CN107182032A - 无线传感器网络中基于扇区模型的有毒气体监测方法 - Google Patents
无线传感器网络中基于扇区模型的有毒气体监测方法 Download PDFInfo
- Publication number
- CN107182032A CN107182032A CN201710338333.9A CN201710338333A CN107182032A CN 107182032 A CN107182032 A CN 107182032A CN 201710338333 A CN201710338333 A CN 201710338333A CN 107182032 A CN107182032 A CN 107182032A
- Authority
- CN
- China
- Prior art keywords
- node
- border
- sector
- monitoring
- boundary
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 48
- 231100000614 poison Toxicity 0.000 title claims abstract description 19
- 230000007096 poisonous effect Effects 0.000 title claims abstract description 19
- 239000007789 gas Substances 0.000 claims abstract description 75
- 239000002341 toxic gas Substances 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000005265 energy consumption Methods 0.000 claims abstract description 13
- 230000006854 communication Effects 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 32
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 7
- 238000000205 computational method Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 210000002837 heart atrium Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 241000854291 Dianthus carthusianorum Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002775 capsule Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000009448 modified atmosphere packaging Methods 0.000 description 1
- 235000019837 monoammonium phosphate Nutrition 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种利用无线传感器网络对有毒气体的监测方法，包括三个阶段，（1）扇区网络模型的设定阶段：将监测网络以类似于地球仪经度、纬度的方式切分为小型扇区，扇区内节点以角度和距网络中心的距离进行逆时针编号；（2）有毒气体的边界识别阶段：依据节点自身状态和一跳邻居节点的信息确定出气体边界；（3）有毒气体监测信息的汇聚与上传阶段：利用边界节点构建三角形，围绕气体边界逆时针方向筛选剩余能量较高且距离气体边界较近的节点作为代表节点，进行监测信息的汇聚与上传。本发明可实现对有毒气体较高监测精度的前提下，降低网络能耗。
Description
技术领域
本发明属于无线多媒体传感器网络领域，确切来说是涉及一种利用无线传感器网络来实现对有毒气体的监测方法，通过监控处于无规则动态变化中的气体边界来实现对整个气体目标的监测。
技术背景
近年来，随着传感器技术和无线通信技术的飞速发展，无线传感器网络(WirelessSensor Networks,WSNs)在工业等领域得到了广泛应用，对连续目标的监测是当中最常见的应用领域之一。连续目标通常分布在较广的区域，其形状会发生动态的无规则变化，例如，可能会扩散或收缩，体积增大或减小，如有毒气体、海面漂浮油体等。不同于质点状的单体目标所具有的固定大小，规模较小的特点，对于连续目标的监测相比于单体目标而言较为复杂，它涉及到不同节点间的协作，由此会产生大规模的网内通信，从而给能量有限的传感器节点带来极大的负担。因此，如何利用能量等资源受限的无线传感器网络来实现对连续目标的高效监测是一个极具挑战性的问题。
目前针对该类有毒气体监测问题的典型研究文献如下：
1、X.Ji等研究者于2004年在期刊《In Proceedings of the IEEE InternationalConference on Communications》上发表的文章“Dynamic cluster structure forobject detection and tracking in wireless ad-hoc sensor networks”，文章提出了一种基于节点动态簇群归类的方法DCSODT，该方法从执行步骤上可分为①边界感知节点选择；②边界感知节点成簇(Cluster 1,Cluster 2,Cluster 3…)；③簇内信息汇聚、存储；④数据合并传输。所有的感知节点以距离规则生成节点簇，每个簇群依据能量竞争规则选出簇头CH，每个簇群中感知节点均会将消息汇聚到CH。在监测过程中，倘若目标的部分区域离开某一原本监测簇群的覆盖区域，则当前簇头会选择簇地理位置中心处的感知节点作为新的簇头节点。在数据上传过程，当前采样周期选出的CH会收集、存储其当前监测的簇中所有的感知节点的信息，并利用贪婪的地理路由方式将聚合的数据包发送给基站。然而，DCSODT方案还是存在着很多的缺陷，比如没有考虑节点密度跟能耗的关系，也没有考虑内部中空的对象如何处理的问题，并且也缺乏可扩展性：在该算法中报告者的数量随着节点度(相邻节点的数目)增加而增加。
