CN105636093A - 无线传感器网络节点的智能唤醒方法 - Google Patents

Abstract

本发明公开了一种无线传感器网络节点的智能唤醒方法，包括将监视区域划分网格，获取传感器位置信息；确定网格的重要程度；计算传感器节点的有效监控范围；获取属于传感器有效监控范围内的网格；计算所有网格的监测效率：计算每个节点感知区域权重；计算每个节点的唤醒概率；依据唤醒概率对节点进行唤醒。本发明创新性引入“重要程度”和“有效范围”的概念，将单个传感器的感测范围的重要性量化，唤醒概率由量化值决定；以这种方式，工作节点的数目被减少，能在保证监视性能的同时节省了更多的能量；本发明还引入重要度自适应处理过程以调整因错误的先验信息和环境变化引起的偏差。本发明能量开销小，可以在低能量开销的情况下准确进行目标监控。

Description

无线传感器网络节点的智能唤醒方法

技术领域

本发明属于测控领域，具体涉及一种无线传感器网络节点的智能唤醒方法。

背景技术

随着集成电路、数字信号处理、微机电系统(MEMS)和低范围的无线电电子设备的成熟，无线传感器网络(WSN)因其广泛的应用前景吸引了众多研究人员对其进行研究。无线传感器网络能够帮助人与物理世界进行远程互动，其应用包括战场监视、目标跟踪、环境监测等。通过应用无线传感器网络对目标进行监测，可以得到一些关键信息，以预测监测目标的运行状况。

无线传感器网络最显著的特点是能量受限。传感器节点往往由电池提供能量，因而电池提供的能量储备是有限的。此外，由于具体使用情况和场合不同，一些节点上的电池往往还不能进行充电。因此，减少能源消耗，最大限度地提高系统的寿命是设计无线传感器网络时需要考虑的一个非常重要的问题。

一般来说，传感器节点的能耗由三部分组成：微处理器模块，无线通信模块和感光芯片模块。当传感器节点处于工作状态的时候，传感器模块通常处于活动状态，无线通信模块在需要的时候也会处于活动状态。因此，可以通过对微处理器、无线通信模块和传感器模块进行适当控制从而达到节省能量的目的。

在无线传感器网络中，相邻节点共享公共的感测任务，这意味着不是所有的传感器都需要在整个系统寿命周期中执行感知任务。也就是说，只要有足够的工作节点，整个系统的功能将不会受到某些休眠节点的影响。因此，如果可以很好的调度传感器的感知任务，可以利用冗余延长系统的寿命。

但是，现有的方法主要集中在如何以能量消耗作为代价的情况下提供全部或部分感知覆盖。目前的方法把不同监测区域看成具有相同的重要性。然而，在大多数情况下这种方法并不适用，因为在实际中并不可能所有监测区域的重要程度均相同。而且，单个传感器节点并不可靠，其监控可能会失败或感测数据容易因为背景噪声而被扭曲，引起错误报警，因此根本不足以依靠单一传感器来维护的一个重要区域，因此，现有的方法已经不满足当今传感器网络的发展需求。

