CN106231609A - 一种基于重点目标区域的水下传感器网络优化部署方法 - Google Patents

一种基于重点目标区域的水下传感器网络优化部署方法 Download PDF

Info

Publication number
CN106231609A
CN106231609A CN201610842788.XA CN201610842788A CN106231609A CN 106231609 A CN106231609 A CN 106231609A CN 201610842788 A CN201610842788 A CN 201610842788A CN 106231609 A CN106231609 A CN 106231609A
Authority
CN
China
Prior art keywords
area
monitoring
lambda
water
sensor
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.)
Granted
Application number
CN201610842788.XA
Other languages
English (en)
Other versions
CN106231609B (zh
Inventor
孙茜
余幸运
王小艺
许继平
于家斌
王立
张慧妍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Technology and Business University
Original Assignee
Beijing Technology and Business University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Technology and Business University filed Critical Beijing Technology and Business University
Priority to CN201610842788.XA priority Critical patent/CN106231609B/zh
Publication of CN106231609A publication Critical patent/CN106231609A/zh
Application granted granted Critical
Publication of CN106231609B publication Critical patent/CN106231609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W16/00Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18Network planning tools
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18Water
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W16/00Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22Traffic simulation tools or models
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/02Arrangements for optimising operational condition
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W84/00Network topologies
    • H04W84/18Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提出了一种基于重点目标区域的水下传感器网络优化部署方法,包括水域监测模型的建立和水下传感器网络的优化部署两个基本步骤。步骤一,利用主成份分析方法,建立重点水域监测模型;步骤二,利用加权因子调整的粒子群算法实现对整个网络的优化部署。本发明通过建立重点水域的监测模型,进而实现对整个网络的优化部署,可灵活有效的解决复杂水域的水质监测问题。