2、Jin等研究者于2006年在期刊《In Proceedings of the Fourth IEEEInternational Conference on Computer Sciences and Convergence InformationTechnology》上发表的文章“Energy-Efficiency Continuous Object Tracking viaAutomatically Adjusting Sensing Range in Wireless Sensor Network”，文中提出的ECOT算法提出了三种策略：①边界节点识别的策略；②选择代表节点的策略；③定位对象策略。在边界节点识别的策略中，节点通过调节自身的感知范围来探测目标，而不是通过与邻居节点协作的方式。在选择代表节点的策略中，会于边界节点集合中选择部分有代表性的节点，并由它们将信息发送给基站。在定位对象策略中，基站根据收集的信息来确定目标的位置跟形状。ECOT算法减少了节点间的通信能耗以及内存开销，相比于由各个节点自身单独发送信号至目标节点，该文的通信方法更为优异。
3、Tu等研究者于2010年在期刊《Journal of Parallel and DistributedComputing》上发表的文章“Scalable continuous object detection and tracking insensor networks”，文中提出的SCOOT方案中的协同数据处理阶段，引入了两个内部算法来确定一个事件节点是否能够有助于定位连续目标的边界位置，即先判断该事件节点是必要节点还是非必要节点，若作为必要节点，再确定该节点是否能够成为报告者。若一个事件节点的本地信息对确定对象位置没有作用，则不将其选作报告者。在位置信息报告阶段，报告者通过使用簇群汇总通信的方式发送数据给基站。并且SCOOT还考虑了对连续目标在移动状态时候的检测以及在内部中空(非环型)的情况下的检测。然而SCOOT的定位方法只是确定了气体边界附近的节点位置信息，却没能精确定位出有毒气体的边界范围，而且在节点的睡眠调度方面也未能完善，无法在能量损耗方面取得更加优化的效果。
4、Kim等研究者于2012年在《In Proceedings of VTC 2012Spring》上发表的文章“Efficient Continuous Object Tracking with Virtual Grid in Wireless SensorNetworks”，VGBCOTS算法假设将扩散的连续目标图像整体比作电视中的动态图像像素分布成像原理，这些图像由一个个类似于小单元格的像素构成。于是算法在成簇网络中将每个簇划分为细小单元格，对目标进行监测。当节点感知到目标时，会立即向单元格头节点CHN(Cell Head Node)发送提示信息包，然后CHN会将接收到的所有节点地理位置信息映射到所建立的细微网格中，同时该方法还利用CHN修正虚拟网格中的有用监测数据。VGBCOTS能够较为精确的还原被监测目标，但是，网络中多个CHN一直参与算法计算与通信过程，必将导致其能量过快耗尽，引起网络的监测失效。
因此，当前阶段基于无线传感器网络的有毒气体监测方法中普遍存在的共同挑战是：
(1)大多数监测方法为了识别气体边界，需利用大量节点进行庞大的信息交互，从而导致节点能量消耗过大；
(2)为了将采集的气体信息及时上传，同时能耗更少，一般来说，均是通过选取部分代表节点进行数据融合、存储及上传的方式，而每次代表节点的选举过程也是能量消耗过快的元凶之一；
(3)对监测网络未作出合理化设置，可能导致监测过程局部区域网络密度较低，从而导致该区域监测精度较低，或者该部分区域监测密度较高，从局部筛选节点过程，信息交互量较大，局部能耗很高。
发明内容
本发明的目的是为了解决当前存在于有毒气体监测方案中，无线传感器网络能耗过大的问题，提出了一种通过全局监测思想，减少节点间的信息交互，以实现较高监测精度的前提下，降低监测网络的能源开销。
为了达到上述目的，本发明提供了一种从目标全局边界线考虑的有毒气体监测方案，该方案包括三个阶段：
(1)、扇区网络模型的划分和设定阶段：将用于监测气体的无线传感器网络以类似于地球仪经度、纬度的方式切分为数个小型扇区，扇区中节点以角度和距网络中心的距离进行逆时针编号；
(2)、有毒气体的边界识别阶段：依据无线传感器网络节点自身的感知状态和一跳邻居节点的感知状态确定出边界感知节点与边界未感知节点；
(3)、有毒气体监测信息的汇聚与上传阶段：利用边界未感知节点构建以三节点为顶点的三角形，围绕气体边界逆时针方向筛选出一些剩余能量较高且距离气体边界较近的节点作为代表节点，进行监测信息的汇聚与上传。
为了实现有效的监测，常规的方法是通过网络分为不同局部簇考虑，利用节点间构建的簇对目标进行监测，簇内选择一个簇头节点，利用簇头对簇内的监测信息进行汇总并上传，而本发明采用了将网络分割为不同小型扇区的策略，考虑到气体目标的覆盖范围较广以及连续性，本发明利用一定规则划分好的扇区网络模型，每个扇区模型中选取出一个边界节点作为代表节点，进行信息的汇聚。
同时，在代表节点选择方式上，传统方法考虑的是不同局部区域独立筛选的方式，而本发明利用了全局目标边界线的连续性，围绕目标的边界线，进行了整体性的逆时针连续筛选，最终识别出了部分剩余能量较高，同时距离目标边界线较近的节点作为代表节点。
扇区网络模型设定阶段的具体步骤为：
(2a)、将用于监测的无线传感器网络区域依据环状和扇状进行均匀分割，首先将圆形状的无线传感器网络分割为类似于坐标象限的4个大区，然后依据节点通信半径及角度参数θ将大区划分为数个小型区域，统称扇区；
(2b)、在步骤(2a)的基础之上，对角度参数θ进行设置，主要依据节点通信半径、网络节点密度、圆形网络大小以及分割过程圆环的均匀递增半径；
(2c)、在步骤(2b)的基础之上，对不同扇区进行一定方向的编号，例如逆时针编号时，其编号规则依据节点的ID号、节点自身所在扇区的环号及节点所在扇区的角度参数。
上述区间的划分具有以下特征：
特征1.将监测无线传感器网络区域划分为包含角度以及距离关系的、独立存在的监测区域，单独扇区之中的节点之间一定可以相互通信；
