CN105050126B - 一种基于内分泌调控机理的无线传感器网络监测系统 - Google Patents
一种基于内分泌调控机理的无线传感器网络监测系统 Download PDFInfo
- Publication number
- CN105050126B CN105050126B CN201510362803.6A CN201510362803A CN105050126B CN 105050126 B CN105050126 B CN 105050126B CN 201510362803 A CN201510362803 A CN 201510362803A CN 105050126 B CN105050126 B CN 105050126B
- Authority
- CN
- China
- Prior art keywords
- node
- monitoring
- concentration
- wsn
- hormone
- 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.)
- Expired - Fee Related
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- 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
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于内分泌调控机理的无线传感器网络监测系统,无线传感器网络节点监测目标信息,节点监测过程中,分泌激素信息,控制节点处于工作或休眠状态,动态调节节点采样频率,当节点监测到目标变化缓慢时,发送抑制激素,降低节点采样频率;目标变化较快时,发送促激素,提高节点采样频率。当节点的激素浓度变化异常时,触发异常节点处理机制。如果该节点不是锚节点,则通过凸规划算法实现位置未知的异常节点粗定位,然后使用锚节点激素信息进行定位校正,获取该异常节点的位置信息,最后发送该异常节点的位置信息和监测数据。本发明在保证采样的有效性和准确性同时,能够有效延长网络生命周期。
Description
技术领域
本发明属无线传感器网络技术领域,涉及一种基于内分泌调控机理的无线传感器网络监测系统,特别是涉及一种自适应采样方法以及位置未知的异常节点定位的基于内分泌调控机理的无线传感器网络监测系统。
背景技术
无线传感器网络(Wireless Sensor Networks,WSN)是一种全新的信息获取方式,它不需要固定网络支持,以其随机布置、自组织、抗毁性强、适应苛刻环境等优势,具有在多种场合满足信息获取的实时性、准确性、全面性等需求的能力。由于无线传感器网络的应用前景愈来愈广泛,已引起了许多国家学术界和工业界的高度重视,被认为是对21世纪产生巨大影响力的技术之一。
WSN具有监测范围广、无需人工干预、自动长期采集数据等特点,因此可以在物联网应用中发挥重要作用。但是,WSN采样频率设置标准难以确定,如果节点采样频率设置过低,虽然减少了节点的能量消耗,但丢失重要信息的概率也随之增大,不能保证采样精度;如果采样频率设置过高,虽然数据精度得到了保障,但是会产生大量的冗余数据,增加节点的网络能耗,造成网络过早失效,从而极大地限制了WSN的推广应用。为此,研究有效的WSN数据采集机制,成为发展农业物联网的重要内容。目前针对数据采集机制的研究较少,节点采样频率大多根据经验设定。专利《一种无线传感器网络中的数据采集方法》(发明人张淳、费树岷、周杏鹏)在普通节点构造的二级簇的基础上,对监测区域分区,然后为基站设计了一种合理调度多个数据采集器进行数据采集的方法。该方法构造二级簇以及分区需要消耗一定的能量,此外需要逐层发送请求命令到基站,然后基站调度移动数据采集器采集数据可能会造成一定的时延,不能保证数据的精确性。
WSN的关键技术中,定位技术占有重要的位置。WSN应用中,没有位置信息的监测数据是没有意义的,环境监测中需要知道采集的环境信息所对应的具体区域位置,尤其对于一些突发事件,比如森林火灾、天然气管道泄露、战场局势变化等情况,更是需要知道确切位置才能做出相应的决策。
现有的定位机制主要分为Range-Based和Range-Free,即基于测距技术的定位算法和无需测距的定位算法。前者需要通过测量节点间点到点的距离或角度信息,使用三边测量法、三角测量法或最大似然估计法计算节点位置;后者无需距离和角度信息,仅根据网络连通性等信息实现节点的定位。Range-Based定位机制对网络的硬件设施提出了较高的要求,此外,Range-Based定位机制还需要多次测量,循环求精,这些算法在获得相对精确定位结果的时候,都要产生大量计算和通信开销。相对来说,Range-Free算法对硬件要求低,且精度能够满足实际网络需求,因而得到广泛应用。
发明内容
本发明所要解决的技术问题是提供一种基于内分泌调控机理的无线传感器网络监测系统,特别是提供一种自适应采样方法以及位置未知的异常节点定位的基于内分泌调控机理的无线传感器网络监测系统,在保证采样的有效性和准确性同时,能够有效延长网络生命周期。
本发明的一种基于内分泌调控机理的无线传感器网络监测系统,由WSN节点、Sink节点和远程监测中心组成;WSN节点包括锚节点和非锚节点,WSN节点随机分布在监测区域内,WSN节点在通信半径R内能够相互通信,WSN节点硬件包括处理器模块、无线通信模块、传感模块和电源供应模块,所述基于内分泌调控机理的无线传感器网络监测系统通过WSN节点的传感模块采集目标的监测数据并由无线通信模块发送采集到的监测数据来实现监测过程,包括以下步骤:
(1)WSN节点初始化设置;根据内分泌调控机理,设置每个WSN节点,根据激素浓度和采样频率将WSN节点分成监测节点、浅度休眠节点和深度休眠节点三种;
(2)监测节点以初始化的采样频率采集目标的监测数据,并通过LEACH路由协议将监测数据发送到Sink节点,Sink节点将监测数据发送到远程监测中心;
(3)当监测节点的采样时刻k≥m时,计算该监测节点在采样时刻k的预测值的相对增量比Ddratek;m为回归窗口宽度;
(4)若监测节点采样时刻k的预测值的相对增量比Ddratek大于阈值α1,则启用该监测节点通信半径R范围内的浅度休眠节点,使其进入监测状态,成为辅助监测节点,采集目标的监测数据;
同时,该通信半径R范围内所有的监测节点和辅助监测节点向上调整采样频率;
(5)若监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则向下调整采样频率;
如果辅助监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则调整其激素浓度,直至该辅助监测节点重新进入浅度休眠状态,成为浅度休眠节点,此时,仅保留基本通信功能,不采集目标的监测数据;
(6)判断WSN节点能量;
当WSN节点的能量低于设定阈值α2时,搜索该WSN节点通信半径R范围内是否存在深度休眠节点;如果存在深度休眠节点,则找到离该监测节点最近的深度休眠节点,使其加入监测网络成为替补监测节点,采集并发送目标的监测数据;否则该WSN节点死亡,退出监测网络;
(7)判断监测网络中正常采集并发送目标监测数据的WSN节点数占所有WSN节点总数的百分数是否低于设定阈值α3,如果低于α3,则网络失效。
作为优选的技术方案:
如上所述的一种基于内分泌调控机理的无线传感器网络监测系统,所述步骤具体为:
(1)WSN节点初始化设置;
1)根据内分泌调控机理,每个WSN节点设置:
激素A、激素B、激素C和激素D,分别记为HA、HB、HC和HD;
以及激素A、激素B、激素C对应的促激素,分别为促激素A、促激素B、促激素C,分别记为THA、THB和THC;
与激素A、激素B、激素C对应的抑制激素,分别为抑制激素A、抑制激素B和抑制激素C,分别记为IHA、IHB和IHC;
分泌促激素,用以提高对应的激素的浓度;抑制激素与促激素是相互拮抗的,分泌抑制激素,用以降低对应的激素的浓度;
激素D用于校正异常节点定位信息;
2)将WSN节点根据激素浓度和采样频率分成监测节点、浅度休眠节点和深度休眠节点三种,其中:
监测节点,正常采集并发送目标的监测数据;
浅度休眠节点,仅保留基本通信功能,不采集目标的监测数据;浅度休眠节点可以被激活,成为辅助监测节点,采集并发送目标的监测数据;
深度休眠节点,仅保留基本通信功能,不采集目标的监测数据;深度休眠节点可以被激活,成为替补监测节点,采集并发送目标的监测数据;
3)初始化定义:
WSN节点中,位置已知的锚节点HD初始浓度为HDLH,位置未知的非锚节点HD初始浓度为HDLL,且HDLH>HDLL;
HA浓度是决定WSN节点为监测节点、浅度休眠节点或深度休眠节点的条件之一;
初始状态WSN节点的采样频率F:监测节点的采样频率F>0;浅度休眠节点和深度休眠节点的采样频率F=0,即不采集目标的监测数据;WSN节点的采样频率F与HB浓度相对应,通过HB浓度调整WSN节点的采样频率;
HC浓度决定WSN节点是否为深度休眠节点;
(2)监测节点以初始化的采样频率采集目标的监测数据,并通过LEACH路由协议将监测数据发送到Sink节点,Sink节点将监测数据发送到远程监测中心;
(3)当监测节点的采样时刻k≥m时,计算该监测节点在采样时刻k的预测值的相对增量比Ddratek;m为回归窗口宽度;
(4)若监测节点采样时刻k的预测值的相对增量比Ddratek大于阈值α1,则该监测节点分泌THA,THA影响该监测节点通信半径R范围内的浅度休眠节点;该监测节点通信半径R范围内的浅度休眠节点收到THA,将自身的HA浓度提高;当提高到监测节点的HA浓度范围时,浅度休眠节点进入监测状态,成为辅助监测节点,采集目标的监测数据;
同时,该通信半径R范围内所有的监测节点和辅助监测节点分泌THB,每个节点分泌的THB只影响自身的HB浓度,监测节点和辅助监测节点每收到一次THB,即将自身的HB浓度提高ΔTHB;
(5)若监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则该监测节点分泌IHB,每个监测节点分泌的IHB只影响自身的HB浓度,监测节点每收到一次IHB,即将自身的HB浓度降低ΔIHB;
如果辅助监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则该辅助监测节点分泌IHA,IHA只影响该辅助监测节点本身的HA浓度;该辅助监测节点收到IHA,即将自身的HA浓度降低ΔIHA;当辅助监测节点的HA浓度降低到监测节点的HA浓度范围值以下时,辅助监测节点重新进入浅度休眠状态,成为浅度休眠节点,仅保留基本通信功能,不采集目标的监测数据;
(6)判断WSN节点能量;
当WSN节点的能量低于设定阈值α2时,搜索该WSN节点通信半径R范围内是否存在深度休眠节点;如果存在深度休眠节点,则找到离该监测节点最近的深度休眠节点,发送THC提高该深度休眠节点HC浓度,使其加入监测网络成为替补监测节点,采集并发送目标的监测数据;否则该WSN节点死亡,退出监测网络;
(7)判断监测网络中正常采集并发送目标监测数据的WSN节点数占所有WSN节点总数的百分数是否低于设定阈值α3,如果低于α3,则网络失效。
如上所述的一种基于内分泌调控机理的无线传感器网络监测系统,步骤(1)中,监测节点、浅度休眠节点和深度休眠节点分别按照数量百分比55%-65%、5%-15%和25%-35%布置在监测网络中;
各激素的初始化数值范围为:
监测节点的HA浓度为[100,120]mg/dL,HB浓度为[70,110]mg/dL,HC浓度为[60-70]mg/dL;
浅度休眠节点的HA浓度为[80,100)mg/dL,HB浓度为[65,70)mg/dL,HC浓度为[60-70]mg/dL;
深度休眠节点的HA浓度为[100,120]mg/dL,HB浓度为[65,70)mg/dL,HC浓度为[50-60)mg/dL;
WSN节点中,位置已知的锚节点HD初始浓度为100mg/dL,位置未知的非锚节点HD初始浓度为0mg/dL。
如上所述的一种基于内分泌调控机理的无线传感器网络监测系统,监测节点的HA浓度初始化数值为110mg/dL,HB浓度初始化数值为85mg/dL,HC浓度初始化数值为65mg/dL;
浅度休眠节点的HA浓度初始化数值为90mg/dL,HB浓度初始化数值为65mg/dL,HC浓度初始化数值为62mg/dL;
深度休眠节点的HA浓度初始化数值为105mg/dL,HB浓度初始化数值为65mg/dL,HC浓度初始化数值为55mg/dL。
如上所述的一种基于内分泌调控机理的无线传感器网络监测系统,步骤(1)中,浅度休眠节点的HB浓度允许范围为[65,110]mg/dL;深度休眠节点的HB浓度允许范围为[65,110]mg/dL;
WSN节点的HB浓度表示为HBL,与采样频率F对应关系满足下式,其中f1、f2、f3和f4为4种采样频率,且满足0<f1<f2<f3<f4;
其中,f1=3次/min,f2=5次/min,f3=7次/min,f4=9次/min。
如上所述的一种基于内分泌调控机理的无线传感器网络监测系统,步骤(3)中,当监测节点的采样时刻k≥m时,计算该监测节点在采样时刻k的预测值的相对增量比Ddratek:
其中,
是从Dk-n到Dk-1共n个采样点的采样平均值,
是k时刻预测值相对上一时刻采样值Dk-1的相对增量,
表示为该监测节点k时刻的预测值,利用Dk-m到Dk-1的m个采样值预测k时刻的采样值Dk,使用一元线性回归方法求得
Di为WSN节点的第i个采样值;
Dk-1是WSN节点的第k-1时刻的采样值;
Dk-n是WSN节点的第k-n时刻的采样值;
m为回归窗口宽度,n为采样窗口宽度;
m,n,i,k=1,2,3...,且k-1>0,k-n>0,k-m>0。
如上所述的一种基于内分泌调控机理的无线传感器网络监测系统,步骤(4)具体为:若监测节点采样时刻k的预测值的相对增量比Ddratek大于阈值α1,则该监测节点分泌THA,THA影响该监测节点通信半径R范围内的浅度休眠节点,而不会影响该范围内的监测节点和深度休眠节点;该监测节点通信半径R范围内的浅度休眠节点收到THA,就将自身采样时刻k-1的HA浓度HAL(k-1)提高ΔTHA,得到采样时刻k的HA浓度HAL(k),可表示为
HAL(k)=HAL(k-1)+ΔTHA;
ΔTHA=20mg/dL;
其中,HAL(k-1)表示浅度休眠节点采样时刻k-1的HA浓度;HAL(k)表示浅度休眠节点采样时刻k的HA浓度;
该范围内的浅度休眠节点提高HA浓度,当HA浓度提高到监测节点的HA浓度范围时,浅度休眠节点进入监测状态,成为辅助监测节点,采集目标的监测数据;
同时,该通信半径R范围内所有的监测节点和辅助监测节点分泌THB,每个节点分泌的THB只影响自身的HB浓度而不会影响其他节点,监测节点和辅助监测节点每收到一次THB,就将自身采样时刻k-1的HB浓度HBL(k-1)提高ΔTHB,得到采样时刻k的HB浓度HBL(k),可表示为
HBL(k)=HBL(k-1)+ΔTHB;
ΔTHB=10mg/dL;
其中,HBL(k-1)表示监测节点和辅助监测节点采样时刻k-1的HB浓度;HBL(k)表示监测节点和辅助监测节点采样时刻k的HB浓度;
步骤(5)具体为:
若监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则该监测节点分泌IHB,每个监测节点分泌的IHB只影响自身的HB浓度而不会影响其他节点,监测节点每收到一次IHB,就将自身采样时刻k-1的HB浓度HBL(k-1)降低ΔIHB,得到采样时刻k的HB浓度HBL(k),表示为
HBL(k)=HBL(k-1)-ΔIHB;
ΔIHB=ΔTHB=10mg/L;
其中,HBL(k-1)表示监测节点和辅助监测节点采样时刻k-1的HB浓度;HBL(k)表示监测节点和辅助监测节点采样时刻k的HB浓度;
如果辅助监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则该辅助监测节点分泌IHA,IHA只影响该辅助监测节点本身的HA浓度,而不会影响其他的监测节点和辅助监测节点;该辅助监测节点收到IHA,就将自身采样时刻k-1的HA浓度HAL(k-1)降低ΔTHA,得到采样时刻k的HA浓度HAL(k),可表示为
HAL(k)=HAL(k-1)-ΔIHA;
ΔIHA=ΔTHA=20mg/dL;
其中,HAL(k-1)表示辅助监测节点采样时刻k-1的HA浓度;HAL(k)表示辅助监测节点采样时刻k的HA浓度;
辅助监测节点降低HA浓度,当HA浓度降低到浅度休眠节点的HA浓度范围时,辅助监测节点重新进入浅度休眠状态,成为浅度休眠节点,仅保留基本通信功能,不采集目标的监测数据;
阈值α1=0.2。
如上所述的一种基于内分泌调控机理的无线传感器网络监测系统,步骤(6)中,
阈值α2=0.0025×E0;
WSN节点发送l Bits数据到与之相距d的另一WSN节点所消耗的能量为:
WSN节点接收l Bits数据消耗的能量为:
ERx(l)=Eelect×l;
WSN节点在转发数据过程中,部分WSN节点会当选簇头节点,簇头节点进行本地处理和数据融合时的能量消耗为:
EPr(l)=l×EDA;
其中Eelect表示将1Bit数据在发送电路和接收电路消耗的能量;ξfs和ξmp分别表示两种模型中功率放大电路能耗系数,d为两个WSN节点之间的距离,d0为距离阈值;EDA表示融合1Bits数据的能量消耗;
WSN节点初始化能量为E0,E0=0.5J,WSN节点剩余能量为E,E=E0=0.5J;并根据WSN节点是簇头节点或者非簇头节点更新WSN节点的剩余能量;
如果WSN节点是簇头节点,那么其剩余能量更新如下:
;
其中ETx(ctrLength,R)表示簇头节点在以自身位置为中心,半径为WSN节点的通信半径R的区域内广播ctrLength Bits控制信息所消耗的能量,表示簇头节点接收簇内n1个WSN节点发来的距离为dm1的dLengthm1Bits数据所消耗的能量,表示簇头节点接收簇内n1个WSN节点发来的数据总长度,表示簇头节点融合簇内n1个WSN节点分别发来的dLengthm1Bits数据所消耗的能量,ETx(mdLength,ds)表示簇头节点发送融合后的mdLength Bits数据至距离为ds的Sink节点所消耗的能量;
如果该WSN节点非簇头节点,那么其剩余能量更新如下:
其表示WSN节点接收n2个距离为dm2的簇头节点发来的ctrLengthm2Bits控制信息所消耗的能量,ETx(ctrLength,dc)表示WSN节点发送ctrLengthBits应答命令至距离为dc的簇头节点所消耗的能量;ETx(dLength,dc)表示WSN节点发送dLength Bits数据至距离为dc的簇头节点所消耗的能量;
设定:Eelect=50nJ/Bit,EDA=5nJ/Bitξfs=10pJ/Bit·m2,ξmp=0.0013pJ/Bit·m4,ctrLength=ctrLengthm1=ctrLengthm2=200Bits,dLength=dLengthm1=6400Bits,
WSN节点完成采样时刻k-1的采样操作后,计算WSN节点的剩余能量,如果剩余能量E≤α2,该WSN节点在其通信半径R范围内广播深度休眠节点激活信号;如果该WSN节点通信半径R范围内存在深度休眠节点,则该范围R内所有的深度休眠节点计算各自到该WSN节点的距离,并得到离该WSN节点最近的深度休眠节点,该深度休眠节点分泌THC,THC只影响该深度休眠节点本身的HC浓度,而不会影响其他的WSN节点,该深度休眠节点收到THC,就将自身采样时刻k-1的HC浓度HCL(k-1)提高ΔTHC,得到采样时刻k的HC浓度HCL(k),可表示为
HCL(k)=HCL(k-1)+ΔTHC;
ΔTHC=15mg/dL;
WSN节点每发送一次监测数据,计算WSN节点的剩余能量,当WSN节点的剩余能量E≤α2时,此时节点能量不足以维持WSN节点采集并发送目标监测数据的能量消耗,此时认定该WSN节点死亡;
步骤(7)中,设定阈值α3=40%;当正常工作的监测节点数、辅助监测节点数和替补监测节点数的总和所占网络所有WSN节点总数的百分比少于40%时,网络无法形成有效传输链路,监测数据无法传输到Sink节点,网络失效。
如上所述的一种基于内分泌调控机理的无线传感器网络监测系统:
处理器模块负责控制传感器节点的操作、及数据的存储和处理其他节点发来的数据;
传感器模块负责监测区域内信息的感知、采集以及数据转换;
无线通信模块负责节点间的无线通信;
电源供应模块负责为节点供电,通常采用微型电池;
WSN节点的通信半径R=60m;
监测节点、浅度休眠节点和深度休眠节点的数量百分比为60%、10%和30%。
如上所述的一种基于内分泌调控机理的无线传感器网络监测系统,判断监测节点HB浓度是否超过设定软阈值,如果HB浓度超过设定软阈值,则进入异常节点处理机制,具体包括以下步骤:
1)判断是否是锚节点,如果是锚节点则执行步骤4),否则执行步骤2);
2)使用凸规划算法实现位置未知的异常节点粗定位;
3)使用锚节点激素信息,对该位置未知的异常节点实现定位校正;
4)通过LEACH路由协议发送该异常节点的位置信息和监测数据到Sink节点,由Sink节点发送到远程监测中心;
HB浓度的设定软阈值为100mg/dL;
使用锚节点激素信息,对该异常节点实现定位校正步骤:
位置未知的异常节点收到第j个锚节点的HD浓度
其中,锚节点分泌HD初始浓度为HDLH,为HD浓度衰减系数;
根据HD浓度判断位置未知的异常节点到相应锚节点的距离,并根据该距离信息缩小定位区域,提高定位精度。
本发明的一种基于内分泌调控机理的无线传感器网络监测系统,采样结束后计算相对增量比,如果相对增量比大于预先设定的阈值,则认为数据变化幅度超过了系统允许的线性偏差,说明监测数据的变化幅度较大,需要提高节点的采样频率来保持无线传感器网络监测数据的准确性;反之,如果小于阈值,说明监测数据没有变化或者变化幅度较小,可以降低节点的采样频率,减少节点的能量消耗。
有益效果
(1)提高数据采样精度。WSN节点根据监测目标变化情况,动态调节采样频率,目标变化幅度较大时提高采样频率,保证采样精度。
(2)延长WSN网络生命周期。WSN节点根据监测目标变化情况,分泌激素信息,控制WSN节点处于监测或者休眠状态,同时调节WSN节点采样频率。当目标变化缓慢时,分泌IHB,降低WSN节点采样频率,减少数据处理量,减少节点能量消耗。
(3)位置未知的异常节点定位准确。WSN节点监测到目标发生异常情况时,激活异常节点处理机制,首先判断异常节点是否是锚节点,如果是锚节点,则直接发送节点位置和目标数据信息,否则使用凸规划算法实现异常节点粗定位,然后位置未知的异常节点接收锚节点HD,校正自身位置信息,最后发送异常节点的位置和目标数据信息。
附图说明
图1是本发明的监测系统结构示意图;
图2是本发明的WSN节点硬件结构图;
图3是本发明的流程图;
图4是本发明的异常节点处机制;
图5是本发明的凸规划算法示意图;
图6是本发明的激素信息缩小定位区域示意图;
图7是本发明的最终定位效果。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示,由100个WSN节点、一个Sink节点和远程监测中心组成;100个WSN节点包括25个锚节点和75个非锚节点,WSN节点随机分布在监测区域内,WSN节点在通信半径R内能够相互通信。
如图2所示,WSN节点硬件包括处理器模块、无线通信模块、传感模块和电源供应模块。其中处理器模块负责控制传感器节点的操作、及数据的存储和处理其他节点发来的数据;传感器模块负责监测区域内信息的感知、采集以及数据转换;无线通信模块负责其他节点间的无线通信;电源供应模块负责为节点的供电,通常釆用微型电池。
实施例1
一种基于内分泌调控机理的无线传感器网络监测系统,通过WSN节点的传感模块采集目标的监测数据并由无线通信模块发送采集到的监测数据来实现监测过程,包括以下步骤:
(1)WSN节点初始化设置;根据内分泌调控机理,设置每个WSN节点,根据激素浓度和采样频率将WSN节点分成监测节点、浅度休眠节点和深度休眠节点三种;
监测节点、浅度休眠节点和深度休眠节点分别按照数量百分比60%、10%和30%布置在监测网络中;
监测节点的HA浓度初始化数值为110mg/dL,HB浓度初始化数值为85mg/dL,HC浓度初始化数值为65mg/dL;
浅度休眠节点的HA浓度初始化数值为90mg/dL,HB浓度初始化数值为65mg/dL,HC浓度初始化数值为62mg/dL;
深度休眠节点的HA浓度初始化数值为105mg/dL,HB浓度初始化数值为65mg/dL,HC浓度初始化数值为55mg/dL。
(2)监测节点以初始化的采样频率采集目标的监测数据,并通过LEACH路由协议将监测数据发送到Sink节点,Sink节点将监测数据发送到远程监测中心;
(3)当监测节点的采样时刻k≥m时,计算该监测节点在采样时刻k的预测值的相对增量比Ddratek;m为回归窗口宽度;
当监测节点的采样时刻k≥m时,计算该监测节点在采样时刻k的预测值Di的相对增量比Dk-m:
其中,
是从Dk-n到Dk-1共n个采样点的采样平均值,
n=5
是k时刻预测值相对上一时刻采样值Dk-1的相对增量,
表示为该监测节点k时刻的预测值,利用Dk-m到Dk-1的m个采样值预测k时刻的采样值Dk,使用一元线性回归方法求得
Di为WSN节点的第i个采样值;
Dk-1是WSN节点的第k-1时刻的采样值;
Dk-n是WSN节点的第k-n时刻的采样值;
m为回归窗口宽度,n为采样窗口宽度;
i,k=1,2,3...,m=5,n=5,且k-1>0,k-n>0,k-m>0。
(4)若监测节点采样时刻k的预测值的相对增量比Ddratek大于阈值α1,则启用该监测节点通信半径R范围内的浅度休眠节点,使其进入监测状态,成为辅助监测节点,采集目标的监测数据;
同时,该通信半径R范围内所有的监测节点和辅助监测节点向上调整采样频率;
阈值α1=0.2;
监测节点通信半径R=60m;
监测节点采样时刻k的预测值的相对增量比Ddratek大于阈值α1,则该监测节点分泌THA,THA影响该监测节点通信半径R范围内的浅度休眠节点,而不会影响该范围内的监测节点和深度休眠节点;该监测节点通信半径R范围内的浅度休眠节点收到THA,就将自身采样时刻k-1的HA浓度HAL(k-1)提高ΔTHA,得到采样时刻k的HA浓度HAL(k),可表示为
HAL(k)=HAL(k-1)+ΔTHA;
ΔTHA=20mg/dL;
其中,HAL(k-1)表示浅度休眠节点采样时刻k-1的HA浓度;HAL(k)表示浅度休眠节点采样时刻k的HA浓度;
该范围内的浅度休眠节点提高HA浓度,当HA浓度提高到监测节点的HA浓度范围时,浅度休眠节点进入监测状态,成为辅助监测节点,采集目标的监测数据;
同时,该通信半径R范围内所有的监测节点和辅助监测节点分泌THB,每个节点分泌的THB只影响自身的HB浓度而不会影响其他节点,监测节点和辅助监测节点每收到一次THB,就将自身采样时刻k-1的HB浓度HBL(k-1)
提高ΔTHB,得到采样时刻k的HB浓度HBL(k),可表示为
HBL(k)=HBL(k-1)+ΔTHB;
ΔTHB=10mg/dL;
其中,HBL(k-1)表示监测节点和辅助监测节点采样时刻k-1的HB浓度;
HBL(k)表示监测节点和辅助监测节点采样时刻k的HB浓度;
判断HBL(k)是否超过设定软阈值100mg/dL;如果超过设定软阈值,即HBL(k)≥100mg/dL,则进入异常节点处理机制,具体包括以下步骤:
1)判断是否是锚节点,如果是锚节点则执行步骤4),否则执行步骤2);
2)使用凸规划算法实现位置未知的异常节点粗定位;
3)使用锚节点激素信息,对该位置未知的异常节点实现定位校正;
4)通过LEACH路由协议发送该异常节点的位置信息和监测数据到Sink节点,由Sink节点发送到远程监测中心;
异常节点处理机制步骤2)使用凸规划算法实现异常节点粗定位。如图5所示,凸规划算法将未知节点和锚节点能否进行通信作为约束条件,把整个网络模型化为一个凸集,从而将节点定位问题转化为凸约束优化问题,此凸约束优化问题的解为未知节点可能存在的区域,得到相应矩形区域,然后以矩形的质心作为未知异常节点的位置。
异常节点处理机制步骤3)使用锚节点激素信息,对位置未知的异常节点实现定位校正。本发明中,位置未知的异常节点收到第j个锚节点的HD浓度HDLj
其中,锚节点分泌HD初始浓度为HDLH,为激素浓度衰减系数,HDLj表示未知异常节点接收到第j个锚节点的HD浓度。
本发明中,位置未知的异常节点接收附近锚节点的HD信息,并根据HD浓度判断对应锚节点的距离,并根据该距离信息缩小定位区域。
假设位置未知的异常节点能够接收到三个锚节点的激素信息且HDL1>HDL2>HDL3,由HDL1>HDL2判断未知异常节点处于图6(a)中的阴影区域,同理HDL1>HDL3和HDL2>HDL3表明未知异常节点处于图6(b)和图6(c)中的阴影区域,最后以它们阴影区域的重叠部分作为其估计区域,如图6(d)所示。计算该重叠区域的三个顶点A、B、C坐标位置,其坐标分别为(Ax,Ay)、(Bx,By)和(Cx,Cy),并根据下述公式计算未知节点的估计位置D,最终定位效果如图7所示。
如果位置未知的异常节点能够接收到二个或者三个以及更多的锚节点激素信息,可以使用同样的方法提高定位精度。
(5)若监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则向下调整采样频率;
阈值α1=0.2;
监测节点通信半径R=60m;
监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则该监测节点分泌IHB,每个监测节点分泌的IHB只影响自身的HB浓度而不会影响其他节点,监测节点每收到一次IHB,就将自身采样时刻k-1的HB浓度HBL(k-1)降低ΔIHB,得到采样时刻k的HB浓度HBL(k),表示为
HBL(k)=HBL(k-1)-ΔIHB;
ΔIHB=ΔTHB=10mg/L;
其中,HBL(k-1)表示监测节点和辅助监测节点采样时刻k-1的HB浓度;HBL(k)表示监测节点和辅助监测节点采样时刻k的HB浓度;
判断HBL(k)是否超过设定软阈值100mg/dL;如果超过设定软阈值,即HBL(k)≥100mg/dL,则进入异常节点处理机制,具体包括以下步骤:
1)判断是否是锚节点,如果是锚节点则执行步骤4),否则执行步骤2);
2)使用凸规划算法实现位置未知的异常节点粗定位;
3)使用锚节点激素信息,对该位置未知的异常节点实现定位校正;
4)通过LEACH路由协议发送该异常节点的位置信息和监测数据到Sink节点,由Sink节点发送到远程监测中心;
异常节点处理机制步骤2)使用凸规划算法实现异常节点粗定位。如图5所示,凸规划算法将未知节点和锚节点能否进行通信作为约束条件,把整个网络模型化为一个凸集,从而将节点定位问题转化为凸约束优化问题,此凸约束优化问题的解为未知节点可能存在的区域,得到相应矩形区域,然后以矩形的质心作为未知异常节点的位置。
异常节点处理机制步骤3)使用锚节点激素信息,对位置未知的异常节点实现定位校正。本发明中,位置未知的异常节点收到第j个锚节点的HD浓度HDLj
其中,锚节点分泌HD初始浓度为HDLH,为激素浓度衰减系数,HDLj表示未知异常节点接收到第j个锚节点的HD浓度。
本发明中,位置未知的异常节点接收附近锚节点的HD信息,并根据HD浓度判断对应锚节点的距离,并根据该距离信息缩小定位区域。
假设位置未知的异常节点能够接收到三个锚节点的激素信息且HDL1>HDL2>HDL3,由HDL1>HDL2判断未知异常节点处于图6(a)中的阴影区域,同理HDL1>HDL3和HDL2>HDL3表明未知异常节点处于图6(b)和图6(c)中的阴影区域,最后以它们阴影区域的重叠部分作为其估计区域,如图6(d)所示。计算该重叠区域的三个顶点A、B、C坐标位置,其坐标分别为(Ax,Ay)、(Bx,By)和(Cx,Cy),并根据下述公式计算未知节点的估计位置D,最终定位效果如图7所示。
如果位置未知的异常节点能够接收到二个或者三个以及更多的锚节点激素信息,可以使用同样的方法提高定位精度。
如果辅助监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则该辅助监测节点分泌IHA,IHA只影响该辅助监测节点本身的HA浓度,而不会影响其他的监测节点和辅助监测节点;该辅助监测节点收到IHA,就将自身采样时刻k-1的HA浓度HAL(k-1)降低ΔTHA,得到采样时刻k的HA浓度HAL(k),可表示为
HAL(k)=HAL(k-1)-ΔIHA;
ΔIHA=ΔTHA=20mg/dL;
其中,HAL(k-1)表示辅助监测节点采样时刻k-1的HA浓度;HAL(k)表示辅助监测节点采样时刻k的HA浓度;
辅助监测节点降低HA浓度,当HA浓度降低到浅度休眠节点的HA浓度范围时,辅助监测节点重新进入浅度休眠状态,成为浅度休眠节点,仅保留基本通信功能,不采集目标的监测数据;
(6)判断WSN节点能量;
当WSN节点的能量低于设定阈值α2时,搜索该WSN节点通信半径R范围内是否存在深度休眠节点;如果存在深度休眠节点,则找到离该监测节点最近的深度休眠节点,使其加入监测网络成为替补监测节点,采集并发送目标的监测数据;否则该WSN节点死亡,退出监测网络;
阈值α2=0.0025×E0;
WSN节点发送l Bits数据到与之相距d的另一WSN节点所消耗的能量为:
WSN节点接收l Bits数据消耗的能量为:
ERx(l)=Eelect×l;
WSN节点在转发数据过程中,部分WSN节点会当选簇头节点,簇头节点进行本地处理和数据融合时的能量消耗为:
EPr(l)=l×EDA;
其中Eelect表示将1Bit数据在发送电路和接收电路消耗的能量;ξfs和ξmp分别表示两种模型中功率放大电路能耗系数,d为两个WSN节点之间的距离,d0为距离阈值;EDA表示融合1Bits数据的能量消耗;
WSN节点初始化能量为E0,E0=0.5J,WSN节点剩余能量为E,E=E0=0.5J;并根据WSN节点是簇头节点或者非簇头节点更新WSN节点的剩余能量;
如果WSN节点是簇头节点,那么其剩余能量更新如下:
;
其中ETx(ctrLength,R)表示簇头节点在以自身位置为中心,半径为WSN节点的通信半径R的区域内广播ctrLength Bits控制信息所消耗的能量,表示簇头节点接收簇内n1个WSN节点发来的距离为dm1的dLengthm1Bits数据所消耗的能量,表示簇头节点接收簇内n1个WSN节点发来的数据总长度,表示簇头节点融合簇内n1个WSN节点分别发来的dLengthm1Bits数据所消耗的能量,ETx(mdLength,ds)表示簇头节点发送融合后的mdLength Bits数据至距离为ds的Sink节点所消耗的能量;
如果该WSN节点非簇头节点,那么其剩余能量更新如下:
其中表示WSN节点接收n2个距离为dm2的簇头节点发来的ctrLengthm2Bits控制信息所消耗的能量,ETx(ctrLength,dc)表示WSN节点发送ctrLengthBits应答命令至距离为dc的簇头节点所消耗的能量;ETx(dLength,dc)表示WSN节点发送dLength Bits数据至距离为dc的簇头节点所消耗的能量;
设定:Eelect=50nJ/Bit,EDA=5nJ/Bitξfs=10pJ/Bit·m2,ξmp=0.0013pJ/Bit·m4,ctrLength=ctrLengthm1=ctrLengthm2=200Bits,dLength=dLengthm1=6400Bits,
WSN节点完成采样时刻k-1的采样操作后,计算WSN节点的剩余能量,如果剩余能量E≤α2,该WSN节点在其通信半径R范围内广播深度休眠节点激活信号;如果该WSN节点通信半径R范围内存在深度休眠节点,则该范围R内所有的深度休眠节点计算各自到该WSN节点的距离,并得到离该WSN节点最近的深度休眠节点,该深度休眠节点分泌THC,THC只影响该深度休眠节点本身的HC浓度,而不会影响其他的WSN节点,该深度休眠节点收到THC,就将自身采样时刻k-1的HC浓度HCL(k-1)提高ΔTHC,得到采样时刻k的HC浓度HCL(k),可表示为
HCL(k)=HCL(k-1)+ΔTHC;
ΔTHC=15mg/dL;
WSN节点每发送一次监测数据,计算WSN节点的剩余能量,当WSN节点的剩余能量E≤α2时,此时节点能量不足以维持WSN节点采集并发送目标监测数据的能量消耗,此时认定该WSN节点死亡;
(7)判断监测网络中正常采集并发送目标监测数据的WSN节点数占所有WSN节点总数的百分数是否低于设定阈值α3,如果低于α3,则网络失效。
阈值α3=40%;
当正常工作的监测节点数、辅助监测节点数和替补监测节点数的总和所占网络所有WSN节点总数的百分比少于40%时,网络无法形成有效传输链路,监测数据无法传输到Sink节点,网络失效。
Claims (10)
1.一种基于内分泌调控机理的无线传感器网络监测系统,由WSN节点、Sink节点和远程监测中心组成;WSN节点包括锚节点和非锚节点,WSN节点随机分布在监测区域内,WSN节点在通信半径R内能够相互通信,WSN节点硬件包括处理器模块、无线通信模块、传感模块和电源供应模块,其特征是所述基于内分泌调控机理的无线传感器网络监测系统通过WSN节点的传感模块采集目标的监测数据并由无线通信模块发送采集到的监测数据来实现监测过程,包括以下步骤:
(1)WSN节点初始化设置;根据内分泌调控机理,设置每个WSN节点,根据激素浓度和采样频率将WSN节点分成监测节点、浅度休眠节点和深度休眠节点三种;
(2)监测节点以初始化的采样频率采集目标的监测数据,并通过LEACH路由协议将监测数据发送到Sink节点,Sink节点将监测数据发送到远程监测中心;
(3)当监测节点的采样时刻k≥m时,计算该监测节点在采样时刻k的预测值的相对增量比Ddratek;m为回归窗口宽度;
(4)若监测节点采样时刻k的预测值的相对增量比Ddratek大于阈值α1,则启用该监测节点通信半径R范围内的浅度休眠节点,使其进入监测状态,成为辅助监测节点,采集目标的监测数据;
同时,该通信半径R范围内所有的监测节点和辅助监测节点向上调整采样频率;
(5)若监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则向下调整采样频率;
如果辅助监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则调整其激素浓度,直至该辅助监测节点重新进入浅度休眠状态,成为浅度休眠节点,此时,仅保留基本通信功能,不采集目标的监测数据;
(6)判断WSN节点能量;
当WSN节点的能量低于设定阈值α2时,搜索该WSN节点通信半径R范围内是否存在深度休眠节点;如果存在深度休眠节点,则找到离该监测节点最近的深度休眠节点,使其加入监测网络成为替补监测节点,采集并发送目标的监测数据;否则该WSN节点死亡,退出监测网络;
(7)判断监测网络中正常采集并发送目标监测数据的WSN节点数占所有WSN节点总数的百分数是否低于设定阈值α3,如果低于α3,则网络失效。
2.根据权利要求1所述的一种基于内分泌调控机理的无线传感器网络监测系统,其特征在于,所述步骤具体为:
(1)WSN节点初始化设置;
1)根据内分泌调控机理,每个WSN节点设置:
激素A、激素B、激素C和激素D,分别记为HA、HB、HC和HD;
以及激素A、激素B、激素C对应的促激素,分别为促激素A、促激素B、促激素C,分别记为THA、THB和THC;
与激素A、激素B、激素C对应的抑制激素,分别为抑制激素A、抑制激素B和抑制激素C,分别记为IHA、IHB和IHC;
分泌促激素,用以提高对应的激素的浓度;抑制激素与促激素是相互拮抗的,分泌抑制激素,用以降低对应的激素的浓度;
激素D用于校正异常节点定位信息;
2)将WSN节点根据激素浓度和采样频率分成监测节点、浅度休眠节点和深度休眠节点三种,其中:
监测节点,正常采集并发送目标的监测数据;
浅度休眠节点,仅保留基本通信功能,不采集目标的监测数据;
深度休眠节点,仅保留基本通信功能,不采集目标的监测数据;
3)初始化定义:
WSN节点中,位置已知的锚节点HD初始浓度为HDLH,位置未知的非锚节点HD初始浓度为HDLL,且HDLH>HDLL;
HA浓度是决定WSN节点为监测节点、浅度休眠节点或深度休眠节点的条件之一;
初始状态WSN节点的采样频率F:监测节点的采样频率F>0;浅度休眠节点和深度休眠节点的采样频率F=0,即不采集目标的监测数据;WSN节点的采样频率F与HB浓度相对应,通过HB浓度调整WSN节点的采样频率;
HC浓度决定WSN节点是否为深度休眠节点;
(2)监测节点以初始化的采样频率采集目标的监测数据,并通过LEACH路由协议将监测数据发送到Sink节点,Sink节点将监测数据发送到远程监测中心;
(3)当监测节点的采样时刻k≥m时,计算该监测节点在采样时刻k的预测值的相对增量比Ddratek;m为回归窗口宽度;
(4)若监测节点采样时刻k的预测值的相对增量比Ddratek大于阈值α1,则该监测节点分泌THA,THA影响该监测节点通信半径R范围内的浅度休眠节点;该监测节点通信半径R范围内的浅度休眠节点收到THA,将自身的HA浓度提高;当提高到监测节点的HA浓度范围时,浅度休眠节点进入监测状态,成为辅助监测节点,采集目标的监测数据;
同时,该通信半径R范围内所有的监测节点和辅助监测节点分泌THB,每个节点分泌的THB只影响自身的HB浓度,监测节点和辅助监测节点每收到一次THB,即将自身的HB浓度提高ΔTHB;
(5)若监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则该监测节点分泌IHB,每个监测节点分泌的IHB只影响自身的HB浓度,监测节点每收到一次IHB,即将自身的HB浓度降低ΔIHB;
如果辅助监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则该辅助监测节点分泌IHA,IHA只影响该辅助监测节点本身的HA浓度;该辅助监测节点收到IHA,即将自身的HA浓度降低ΔIHA;当辅助监测节点的HA浓度降低到监测节点的HA浓度范围值以下时,辅助监测节点重新进入浅度休眠状态,成为浅度休眠节点,仅保留基本通信功能,不采集目标的监测数据;
(6)判断WSN节点能量;
当WSN节点的能量低于设定阈值α2时,搜索该WSN节点通信半径R范围内是否存在深度休眠节点;如果存在深度休眠节点,则找到离该监测节点最近的深度休眠节点,发送THC提高该深度休眠节点HC浓度,使其加入监测网络成为替补监测节点,采集并发送目标的监测数据;否则该WSN节点死亡,退出监测网络;
(7)判断监测网络中正常采集并发送目标监测数据的WSN节点数占所有WSN节点总数的百分数是否低于设定阈值α3,如果低于α3,则网络失效。
3.根据权利要求2所述的一种基于内分泌调控机理的无线传感器网络监测系统,其特征在于,步骤(1)中,监测节点、浅度休眠节点和深度休眠节点分别按照数量百分比55%-65%、5%-15%和25%-35%布置在监测网络中;
各激素的初始化数值范围为:
监测节点的HA浓度为[100,120]mg/dL,HB浓度为[70,110]mg/dL,HC浓度为[60-70]mg/dL;
浅度休眠节点的HA浓度为[80,100)mg/dL,HB浓度为[65,70)mg/dL,HC浓度为[60-70]mg/dL;
深度休眠节点的HA浓度为[100,120]mg/dL,HB浓度为[65,70)mg/dL,HC浓度为[50-60)mg/dL;
WSN节点中,位置已知的锚节点HD初始浓度为100mg/dL,位置未知的非锚节点HD初始浓度为0mg/dL。
4.根据权利要求3所述的一种基于内分泌调控机理的无线传感器网络监测系统,其特征在于,监测节点的HA浓度初始化数值为110mg/dL,HB浓度初始化数值为85mg/dL,HC浓度初始化数值为65mg/dL;
浅度休眠节点的HA浓度初始化数值为90mg/dL,HB浓度初始化数值为65mg/dL,HC浓度初始化数值为62mg/dL;
深度休眠节点的HA浓度初始化数值为105mg/dL,HB浓度初始化数值为65mg/dL,HC浓度初始化数值为55mg/dL。
5.根据权利要求2所述的一种基于内分泌调控机理的无线传感器网络监测系统,其特征在于,步骤(1)中,浅度休眠节点的HB浓度允许范围为[65,110]mg/dL;深度休眠节点的HB浓度允许范围为[65,110]mg/dL;
WSN节点的HB浓度表示为HBL,与采样频率F对应关系满足下式,其中f1、f2、f3和f4为4种采样频率,且满足0<f1<f2<f3<f4;
其中,f1=3次/min,f2=5次/min,f3=7次/min,f4=9次/min。
6.根据权利要求2所述的一种基于内分泌调控机理的无线传感器网络监测系统,其特征在于,步骤(3)中,当监测节点的采样时刻k≥m时,计算该监测节点在采样时刻k的预测值的相对增量比Ddratek:
其中,
是从Dk-n到Dk-1共n个采样点的采样平均值,
是k时刻预测值相对上一时刻采样值Dk-1的相对增量,
表示为该监测节点k时刻的预测值,利用Dk-m到Dk-1的m个采样值预测k时刻的采样值Dk,使用一元线性回归方法求得
Di为WSN节点的第i个采样值;
Dk-1是WSN节点的第k-1时刻的采样值;
Dk-n是WSN节点的第k-n时刻的采样值;
m为回归窗口宽度,n为采样窗口宽度;
m,n,i,k=1,2,3...,且k-1>0,k-n>0,k-m>0。
7.根据权利要求2所述的一种基于内分泌调控机理的无线传感器网络监测系统,其特征在于,步骤(4)具体为:若监测节点采样时刻k的预测值的相对增量比Ddratek大于阈值α1,则该监测节点分泌THA,THA影响该监测节点通信半径R范围内的浅度休眠节点,而不会影响该范围内的监测节点和深度休眠节点;该监测节点通信半径R范围内的浅度休眠节点收到THA,就将自身采样时刻k-1的HA浓度HAL(k-1)提高ΔTHA,得到采样时刻k的HA浓度HAL(k),可表示为
HAL(k)=HAL(k-1)+ΔTHA;
ΔTHA=20mg/dL;
其中,HAL(k-1)表示浅度休眠节点采样时刻k-1的HA浓度;HAL(k)表示浅度休眠节点采样时刻k的HA浓度;
该范围内的浅度休眠节点提高HA浓度,当HA浓度提高到监测节点的HA浓度范围时,浅度休眠节点进入监测状态,成为辅助监测节点,采集目标的监测数据;
同时,该通信半径R范围内所有的监测节点和辅助监测节点分泌THB,每个节点分泌的THB只影响自身的HB浓度而不会影响其他节点,监测节点和辅助监测节点每收到一次THB,就将自身采样时刻k-1的HB浓度HBL(k-1)提高ΔTHB,得到采样时刻k的HB浓度HBL(k),可表示为
HBL(k)=HBL(k-1)+ΔTHB;
ΔTHB=10mg/dL;
其中,HBL(k-1)表示监测节点和辅助监测节点采样时刻k-1的HB浓度;HBL(k)表示监测节点和辅助监测节点采样时刻k的HB浓度;
步骤(5)具体为:
若监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则该监测节点分泌IHB,每个监测节点分泌的IHB只影响自身的HB浓度而不会影响其他节点,监测节点每收到一次IHB,就将自身采样时刻k-1的HB浓度HBL(k-1)降低ΔIHB,得到采样时刻k的HB浓度HBL(k),表示为
HBL(k)=HBL(k-1)-ΔIHB;
ΔIHB=ΔTHB=10mg/L;
其中,HBL(k-1)表示监测节点和辅助监测节点采样时刻k-1的HB浓度;HBL(k)表示监测节点和辅助监测节点采样时刻k的HB浓度;
如果辅助监测节点在采样时刻k的预测值的相对增量比Ddratek小于等于阈值α1,则该辅助监测节点分泌IHA,IHA只影响该辅助监测节点本身的HA浓度,而不会影响其他的监测节点和辅助监测节点;该辅助监测节点收到IHA,就将自身采样时刻k-1的HA浓度HAL(k-1)降低ΔTHA,得到采样时刻k的HA浓度HAL(k),可表示为
HAL(k)=HAL(k-1)-ΔIHA;
ΔIHA=ΔTHA=20mg/dL;
其中,HAL(k-1)表示辅助监测节点采样时刻k-1的HA浓度;HAL(k)表示辅助监测节点采样时刻k的HA浓度;
辅助监测节点降低HA浓度,当HA浓度降低到浅度休眠节点的HA浓度范围时,辅助监测节点重新进入浅度休眠状态,成为浅度休眠节点,仅保留基本通信功能,不采集目标的监测数据;
阈值α1=0.2。
8.根据权利要求2所述的一种基于内分泌调控机理的无线传感器网络监测系统,其特征在于,步骤(6)中,
阈值α2=0.0025×E0;
WSN节点发送l Bits数据到与之相距d的另一WSN节点所消耗的能量为:
WSN节点接收l Bits数据消耗的能量为:
ERx(l)=Eelect×l;
WSN节点在转发数据过程中,部分WSN节点会当选簇头节点,簇头节点进行本地处理和数据融合时的能量消耗为:
EPr(l)=l×EDA;
其中Eelect表示将1Bit数据在发送电路和接收电路消耗的能量;ξfs和ξmp分别表示两种模型中功率放大电路能耗系数,d为两个WSN节点之间的距离,d0为距离阈值;EDA表示融合1Bits数据的能量消耗;
WSN节点初始化能量为E0,E0=0.5J,WSN节点剩余能量为E,E=E0=0.5J;并根据WSN节点是簇头节点或者非簇头节点更新WSN节点的剩余能量;
如果WSN节点是簇头节点,那么其剩余能量更新如下:
;
其中ETx(ctrLength,R)表示簇头节点在以自身位置为中心,半径为WSN节点的通信半径R的区域内广播ctrLength Bits控制信息所消耗的能量,表示簇头节点接收簇内n1个WSN节点发来的距离为dm1的dLengthm1Bits数据所消耗的能量,表示簇头节点接收簇内n1个WSN节点发来的数据总长度,表示簇头节点融合簇内n1个WSN节点分别发来的dLengthm1Bits数据所消耗的能量,ETx(mdLength,ds)表示簇头节点发送融合后的mdLength Bits数据至距离为ds的Sink节点所消耗的能量;
如果该WSN节点非簇头节点,那么其剩余能量更新如下:
其中表示WSN节点接收n2个距离为dm2的簇头节点发来的ctrLengthm2Bits控制信息所消耗的能量,ETx(ctrLength,dc)表示WSN节点发送ctrLengthBits应答命令至距离为dc的簇头节点所消耗的能量;ETx(dLength,dc)表示WSN节点发送dLength Bits数据至距离为dc的簇头节点所消耗的能量;
设定:Eelect=50nJ/Bit,EDA=5nJ/Bitξfs=10pJ/Bit·m2,ξmp=0.0013pJ/Bit·m4,ctrLength=ctrLengthm1=ctrLengthm2=200Bits,dLength=dLengthm1=6400Bits,
WSN节点完成采样时刻k-1的采样操作后,计算WSN节点的剩余能量,如果剩余能量E≤α2,该WSN节点在其通信半径R范围内广播深度休眠节点激活信号;如果该WSN节点通信半径R范围内存在深度休眠节点,则该范围R内所有的深度休眠节点计算各自到该WSN节点的距离,并得到离该WSN节点最近的深度休眠节点,该深度休眠节点分泌THC,THC只影响该深度休眠节点本身的HC浓度,而不会影响其他的WSN节点,该深度休眠节点收到THC,就将自身采样时刻k-1的HC浓度HCL(k-1)提高ΔTHC,得到采样时刻k的HC浓度HCL(k),可表示为
HCL(k)=HCL(k-1)+ΔTHC;
ΔTHC=15mg/dL;
WSN节点每发送一次监测数据,计算WSN节点的剩余能量,当WSN节点的剩余能量E≤α2时,此时节点能量不足以维持WSN节点采集并发送目标监测数据的能量消耗,此时认定该WSN节点死亡;
步骤(7)中,设定阈值α3=40%;当正常工作的监测节点数、辅助监测节点数和替补监测节点数的总和所占网络所有WSN节点总数的百分比少于40%时,网络无法形成有效传输链路,监测数据无法传输到Sink节点,网络失效。
9.根据权利要求1所述的一种基于内分泌调控机理的无线传感器网络监测系统,其特征在于,
处理器模块负责控制传感器节点的操作、及数据的存储和处理其他节点发来的数据;
传感器模块负责监测区域内信息的感知、采集以及数据转换;
无线通信模块负责节点间的无线通信;
电源供应模块负责为节点供电;
WSN节点的通信半径R=60m;
监测节点、浅度休眠节点和深度休眠节点的数量百分比为60%、10%和30%。
10.根据权利要求1所述的一种基于内分泌调控机理的无线传感器网络监测系统,其特征在于,判断监测节点HB浓度是否超过设定软阈值,如果HB浓度超过设定软阈值,则进入异常节点处理机制,具体包括以下步骤:
1)判断是否是锚节点,如果是锚节点则执行步骤4),否则执行步骤2);
2)使用凸规划算法实现位置未知的异常节点粗定位;
3)使用锚节点激素信息,对该位置未知的异常节点实现定位校正;
4)通过LEACH路由协议发送该异常节点的位置信息和监测数据到Sink节点,由Sink节点发送到远程监测中心;
HB浓度的设定软阈值为100mg/dL;
使用锚节点激素信息,对该异常节点实现定位校正步骤:
位置未知的异常节点收到第j个锚节点的HD浓度
其中,锚节点分泌HD初始浓度为HDLH,为HD浓度衰减系数;
根据HD浓度判断位置未知的异常节点到相应锚节点的距离,并根据该距离信息缩小定位区域,提高定位精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510362803.6A CN105050126B (zh) | 2015-06-25 | 2015-06-25 | 一种基于内分泌调控机理的无线传感器网络监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510362803.6A CN105050126B (zh) | 2015-06-25 | 2015-06-25 | 一种基于内分泌调控机理的无线传感器网络监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105050126A CN105050126A (zh) | 2015-11-11 |
CN105050126B true CN105050126B (zh) | 2019-02-26 |
Family
ID=54456226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510362803.6A Expired - Fee Related CN105050126B (zh) | 2015-06-25 | 2015-06-25 | 一种基于内分泌调控机理的无线传感器网络监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105050126B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107509231B (zh) * | 2017-09-21 | 2020-11-24 | 南昌工程学院 | 一种能量获取型无线传感网络最大化监测频率方法 |
CN108391232B (zh) * | 2018-03-05 | 2023-09-05 | 西安工业大学 | 一种基于生物启发的多目标动态监测系统与方法 |
CN108416522A (zh) * | 2018-03-06 | 2018-08-17 | 深圳市卡普瑞环境科技有限公司 | 一种时间信息调整方法以及时间信息调整装置 |
CN108665667A (zh) * | 2018-04-25 | 2018-10-16 | 桂林理工大学 | 一种基于无线传感器网络的森林防火监控系统 |
CN112768040A (zh) * | 2020-12-31 | 2021-05-07 | 北京谊安医疗系统股份有限公司 | 一种多类型设备监测数据融合装置及方法 |
CN116486588B (zh) * | 2023-05-10 | 2024-01-30 | 广东海洋大学 | 基于自适应采样的海浪监测数据传输方法与系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103327653A (zh) * | 2013-06-26 | 2013-09-25 | 电子科技大学 | 基于睡眠调度和覆盖补偿的覆盖保持方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130235757A1 (en) * | 2012-03-07 | 2013-09-12 | Samsung Electronics Co. Ltd. | Apparatus and method for a biology inspired topological phase transition for wireless sensor network |
-
2015
- 2015-06-25 CN CN201510362803.6A patent/CN105050126B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103327653A (zh) * | 2013-06-26 | 2013-09-25 | 电子科技大学 | 基于睡眠调度和覆盖补偿的覆盖保持方法 |
Non-Patent Citations (1)
Title |
---|
An endocrine-based intelligent distributed cooperative algorithm for target tracking in wireless sensor networks;Jin Yanling等;《SOFT COMPUTER》;20140711;第3节 |
Also Published As
Publication number | Publication date |
---|---|
CN105050126A (zh) | 2015-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105050126B (zh) | 一种基于内分泌调控机理的无线传感器网络监测系统 | |
Xiao et al. | Joint estimation in sensor networks under energy constraints | |
KR102598175B1 (ko) | 통신 시스템에서 커버리지 클래스를 기반으로 신호를 송수신하는 방법 및 장치 | |
GB2544518A (en) | Channel quality indicators | |
CN204270487U (zh) | 基于无线传感器的水质环境监测系统 | |
Liu et al. | An energy aware adaptive kernel density estimation approach to unequal clustering in wireless sensor networks | |
WO2020220637A1 (zh) | 环境参数提示方法、系统、环境监测装置及存储介质 | |
CN105761465A (zh) | 基于无线传感器的水质环境监测系统 | |
WO2019205528A1 (zh) | 基于天气数据的无线传感网节点太阳能收集功率预测算法 | |
US10200948B2 (en) | Method and device for controlling energy saving and compensation | |
JP2017049896A (ja) | 無線通信システム、無線通信方法、およびセンサノード | |
CN105682226A (zh) | 一种无线传感器网络 | |
JP5751941B2 (ja) | 無線通信システムの設定方法、基地局および無線通信システム | |
CN107959729B (zh) | 基于无线传感器网络的农作物生长环境监测系统及方法 | |
CN209105464U (zh) | 一种基于北斗云物联网的自动化监测rtu及组网系统 | |
Tang et al. | Energy-efficient sensory data collection based on spatiotemporal correlation in IoT networks | |
CN107832192B (zh) | 一种服务器启停智能控制系统 | |
CN106413058B (zh) | 应用于tms疏水阀无线检测系统的无线电低功耗传输模块 | |
Miao et al. | IoT adaptive threshold energy management algorithm based on energy harvesting | |
CN108880708B (zh) | 基于潮间带无线传感器网络的压缩感知链路质量估计方法 | |
Siddikov et al. | Analysis of Energy Efficiency Indicators in IoT-based Systems | |
CN102594495B (zh) | 基于无线多媒体传感器网络edca机制的动态bi设计方法 | |
Semente et al. | Energy-efficient WSN systems | |
US20220376800A1 (en) | Wireless device and related method for controlling a positioning sensor | |
US20240007530A1 (en) | Method for managing a communicating meter |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190226 Termination date: 20210625 |