Description

一种基于重点目标区域的水下传感器网络优化部署方法
技术领域
本发明涉及环境监测和传感器网络领域,尤其涉及一种基于重点目标区域的水下传感器网络优化部署方法的研究。
背景技术
水质监测是用科学的方法监视和监测反映水体质量的变化趋势及污染的来龙去脉,是监视和测定水体中污染物种类、各类污染物浓度及变化趋势,评价水质状况的过程。由于近几年内生活废水、工业废水和恶劣气象条件对水环境的剧烈影响,致使不同水质断面的污染程度各不相同,我们希望对于污染严重的区域进行实时监控,以保障水质信息全面真实可靠。由于在实际的水质断面监测系统中,传感器监测到的水质参数往往包含温度、PH值、总氮、总磷、浑浊度和高锰酸盐指数等多项指标,每类指标在不同断面区域内反映的水质情况各不相同,因此不能用单一的水质标准衡量监测水域的水质情况。综合水质评价法是我国现代评价水质状况的常用方法,包括污染指数法、灰色系统评价法、主成份分析法、模糊评价法和方差分析法等。
针对重点区域进行覆盖监测之前,本文希望实现传感器网络在监测区域上的最大范围均匀覆盖。传统的水质断面监测系统一般采用大规模投放传感器的方式,这样的投放方式快速却很难一次性地将传感器节点放置在合适位置,很容易形成感知重叠区和盲区。另外一种方式是将监测水域平均分割为固定大小的网格,并在每个网格的中心位置布测点,这种方法简单易行,但往往会导致相邻断面出现水质监测结果相近,造成监测资源浪费。因此,需要研究更为有效的基于重点目标区域的水下传感器网络优化部署方法,为进行精确的水环境监测提供充实的理论依据。
发明内容
本发明的目的在于提出一种基于重点目标区域的水下传感器网络优化部署方法,可提高水环境监测的准确性和灵活性,可广泛应用于水环境监测、水污染的预测和治理等领域。
为达到上述目的,本发明提出一种基于重点目标区域的水下传感器网络优化部署方法,具体包括水域监测模型的建立和水下传感器网络的优化部署两个步骤。
步骤一,在本发明的一个实施例中,所述水域监测模型的建立进一步包括:针对采集到的水域监测数据,利用主成份分析法对各个因素进行分析,对水质参数进行降维处理,提取出水质评价的代表成分,其数学模型为:
其中,i为样本个数;j为因子个数;n为主成份分析后的主成份个数;a1j,a2j,……,anj是原始变量矩阵在各主成分上的载荷;Xi1,Xi2,……,Xij是原始变量矩阵经过标准化处理的值;zi1,zi2,……,zin表示经过主成份分析后各个主成份的值;由主成份分析得出的每个样本的主成份zin值,能够得到相应的主成份评价函数Zi,作为评判重点区域的数据基础:
Z i = λ i 1 λ i 1 + λ i 2 + ... + λ i n z i 1 + λ i 2 λ i 1 + λ i 2 + ... + λ i n z i 2 + ...... + λ i n λ i 1 + λ i 2 + ... + λ i n z i n
其中,Zi是每个样本对应的主成份评价得分值;λi1,λi2,……,λin是矩阵[Xi1,Xi2,……,Xij]初始特征值对应的方差贡献率;通过主成份分析对某区域水质参数的分析,可以得出该区域在时间变化上的综合水质评价得分Zi,求取这些得分的方差值,可以评价该水域的水质数据稳定或者波动的情况,同理,可求得各片水域的综合水质评价得分的方差值,比较各水域的方差值大小,将方差值最大的区域作为污染严重的重点监测区域;并对待监测水域进行网格化处理,假定水域大小为M×N,包括一般监测水域和重点监测水域,对监测水域离散化处理,以密度为gs划分网格,所述监测水域中的网格点由矩阵Ω表示:
其中,Ω′k,k=1,2,…t代表重要的监测水域。
步骤二,在本发明的一个实施例中,所述水下传感器网络的优化部署进一步包括:在得到上述水域模型Ω后,对其产生的网格点记为Xmn,区域内的网格点总数记作KK,网格点Xmn被一个传感器si监测到的概率记为c(si,Xmn);采用布尔感知模型完成传感器的覆盖监测,模型的数学表达式如下:
c ( s i , X m n ) = 0. d ( s i , X m n ) > R c 1. d ( s i , X m n ) < R c
其中,d(si,Xmn)表示传感器节点与网格点Xmn的欧式距离,即传感器节点si部署在点(xi,yi)上,则网格点Xmn到(xi,yi)的距离为:
d ( s i , X m n ) = ( x i - x ) 2 + ( y i - x ) 2
其中,Rc表示传感器的有效监测半径,当d(si,Xmn)大于传感器的有效半径时,网格点Xmn将不能被监测;对于一个受监测网格,将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率,网格Xmn的联合监测概率如下公式所示:
C X m n = 1 - &Pi; i = 1 n ( 1 - C ( s i , X m n ) )
统计监测概率等于1的网格数量,其与总网格数KK的比值即为目标区域的覆盖率;然后利用粒子群算法的网络优化部署:假设在一个二维水域平面上,需要监测的区域为Ω,在解的D维搜索空间里有n个粒子作为预备解,随机部署m个传感器节点,则群体中的第i个粒子位置为si=(xi1,yi1;xi2,yi2;xi3,yi3;…………;xim,yim),其中,每一个传感器节点在更新过程中有一个速度向量,用于更新当前速度和位置;每个粒子在自动更新过程中,会经历一个表征个体最优解的位置和一个表征全局最优解的位置;首先是每个传感器节点根据当前的速度和自身位置以及邻居节点的位置更新当前的速度,进而更新当前的位置,所有传感器节点的当前速度和当前位置得到更新之后就计算一次适应值,粒子则通过新的适应值不断跟踪个体最优解Pid=(pi1,pi2,pi3,…………piD)和全局最优解Pg=(pg1,pg2,pg3,……,pgd)进行搜索,以最优适应值为目标更新自己;其中,piD和pgd为每一次运算后适应值的大小;适应值由传感器网络的节点位置所确定的覆盖率大小决定,每次更新之后的覆盖率应当大于上次更新之后的覆盖率,在达到最大迭代次数时终止;根据粒子的自动移动特点,速度和位置的更新公式为:
v i d k + 1 = w i d k v i d k + 1 + c 1 r 1 ( p i d - x i d k ) + c 2 r 2 ( p g d - x i d k )
x i d k + 1 = x i d k + v i d k + 1
其中,i=1,2,3,……,n,d=1,2,3,……,D,k为最大迭代次数,可设为50,为加权因子,它记录粒子当前的运动状况,c1和c2是加速因子,c1使粒子具有自我继承的作用,c2使粒子吸收群体中其他临近粒子的好的位置,r1和r2为[0,1]之间的随机数。在三者的相互联系和作用下,粒子向自身经历过的最优点和群体历史最优点靠近,由此,传感器节点均部署在使网络覆盖率最大的位置;在此基础上,对重点水域进行重新部署,即将距离重点监测区域小于传感器半径的传感器节点部署到重点监测区域内,实现对污染严重的区域的实时重点监测。
本发明提出的一种基于重点目标区域的水下传感器网络优化部署方法,可实现基于重点目标区域的水下传感器网络的优化部署,为进行精确的水环境监测和治理提供充实的理论依据。
附图说明
图1为本发明实施例的基于重点目标区域的水下传感器网络优化部署方法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的意义。下面所描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明是针对水环境监测过程中,针对复杂的水域环境,提出的一种基于重点目标区域的水下传感器网络优化部署方法。
为了能够对本发明有更清楚的理解,在此进行简要描述。本发明包括两个基本步骤:
步骤一,水域监测模型的建立;步骤二,水下传感器网络的优化部署。
具体的,图1所示为本发明实施例的一种基于重点目标区域的水下传感器网络优化部署方法的流程图,包括以下步骤:
步骤S101,重点水域模型分析。
在本发明的一个实施例中,针对采集到的水域监测数据,利用主成份分析法对各个因素进行分析,对水质参数进行降维处理,提取出水质评价的代表成分,其数学模型为:
其中,i为样本个数;j为因子个数;n为主成份分析后的主成份个数;a1j,a2j,……,anj是原始变量矩阵在各主成分上的载荷;Xi1,Xi2,……,Xij是原始变量矩阵经过标准化处理的值;zi1,zi2,……,zin表示经过主成份分析后各个主成份的值;由主成份分析得出的每个样本的主成份zin值,能够得到相应的主成份评价函数Zi,作为评判重点区域的数据基础:
Z i = &lambda; i 1 &lambda; i 1 + &lambda; i 2 + ... + &lambda; i n z i 1 + &lambda; i 2 &lambda; i 1 + &lambda; i 2 + ... + &lambda; i n z i 2 + ...... + &lambda; i n &lambda; i 1 + &lambda; i 2 + ... + &lambda; i n z i n - - - ( 2 )
