CN105898681B - 均衡融合时延和生存时间的无线传感器网络数据融合方法 - Google Patents
均衡融合时延和生存时间的无线传感器网络数据融合方法 Download PDFInfo
- Publication number
- CN105898681B CN105898681B CN201610209752.8A CN201610209752A CN105898681B CN 105898681 B CN105898681 B CN 105898681B CN 201610209752 A CN201610209752 A CN 201610209752A CN 105898681 B CN105898681 B CN 105898681B
- Authority
- CN
- China
- Prior art keywords
- node
- fusion
- data
- perception
- indicate
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- 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
Abstract
一种均衡融合时延和生存时间的无线传感器网络数据融合方法,首先,考虑无线传感器网络应用中事件发生具有不可预测性的实际因素,将数据融合问题建立成以时均网络能耗最小化为目标的随机优化模型,然后,设计一种基于Lyapunov优化方法的实时选择参与数据融合的节点的策略,并建立一种网络能耗与各类感知信息的最大融合时延之间的权衡关系,从而达到均衡融合时延和生存时间的目的。本发明模型合理、得到数学理论的支撑、能满足不同类型感知信息的不同融合时延要求、能够直接适用于无线传感网中的均衡融合时延和生存时间的无线传感器网络数据融合方法。
Description
技术领域
本发明涉及无线传感器网络技术领域,尤其是一种均衡融合时延和生存时间的无线传感器网络数据融合方法。
背景技术
无线传感器网络(Wireless Sensor Networks,WSNs)是由部署在监测区域内大量廉价微型传感器节点组成,通过无线通信方式形成的一种多跳自组织网络系统,在环境监测、智慧城市、公共安全等领域有着广泛应用。随着WSNs应用研究的不断深入,暴露出的问题也越来越多。其中,最明显的问题之一是大规模WSNs系统产生的海量传感数据对网络处理能力要求高与WSNs节点的能量、通信距离和带宽等资源受限等的本质特性相矛盾。为克服这种矛盾,学者们纷纷将出现于20世纪70年代的数据融合技术引入到WSNs中,旨在一定程度上消除节点本身或相邻节点所感知到的数据在时空上存在的相关性和冗余性,从而减少数据量。
目前,WSNs中的数据融合研究主要从以下两个方面着手:(1)研究如何将传统较成熟的及新提出的数据融合方法,如贝叶斯估计法、卡尔曼滤波法、神经网络法、D-S证据理论、压缩感知法等,应用到资源受限的WSNs中;(2)通过研究构建WSNs结构的各种策略进而确定何时或何地执行数据融合,以提高融合效率和资源利用率、均衡网络能耗。比较典型的是基于树状结构的策略、基于链路结构的策略及在经典分簇协议LEACH的基础上对其成簇方式和簇头选择方法等方面进行改进等。
上述成果为处理大规模WSNs应用中产生的海量原始感知数据提供有力的理论支撑,但大部分默认所有节点的感知信息均被发送到融合节点。然而,WSNs节点部署密集,节点感知的信息冗余度很大,可选择部分节点的感知数据用于融合,以在保证融合质量的前提下,达到减少通信量、降低计算复杂度、延长网络生存时间的目的。Mo Y和Yang C等人已经以卡尔曼滤波法为基础,对此作了系列研究,他们的研究成果可参阅文献[1]:Mo Y,ShiL,Ambrosino R,et al.Network Lifetime Maximization via Sensor Selection[C]//Proceedings of the 7th IEEE Asian Control Conference,2009:441-446.(即Mo Y,ShiL,Ambrosino R等.最大化网络生命的传感器调度[C]//第七届IEEE亚洲控制会议,2009:441-446.),文献[2]:Mo Y,Garone E,Casavola A,et al.Stochastic sensor schedulingfor energy constrained estimation in multi-hop wireless sensor networks[J].IEEE Transactions on Automatic Control,2011,56(10):2489-2495.(即Mo Y,GaroneE,Casavola A等.针对能量约束估计的多跳无线传感网节点随机调度[J].自动控制会刊,2011,56(10):2489-2495.),文献[3]:Yang C,Ren X,Zheng J,et al.Sensor Schedulingfor Communication Resource Minimization in Centralized State Estimation[C]//Proceedings of IEEE International Conference on Information and Automation,2014:1166-1171.(即Yang C,Ren X,Zheng J等.面向集中式状态估计的最小化通信资源的传感器调度[C]//IEEE信息与自动化国际会议,2014:1166-1171.),以及文献[4]:Yang C,Wu J,Ren X,et al.Deterministic Sensor Selection for Centralized StateEstimation Under Limited Communication Resource[J].IEEE Transactions onSignal Processing,2015,63(9):2336-2348(即Yang C,Wu J,Ren X等.针对通信资源受限下集中式状态估计的确定性节点选择[J].信号处理会刊,2015,63(9):2336-2348)。然而,这些研究成果没有考虑数据融合时延的问题。实际上,在通信带宽资源受限的WSNs中,感知信息从感知节点传输到融合节点的过程中不可避免地存在时延,故如何满足不同感知信息的融合时延要求是面临的一个实际问题。
发明内容
为了克服现有无线传感器网络数据融合方法未充分挖掘感知信息的冗余度、未考虑融合时延等不足,本发明提供一种模型合理、只选择部分节点的感知数据用于数据融合且能满足不同类型感知信息的不同融合时延要求的均衡融合时延和生存时间的无线传感器网络数据融合方法。
本发明解决其技术问题所采用的技术方案是:
一种均衡融合时延和生存时间的无线传感网数据融合方法,该方法包括以下步骤:
1)整个WSNs被划分为不同的簇,每个簇有N个节点和1个簇头,将数据融合问题建立成以时均网络能耗最小化为目标的随机优化模型:
式中,T表示WSNs的生命周期;E{·}表示数学期望运算符;pi表示节点i发送单位数据到簇头所消耗的能量;表示所述节点i的第j类传感器的感知数据存储队列在时槽t的感知数据量,且满足 表示所述节点i的第j类传感器的感知数据存储队列在时槽t+1的感知数据量;和是决策变量,其中:所述是在时槽t从所述节点i的第j类传感器的感知数据存储队列中发送给所述簇头的数据量,将所述单位的数据发送给所述簇头时需注明时槽k,所述簇头等待接收完成时槽k的感知数据再融合处理,表示分配给所述节点i的第j类传感器在每个时槽内可发送的最大数据量;所述是0-1变量,当时,表示所述节点i的第j类传感器在时刻t的感知信息被选中参与数据融合,否则被认为是冗余信息而直接从所述队列中移除;表示所述节点i的第j类传感器在时槽t的感知数据量,且满足所述表示所述节点i的第j类传感器在每个时槽的最大感知数据量;是符合函数,当时,它为1,否则为0;Kj表示融合第j类传感器的感知信息所需的节点个数;sup表示最小上界运算符号;Ei(t)表示所述节点i在时槽t的剩余能量,Ei(t+1)表示所述节点i在时槽t+1的剩余能量;
2)所述随机优化模型通过Lyapunov优化方法求解,步骤如下:
S2-1初始化:参数和V;
所述参数和V是可调参数,其取值影响节点i的第j类传感器的感知数据融合时延和所述随机优化问题的目标函数值;
S2-2通过求解下述优化问题,确定节点i的第j类传感器在时槽t的感知信息是否被选中参与数据融合;
式中,表示所述节点i的第j类传感器的虚拟队列,且满足
S2-3通过求解下述优化问题,计算从节点i的第j类传感器的感知数据存储队列中发送给簇头的数据量
S2-4节点i将单位的数据发送给簇头,并注明是时刻k的感知数据,k≤t,所述簇头待接收完成时刻k的感知数据就执行融合处理;
S2-5更新 更新 更新Ei(t):
S2-6检验终止条件:若无线传感网达到定义的死亡条件,均衡融合时延和生存时间的无线传感器网络数据融合方法结束,否则转向所述步骤S2-2。
进一步,当所述服从独立同分布且 时,所述均衡融合时延和生存时间的无线传感网数据融合方法使网络能耗与各类感知信息的最大融合时延存在均衡关系,即:
①感知数据的最大融合延时为个时槽:
②令和是计算出的值,φ是相应的所述时均网络总能耗,那么,φ与所述随机优化模型的最优目标函数值之间满足:
式中,φopt表示随机优化模型的最优目标函数值。
本发明的技术构思为:本发明考虑WSNs应用中事件发生具有不可预测性等实际因素,将数据融合问题建立成以时均网络能耗最小化为目标的随机优化模型,设计一种基于Lyapunov优化技术的实时选择参与数据融合的节点的策略,建立一种网络能耗与各类感知信息的最大融合时延之间的权衡关系,从而达到均衡融合时延和生存时间的目的。
从上述技术方案可以看出,本发明的有益效果主要表现在:
1.本发明在任意时槽,只要根据当前观测值,即可计算出决策变量,这完全符合事件发生具有不可预测性的WSNs应用系统的要求。
2.本发明能满足不同类型感知信息的不同融合时延要求,能均衡融合时延和网络生存时间。
3.本发明中的数据融合模型、方法设计及融合时延与网络生存时间之间的关系表达式均得到数学理论的支撑。
附图说明
图1是本发明的均衡融合时延和生存时间的无线传感网数据融合方法的流程。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合具体实施方式并参照附图对本发明作进一步描述。
参照图1,一种均衡融合时延和生存时间的无线传感网数据融合方法,首先考虑WSNs应用中事件发生具有不可预测性等实际因素,将数据融合问题建立成以时均网络能耗最小化为目标的随机优化模型。整个WSNs被划分为不同的簇,每个簇有N个传感节点(以下简称节点)和1个被称为簇头的节点(以些简称簇头)。所述节点i的初始能量为所述簇头能量不受限制,所述簇头负责该簇内的数据融合。所有所述节点和所述簇头的位置是固定不变的,所述节点能耗主要由发送感知数据给所述簇头时产生,所述节点i发送单位数据到所述簇头所消耗的能量为pi。每个所述节点均安装多种类型的传感器,且每类感知信息有不同的融合时延要求。另外,由于WSNs应用中事件发生具有不可预测性,故不同所述节点在不同时刻的感知信息量均不同且是随机的。本发明令表示所述节点i的第j类传感器在时槽t的感知数据量,且满足所述表示所述节点i的第j类传感器在每个时槽的最大感知数据量。
进一步,因所述节点部署密集,感知数据量大但冗余度高,故对任意时槽t的感知数据,所述簇头无法瞬间同时接收处理,而是选择部分所述节点的感知数据且在融合时延允许之内完成融合处理。因此,本发明将每个所述节点的每类感知数据存储在相应队列中,根据一定的策略再将感知信息发送给所述簇头。具体地,令表示所述节点i的第j类传感器的感知数据存储队列在时槽t+1的感知数据量,表示所述节点i的第j类传感器的感知数据存储队列在时槽t的感知数据量,且满足且根据下式更新:
上式中,和是决策变量。其中:
所述是在时槽t从所述节点i的第j类传感器的感知数据存储队列中发送给所述簇头的数据量,且所述表示分配给所述节点i的第j类传感器可发送的最大数据量。需要指出:所述不一定表示所述节点i的第j类传感器在时槽t的感知数据量,而是某个时槽k(k≤t)的感知数据量且所述有可能小于因此,将所述单位的数据发送给所述簇头时需注明时槽k,所述簇头等待接收完成时槽k的感知数据再融合处理;
所述是0-1变量,当时,表示所述节点i的第j类传感器在时刻t的感知信息被选中参与数据融合,否则被认为是冗余信息而直接从所述队列中移除。为保证融合质量,所述应满足:
所述上式中,是符合函数,当时,它为1,否则为0;Kj是整常数,表示融合第j类传感器的感知信息所需的节点个数。
进一步,根据Lyapunov优化方法,为确保每类所述感知信息的融合时延是有限的,每个所述队列应是可稳定的,即:
上式中,T表示WSNs的生命周期,sup表示最小上界运算符号,E{·}表示数学期望。需要指出:由于所述节点能量受到限制,WSNs生命周期是有限的,但信息感知次数还是相当多的,所以所述式(3)中认为T→∞是合理的。
进一步,所述节点能量受到限制,还应考虑能量约束。令Ei(t)表示所述节点i在时槽t的剩余能量,则有:
更进一步,众所周知,能量是WSNs的宝贵资源,故本发明的目标是在满足所述各项约束的前提下,合理决策和使时均网络总能耗最小,即建立如下的随机优化模型:
完成所述随机优化模型后,本发明采用Lyapunov优化方法设计一种可行有效的方法求解所述随机优化模型,使得在任意时槽,只要根据当前观测值,即可计算出和定义虚拟队列并根据下式更新:
上式中, 是可调参数,其取值影响节点i的第j类传感器的感知数据融合时延和所述随机优化问题的目标函数值,是符号函数,当时,它为1,否则为0。再记为当前感知数据存储队列和相应虚拟队列的向量,并定义二次型Lyapunov函数:
根据感知数据存储队列和相应虚拟队列的更新式(1)和(7),可得:
所述上式中的最后一个不等式由得到。然后,定义一阶Lyapunov平移函数Δ(Θ(t)):
Δ(Θ(t))=Ε{L(Θ(t+1))-L(Θ(t))|Θ(t)} (10)
进一步,将随机优化问题(6)的目标函数以惩罚项的形式与Lyapunov平移函数相加,得到以下的Lyapunov平移函数-加-惩罚函数:
所述上式中的V是可调参数,其取值影响节点i的第j类传感器的感知数据融合时延和所述随机优化问题的目标函数值。进一步,由所述式(9)可得:
再进一步,遵循Lyapunov优化方法的基本思路来求解所述式(6),即在每个时槽t内,根据观测量的值,选择一种控制策略和使得所述式(12)不等号右边的表达式最小。图1是本发明的利用Lyapunov优化方法求解所述式(6)的流程,具体步骤如下:
S2-1初始化:参数和V;
S2-2通过求解所述式(13),确定节点i的第j类传感器在时槽t的感知信息是否被选中参与数据融合;
S2-3通过求解所述式(14),计算从节点i的第j类传感器的感知数据存储队列中发送给簇头的数据量
S2-4节点i将单位的数据发送给簇头,并注明是时刻k(k≤t)的感知数据,所述簇头待接收完成时刻k的感知数据就执行融合处理;
S2-5根据所述式(1)和所述式(7)分别更新根据所述式(5)更新Ei(t),
S2-6检验终止条件:若无线传感网达到定义的死亡条件,均衡融合时延和生存时间的无线传感器网络数据融合方法结束,否则转向所述步骤S2-2。
接下去证明当所述服从独立同分布且 时,本发明提出的均衡融合时延和生存时间的无线传感网数据融合方法具有以下特性:
①在任意时槽t内,所述节点i的第j类传感器的感知数据存储队列及相应的虚拟队列均满足:
所述上式中,
②感知数据的最大融合延时为个时槽:
③令和是本发明计算出的值,φ是相应的所述时均网络总能耗。那么,φ与所述随机优化模型(6)的最优目标函数值之间满足:
式中,φopt表示随机优化模型的最优目标函数值。
证明:①利用数学归纳法证明。
a.证明
显然假设当t=s时,命题成立,即下面证明当t=s+1时,命题仍成立。
首先,分析的情况。根据所述式(1),对的增加量不会超过故有
再分析的情况。此时,有令所述步骤S2-3中的子项为:
则在处的一阶导数满足:
所述上式表明当时,在区间上是单调递减的,故计算出又因为所以根据所述式(1)可知,不论为0或1,均成立。
综上,成立。
b.证明
类似的,显然假设当t=s时,命题成立,即下面证明当t=s+1时,命题仍成立。
首先,分析的情况。根据所述式(7)可知,对的增加量不会超过故有
再分析的情况。此时,所述式(18)也成立,所以也有根据所述式(7),对的增加量不会超过又因为所以
综上,也成立。
②首先,给出Lyapunov优化方法中的一个引理:假设存在一种控制策略和使得对均有和其中的和是正的常数,则感知信息的最大融合时延为个时槽。
将所述命题①的结果代入所述引理,即可得到所述式(16)。
③首先,根据Lyapunov优化方法中的ω-only平稳随机策略,可知对任意常数ε>0,均在所述随机优化模型(6)的可行域内存在一种平稳随机策略和使得:
再根据本发明的计算原则,即选择一种控制策略和使得所述式(12)不等号右边的表达式最小,可得:
所述上式中的最后一个不等式根据所述式(19)和式(20)、ε→0、 及得到;等式由及均为常数得到。将所述Φ(t)表示式(11)代入所述上式,然后在两端取数学期望,则由迭代期望法则可得:
再将上式两端除以TV,并从t=0到t=T-1依次相加,得:
因为和有界,所以L(Θ(t))有界。因此,令T→∞时可得:
综上,命题③得证。
可见,当感知数据量服从独立同分布时,本发明提出的方法使网络能耗与各类感知信息的最大融合时延存在一定的均衡关系,即各类感知信息的最大融合时延与V和成正比,而网络能耗与1/V和成正比。
Claims (2)
1.一种均衡融合时延和生存时间的无线传感网数据融合方法,其特征在于:该方法包括以下步骤:
1)整个WSNs被划分为不同的簇,每个簇有N个节点和1个簇头,将数据融合问题建立成以时均网络能耗最小化为目标的随机优化模型:
式中,T表示WSNs的生命周期;E{·}表示数学期望;pi表示节点i发送单位数据到簇头所消耗的能量;表示所述节点i的第j类传感器的感知数据存储队列在时槽t的感知数据量,且满足 表示所述节点i的第j类传感器的感知数据存储队列在时槽t+1的感知数据量;和是决策变量,其中:所述是在时槽t从所述节点i的第j类传感器的感知数据存储队列中发送给所述簇头的数据量,将所述单位的数据发送给所述簇头时需注明时槽k,所述簇头等待接收完成时槽k的感知数据再融合处理,表示分配给所述节点i的第j类传感器在每个时槽内可发送的最大数据量;所述是0-1变量,当时,表示所述节点i的第j类传感器在时刻t的感知信息被选中参与数据融合,否则被认为是冗余信息而直接从所述队列中移除;表示所述节点i的第j类传感器在时槽t的感知数据量,且满足所述表示所述节点i的第j类传感器在每个时槽的最大感知数据量;是符合函数,当时,它为1,否则为0;Kj表示融合第j类传感器的感知信息所需的节点个数;sup表示最小上界运算符号;Ei(t)表示所述节点i在时槽t的剩余能量,Ei(t+1)表示所述节点i在时槽t+1的剩余能量;
2)所述随机优化模型通过Lyapunov优化方法求解,步骤如下:
S2-1初始化:可调参数和V;
所述参数和V是可调参数,其取值影响节点i的第j类传感器的感知数据融合时延和所述随机优化问题的目标函数值;
S2-2通过求解下述优化问题,确定节点i的第j类传感器在时槽t的感知信息是否被选中参与数据融合;
式中,表示所述节点i的第j类传感器的虚拟队列,且满足
S2-3通过求解下述优化问题,计算从节点i的第j类传感器的感知数据存储队列中发送给簇头的数据量
S2-4节点i将单位的数据发送给簇头,并注明是时刻k的感知数据,k≤t,所述簇头待接收完成时刻k的感知数据就执行融合处理;
S2-5更新 更新 更新Ei(t):
S2-6检验终止条件:若无线传感网达到定义的死亡条件,均衡融合时延和生存时间的无线传感器网络数据融合方法结束,否则转向所述步骤S2-2。
2.如权利要求1所述的一种均衡融合时延和生存时间的无线传感网数据融合方法,其特征在于:当所述服从独立同分布且 时,所述均衡融合时延和生存时间的无线传感网数据融合方法使网络能耗与各类感知信息的最大融合时延存在均衡关系,即:
①感知数据的最大融合延时为个时槽:
②令和是计算出的值,φ是相应的所述时均网络总能耗,那么,φ与所述随机优化模型的最优目标函数值之间满足:
式中,φopt表示随机优化模型的最优目标函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610209752.8A CN105898681B (zh) | 2016-04-05 | 2016-04-05 | 均衡融合时延和生存时间的无线传感器网络数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610209752.8A CN105898681B (zh) | 2016-04-05 | 2016-04-05 | 均衡融合时延和生存时间的无线传感器网络数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105898681A CN105898681A (zh) | 2016-08-24 |
CN105898681B true CN105898681B (zh) | 2018-12-21 |
Family
ID=57013498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610209752.8A Expired - Fee Related CN105898681B (zh) | 2016-04-05 | 2016-04-05 | 均衡融合时延和生存时间的无线传感器网络数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105898681B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106375964B (zh) * | 2016-08-31 | 2019-05-07 | 北京千安哲信息技术有限公司 | 一种体域网中的节点及簇头节点的选择方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835237A (zh) * | 2010-05-14 | 2010-09-15 | 南京邮电大学 | 一种无线传感器网络中的数据融合方法 |
CN102427597A (zh) * | 2011-12-05 | 2012-04-25 | 昆明理工大学 | 一种基于cr的wsn树型分簇数据的融合方法 |
WO2014105893A1 (en) * | 2012-12-26 | 2014-07-03 | Ict Research Llc | Mobility extensions to industrial-strength wireless sensor networks |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101284790B1 (ko) * | 2009-11-30 | 2013-07-10 | 한국전자통신연구원 | 무선 센서 네트워크에서 클러스터 기반 데이터 전송방법 |
-
2016
- 2016-04-05 CN CN201610209752.8A patent/CN105898681B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835237A (zh) * | 2010-05-14 | 2010-09-15 | 南京邮电大学 | 一种无线传感器网络中的数据融合方法 |
CN102427597A (zh) * | 2011-12-05 | 2012-04-25 | 昆明理工大学 | 一种基于cr的wsn树型分簇数据的融合方法 |
WO2014105893A1 (en) * | 2012-12-26 | 2014-07-03 | Ict Research Llc | Mobility extensions to industrial-strength wireless sensor networks |
Non-Patent Citations (2)
Title |
---|
A Delay-Aware Network Structure for Wireless Sensor Networks With In-Network Data Fusion;Chi-Tsun Cheng等;《IEEE SENSORS JOURNAL》;20130531;第13卷(第5期);第1622-1631页 * |
分布式融合算法在无线传感器执行器网络中的动态特性分析;杨春曦;《Proceedings of the 31st Chinese Control Conference》;20120727;第6562-6566页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105898681A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | An intelligent game-based offloading scheme for maximizing benefits of IoT-edge-cloud ecosystems | |
Luo et al. | Self-learning based computation offloading for internet of vehicles: Model and algorithm | |
Sadrishojaei et al. | A new preventive routing method based on clustering and location prediction in the mobile internet of things | |
Wei et al. | Reinforcement learning-empowered mobile edge computing for 6G edge intelligence | |
Aydin et al. | Energy efficient clustering-based mobile routing algorithm on WSNs | |
Ren et al. | Blockchain-based VEC network trust management: A DRL algorithm for vehicular service offloading and migration | |
Yuste-Delgado et al. | EUDFC-enhanced unequal distributed type-2 fuzzy clustering algorithm | |
CN102244882A (zh) | 基于移动代理的无线传感器网络智能数据采集方法 | |
CN103259744A (zh) | 一种基于分簇的移动虚拟网络映射方法 | |
CN109756946A (zh) | 一种多智能体协同调控编队方法 | |
Ouyang et al. | Cost-aware edge resource probing for infrastructure-free edge computing: From optimal stopping to layered learning | |
Xiao et al. | Minimization of energy consumption for routing in high-density wireless sensor networks based on adaptive elite ant colony optimization | |
Jabeur | A firefly-inspired micro and macro clustering approach for wireless sensor networks | |
CN108880911A (zh) | 一种感知网络控制层、感知网络架构及其构建方法 | |
CN105898681B (zh) | 均衡融合时延和生存时间的无线传感器网络数据融合方法 | |
Zhu et al. | Dynamic task offloading in power grid internet of things: A fast-convergent federated learning approach | |
CN107743302A (zh) | 无线传感器网络中基于压缩感知的速率分配和路由联合优化算法 | |
Futahi et al. | Wireless sensor networks with temporary cluster head nodes | |
Wu et al. | An energy-aware transmission target selection mechanism for UAV networking | |
Yue et al. | A novel cluster-based data fusion algorithm for wireless sensor networks | |
Guo et al. | Centralized Clustering Routing Based on Improved Sine Cosine Algorithm and Energy Balance in WSNs | |
Yuen et al. | Distributed data gathering in multi-sink sensor networks with correlated sources | |
Liaojun et al. | Fair data collection scheme in wireless sensor networks | |
Ba et al. | A Novel Aggregation Approach Based on Cooperative Agents and Self-Stabilizing Clustering for WSNs | |
Hadjila et al. | A hybrid cluster and chain-based routing protocol for lifetime improvement in WSN |
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 |
Granted publication date: 20181221 Termination date: 20210405 |
|
CF01 | Termination of patent right due to non-payment of annual fee |