CN105898774A - 分布式传感器协同选择方法 - Google Patents

Abstract

本发明提供了一种分布式传感器协同选择方法，包括部署传感器并分组；计算归一化后传感器节点与目标之间的距离；计算传感器之间的相关性；计算传感器节点的效用；建立传感器簇并计算感知能力；比较当前传感器簇的感知能力与目标监测的精度要求之间的关系，完成传感器协同选择。本发明综合利用距离和相关性计算传感器节点簇的感知能力，其中传感器相关性是通过机器学习方法及历史数据计算得到，并根据监测要求和传感器簇的感知能力进行传感器的协同选择；因此本发明可以真实的反应传感簇的感知能力，从而选择出最佳的传感器簇协同工作以满足用户对监测精度的需要，同时保证网络能量均衡。

Description

分布式传感器协同选择方法

技术领域

本发明属于测控领域，具体涉及一种分布式传感器协同选择方法。

背景技术

随着社会经济和技术的发展，传感器网络已经逐步深入人们的日常生活中。很多基于传感器网络的应用，比如目标检测与识别、目标跟踪等，对目标感知精度都有较高的要求，而且在保证精度要求的同时要求尽可能的延长传感器网络的生命周期。比如，在智能交通的应用中，对车辆的检测精度和网络能耗都要较高的要求。因此，满足用户对目标感知精度需求的同时最大化网络生命周期就变的很有必要。

为了满足用户对感知精度的需求并最大化网络生命周期，需要选择合适的传感器(节点)协同工作。而为了进行传感器选择，需要量化和识别传感器簇的感知能力。通常情况下，传感器簇的感知能力与传感器之间的相关性及单个传感器感知能力差异性有关。传感器相关性指的是原始数据相关性或者分类器决策的相关性。传感器相关性包括处于不同位置的同种传感器之间的相关性及不同种传感器之间的相关性。传感器相关性是由于时空相关性及传感器本身硬件自身特性导致的。感知能力的差异性指的是在真实部署的网络环境中同质或者异质传感器之间的感知能力存在差异性，这主要是由部署的特定网络环境引起的，比如目标与传感器之间的距离的差异性。很多现有技术均假设所有传感器具有相同的感知能力；还有一些方法试图纠正来自不同传感器感知数据的差异性来克服传感器感知能力的差异性。

但是，现有方法仅仅只针对传感器网络的某一部分进行研究，均未对传感器网络进行综合考量，这导致现有的方法往往精度不高，而且具体实施时效果较差。

发明内容

本发明的目的在于提供一种精度高，实施效果好，并综合考量传感器节点与目标的距离和传感器之间的相关性的分布式传感器协同选择方法。

本发明提供的这种分布式传感器协同选择方法，包括如下步骤：

S1.在监测区域内随机部署传感器节点，并根据监测点的融合半径分组；

S2.计算归一化后传感器节点与目标之间的距离；

S3.计算传感器之间的相关性；

S4.根据步骤S2得到的距离和步骤S3得到的相关性计算结果，采用下式计算传感器节点的效用：

$l\left(n_i\right)=(1-\mathrm{\α})\×(1-dS(n_i\left)\right)+\mathrm{\α}\×\underset{1\≤m,u\≤{\mathrm{\κ}}_i,m\≠u}{\Σ}(1-|\mathrm{\υ}\left(s_i^m,s_i^u\right)\left|\right)/C_{{\mathrm{\κ}}_i}^2$

式中为传感器节点的效用，其值越大表明传感器节点的能力越强，其值越小表明传感器节点的能力越弱；α为权重系数，权重系数越大表明传感器节点的效用与传感器之间的相关性的关系越大；dS(n_i)为传感器节点n_i与目标之间的距离；为传感器和传感器之间的相关性；为排列组合中的算式；

S5.选择传感器节点中效用最大的传感器节点作为信息融合节点，并由该节点建立传感器簇，将该节点上的所有传感器加入传感器簇中；计算当前传感器簇的感知能力；

S6.比较当前传感器簇的感知能力与目标监测的精度要求之间的关系：

若当前传感器簇的感知能力≥目标监测的精度要求，则选择当前传感器簇中的所有传感器对目标进行监测，剩余传感器节点则全部休眠；

若当前传感器簇的感知能力＜目标监测的精度要求，则根据剩余传感器节点与目标之间的距离和剩余传感器节点上的传感器与当前传感器簇中传感器的相关性计算剩余传感器节点的效用，选取效用最大的传感器节点加入当前已存在的传感器簇并计算新的传感器簇的感知能力，直至当前传感器簇的感知能力≥目标监测的精度要求。

步骤S1所述的融合半径，可以取为传感器节点通信半径的两倍。

步骤S2所述的计算距离，为采用以下算式计算归一化后传感器节点与目标之间的距离：

dS(s_i)＝p(x|d_i,SNR_i)×p(d_i,SNR_i)

其中，p(x|d_i,SNR_i)是可以通过经验数据得到的条件概率，p(d_i,SNR_i)是目标在半径为d_i区域范围的出现的概率，根据经验数据进行实验估计其值，SNR_i可以计算如下：

SNR_i＝10×log(En_s-En_n)/En_s

其中En_s是信号能量，En_n是噪声平均能量。

所述的噪声平均能量，为通过恒虚警率算法计算得到。

步骤S3所述的计算相关性，为采用皮尔逊相关系数法计算传感器之间的相关性。

步骤S3所述的计算相关性，为采用以下算式计算传感器之间的相关性：

$\mathrm{\υ}(s_i^m,s_i^u)=\mathrm{cov}(s_i^m,s_i^u)/\mathrm{\σ}\left(s_i^m\right)\·\mathrm{\σ}\left(s_i^u\right)$

$\mathrm{\υ}\left(n_i\right)=\underset{1\≤m,u\≤{\mathrm{\κ}}_i,m\≠u}{\Σ}\left|\mathrm{\υ}(s_i^m,s_i^u)\right|$

其中，是传感器和传感器历史数据的协方差；和分别是传感器和传感器历史数据的标准差。

步骤S5所述的感知能力，为采用机器学习方法和传感器簇中的所有传感器的历史数据进行计算。

所述的机器学习方法为Boosting算法。

步骤S5和步骤S6中所述的选择效用最大的传感器节点作为信息融合节点，为采用如下算法进行选择：

步骤1)根据每个传感器节点的效用，对每个传感器节点设置不同的回退定时器：传感器节点的效用越大，则回退定时器的设置时间越短；

步骤2)步骤1)设置完成后，所有传感器节点的回退定时器一同回退计时，当某一传感器节点的回退定时器首先回退计时完成，此时形成触发动作，该传感器节点被触发唤醒，声明自己为信息融合节点。

步骤S6所述的计算剩余传感器节点的效用，包括如下步骤：

步骤1)计算候选成员节点与监测目标的归一化距离；

步骤2)计算候选节点的传感器与已有传感器簇中的传感器的相关性；

步骤3)采用以下算式计算候选节点的效用：

本发明提供的这种分布式传感器协同选择方法，综合考虑传感器-目标距离和传感器相关性，并利用距离和相关性计算传感器簇的感知能力，其中传感器相关性通过机器学习方法及历史数据计算得到，并根据监测要求将候选传感器节点上的传感器及时加入到传感器簇中以提升感知能力并满足监测的要求，而剩下的传感器节点则进入休眠状态以节省能量；因此本发明可以真实的反应传感簇的感知能力，从而选择出最佳的传感器簇协同工作以满足用户对监测精度的需要，同时延长网络生命周期。

附图说明

图1为本发明方法的流程图。

图2为本发明实施例的传感器选择示意图。

图3为本发明实施例的传感器选择补充示意图。

具体实施方式

如图1所示为本发明的方法流程图：本发明提供的这种分布式传感器协同选择方法，包括如下步骤：

S1.在监测区域内随机部署大量廉价传感器节点，并根据监测点的融合半径分组；

融合半径可以取为传感器节点通信半径的两倍；

S2.计算归一化后传感器节点与目标之间的距离；

采用以下算式计算归一化后传感器节点与目标之间的距离：

dS(s_i)＝p(x|d_i,SNR_i)×p(d_i,SNR_i)

其中，p(x|d_i,SNR_i)是可以通过经验数据得到的条件概率，p(d_i,SNR_i)是目标在半径为d_i区域范围的出现的概率，根据经验数据进行实验估计其值，SNR_i可以计算如下：

SNR_i＝10×log(En_s-En_n)/En_s

其中En_s是信号能量，En_n是噪声平均能量；可以通过恒虚警率算法(CFAR算法)计算得到；

S3.计算传感器之间的相关性；

采用皮尔逊相关系数法计算传感器之间的相关性，具体为采用以下算式计算传感器之间的相关性：

$\mathrm{\υ}(s_i^m,s_i^u)=\mathrm{cov}(s_i^m,s_i^u)/\mathrm{\σ}\left(s_i^m\right)\·\mathrm{\σ}\left(s_i^u\right)$

$\mathrm{\υ}\left(n_i\right)=\underset{1\≤m,u\≤{\mathrm{\κ}}_i,m\≠u}{\Σ}\left|\mathrm{\υ}(s_i^m,s_i^u)\right|$

其中，是传感器和传感器历史数据的协方差；和分别是传感器和传感器历史数据的标准差；

S4.根据步骤S2得到的距离和步骤S3得到的相关性计算结果，采用下式计算传感器节点的效用：

式中为传感器节点的效用，其值越大表明传感器节点的功能越强大，其值越小表明传感器节点的功能越弱小；α为权重系数，权重系数越大表明传感器节点的效用与传感器之间的相关性的关系越大；dS(n_i)为传感器节点与目标之间的距离；为传感器和传感器之间的相关性；为排列组合中的算式，其计算为

S5.选择传感器节点中效用最大的传感器节点作为信息融合节点，由该节点建立传感器簇，并将该节点上的所有传感器加入该传感器簇；计算当前传感器簇的感知能力；可以采用机器学习方法和传感器簇中的所有传感器的历史数据进行计算；机器学习方法可以采用Boosting算法；

在信息融合节点的选择过程中，可以根据各节点的效用来设置回退定时器，以此实现传感器节点的分布式选择，具体选择步骤如下：

步骤1)根据每个传感器节点的效用，对每个传感器节点设置不同的回退定时器：传感器节点的效用越大，则回退定时器的设置时间越短；

步骤2)步骤1)设置完成后，所有传感器节点的回退定时器一同回退计时，当某一传感器节点的回退定时器首先回退计时完成，此时形成触发动作，该传感器节点被触发唤醒，并声明自己为信息融合节点。

由于回退定时器是在各个传感器节点进行设置并回退计时的，当回退定时器在回退计时完成后，形成触发动作并唤醒该回退定时器所对应的传感器节点即可完成信息融合节点的选取，因此仅需要对各个传感器节点进行时间同步即可实现传感器节点的分布式选择，提高了系统的可扩展性。

S6.比较当前传感器簇的感知能力与目标监测的精度要求之间的关系：

若当前传感器簇的感知能力≥目标监测的精度要求，则选择当前传感器簇中的所有传感器对目标进行监测，剩余传感器则全部进入休眠状态；

若当前传感器簇的感知能力＜目标监测的精度要求，则根据剩余传感器节点与目标之间的距离和剩余传感器节点与当前传感器簇中传感器的相关性计算剩余传感器节点的效用，具体包括如下步骤：

步骤1)计算候选成员节点与监测目标的归一化距离；

步骤2)计算候选节点的传感器与已有传感器簇中的传感器的相关性；

步骤3)采用以下算式计算候选节点的效用：

根据计算出来的候选节点的效用，仍然采用步骤S5中所述的设置回退定时器的方式：根据步骤3)计算出来的候选节点的效用重新设置各个候选节点的回退定时器的时间，采用同样的方法选取效用最大的传感器节点加入传感器簇并计算新的传感器簇的感知能力，直至当前传感器簇的感知能力≥目标监测的精度要求。

以下结合一个具体实施例来说明本发明方法的工作过程：

如图2，在监测目标L1时，{(0.6,0.2)；1.2}中0.6是节点n1距离监测目标的归一化距离，0.2是节点n1上传感器的相关性之和的归一化结果，1.2是节点n1的效用；{(0.7,0.4)；0.9}中0.7是节点n3距离监测目标的归一化距离，0.4是节点n3上传感器的相关性之和的归一化结果，0.9是节点n3的效用；{(0.5,0.4)；1.1}中0.5是节点n6距离监测目标的归一化距离，0.4是节点n6上传感器的相关性之和的归一化结果，1.1是节点n6的效用。在监测目标L2时，{(0.3,0.1)；1.6}中0.3是节点n2距离监测目标的归一化距离，0.1是节点n2上传感器的相关性之和的归一化结果，1.6是节点n2的效用；{(0.9,0.2)；0.9}中0.9是节点n3距离监测目标的归一化距离，0.2是节点n3上传感器的相关性之和的归一化结果，0.9是节点n3的效用；{(0.8,0.5)；0.7}中0.8是节点n4距离监测目标的归一化距离，0.5是节点n4上传感器的相关性之和的归一化结果，0.7是节点n4的效用；{(0.7,0.3)；1.0}中0.7是节点n7距离监测目标的归一化距离，0.3是节点n7上传感器的相关性之和的归一化结果，1.0是节点n7的效用。在监测目标L3时，{(0.65,0.1)；1.25}中0.65是节点n3距离监测目标的归一化距离，0.1是节点n3上传感器的相关性之和的归一化结果，1.25是节点n3的效用；{(0.7,0.6)；0.7}中0.7是节点n4距离监测目标的归一化距离，0.6是节点n4上传感器的相关性之和的归一化结果，0.7是节点n4的效用；{(0.8,0.9)；0.3}中0.8是节点n5距离监测目标的归一化距离，0.9是节点n5上传感器的相关性之和的归一化结果，0.3是节点n5的效用；{(0.6,0.4)；1.0}中0.6是节点n8距离监测目标的归一化距离，0.4是节点n8上传感器的相关性之和的归一化结果，1.0是节点n8的效用。

因此，节点n1对监测目标L1的效用是最大的，节点n2对监测目标L2的效用是最大的，节点n3对监测目标L3的效用是最大的。那么，节点n1、n2和n3分别成为L1、L2、L3的信息融合节点，并分别为各个监测目标建立传感器簇C1、C2、C3以对这些目标进行监测。然后将各节点上的传感器分别加入相应的传感器簇中。假设用户需求为1.5时，因为传感器簇C1、C2、C3的效感知能力分别为1.2、1.6、1.25，所以C1、C3不能满足用户需求，需要继续加入新的成员节点进行协同监测，而C2则不需要加入新的成员，传感器选择过程结束。

如图3所示，展示了C1、C3加入新的成员的过程：在监测目标L1的融合半径范围内，分别计算当节点n3、n6中的传感器加人传感器簇C1时对传感器簇感知能力的提升量，计算结果分别为0.30和0.35。因此，节点n6将会被选择，并该节点上的传感器加入传感器簇C1。此时，新形成的传感器簇的效用为1.55，满足用户需求，传感器选择过程结束。在监测目标L3的融合半径范围内，分别计算当节点n4、n5、n8中的传感器加人传感器簇C3时对传感器簇感知能力的提升量，计算结果分别为0.22、0.12和0.32。因此，节点n8将会被选择，并将其上的传感器加入传感器簇C3。此时，新形成的传感器簇的效用为1.57，满足用户需求，传感器选择过程结束。

Claims (10)

1.一种分布式传感器协同选择方法，包括如下步骤：

S1.在监测区域内随机部署传感器节点，根据监测点的融合半径分组；

S2.计算归一化后传感器节点与目标之间的距离；

S3.计算传感器之间的相关性；

S4.根据步骤S2得到的距离和步骤S3得到的相关性计算结果，采用下式计算传感器节点的效用：

式中为传感器节点的效用，其值越大表明传感器节点的功能越强大，其值越小表明传感器节点的功能越弱小；α为权重系数，权重系数越大表明传感器节点的效用与传感器之间的相关性的关系越大；dS(n_i)为传感器节点与目标之间的距离；为传感器和传感器之间的相关性；为排列组合算式；

S5.选择传感器节点中效用最大的传感器节点作为信息融合节点，该节点建立传感器簇，并将传感器节点上的所有传感器加入该传感器簇；计算当前传感器簇的感知能力；

S6.比较当前传感器簇的感知能力与目标监测的精度要求之间的关系：

若当前传感器簇的感知能力≥目标监测的精度要求，则选择当前传感器簇中的所有传感器对目标进行监测，剩余传感器则全部进入休眠状态；

若当前传感器簇的感知能力＜目标监测的精度要求，则根据剩余传感器节点与目标之间的距离和剩余传感器节点与当前传感器簇中传感器的相关性计算剩余传感器节点的效用，选取效用最大的传感器节点，并将其上的传感器加入传感器簇并计算新的传感器簇的感知能力，直至当前传感器簇的感知能力≥目标监测的精度要求。

2.根据权利要求1所述的分布式传感器协同选择方法，其特征在于步骤S1所述的融合半径，可以取为传感器节点通信半径的两倍。

3.根据权利要求1或2所述的分布式传感器协同选择方法，其特征在于步骤S2所述的计算距离，为采用以下算式计算归一化后传感器节点与目标之间的距离：

dS(s_i)＝p(x|d_i,SNR_i)×p(d_i,SNR_i)

其中，p(x|d_i,SNR_i)是可以通过经验数据得到的条件概率，p(d_i,SNR_i)是目标在半径为d_i区域范围的出现的概率，根据经验数据进行实验估计其值，SNR_i可以计算如下：

SNR_i＝10×log(En_s-En_n)/En_s

其中En_s是信号能量，En_n是噪声平均能量。

4.根据权利要求3所述的分布式传感器协同选择方法，其特征在于所述的噪声平均能量，为通过恒虚警率算法计算得到。

5.根据权利要求1或2所述的分布式传感器协同选择方法，其特征在于步骤S3所述的计算相关性，为采用皮尔逊相关系数法计算传感器之间的相关性。

6.根据权利要求5所述的分布式传感器协同选择方法，其特征在于所述的皮尔逊相关系数法，为采用以下算式计算传感器之间的相关性：

$\mathrm{\υ}(s_i^m,s_i^u)=\mathrm{cov}(s_i^m,s_i^u)/\mathrm{\σ}\left(s_i^m\right)\·\mathrm{\σ}\left(s_i^u\right)$

$\mathrm{\υ}\left(n_i\right)=\underset{1\≤m,u\≤{\mathrm{\κ}}_i,m\≠u}{\Σ}\left|\mathrm{\υ}(s_i^m,s_i^u)\right|$

其中，是传感器和传感器历史数据的协方差；和分别是传感器和传感器历史数据的标准差。

7.根据权利要求1或2所述的分布式传感器协同选择方法，其特征在于步骤S5所述的感知能力，为采用机器学习方法和传感器簇中的所有传感器的历史数据进行计算。

8.根据权利要求7所述的分布式传感器协同选择方法，其特征在于所述的机器学习方法为Boosting算法。

9.根据权利要求1或2所述的分布式传感器协同选择方法，其特征在于步骤S6所述的计算剩余传感器节点的效用，包括如下步骤：

步骤1)计算候选成员节点与监测目标的归一化距离；

步骤2)计算候选节点的传感器与已有传感器簇中的传感器的相关性；

步骤3)采用以下算式计算候选节点的效用：

10.根据权利要求1或2所述的分布式传感器协同选择方法，其特征在于步骤S5和步骤S6中所述的选择效用最大的传感器节点作为信息融合节点，为采用如下算法进行选择：

步骤1)根据每个传感器节点的效用，对每个传感器节点设置不同的回退定时器：传感器节点的效用越大，则回退定时器的设置时间越短；

步骤2)步骤1)设置完成后，所有传感器节点的回退定时器一同回退计时，当某一传感器节点的回退定时器首先回退计时完成，此时形成触发动作，该传感器节点被触发唤醒，并声明自己为信息融合节点。