其中,Zi是每个样本对应的主成份评价得分值;λi1,λi2,……,λin是矩阵[Xi1,Xi2,……,Xij]初始特征值对应的方差贡献率;通过主成份分析对某区域水质参数的分析,可以得出该区域在时间变化上的综合水质评价得分Zi,求取这些得分的方差值,可以评价该水域的水质数据稳定或者波动的情况,同理,可求得各片水域的综合水质评价得分的方差值,比较各水域的方差值大小,将方差值最大的区域作为污染严重的重点监测区域;
步骤S102,水域模型的建立。
在本发明的一个实施例中,对待监测水域进行网格化处理,假定水域大小为M×N,其中包括一般监测水域和重点监测水域,对监测水域离散化处理,以密度为gs划分网格,所述监测水域中的网格点由矩阵Ω表示:
其中,Ω′k,k=1,2,…t代表重要的监测水域;
步骤S103,水域模型覆盖度量标准的建立。
在本发明的一个实施例中,在得到上述水域模型Ω后,对其产生的网格点记为Xmn,区域内的网格点总数记作KK,网格点Xmn被一个传感器si监测到的概率记为c(si,Xmn);采用布尔感知模型完成传感器的覆盖监测,模型的数学表达式如下:
c ( s i , X m n ) = 0. d ( s i , X m n ) > R c 1. d ( s i , X m n ) < R c - - - ( 4 )
其中,d(si,Xmn)表示传感器节点与网格点Xmn的欧式距离,即传感器节点si部署在点(xi,yi)上,则网格点Xmn到(xi,yi)的距离为:
d ( s i , X m n ) = ( x i - x ) 2 + ( y i - x ) 2 - - - ( 5 )
其中,Rc表示传感器的有效监测半径,当d(si,Xmn)大于传感器的有效半径时,网格点Xmn将不能被监测;对于一个受监测网格,将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率,网格Xmn的联合监测概率如下公式所示:
C X m n = 1 - &Pi; i = 1 n ( 1 - C ( s i , X m n ) ) - - - ( 6 )
统计监测概率等于1的网格数量,其与总网格数KK的比值即为目标区域的覆盖率;
步骤S104,基于粒子群算法的网络优化部署。
在本发明的一个实施例中,假设在一个二维水域平面上,需要监测的区域为Ω,在解的D维搜索空间里有n个粒子作为预备解,随机部署m个传感器节点,则群体中的第i个粒子位置为si=(xi1,yi1;xi2,yi2;xi3,yi3;…………;xim,yim),其中,每一个传感器节点在更新过程中有一个速度向量,用于更新当前速度和位置;每个粒子在自动更新过程中,会经历一个表征个体最优解的位置和一个表征全局最优解的位置;首先是每个传感器节点根据当前的速度和自身位置以及邻居节点的位置更新当前的速度,进而更新当前的位置,所有传感器节点的当前速度和当前位置得到更新之后就计算一次适应值,粒子则通过新的适应值不断跟踪个体最优解Pid=(pi1,pi2,pi3,…………piD)和全局最优解Pg=(pg1,pg2,pg3,……,pgd)进行搜索,以最优适应值为目标更新自己,其中,piD和pgd为每一次运算后适应值的大小;适应值由传感器网络的节点位置所确定的覆盖率大小决定,每次更新之后的覆盖率应当大于上次更新之后的覆盖率,在达到最大迭代次数时终止;根据粒子的自动移动特点,速度和位置的更新公式为:
v i d k + 1 = w i d k v i d k + 1 + c 1 r 1 ( p i d - x i d k ) + c 2 r 2 ( p g d - x i d k ) - - - ( 7 )
x i d k + 1 = x i d k + v i d k + 1 - - - ( 8 )
其中,i=1,2,3,……,n,d=1,2,3,……,D,k为最大迭代次数,可设为50,为加权因子,它记录粒子当前的运动状况,c1和c2是加速因子,c1使粒子具有自我继承的作用,c2使粒子吸收群体中其他临近粒子的好的位置,r1和r2为[0,1]之间的随机数。在三者的相互联系和作用下,粒子向自身经历过的最优点和群体历史最优点靠近,由此,传感器节点均部署在使网络覆盖率最大的位置;在此基础上,对重点水域进行传感器的重新部署,即将距离重点监测区域小于传感器半径的传感器节点部署到重点监测区域内,实现对污染严重的区域的实时重点监测。
通过本发明提出的一种基于重点目标区域的水下传感器网络优化部署方法,可实现基于重点目标区域的水下传感器网络的优化部署,为进行精确的水环境监测和治理提供充实的理论依据。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或对其中部分技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,本发明的范围由所附权利要求及其等同限定。

Claims (1)

1.一种基于重点目标区域的水下传感器网络优化部署方法,其特征在于:包括水域监测模型的建立和水下传感器网络的优化部署两个步骤,
所述水域监测模型的建立包括:
(1)重点水域模型分析:针对采集到的水域监测数据,利用主成份分析法对各个因素进行分析,对水质参数进行降维处理,提取出水质评价的代表成分,其数学模型为:
其中,i为样本个数;j为因子个数;n为主成份分析后的主成份个数;a1j,a2j,……,anj是原始变量矩阵在各主成分上的载荷;Xi1,Xi2,……,Xij是原始变量矩阵经过标准化处理的值;zi1,zi2,……,zin表示经过主成份分析后各个主成份的值;
由主成份分析得出的每个样本的主成份zin值,能够得到相应的主成份评价函数Zi,作为评判重点区域的数据基础:
Z i = &lambda; i 1 &lambda; i 1 + &lambda; i 2 + ... + &lambda; i n z i 1 + &lambda; i 2 &lambda; i 1 + &lambda; i 2 + ... + &lambda; i n z i 2 + ...... + &lambda; i n &lambda; i 1 + &lambda; i 2 + ... + &lambda; i n z i n - - - ( 2 )
其中,Zi是每个样本对应的主成份评价得分值;λi1,λi2,……,λin是矩阵[Xi1,Xi2,……,Xij]初始特征值对应的方差贡献率;
通过主成份分析对某区域水质参数的分析,可以得出该区域在时间变化上的综合水质评价得分Zi,求取这些得分的方差值,可以评价该水域的水质数据稳定或者波动的情况,同理,可求得各片水域的综合水质评价得分的方差值,比较各水域的方差值大小,将方差值最大的区域作为污染严重的重点监测区域;
(2)水域模型的建立:对待监测水域进行网格化处理,假定水域大小为M×N,包括一般监测水域和重点监测水域,对监测水域离散化处理,以密度为gs划分网格,所述监测水域中的网格点由矩阵Ω表示:
其中,Ω′k,k=1,2,…t代表重要的监测水域;
所述水下传感器网络的优化部署包括:
(1)水域模型覆盖度量标准的建立:在得到如式(3)所述的水域模型后,对其产生的网格点记为Xmn,区域内的网格点总数记作KK,网格点Xmn被一个传感器si监测到的概率记为c(si,Xmn);采用布尔感知模型完成传感器的覆盖监测,模型的数学表达式如下:
c ( s i , X m n ) = 0. d ( s i , X m n ) > R c 1. d ( s i , X m n ) < R c - - - ( 4 )
其中,d(si,Xmn)表示传感器节点与网格点Xmn的欧式距离,即传感器节点si部署在点(xi,yi)上,则网格点Xmn到(xi,yi)的距离为:
d ( s i , X m n ) = ( x i - x ) 2 + ( y i - x ) 2 - - - ( 5 )
其中,Rc表示传感器的有效监测半径,当d(si,Xmn)大于传感器的有效半径时,网格点Xmn将不能被监测;对于一个受监测网格,将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率,网格Xmn的联合监测概率如下公式所示:
C X m n = 1 - &Pi; i = 1 n ( 1 - C ( s i , X m n ) ) - - - ( 6 )
统计监测概率等于1的网格数量,其与总网格数KK的比值即为目标区域的覆盖率;
(2)基于粒子群算法的网络优化部署:假设在一个二维水域平面上,需要监测的区域为Ω,在解的D维搜索空间里有n个粒子作为预备解,随机部署m个传感器节点,则群体中的第i个粒子位置为si=(xi1,yi1;xi2,yi2;xi3,yi3;…………;xim,yim),其中,每一个传感器节点在更新过程中有一个速度向量,用于更新当前速度和位置;
每个粒子在自动更新过程中,会经历一个表征个体最优解的位置和一个表征全局最优解的位置;首先是每个传感器节点根据当前的速度和自身位置以及邻居节点的位置更新当前的速度,进而更新当前的位置,所有传感器节点的当前速度和当前位置得到更新之后就计算一次适应值,粒子则通过新的适应值不断跟踪个体最优解Pid=(pi1,pi2,pi3,…………piD)和全局最优解Pg=(pg1,pg2,pg3,……,pgd)进行搜索,以最优适应值为目标更新自己,其中,piD和pgd为每一次运算后适应值的大小;适应值由传感器网络的节点位置所确定的覆盖率大小决定,每次更新之后的覆盖率应当大于上次更新之后的覆盖率,在达到最大迭代次数时终止;根据粒子的自动移动特点,速度和位置的更新公式为:
v i d k + 1 = w i d k v i d k + 1 + c 1 r 1 ( p i d - x i d k ) + c 2 r 2 ( p g d - x i d k ) - - - ( 7 )
x i d k + 1 = x i d k + v i d k + 1 - - - ( 8 )
其中,i=1,2,3,……,n,d=1,2,3,……,D,k为最大迭代次数,可设为50,为加权因子,它记录粒子当前的运动状况,c1和c2是加速因子,c1使粒子具有自我继承的作用,c2使粒子吸收群体中其他临近粒子的好的位置,r1和r2为[0,1]之间的随机数。在三者的相互联系和作用下,粒子向自身经历过的最优点和群体历史最优点靠近,由此,传感器节点均部署在使网络覆盖率最大的位置;
在此基础上,对重点水域进行重新部署,即将距离重点监测区域小于传感器半径的传感器节点部署到重点监测区域内,实现对污染严重的区域的实时重点监测。
CN201610842788.XA 2016-09-22 2016-09-22 一种基于重点目标区域的水下传感器网络优化部署方法 Active CN106231609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610842788.XA CN106231609B (zh) 2016-09-22 2016-09-22 一种基于重点目标区域的水下传感器网络优化部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610842788.XA CN106231609B (zh) 2016-09-22 2016-09-22 一种基于重点目标区域的水下传感器网络优化部署方法

Publications (2)

Publication Number Publication Date
CN106231609A true CN106231609A (zh) 2016-12-14
CN106231609B CN106231609B (zh) 2019-06-21

Family

ID=58077442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610842788.XA Active CN106231609B (zh) 2016-09-22 2016-09-22 一种基于重点目标区域的水下传感器网络优化部署方法

Country Status (1)

Country Link
CN (1) CN106231609B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106714193A (zh) * 2017-01-20 2017-05-24 中国人民解放军海军蚌埠士官学校 一种基于理想图案模型的水下传感器节点沉降部署方法
CN107194040A (zh) * 2017-04-27 2017-09-22 西交利物浦大学 基于双向水流的水质监测网络多目标优化部署方法
CN107708133A (zh) * 2017-09-21 2018-02-16 浙江工业大学 基于网格划分的水下无线传感器网络多维优化节点部署方法
CN107944205A (zh) * 2018-01-17 2018-04-20 北京工商大学 一种基于高斯烟羽模型的水域特征模型建立方法
CN108064047A (zh) * 2018-01-17 2018-05-22 北京工商大学 一种基于粒子群的水质传感器网络优化部署方法
CN108490115A (zh) * 2018-02-08 2018-09-04 浙江大学 一种基于分布式在线主成分分析的空气质量异常检测方法
CN109598419A (zh) * 2018-11-19 2019-04-09 北京英视睿达科技有限公司 一种基于水质数据确定水环境热点网格的方法及装置
CN109922478A (zh) * 2019-01-14 2019-06-21 北京工商大学 一种基于改进布谷鸟算法的水质传感器网络优化部署方法
CN110286383A (zh) * 2019-06-27 2019-09-27 电子科技大学 一种应用于目标跟踪的雷达和红外传感器部署方法
CN110545546A (zh) * 2019-09-27 2019-12-06 吉林大学 一种水下网络节点的部署方法、系统及相关装置
CN111800201A (zh) * 2020-06-24 2020-10-20 西北工业大学 一种针对Sink节点水声传感器网络关键节点识别方法
CN113393083A (zh) * 2021-05-12 2021-09-14 山东三希环保科技有限公司 环保监控器部署方法及系统
CN113406270A (zh) * 2021-05-12 2021-09-17 中国汽车技术研究中心有限公司 燃料电池汽车氢气传感器位置优化方法
CN116074853A (zh) * 2023-03-07 2023-05-05 华东交通大学 用于可变水域的监测网络的部署优化方法
CN117151557A (zh) * 2023-11-01 2023-12-01 甘肃蓝曦环保科技有限公司 一种基于工业废水监测数据的质量监控方法及系统
CN116359456B (zh) * 2023-01-15 2024-05-31 寿县国祯水处理有限公司 一种基于厂站网一体化的水质动态监测预警方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070143452A1 (en) * 2005-12-21 2007-06-21 Asuman Suenbuel Dynamically-generated operating system for sensor networks
CN101383736A (zh) * 2008-10-15 2009-03-11 中国科学院上海微系统与信息技术研究所 一种面向区域监测的无线传感器网络节点布设的优化方法
CN102752761A (zh) * 2012-06-19 2012-10-24 江苏科技大学 基于粒子群的无线传感器网络移动节点覆盖优化方法
CN103491148A (zh) * 2013-09-12 2014-01-01 江苏科技大学 移动式深海养殖监控系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070143452A1 (en) * 2005-12-21 2007-06-21 Asuman Suenbuel Dynamically-generated operating system for sensor networks
CN101383736A (zh) * 2008-10-15 2009-03-11 中国科学院上海微系统与信息技术研究所 一种面向区域监测的无线传感器网络节点布设的优化方法
CN102752761A (zh) * 2012-06-19 2012-10-24 江苏科技大学 基于粒子群的无线传感器网络移动节点覆盖优化方法
CN103491148A (zh) * 2013-09-12 2014-01-01 江苏科技大学 移动式深海养殖监控系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林威建,郝泳涛: "基于改进粒子群的无线传感器网络覆盖优化算法", 《电脑知识与技术》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106714193A (zh) * 2017-01-20 2017-05-24 中国人民解放军海军蚌埠士官学校 一种基于理想图案模型的水下传感器节点沉降部署方法
CN107194040B (zh) * 2017-04-27 2020-12-18 西交利物浦大学 基于双向水流的水质监测网络多目标优化部署方法
CN107194040A (zh) * 2017-04-27 2017-09-22 西交利物浦大学 基于双向水流的水质监测网络多目标优化部署方法
CN107708133A (zh) * 2017-09-21 2018-02-16 浙江工业大学 基于网格划分的水下无线传感器网络多维优化节点部署方法
CN107708133B (zh) * 2017-09-21 2021-02-26 浙江工业大学 基于网格划分的水下无线传感器网络多维优化节点部署方法
CN107944205A (zh) * 2018-01-17 2018-04-20 北京工商大学 一种基于高斯烟羽模型的水域特征模型建立方法
CN108064047A (zh) * 2018-01-17 2018-05-22 北京工商大学 一种基于粒子群的水质传感器网络优化部署方法
CN108064047B (zh) * 2018-01-17 2021-02-09 北京工商大学 一种基于粒子群的水质传感器网络优化部署方法
CN107944205B (zh) * 2018-01-17 2020-12-29 北京工商大学 一种基于高斯烟羽模型的水域特征模型建立方法
CN108490115A (zh) * 2018-02-08 2018-09-04 浙江大学 一种基于分布式在线主成分分析的空气质量异常检测方法
CN108490115B (zh) * 2018-02-08 2020-06-05 浙江大学 一种基于分布式在线主成分分析的空气质量异常检测方法
CN109598419A (zh) * 2018-11-19 2019-04-09 北京英视睿达科技有限公司 一种基于水质数据确定水环境热点网格的方法及装置
CN109922478A (zh) * 2019-01-14 2019-06-21 北京工商大学 一种基于改进布谷鸟算法的水质传感器网络优化部署方法
CN109922478B (zh) * 2019-01-14 2021-10-22 北京工商大学 一种基于改进布谷鸟算法的水质传感器网络优化部署方法
CN110286383B (zh) * 2019-06-27 2023-09-01 电子科技大学 一种应用于目标跟踪的雷达和红外传感器部署方法
CN110286383A (zh) * 2019-06-27 2019-09-27 电子科技大学 一种应用于目标跟踪的雷达和红外传感器部署方法
CN110545546B (zh) * 2019-09-27 2021-04-16 吉林大学 一种水下网络节点的部署方法、系统及相关装置
CN110545546A (zh) * 2019-09-27 2019-12-06 吉林大学 一种水下网络节点的部署方法、系统及相关装置
CN111800201A (zh) * 2020-06-24 2020-10-20 西北工业大学 一种针对Sink节点水声传感器网络关键节点识别方法
CN113393083A (zh) * 2021-05-12 2021-09-14 山东三希环保科技有限公司 环保监控器部署方法及系统
CN113406270A (zh) * 2021-05-12 2021-09-17 中国汽车技术研究中心有限公司 燃料电池汽车氢气传感器位置优化方法
CN116359456B (zh) * 2023-01-15 2024-05-31 寿县国祯水处理有限公司 一种基于厂站网一体化的水质动态监测预警方法及系统
CN116074853A (zh) * 2023-03-07 2023-05-05 华东交通大学 用于可变水域的监测网络的部署优化方法
CN117151557A (zh) * 2023-11-01 2023-12-01 甘肃蓝曦环保科技有限公司 一种基于工业废水监测数据的质量监控方法及系统
CN117151557B (zh) * 2023-11-01 2024-01-09 甘肃蓝曦环保科技有限公司 一种基于工业废水监测数据的质量监控方法及系统

Also Published As

Publication number Publication date
CN106231609B (zh) 2019-06-21

Similar Documents

Publication Publication Date Title
CN106231609B (zh) 一种基于重点目标区域的水下传感器网络优化部署方法
CN108064047B (zh) 一种基于粒子群的水质传感器网络优化部署方法
Agboola et al. Development of a fuzzy logic based rainfall prediction model
Marofi et al. Predicting spatial distribution of snow water equivalent using multivariate non-linear regression and computational intelligence methods
CN108921359B (zh) 一种分布式瓦斯浓度预测方法及装置
CN110087207B (zh) 无线传感器网络缺失数据重建方法
CN112287294B (zh) 一种基于深度学习的时空双向土壤含水量插值方法
CN110401978B (zh) 基于神经网络和粒子滤波多源融合的室内定位方法
CN107677997A (zh) 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法
CN103902819A (zh) 基于变分滤波的粒子优化概率假设密度多目标跟踪方法
CN109922478B (zh) 一种基于改进布谷鸟算法的水质传感器网络优化部署方法
Guillén-Navarro et al. A deep learning model to predict lower temperatures in agriculture
CN111695290A (zh) 一种适用于变化环境下的短期径流智能预报混合模型方法
Adnan et al. New Artificial Neural Network and Extended Kalman Filter hybrid model of flood prediction system
Duan et al. Temperature forecasting for stored grain: A deep spatiotemporal attention approach
Wang et al. Research on air pollution gases recognition method based on lstm recurrent neural network and gas sensors array
CN115877483A (zh) 一种基于随机森林和gru的台风路径预报方法
Mantri et al. Weather prediction and classification using neural networks and k-nearest neighbors
CN107944205B (zh) 一种基于高斯烟羽模型的水域特征模型建立方法
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
Lu et al. Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions
CN107437112A (zh) 一种基于改进多尺度核函数的混合rvm模型预测方法
CN115545316A (zh) 基于深度学习混合模型的大气臭氧预测方法
CN115099493A (zh) 一种基于cnn的林火向任意方向蔓延速率预测方法
Hu et al. Prediction of PM2. 5 based on Elman neural network with chaos theory

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant