属于正类则输出标签“1”,属于负类则输出标签“0”。此时完成支持向量机对测试集的第一次分类。然后利用循环二分法,即支持向量机对已经分好的每一类再次执行二分类过程,将每一类再次划分成两类并输出分类标签,如此循环二分下去,直到完成对最后一个子类的划分,一颗完整的多分类决策树就建立起来了。
如图7所示,在一颗完整的决策树就建立起来后,很明显地可以看出,在决策树最底端叶节点的个数便是整个样本被分成的类数,也就是下一步要执行的K均值聚类算法的初始K值。初始K值对整个聚类算法会产生很大影响,K值的选取将直接影响到后续的聚类情况,包括汇聚节点位置的准确性、聚类收敛速度等。初始K值的选取并不是随意的,过大或者过小都得不到最优的聚类效果,甚至会导致错误的聚类。节点分类过多会使整个传感器网络的能耗不均匀,不利于提高无线传感网络的整体寿命,还会增加网络节点成本,而节点分类过少则不能保证无线传感网络覆盖整个农田区域,并且相聚较远的节点不一定能将数据成功送至汇聚节点。
如图8所示,本发明采用K均值聚类算法将农田内的无线传感网络节点进行划分,在没有任何先验经验的条件下,甚至是在不确定样本数量的情况下,仅根据样本自身提供的N维可观察数据,将样本集划分成K个子集,要求子集内部元素之间的相异度(欧几里得距离)尽可能低,而不同子集之间的相异度尽可能高,最终使整个聚类的目标函数J达到最小。这些被分类的子集被称为簇,K均值聚类是观察式学习的一种,非常适合对农田无线传感网络这种拓扑结构时常发生变化的特殊网络进行节点划分。目标函数J的形式如下:
式中,k是分类总数,Ni是第i个类Ci的样本个数,xj和ci分别是Ci内的第j个样本和类Ci的簇头节点的位置,||·||2为2-范数,即样本元素的欧几里得距离。由此可以看出,对农田无线传感网络进行节点聚类的最终目的是使所有节点的通信距离总和达到最小,从而使整个传感网络的能耗降到最低。
Claims (1)
1.一种无线传感器网络中汇聚节点的位置确定方法,其特征在于,包括如下步骤:
步骤1,由支持向量机根据训练样本数据对分类算法进行学习训练,并建立分类规则,使支持向量机能够对数据集进行分类预测;
步骤2,再由支持向量机根据分类规则并利用循环二分法对各个传感器节点的坐标位置进行多次二分类划分,得到以支持向量作为划分区域边界的各个分类,并输出各个分类的分类标签;
步骤3,根据分类标签逐级构造决策树,设定决策树最底层分类标签的个数n为K均值聚类算法的初始K值,以初始K值作为聚类算法的初始值,在所有传感器节点中选取K个节点作为各个分类的质心节点;
步骤4,计算所有剩余传感器节点分别到各个质心节点之间的相对距离,并将各个剩余传感器节点分别划分给相对距离低于阈值的质心节点,由质心节点和划分给它的剩余传感器节点构成新的分类;
步骤5,计算每个新的分类中所有传感器节点的横坐标平均值和纵坐标平均值,得到平均节点位置,将该平均节点位置作为新的质心节点位置;
步骤6,重复步骤4和5,直到新的质心节点位置与上一次得到的质心节点位置相同或者两者相差在容差范围内,并将此时得到的质心节点位置作为汇聚节点的位置;
所述步骤2中的分类标签为“1”或“0”,分别表示各个传感器节点的位置属于正类或负类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510228940.0A CN104981002B (zh) | 2015-05-07 | 2015-05-07 | 一种无线传感器网络中汇聚节点的位置确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510228940.0A CN104981002B (zh) | 2015-05-07 | 2015-05-07 | 一种无线传感器网络中汇聚节点的位置确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104981002A CN104981002A (zh) | 2015-10-14 |
CN104981002B true CN104981002B (zh) | 2019-01-22 |
Family
ID=54276954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510228940.0A Active CN104981002B (zh) | 2015-05-07 | 2015-05-07 | 一种无线传感器网络中汇聚节点的位置确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104981002B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11425628B2 (en) * | 2016-05-09 | 2022-08-23 | Tata Consultancy Services Limited | Method and system for achieving auto adaptive clustering in a sensor network |
CN106358256B (zh) * | 2016-10-26 | 2019-09-17 | 上海电机学院 | 一种多机器人控制协调者产生方法 |
CN107360548A (zh) * | 2017-08-21 | 2017-11-17 | 山东师范大学 | 基于rfid的室内物品定位方法和系统 |
CN108337713B (zh) * | 2018-01-31 | 2022-11-29 | 南京邮电大学 | 基于改进k均值的矿井无线传感网非均匀分簇路由方法 |
CN108737410B (zh) * | 2018-05-14 | 2021-04-13 | 辽宁大学 | 一种基于特征关联的有限知工业通信协议异常行为检测方法 |
CN110138658B (zh) * | 2019-04-12 | 2021-01-29 | 常熟理工学院 | 一种基于簇的网络路由通信方法 |
CN110856184B (zh) * | 2019-11-26 | 2022-08-19 | 西安航空学院 | 基于k均值算法的双层结构无线传感器网络节点部署方法 |
CN112423328A (zh) * | 2020-11-03 | 2021-02-26 | 南京工程学院 | 水下无线传感网络能量感知数据聚合方法、系统及存储介质 |
EP4264309A4 (en) | 2020-12-15 | 2024-05-01 | Nokia Technologies Oy | IMPROVED FINGERPRINT POSITIONING |
CN115326661B (zh) * | 2022-10-12 | 2023-03-24 | 深圳市源清环境技术服务有限公司 | 一种基于大气环境的监测方法、系统和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102612139A (zh) * | 2012-03-23 | 2012-07-25 | 华北电力大学 | 一种基于网格的无线传感器网络模糊定位方法 |
CN103220746A (zh) * | 2013-03-26 | 2013-07-24 | 中国电子科技集团公司第二十八研究所 | 一种无线传感器网络节点自定位方法 |
CN103874158A (zh) * | 2012-12-18 | 2014-06-18 | 江南大学 | 一种新型的聚类路由算法 |
CN104519543A (zh) * | 2013-09-27 | 2015-04-15 | 北京邮电大学 | 无线传感网Sink节点的选择方法及系统 |
-
2015
- 2015-05-07 CN CN201510228940.0A patent/CN104981002B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102612139A (zh) * | 2012-03-23 | 2012-07-25 | 华北电力大学 | 一种基于网格的无线传感器网络模糊定位方法 |
CN103874158A (zh) * | 2012-12-18 | 2014-06-18 | 江南大学 | 一种新型的聚类路由算法 |
CN103220746A (zh) * | 2013-03-26 | 2013-07-24 | 中国电子科技集团公司第二十八研究所 | 一种无线传感器网络节点自定位方法 |
CN104519543A (zh) * | 2013-09-27 | 2015-04-15 | 北京邮电大学 | 无线传感网Sink节点的选择方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104981002A (zh) | 2015-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104981002B (zh) | 一种无线传感器网络中汇聚节点的位置确定方法 | |
CN105959987B (zh) | 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 | |
CN108055685A (zh) | 无线传感器网络中的簇头节点和传感器节点 | |
CN104135752A (zh) | 一种无线传感器网络簇头节点选择方法及分簇方法 | |
CN110662232B (zh) | 一种采用多粒度级联森林评估链路质量的方法 | |
CN113411766B (zh) | 智慧物联网综合感知系统及方法 | |
CN108242961A (zh) | 基于集成学习的全双工认知无线电网络合作频谱感知方法 | |
CN110460401A (zh) | 一种基于矩阵分解和粒子群优化聚类的协作频谱感知方法 | |
CN113365323A (zh) | 一种用于无线传感网络中的低能耗多径传输方法 | |
Hribar et al. | Using deep Q-learning to prolong the lifetime of correlated internet of things devices | |
CN103874158A (zh) | 一种新型的聚类路由算法 | |
CN110062410A (zh) | 一种基于自适应谐振理论的小区中断检测定位方法 | |
Egwuche et al. | Machine learning for coverage optimization in wireless sensor networks: a comprehensive review | |
Saoudi et al. | Energy-efficient data mining techniques for emergency detection in wireless sensor networks | |
CN103593435A (zh) | 不确定数据PT-TopK查询近似处理系统和方法 | |
CN104219682A (zh) | 农田混合供电无线传感器网络的网络层次构建方法及系统 | |
Kong | Distributed sensor clustering using artificial neural network with local information | |
CN114783215B (zh) | 无人机分簇方法、装置和电子设备 | |
Zhao et al. | Retracted Article: An Intelligent model to reduce the energy consumption of sensor network nodes | |
CN114531665A (zh) | 一种基于莱维飞行的无线传感器网络节点分簇方法及系统 | |
Carlos et al. | Wireless sensor networks applications for monitoring environmental variables using evolutionary algorithms | |
CN110311744A (zh) | 一种基于Catboost算法的信道环境自适应频谱感知方法 | |
Zhou et al. | A Novel Wireless Sensor Network Data Aggregation Algorithm Based on Self-organizing Feature Mapping Neutral Network. | |
Tian et al. | Research on clustering based meteorological data mining methods | |
Maravarman et al. | Analysis of Density-Based Methods for Selecting Cluster Heads |
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 |