发明内容

本发明的目的在于提供一种能够以较低的能量开销进行较高效率的目标监测、而且监测精度高、监测效果好的无线传感器网络节点的智能唤醒方法。

本发明提供的这种无线传感器网络节点的智能唤醒方法，包括如下步骤：

S1.将监视区域划分为M×N的网格，并获取监视区域内的传感器位置信息；

S2.根据步骤S1获得的传感器所在位置的重要程度，确定每个网格的重要程度：传感器所在位置越重要，传感器所在网格的重要程度越高；

S3.计算每个传感器节点的有效监控范围；

S4.获取所有网格中属于步骤S3得到的传感器有效监控范围内的网格；

S5.采用如下算式计算步骤S4中所有网格在t时刻的监测效率：

式中F_ij(t-1)为网格在t-1时刻的监测效率；a_ij为网格的重要程度；

S6.采用如下算式计算每个节点感知区域在t时刻的权重：

式中g_ij为步骤S4中所有网格；U(p_i)为步骤S4得到的网络；F_ij(t)为网格在时刻t的监测效率；

S7.利用如下算式计算每个节点的唤醒概率：

式中N为监测区域中的节点数量；C为节点所在网格的感知因子，网格的重要程度越高，C值越大；M为监视区域内每个网格最大监测效率的总量；

S8.根据步骤S7得到的每个节点的唤醒概率，节点根据该唤醒概率做随机决策，使得节点被唤醒。

步骤S2所述的每个网格的重要程度，为采用如下算式确定每个网格的重要程度：

式中a_ij为网格的重要程度；t为监测目标在网格中被感知到的最长持续时间。

步骤S3所述的有效监控范围，为采用如下算式确定每个节点的有效监测范围：

式中V(p_i)为节点p_i的监测范围；算式的物理意义为：当网络中的任意点x到节点p_i的距离小于到节点p_j的距离，则该点属于节点p_i的监测范围。

步骤S7所述的监视区域含有网格的总量，为采用如下算式计算监视区域内每个网格最大监测效率的总量：

步骤S7所述的感知因子，为采用如下算式计算感知因子：

式中n为节点的监测频率；N为监测区域中的节点数量。

步骤S7所述的感知因子，为在无线传感器网络工作过程中采用自适应算法进行实时修正。

本发明提出一种基于监测区域重要程度的传感器节点唤醒方法，创新性的引入“重要程度”和“有效范围”的概念，将单个传感器的感测范围的重要性量化，唤醒概率由量化值决定；重要程度高的监测区域中的节点将被分配一个较大的唤醒概率。以这种方式，减少了工作节点的数量，能在保证监测性能的同时节省了更多的能量。在本发明方法中，还引入重要度自适应处理过程以调整因错误的先验信息和环境变化引起的偏差。本发明所提出的方法能量开销小、精度高，可以在低能量开销的情况下准确的进行目标监测。

附图说明

图1为本发明的方法流程图。

图2为本发明的实施例中传感器节点和Voronoi图。

图3为本发明的实施例中的监控区域重要程度示意图。

具体实施方式

如图1所示为本发明的方法流程图：本发明提供的这种无线传感器网络节点的智能唤醒方法，包括如下步骤：

S1.将监测区域划分为M×N的网格，并获取监测区域内的传感器位置信息；

S2.根据步骤S1获得的传感器所在位置的重要程度，确定每个网格的重要程度：传感器所在位置越重要，传感器所在网格的重要程度越高；

每个网格的重要程度，可以采用如下算式确定每个网格的重要程度：

式中a_ij为网格的重要程度；t为被监测目标在网格中被感知到的最长持续时间。

S3.采用如下算式确定每个节点的有效监测范围：

式中V(p_i)为节点p_i的监测范围；算式的物理意义为：当网络中的任意点x到节点p_i的距离小于到节点p_j的距离，则该点属于节点p_i的检测范围；

S4.获取所有网格中属于步骤S3得到的传感器有效监控范围内的网格；

S5.采用如下算式计算步骤S4中所有网格在t时刻的监测效率：

式中F_ij(t-1)为网格在时刻t-1的监测效率；a_ij为网格的重要程度；

S6.采用如下算式计算每个节点感知区域在t时刻的权重：

式中g_ij为步骤S4中所有网格；U(p_i)为步骤S4得到的网络；F_ij(t)为网格在t时刻的监测效率；

S7.利用如下算式计算每个节点的唤醒概率：

式中N为监测区域中的节点数量；C为节点所在网格的感知因子，网格的重要程度越高，C值越大；M为监视区域内每个网格最大监测效率的总量，为采用如下算式计算监视区域内每个网格最大监测效率的总量：

可以采用如下算式计算感知因子：

式中n为节点的监测频率；N为监测区域中的节点数量；并且，在无线传感器网络工作过程中采用自适应算法进行实时修正。

以下结合一个具体实施例对本发明进行进一步说明：

假设乌龙潭蓝藻监测范围为100×100，被划分为一些离散的2.5×2.5的网格。有100个传感器节点随机的散落在该区域，传感器节点的位置信息可以通过硬件(比如GPS)或者位置发现算法得到。假设网络一直处于联通状态，一个传感器节点监控的理想区域是Voronoi图定义的多边形。如图2所示，由于在实际应用中随机配置，节点不均匀分布。传感器节点的感知范围设置为20。假设在传感网部署之前，我们已经根据温度、天气状况和地质地形为每个网格分配了恰当的重要程度(蓝藻爆发可能性高的网格将被赋予很高的重要程度)。在这里，我们将提出的基于重要度的唤醒机制，根据监测网格不同的重要程度计算节点的唤醒概率。为了简化问题，我们假设所有节点都具有相同的感知范围半径和通信范围。我们利用S-MAC协议进行无线传感器网络通信。

下面对传感器节点唤醒方法进行详细说明，具体步骤如下：

步骤10)将监视区被分成许多离散的网格。一个传感器节点监控的理想区域是Voronoi图定义的多边形。如图2所示，由于在实际应用中随机配置，节点不均匀分布。

步骤20)监控区域的不同重要程度如图3所示，我们将整个区域定义为D，其中重要的位置通过五角星进行了标注，叫做G。比如，G为一条路或者一个战场。一个感知任务要求在t₁＝2.5s的时间间隔里在G中的一个网格中被检测到，而另一个网格在t₂＝5s时间间隔里被检测到，那么，网格的重要程度可以计算如下：