特征2.每个节点只存在于一个独立的扇区当中，并且每个节点知道自身所在扇区的编号以及自身的地理位置；
特征3.不同扇区按照一定的角度关系以及距离网络中心的距离进行编号，以便于按照一定的方向、围绕全局的有毒气体边界进行边界附近部分节点的筛选；
特征4.在角度编号的确定过程之中，初始方位为水平位置，以逆时针方位进行旋转，水平角度设定αθ＝0，逆时针方位其余角度以此为起点，按照间隔θ进行间隔编号。
扇区中节点以角度和距网络中心的距离进行逆时针编号的方法为：
(4a)、利用不同节点的ID号、节点自身所在扇区的环号、节点所在的扇形角度区域的角度αθ，即每个节点对应编号类似于坐标((ID)i,所在扇区角度位置号θi,所在扇区环位置号ξi)；
(4b)、并且初始位置设定从水平方位开始以逆时针方向进行旋转，水平角度值默认设置为0°，逆时针方位其余角度依次分别为θ、2θ.....2π；
(4c)、以圆形区域的圆心作为环扩张起点位置进行均匀递增，环内到环外递增过程每间隔一个递增半径rτ，则对于区域号的纵坐标增益为1。
所在扇区计算方法为：
(5a)、当ψx＞0,ψy＞0,对应位置可表示为：
(5b)、当ψx＜0,ψy＞0,对应位置可表示为：
(5c)、当ψx＜0,ψy＜0,对应位置可表示为：
(5d)、当ψx＞0,ψy＜0,对应位置可表示为：
其中，(ψx,ψy)为网络中的节点坐标，θ为角度参数，其计算方式为其中分别代表圆环递增半径与节点初始通信半径R以及网络密度的相关系数，这里rc代表网络最大圆环半径大小，其中，R代表节点的初始通信半径，N代表网络总节点个数，rτ代表圆环的均匀递增半径。
所在扇区环位置号的计算方法为：其中节点距离监测网络区域中心点的欧式距离
监测网络扇区模型划分完毕后，所有节点进入工作状态。随着气体的出现，节点的状态也将随之发生变化，此处首选介绍如何实现动态气体目标的边界识别，边界识别阶段的具体步骤为：
(7a)、确定检测范围：将密度均匀的有毒气体的监测转变为对其边界的监测过程，以此节省一定的监测开销；
(7b)、节点提前建立好自身的邻居信息表，表中记录有节点对应的所有一跳邻居节点的信息，信息内容主要是节点的监测状态、节点的ID以及节点的地理位置，该信息表会依据监测周期进行更新；
(7c)、依据步骤(7b)所建立的邻居信息表以及节点自身的监测状态，确定节点为边界感知节点或边界未感知节点，所述边界未感知节点表示距离有毒气体边界在通信半径范围内的未被目标覆盖的节点，所述边界感知节点表示距离有毒气体边界在通信半径内的被目标覆盖的节点；
这里规定若节点感知标记“pm＝1”，代表节点可监测到目标出现，若“pm＝0”，代表节点无法监测到目标出现，则若某一节点“pm＝1”，且其邻居中存在“pm＝0”的节点，则该节点为边界感知节点，同理，若某一节点当前“pm＝0”，且其一跳邻居中存在“pm＝1”的节点，则该节点被认定为边界未感知节点；
(7d)、假设气体为扩散状态，依据步骤3所确定的边界未感知节点，利用边界未感知节点自身的地理位置坐标，通过相邻边界未感知节点坐标连线来确定出气体边界，假设气体为收缩状态，依据步骤(7c)所确定的边界感知节点，利用边界感知节点自身的地理位置坐标，通过相邻边界感知节点的坐标连线，确定出气体边界。
该处需要申明介绍的是，此处的边界节点存在两种情形：
情形1.当某一节点的状态标记“pm＝1”，并且此时其所有一跳邻居节点中存在“pm＝0”的节点，则认定该节点为气体边界处的感知节点，此时若气体目标处于收缩状态，则利用该类节点的地理位置坐标构建气体的边界；
情形2.当某一节点的状态标记“pm＝0”，并且此时其所有一跳邻居节点中存在“pm＝1”的节点，则认定该节点为气体边界处的未感知节点，此时若气体目标处于发散状态，则利用该类节点的地理位置坐标构建出当前气体的边界。
步骤(3)中利用边界未感知节点构建三角形，围绕气体边界逆时针方向筛选出一些剩余能量较高且距离气体边界较近的节点作为代表节点的方法为：
(8a)、利用步骤(2)确定的边界感知节点与边界未感知节点，依据选出的边界节点的剩余能量以及距离网络中心的欧式距离，进行筛选，优选出部分剩余能量高、距离网络中心距离近且靠近于气体边界线的节点作为代表节点RBN；
代表节点选择过程的判定依据为两点：一是该节点在当前采样周期内具有较高的剩余能量，以平衡网络能耗；二是该节点距离有毒气体边界的距离较近，以提高监测的精确性；
(8b)、具体分为初始RBN、中间多个RBN以及最后一个RBN的顺序，依据确定好的逆时针方位编号，围绕气体的边界线，进行全局的代表节点选择，从全局角度进行筛选，信息传递量较少；
(8c)、以三个编号不同、所在扇区不同的边界未节点进行虚拟三角形的构建，采用三角形中是否包含感知节点的方式确定出距离目标边界线较近的边界节点成为代表节点；
(8d)、任一虚拟三角形的初始顶点均为代表节点，其余两顶点为以该初始顶点为起点，依次最相邻逆时针角度位置的节点。
步骤(3)中监测信息的汇聚与上传的具体步骤为：
(9a)、结合边界节点的剩余能量进行初始代表边界节点的筛选，首先，依据已经确定的边界带中的每个边界未感知节点自身的剩余能量Eresidual与目标采样周期nT给所有边界未感知节点设定一个倒计时器，倒计时器的设置时间其中Eresidual代表节点的剩余能量，nT代表采样周期，k为固定值的系数；
(9b)、利用虚拟三角形的构建策略及代表边界节点的判定规则进行围绕全局目标的中间多个代表边界节点的筛选，依据步骤1确定的初始代表边界节点开始，假设存在三个不同ID号的传感器节点x、y、z，其对应角度区域分别为αxθ、αyθ与αzθ，对应的地理位置坐标分别为(Xx,Xy),(Yx,Yy),(Zx,Zy)，一感知节点ψ的地理位置坐标为(ψx,ψy)，由节点x、y、z构成的三角形三条边对应的坐标公式分别为yz:fx(x,y)＝0，xz:fy(x,y)＝0，xy:fz(x,y)＝0。
以yz边为例，封闭虚拟三角形内部节点必须要满足必要条件：ψ点与x点在边yz同侧，即对于点ψ(ψx,ψy)必须满足fx(ψx,ψy)*fx(Xx,Xy)＞0，同理可推知结论：网络中三角形囊括区域坐标(ψx,ψy)应满足的条件为:
(9c)、在全局精选确定完毕阶段进行最后一个代表边界节点的识别，识别依据该代表边界节点构建三角形过程中期逆时针位置的边界节点是否已被判定为代表边界节点，若已被判定，则代表已经实现围绕全局目标的代表边界节点筛选；