步骤30)利用Voronoi图用来计算节点的有效范围。令S＝{p₁,p₂,…,p_n}为二维欧几里德平面重的点的集合。一个Voronoi图围绕每个站点将空间分解成区域，每个p_i的Voronoi区域V(p_i)可以表示为：

其中，V(p_i)包含所有靠近p_i的站点，所有站点的集合形成V(s)。如果监控区域内有比较密集的节点，Voronoi区域面积会因为较大的重叠比例而变小。

步骤40)给定传感器节点S＝{p₁,p₂,…,p_n}，Voronoi图V(s)＝{V(p₁),V(p₂),…,V(p_n)}，其中V(p_i)是满足步骤30)的Voronoi区域。那么我们定义一个从V(p_i)到U(p_i)的映射：

U(p_i)＝{g_ij:g_ij∈V(p_i)}

步骤50)计算网格g_ij在t时刻的监测效率，计算如下

在t时刻，a_ij越大，F_ij(t)的值越大。

步骤60)计算Voronoi区域V(p_i)在t时刻的权重为I(p_i,t)，它是该区域中F_ij(t)之和。给定U(p_i)和F_ij(t)，I(p_i,t)可以计算如下：

式中I(p_i,t)表示网格被感知的总的概率。

步骤70)计算传感器节点唤醒概率。显然，大的I(p_i,t)表明节点p_i有一个紧急的任务。那么该节点的唤醒概率可以从I(p_i,t)计算得到，计算如下：

其中N是监测区域中的传感器节点的数量，C是一个可变的参数，被叫做感知因子，它可以实现方法自适应功能。M是在监视区D内每个网格最大监测效率的总量，可以计算如下：

步骤80)计算得到节点的唤醒概率W(i,t)后，传感器节点可以做出一个随机的决定，使得节点从睡眠状态变成活动状态。W(i,t)的值越大，该节点被唤醒的概率就越大。

Claims (6)

1.一种无线传感器网络节点的智能唤醒方法，包括如下步骤：

S1.将监视区域划分为M×N的网格，并获取监视区域内的传感器位置信息，M和N均为正整数；

S2.根据步骤S1获得的传感器所在位置的重要程度，确定每个网格的重要程度：传感器所在位置越重要，传感器所在网格的重要程度越高；

S3.计算每个传感器节点的有效监控范围；

S4.获取所有网格中属于步骤S3得到的传感器有效监控范围内的网格；

S5.采用如下算式计算步骤S4中得到的网格在t时刻的监测效率：

式中F_ij(t-1)为网格在时刻t-1的监测效率；a_ij为网格的重要程度；

S6.采用如下算式计算每个节点感知区域在t时刻的权重：

式中g_ij为步骤S4中所有网格；U(p_i)为步骤S4得到的网络；F_ij(t)为网格在t时刻的监测效率；

S7.利用如下算式计算每个节点的唤醒概率：

式中N为监测区域中的节点数量；C为节点所在网格的感知因子，网格的重要程度越高，C值越大；M为监视区域内每个网格最大监测效率的总量；

S8.根据步骤S7得到的每个节点的唤醒概率，节点以该唤醒概率做随机决定，使得节点被唤醒。

2.根据权利要求1所述的无线传感器网络节点的智能唤醒方法，其特征在于步骤S2所述的每个网格的重要程度，为采用如下算式确定每个网格的重要程度：

式中a_ij为网格的重要程度；t为被测物体要求在网格中被感知到的最长时间。

3.根据权利要求1或2所述的无线传感器网络节点的智能唤醒方法，其特征在于步骤S3所述的有效监控范围，为采用如下算式确定每个节点的有效监测范围：

式中V(p_i)为节点p_i的监测范围；算式的物理意义为：当网络中的任意点x到节点p_i的距离小于到节点p_j的距离，则该点属于节点p_i的检测范围。

4.根据权利要求1或2所述的无线传感器网络节点的智能唤醒方法，其特征在于步骤S7所述的监视区域含有网格的总量，为采用如下算式计算监视区域含有网格的总量：

。

5.根据权利要求1或2所述的无线传感器网络节点的智能唤醒方法，其特征在于步骤S7所述的感知因子，为采用如下算式计算感知因子：

式中n为节点的监测频率；N为监测区域中的节点数量。

6.根据权利要求1或2所述的无线传感器网络节点的智能唤醒方法，其特征在于步骤S7所述的感知因子，为在无线传感器网络工作过程中采用自适应算法进行实时修正。