(9d)、利用筛选出的代表边界节点汇聚其可通信范围内的所有边界节点的信息，并依据贪婪路由中最近路径的传输方法将数据传递给信息汇聚中心。
与现有连续目标监测算法相比，本发明所具有的积极效果是：
(1)、本发明建立的扇区网络模型灵活性较高，可依据实际情形的不同，灵活的改变角度参数等因素调整小型扇区的大小，从而实现类似有毒气体等连续目标的高效监测；
(2)、本发明在选择代表边界节点的过程之中，首次采用了全局筛选的策略，即围绕目标的整个边界线，按一定方向一次性、连续的筛选出部分边界节点，该方式的筛选过程能耗较低；
(3)、本发明选择边界处节点时，综合考虑了目标的“扩散”与“收缩”两种情形，因而细分出边界未感知节点与边界感知节点，以此优选出更近于目标边界的部分节点作为边界节点；
(4)、本发明选出的代表边界节点具有两种特性：①剩余能量较高，②距离目标边界线较近，因而平衡了一定的网络能耗，同时监测结果的精确度也较高。
附图说明
如图1为扇区网络模型示意图；
如图2为扇区编号示意图；
如图3为边界节点识别阶段示意图；
如图4为代表边界节点选择过程示意图；
如图5基于节点地理位置的虚拟三角形构建示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
一种无线传感器网络中基于扇区网络模型的有毒气体监测方法，包括以下三个阶段：
(1)、扇区网络模型的划分和设定阶段：将用于监测气体的无线传感器网络以类似于地球仪经度、纬度的方式切分为数个小型扇区，扇区中节点以角度和距网络中心的距离进行逆时针编号；
(2)、有毒气体的边界识别阶段：依据无线传感器网络节点自身的感知状态和一跳邻居节点的感知状态确定出边界感知节点与边界未感知节点；
(3)、有毒气体监测信息的汇聚与上传阶段：利用边界未感知节点构建以三节点为顶点的三角形，围绕气体边界逆时针方向筛选出一些剩余能量较高且距离气体边界较近的节点作为代表节点，进行监测信息的汇聚与上传。
上述步骤(1)中扇区网络模型设定阶段的具体步骤为：
(2a)、将用于监测的无线传感器网络区域依据环状和扇状进行均匀分割，首先将圆形状的无线传感器网络分割为类似于坐标象限的4个大区，然后依据节点通信半径及角度参数θ将大区划分为数个小型区域，统称扇区；
(2b)、在步骤(2a)的基础之上，对角度参数θ进行设置，主要依据节点通信半径、网络节点密度、圆形网络大小以及分割过程圆环的均匀递增半径；
(2c)、在步骤(2b)的基础之上，对不同扇区进行一定方向的编号，例如逆时针编号时，其编号规则依据节点的ID号、节点自身所在扇区的环号及节点所在扇区的角度参数。
上述步骤(1)中扇区网络模型划分具有以下特征：
(3a)、将监测无线传感器网络区域划分为包含角度以及距离关系的、独立存在的监测区域，单独扇区之中的节点之间一定可以相互通信；
(3b)、每个节点只存在于一个独立的扇区当中，并且每个节点知道自身所在扇区的编号以及自身的地理位置；
(3c)、不同扇区按照一定的角度关系以及距离网络中心的距离进行编号，以便于按照一定的方向、围绕全局的有毒气体边界进行边界附近部分节点的筛选；
(3d)、在角度编号的确定过程之中，初始方位为水平位置，以逆时针方位进行旋转，水平角度设定αθ＝0，逆时针方位其余角度以此为起点，按照间隔θ进行间隔编号。
扇区中节点以角度和距网络中心的距离进行逆时针编号的方法为：
(4a)、利用不同节点的ID号、节点自身所在扇区的环号、节点所在的扇形角度区域的角度αθ，即每个节点对应编号类似于坐标((ID)i,所在扇区角度位置号θi,所在扇区环位置号ξi)；
(4b)、并且初始位置设定从水平方位开始以逆时针方向进行旋转，水平角度值默认设置为0°，逆时针方位其余角度依次分别为θ、2θ.....2π；
(4c)、以圆形区域的圆心作为环扩张起点位置进行均匀递增，环内到环外递增过程每间隔一个递增半径rτ，则对于区域号的纵坐标增益为1。
所在扇区计算方法为：
(5a)、当ψx＞0,ψy＞0,对应位置可表示为：
(5b)、当ψx＜0,ψy＞0,对应位置可表示为：
(5c)、当ψx＜0,ψy＜0,对应位置可表示为：
(5d)、当ψx＞0,ψy＜0,对应位置可表示为：
其中，(ψx,ψy)为网络中的节点坐标，θ为角度参数，其计算方式为其中分别代表圆环递增半径与节点初始通信半径R以及网络密度的相关系数，这里rc代表网络最大圆环半径大小，其中，R代表节点的初始通信半径，N代表网络总节点个数，rτ代表圆环的均匀递增半径。
所在扇区环位置号ξi的计算方法为：其中节点距离监测网络区域中心点的欧式距离
上述步骤(2)的具体步骤为：
(7a)、确定检测范围：将密度均匀的有毒气体的监测转变为对其边界的监测过程，以此节省一定的监测开销；
(7b)、节点提前建立好自身的邻居信息表，表中记录有节点对应的所有一跳邻居节点的信息，信息内容主要是节点的监测状态、节点的ID以及节点的地理位置，该信息表会依据监测周期进行更新；
(7c)、依据步骤(7b)所建立的邻居信息表以及节点自身的监测状态，确定节点为边界感知节点或边界未感知节点，所述边界未感知节点表示距离有毒气体边界在通信半径范围内的未被目标覆盖的节点，所述边界感知节点表示距离有毒气体边界在通信半径内的被目标覆盖的节点；
这里规定若节点感知标记“pm＝1”，代表节点可监测到目标出现，若“pm＝0”，代表节点无法监测到目标出现，则若某一节点“pm＝1”，且其邻居中存在“pm＝0”的节点，则该节点为边界感知节点，同理，若某一节点当前“pm＝0”，且其一跳邻居中存在“pm＝1”的节点，则该节点被认定为边界未感知节点；
(7d)、假设气体为扩散状态，依据步骤(7c)所确定的边界未感知节点，利用边界未感知节点自身的地理位置坐标，通过相邻边界未感知节点坐标连线来确定出气体边界，假设气体为收缩状态，依据步骤(7c)所确定的边界感知节点，利用边界感知节点自身的地理位置坐标，通过相邻边界感知节点的坐标连线，确定出气体边界。
该处需要申明介绍的是，此处的边界节点存在两种情形：
情形1.当某一节点的状态标记“pm＝1”，并且此时其所有一跳邻居节点中存在“pm＝0”的节点，则认定该节点为气体边界处的感知节点，此时若气体目标处于收缩状态，则利用该类节点的地理位置坐标构建气体的边界；
情形2.当某一节点的状态标记“pm＝0”，并且此时其所有一跳邻居节点中存在“pm＝1”的节点，则认定该节点为气体边界处的未感知节点，此时若气体目标处于发散状态，则利用该类节点的地理位置坐标构建出当前气体的边界；
步骤(3)中利用边界未感知节点构建三角形，围绕气体边界逆时针方向筛选出一些剩余能量较高且距离气体边界较近的节点作为代表节点的方法为：
(8a)、利用步骤(2)确定的边界感知节点与边界未感知节点，依据选出的边界节点的剩余能量以及距离网络中心的欧式距离，进行筛选，优选出部分剩余能量高、距离网络中心距离近且靠近于气体边界线的节点作为代表节点RBN；
代表节点选择过程的判定依据为两点：一是该节点在当前采样周期内具有较高的剩余能量，以平衡网络能耗；二是该节点距离有毒气体边界的距离较近，以提高监测的精确性；
(8b)、具体分为初始RBN、中间多个RBN以及最后一个RBN的顺序，依据确定好的逆时针方位编号，围绕气体的边界线，进行全局的代表节点选择，从全局角度进行筛选，信息传递量较少；
(8c)、以三个编号不同、所在扇区不同的边界未节点进行虚拟三角形的构建，采用三角形中是否包含感知节点的方式确定出距离目标边界线较近的边界节点成为代表节点；
(8d)、任一虚拟三角形的初始顶点均为代表节点，其余两顶点为以该初始顶点为起点，依次最相邻逆时针角度位置的节点；
监测信息的汇聚与上传的具体步骤：
(9a)、结合边界节点的剩余能量进行初始代表边界节点的筛选，首先，依据已经确定的边界带中的每个边界未感知节点自身的剩余能量Eresidual与目标采样周期nT给所有边界未感知节点设定一个倒计时器，倒计时器的设置时间其中Eresidual代表节点的剩余能量，nT代表采样周期，k为固定值的系数；
(9b)、利用虚拟三角形的构建策略及代表边界节点的判定规则进行围绕全局目标的中间多个代表边界节点的筛选，依据步骤1确定的初始代表边界节点开始，假设存在三个不同ID号的传感器节点x、y、z，其对应角度区域分别为αxθ、αyθ与αzθ，对应的地理位置坐标分别为(Xx,Xy),(Yx,Yy),(Zx,Zy)，一感知节点ψ的地理位置坐标为(ψx,ψy)，由节点x、y、z构成的三角形三条边对应的坐标公式分别为yz:fx(x,y)＝0，xz:fy(x,y)＝0，xy:fz(x,y)＝0。
以yz边为例，封闭虚拟三角形内部节点必须要满足必要条件：ψ点与x点在边yz同侧，即对于点ψ(ψx,ψy)必须满足fx(ψx,ψy)*fx(Xx,Xy)＞0，同理可推知结论：网络中三角形囊括区域坐标(ψx,ψy)应满足的条件为:
(9c)、在全局精选确定完毕阶段进行最后一个代表边界节点的识别，识别依据该代表边界节点构建三角形过程中期逆时针位置的边界节点是否已被判定为代表边界节点，若已被判定，则代表已经实现围绕全局目标的代表边界节点筛选；
(9d)、利用筛选出的代表边界节点汇聚其可通信范围内的所有边界节点的信息，并依据贪婪路由中最近路径的传输方法将数据传递给信息汇聚中心。
实施例：
如图1所示，将用于监测有毒气体的网络区域进行小型扇区的划分，WSNs监测区域随机部署有N个静态且同构的传感器节点，网络中心部署着一个静态基站BS(作为网关)。网络分为四大分区及许多扇区，划分规则依据角度参数θ、网络节点总数N、网络大小及圆环递增半径等决定。
如图2所示，将圆形网络均匀分割(环状、扇状)，图中虚线将网络分割为4个大区，如图中II、III所示，然后对每个大区继续分割，形成数个扇形区域，同时依据节点通信半径与圆环递增半径将扇形区划分为数个切片区域，最终形成数个小型区域，以下统称为扇区。如图中2所示，M、N、R与H分别代表不同的扇区，其中R、H代表同角度扇区，每个扇区存在内部节点(感知与未感知)，圆环递增半径大小具体将依据网络中节点密度、通信半径进行确定，如式表示：其中分别代表圆环递增半径与节点初始通信半径R以及网络密度的相关系数，这里rc代表网络最大圆环半径大小。
如图2所示，以圆形区域的圆心作为环扩张起点位置进行均匀递增，环内到环外递增过程每间隔一个递增半径rτ，则对于区域号的纵坐标增益为1，例如图2中(3,2)、(3,3)、(3,4)，随扩张环半径均匀递增，纵坐标等差增益。
如图3所示，S代表监测网络区域，六边形边界及其内部代表连续目标覆盖区域，本发明中椭圆虚线内所示区域即为边界点所在区域，简称为边界带。在本发明的扇区网络模型基础上，结合节点自身的感知信息以及其邻居节点所传递的交互信息协同分析，最终确定出边界带。并且本发明对边界带中的边界节点进行了进一步细分：边界感知节点与边界未感知节点。首先，算法默认节点状态感知标记PM＝0代表节点当前尚未感知到目标,PM＝1代表节点当前能够感知到目标。
如图4所示，VTOE算法中考虑到节点的剩余能量、节点间的通信距离等因素，首先，结合边界节点的剩余能量进行初始RBN的筛选；其后，利用虚拟三角形的构建策略及RBN的判定规则进行围绕全局目标的中间多个RBN的筛选；最后，在全局精选确定完毕阶段进行最后一个RBN的识别，从而实现围绕全局目标的RBN筛选。
如图5所示，以初始RBN作为起点，依据边界未感知节点自身设置的逆时针角度编号，从初始RBN逆时针方位开始构建虚拟三角形。构建过程的关键要点为：均是以RBN作为每一个虚拟三角形的初始顶点(按逆时针方向，所在区域角度越小的RBN作为初始顶点)。如图5所示，以代表节点A开始作为虚拟三角形的初始顶点，逆时针方向上寻找不同扇区中与其临近角度编号的边界未感知节点，例如图5中的参与节点C(作为三角形的第二个顶点)，然后从节点C出发逆时针角度连接到不同扇区编号的边界未感知节点，例如图5中待选节点B(作为第三个顶点)，则构建完成由代表节点、参与节点和候选代表边界节点三节点所组成的虚拟三角形。
Claims (8)
1.一种无线传感器网络中基于扇区模型的有毒气体监测方法，其特征在于，包括以下三个阶段：
(1)、扇区网络模型的划分和设定阶段：将用于监测气体的无线传感器网络以经纬度的方式切分为数个小型扇区，扇区中节点以角度和距网络中心的距离进行逆时针编号；
(2)、有毒气体的边界识别阶段：依据无线传感器网络节点自身的感知状态和一跳邻居节点的感知状态确定出边界感知节点与边界未感知节点；
(3)、有毒气体监测信息的汇聚与上传阶段：利用边界未感知节点构建三角形，围绕气体边界逆时针方向筛选出一些剩余能量较高且距离气体边界较近的节点作为代表节点，进行监测信息的汇聚与上传。
2.根据权利要求1所述的一种无线传感器网络中基于扇区模型的有毒气体监测方法，其特征在于，所述步骤(1)中扇区网络模型设定阶段的具体步骤为：
(2a)、将用于监测的无线传感器网络区域依据环状和扇状进行均匀分割，首先将圆形状的无线传感器网络分割为类似于坐标象限的4个大区，然后依据节点通信半径及角度参数θ将大区划分为数个小型区域，统称扇区；
(2b)、在步骤(2a)的基础之上，对角度参数θ进行设置，依据节点通信半径、网络节点密度、圆形网络大小以及分割过程圆环的固定递增半径；
(2c)、在步骤(2b)的基础之上，对不同扇区进行编号，其编号规则依据节点的ID号、节点自身所在扇区的环号及节点所在扇区的角度。
3.根据权利要求1所述的一种无线传感器网络中基于扇区模型的有毒气体监测方法，其特征在于，所述步骤(1)中扇区节点以角度和距网络中心的距离进行逆时针编号的方法为：
(3a)、利用不同节点的ID号、节点自身所在扇区的环号、节点所在的扇形角度区域的角度αθ，即每个节点对应编号类似于坐标((ID)i,所在扇区角度位置号θi,所在扇区环位置号ξi)；
(3b)、初始位置设定从水平方位开始以逆时针方向进行旋转，水平角度值默认设置为0°，逆时针方位其余角度依次分别为θ、2θ.....2π；
(3c)、以圆形区域的圆心作为环扩张起点位置进行均匀递增，环内到环外递增过程每间隔一个递增半径rτ，则对于区域号的纵坐标增益为1。
4.根据权利要求3所述的一种无线传感器网络中基于扇区模型的有毒气体监测方法，其特征在于，所述步骤(3a)中角度位置号θi计算方法为：
(5a)、当ψx＞0,ψy＞0,对应位置表示为：
(5b)、当ψx＜0,ψy＞0,对应位置表示为：
(5c)、当ψx＜0,ψy＜0,对应位置表示为：
(5d)、当ψx＞0,ψy＜0,对应位置表示为：
其中，(ψx,ψy)为网络中的节点坐标，θ为角度参数，其计算方式为其中分别代表圆环递增半径与节点初始通信半径R以及网络密度的相关系数，这里rc代表网络最大圆环半径大小，其中，R代表节点的初始通信半径，N代表网络总节点个数，rτ代表圆环的均匀递增半径。
5.根据权利要求4所述的一种无线传感器网络中基于扇区模型的有毒气体监测方法，其特征在于，所述步骤(3a)中所在扇区环位置号ξi的计算方法为：
其中节点距离监测网络区域中心点的欧式距离
6.根据权利要求1所述的一种无线传感器网络中基于扇区模型的有毒气体监测方法，其特征在于，所述步骤(2)中有毒气体的边界识别阶段具体步骤为：
(6a)、确定检测范围：
将密度均匀的有毒气体的监测转变为对其边界的监测过程；
(6b)、节点提前建立好自身的邻居信息表，表中记录有节点对应的所有一跳邻居节点的信息，信息内容是节点的监测状态、节点的ID以及节点的地理位置，所述邻居信息表依据监测周期进行更新；
(6c)、依据步骤(6b)所建立的邻居信息表以及节点自身的监测状态，确定节点为边界感知节点或边界未感知节点，所述边界未感知节点表示距离有毒气体边界在通信半径范围内的未被目标覆盖的节点，所述边界感知节点表示距离有毒气体边界在通信半径内的被目标覆盖的节点；
(6d)、气体为扩散状态，依据步骤(6c)所确定的边界未感知节点，利用边界未感知节点自身的地理位置坐标，通过相邻边界未感知节点坐标连线来确定出气体边界；
气体为收缩状态，依据步骤(6c)所确定的边界感知节点，利用边界感知节点自身的地理位置坐标，通过相邻边界感知节点的坐标连线，确定出气体边界。
7.根据权利要求1所述的一种无线传感器网络中基于扇区模型的有毒气体监测方法，其特征在于，所述步骤(3)中利用边界未感知节点构建三角形，围绕气体边界逆时针方向筛选出一些剩余能量较高且距离气体边界较近的节点作为代表节点的方法为：
(7a)、利用步骤(2)确定的边界感知节点与边界未感知节点，依据选出的边界节点的剩余能量以及距离网络中心的欧式距离，进行筛选，优选出部分剩余能量高、距离网络中心距离近且靠近于气体边界线的节点作为代表节点RBN；
代表节点选择过程的判定依据为两点：一是该节点在当前采样周期内具有较高的剩余能量，以平衡网络能耗；二是该节点距离气体边界的距离较近，以提高监测的精确性；
(7b)、具体分为初始RBN、中间多个RBN以及最后一个RBN的顺序，依据确定好的逆时针方位编号，围绕气体的边界线，进行全局的代表节点选择，从全局角度进行筛选，信息传递量较少；
(7c)、以三个编号不同、所在扇区不同的边界未节点进行虚拟三角形的构建，采用三角形中是否包含感知节点的方式确定出距离目标边界线较近的边界节点成为代表节点；
(7d)、任一虚拟三角形的初始顶点均为代表节点，其余两顶点为以该初始顶点为起点，依次最相邻逆时针角度位置的节点。
8.根据权利要求1所述的一种无线传感器网络中基于扇区模型的有毒气体监测方法，其特征在于，所述步骤(3)中监测信息汇聚与上传的具体步骤为：
(8a)、结合边界节点的剩余能量进行初始代表边界节点的筛选，首先，依据已经确定的边界带中的每个边界未感知节点自身的剩余能量Eresidual与目标采样周期nT给所有边界未感知节点设定一个倒计时器，倒计时器的设置时间其中Eresidual代表节点的剩余能量，nT代表采样周期，k为固定值的系数；
(8b)、利用虚拟三角形的构建策略及代表边界节点的判定规则进行围绕全局目标的中间多个代表边界节点的筛选，从步骤(8a)确定的初始代表边界节点开始，设定存在三个不同ID号的传感器节点x、y、z，其对应角度区域分别为αxθ、αyθ与αzθ，对应的地理位置坐标分别为(Xx,Xy),(Yx,Yy),(Zx,Zy)，一感知节点ψ的地理位置坐标为(ψx,ψy)，由节点x、y、z构成的三角形三条边对应的坐标公式分别为yz:fx(x,y)＝0，xz:fy(x,y)＝0，xy:fz(x,y)＝0；
(8c)、在全局精选确定完毕阶段进行最后一个代表边界节点的识别，识别依据该代表边界节点构建三角形过程中期逆时针位置的边界节点是否已被判定为代表边界节点，若已被判定，则代表已经实现围绕全局目标的代表边界节点筛选；
(8d)、利用筛选出的代表边界节点汇聚其可通信范围内的所有边界节点的信息，并依据贪婪路由中最近路径的传输方法将数据传递给信息汇聚中心。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710338333.9A CN107182032B (zh) | 2017-05-15 | 2017-05-15 | 无线传感器网络中基于扇区模型的有毒气体监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710338333.9A CN107182032B (zh) | 2017-05-15 | 2017-05-15 | 无线传感器网络中基于扇区模型的有毒气体监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107182032A true CN107182032A (zh) | 2017-09-19 |
| CN107182032B CN107182032B (zh) | 2020-11-10 |
Family
ID=59831772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710338333.9A Expired - Fee Related CN107182032B (zh) | 2017-05-15 | 2017-05-15 | 无线传感器网络中基于扇区模型的有毒气体监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107182032B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111148049A (zh) * | 2019-12-31 | 2020-05-12 | 上海钧正网络科技有限公司 | 车辆位置上报方法、装置、计算机设备和存储介质 |
| CN111260872A (zh) * | 2020-01-18 | 2020-06-09 | 浙江捷创智能技术有限公司 | 一种基于邻接烟感传感器的火灾报警方法 |
| CN111970715A (zh) * | 2020-07-16 | 2020-11-20 | 河海大学常州校区 | 水声传感网中基于虚拟骨干节点连接的流体边界提取方法 |
| CN112684123A (zh) * | 2021-01-28 | 2021-04-20 | 山西云时代太钢信息自动化技术有限公司 | 一种工厂级空气质量污染源网络推演方法 |
| CN113179136A (zh) * | 2021-04-23 | 2021-07-27 | 河海大学 | 一种水声传感网中基于虚拟节点游走的流体边界追踪方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120318041A1 (en) * | 2011-06-16 | 2012-12-20 | Honeywell International Inc. | Method and apparatus for measuring gas concentrations |
| CN104219704A (zh) * | 2014-09-24 | 2014-12-17 | 河海大学常州校区 | 无线传感器网络中基于双层网格模型的有毒气体监测与追踪方法 |
| CN104253867A (zh) * | 2014-09-24 | 2014-12-31 | 河海大学常州校区 | 无线传感器网络中基于呼吸机制的有毒气体监测与追踪方法 |
| CN105554835A (zh) * | 2015-12-09 | 2016-05-04 | 河海大学常州校区 | 无线传感器网络中基于虚拟节点游走的有毒气体追踪方法 |
-
2017
- 2017-05-15 CN CN201710338333.9A patent/CN107182032B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120318041A1 (en) * | 2011-06-16 | 2012-12-20 | Honeywell International Inc. | Method and apparatus for measuring gas concentrations |
| CN104219704A (zh) * | 2014-09-24 | 2014-12-17 | 河海大学常州校区 | 无线传感器网络中基于双层网格模型的有毒气体监测与追踪方法 |
| CN104253867A (zh) * | 2014-09-24 | 2014-12-31 | 河海大学常州校区 | 无线传感器网络中基于呼吸机制的有毒气体监测与追踪方法 |
| CN105554835A (zh) * | 2015-12-09 | 2016-05-04 | 河海大学常州校区 | 无线传感器网络中基于虚拟节点游走的有毒气体追踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| WANG-RONG CHANG ET.AL: "A Continuous Object Detection and Tracking Algorithm for Wireless Ad Hoc Sensor Networks", 《CONSUMER COMMUNICATIONS AND NETWORKING CONFERENCE, 2008》 * |
| 秦智超等: "利用粒子群优化的WSN环状簇路由协议", 《北京邮电大学学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111148049A (zh) * | 2019-12-31 | 2020-05-12 | 上海钧正网络科技有限公司 | 车辆位置上报方法、装置、计算机设备和存储介质 |
| CN111260872A (zh) * | 2020-01-18 | 2020-06-09 | 浙江捷创智能技术有限公司 | 一种基于邻接烟感传感器的火灾报警方法 |
| CN111260872B (zh) * | 2020-01-18 | 2022-03-15 | 浙江捷创智能技术有限公司 | 一种基于邻接烟感传感器的火灾报警方法 |
| CN111970715A (zh) * | 2020-07-16 | 2020-11-20 | 河海大学常州校区 | 水声传感网中基于虚拟骨干节点连接的流体边界提取方法 |
| CN112684123A (zh) * | 2021-01-28 | 2021-04-20 | 山西云时代太钢信息自动化技术有限公司 | 一种工厂级空气质量污染源网络推演方法 |
| CN113179136A (zh) * | 2021-04-23 | 2021-07-27 | 河海大学 | 一种水声传感网中基于虚拟节点游走的流体边界追踪方法 |
| CN113179136B (zh) * | 2021-04-23 | 2023-11-28 | 河海大学 | 一种水声传感网中基于虚拟节点游走的流体边界追踪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107182032B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107182032A (zh) | 无线传感器网络中基于扇区模型的有毒气体监测方法 | |
| Younis et al. | Strategies and techniques for node placement in wireless sensor networks: A survey | |
| Younis et al. | Topology management techniques for tolerating node failures in wireless sensor networks: A survey | |
| Al-Turjman et al. | Towards prolonged lifetime for deployed WSNs in outdoor environment monitoring | |
| Rani et al. | Multi-hop routing in wireless sensor networks: an overview, taxonomy, and research challenges | |
| CN105704732B (zh) | 面向双层结构无线传感器网络的中继节点鲁棒覆盖方法 | |
| Dou et al. | Optimizing sensor network coverage and regional connectivity in industrial IoT systems | |
| CN104219704B (zh) | 无线传感器网络中基于双层网格模型的有毒气体监测与追踪方法 | |
| CN105813017A (zh) | 用于使用地理定位和网络建模进行动态网络优化的技术 | |
| Weng et al. | On-supporting energy balanced $ k $-barrier coverage in wireless sensor networks | |
| Jiang et al. | Data-driven cell zooming for large-scale mobile networks | |
| Jardosh et al. | A survey: Topology control for wireless sensor networks | |
| Kumar et al. | ELACCA: Efficient learning automata based cell clustering algorithm for wireless sensor networks | |
| Kulandaivel et al. | Intelligent data delivery approach for smart cities using road side units | |
| CN102413471B (zh) | 一种基于链路稳定性估算的无线栅格传感器网络组网方法 | |
| Chowdhuri et al. | Node position estimation based on optimal clustering and detection of coverage hole in wireless sensor networks using hybrid deep reinforcement learning | |
| CN103298005B (zh) | 基于粒子群算法的无线传感网多目标跟踪节点任务分配方法 | |
| Jadoon et al. | An efficient nodes failure recovery management algorithm for mobile sensor networks | |
| Wang et al. | Rush Hour Capacity Enhancement in 5G Network Based on Hot Spot Floating Prediction | |
| Grari et al. | An Optimal Approach for Deployment Sensors in WSN. | |
| CN107155175A (zh) | 无线传感器网络中基于虚拟节点的有毒气体监测方法 | |
| Pendharkar et al. | Virtual coordinate systems and coordinate-based operations for IoT | |
| Hashish et al. | An adaptive rendezvous data dissemination for irregular sensor networks with multiple sinks | |
| Chen et al. | A weight factors localization algorithm in fog-supported wireless sensor networks | |
| Dhiman et al. | Performance analysis of multi-hop routing protocol with optimized grid-based clustering for wireless sensor network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201110 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |