CN107919918B - 一种移动节点辅助水下物联网数据可靠采集方法 - Google Patents

一种移动节点辅助水下物联网数据可靠采集方法 Download PDF

Info

Publication number
CN107919918B
CN107919918B CN201711155480.9A CN201711155480A CN107919918B CN 107919918 B CN107919918 B CN 107919918B CN 201711155480 A CN201711155480 A CN 201711155480A CN 107919918 B CN107919918 B CN 107919918B
Authority
CN
China
Prior art keywords
data
node
auv
prediction
nodes
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.)
Active
Application number
CN201711155480.9A
Other languages
English (en)
Other versions
CN107919918A (zh
Inventor
陈秋丽
何明
郑翔
祝朝政
吴春晓
陈希亮
刘斌
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.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
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 Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN201711155480.9A priority Critical patent/CN107919918B/zh
Publication of CN107919918A publication Critical patent/CN107919918A/zh
Application granted granted Critical
Publication of CN107919918B publication Critical patent/CN107919918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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
    • 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
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/246—Connectivity information discovery
    • 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

本发明公开了一种移动节点辅助水下物联网数据可靠采集方法。首先，确定移动节点AUV的轮询对象。其次，构建预测模型。将采集到的前N轮数据作为历史数据，基于回归检验预测第N+1轮的数据，并利用N+1轮至2N轮数据的真实值校准预测值，不断学习、优化预测模型。最后，规划AUV的轮询路线。设计簇头存储阈值，根据预测模型对各簇头数据量的预测，确定AUV每一轮的轮询对象，实现数据量收集的最大化，提升网络工作效率。本发明在网络能耗、吞吐量、数据传输效率等方面均有较大优化，尤其当随机出现的目标事件服从线性分布时，有较大的预测优势。

Description

一种移动节点辅助水下物联网数据可靠采集方法
技术领域
本发明属于水下传感器网络数据传输技术领域，特别涉及了一种移动节点辅助水下物联网数据可靠采集方法。
背景技术
对于水下某些复杂任务，既需要有固定节点对目标区域进行实时监测，又需要移动节点对异常状态进行动态捕捉，因此，三维异构动态模型成为当前水下网络运维的主流模型。考虑到移动节点AUV(Autonomous Underwater Vehicle)的成本问题，网络中只有少量AUVs部署，大部分还是普通传感器节点。由于AUV节点功能强，能量大，在数据可靠传输方面具有较好的效用。为此，研究学者们提出了一系列移动节点AUV辅助的水下物联网数据可靠收集算法，仅仅利用AUV节点的移动性对普通节点轮询来收集数据信息。搭建的网络架构可以粗略的分为水平轮询和垂直轮询。
最初，水平轮询架构针对的是底部部署传感器节点的二维网络。AEERP采用单个AUV与底部网关进行数据交互。底部网关节点采用随机选取的方式，并设定能耗阈值进行替换。其他节点利用最短路径树构造法与最近的网关相连，生成网络拓扑结构。AAEERP在AEERP的基础上进行了改进，将AUV节点的停留时间设计与各网关成员节点的数量成正比，消耗更低能量，具有更高的数据收集能力。AEDG对AUV水平轮询的椭圆轨迹进行了讨论，根据水下网关节点的选择区域，讨论了椭圆的半径参数。从而可根据网关的变更优化AUV的轮询轨迹。Jalaja Janardanan从延迟容忍的角度讨论了AUV不同场景下的轮询轨迹，包括，方形轮询、螺旋轮询、椭圆轮询等。有效地建立了网络数据收集框架，可针对不同情况，更灵活地实施不同的服务策略。AURP在水平轮询的基础上首次构建了多个AUV节点轮询架构，设计了椭圆运动轨迹，并采用异构声学通信渠道，根据距离远近设计了三种数据传输方式，相互之间可降低同频干扰。Jawaa提出了层次性的分簇结构，将底部节点分为水下网关节点、路径节点、普通节点三类。水下网关节点为簇头，路径节点为AUV节点轮询路径上将要交互的节点，普通节点作为备选，替换能耗过大的路径节点。TCM算法基于底部动态节点的二维结构，利用粒子群算法进行动态分簇，AUV节点利用水平轮询的方式对动态簇头进行访问交互。该结构比较适合动态的水下环境，但簇头的频繁更改，需要不断通知AUV节点新的簇头ID，增加了网络能耗。
三维环境中，水平架构只能通过分层，每层部署AUV移动节点轮询，实现数据的可靠收集与转发。为此，垂直轮询架构被提出。LVRP算法针对三维动态水下环境，利用节点之间构成的Voronoi进行范围划分和网关选择，结合AUV垂直轮询，能够有效提高网络性能。RE-AEDG算法对水平轮询和垂直轮询进行了对比分析，并将两者结合起来。将随机部署的水下节点分为五层，第二层与第四层的节点均为网关节点，同层节点互不通信，第一，三，五层的节点根据距离选择最近的网关交付数据，AUV垂直椭圆轮询二、四层，实现数据可靠收集。
综上所述，现有的轮询方法主要存在以下几点问题：(1)现有的轮询架构大多都是基于传感器节点二维平面部署，针对三维空间轮询的方法较少且漏洞较大，不适合大规模推广。(2)AUV节点的轮询轨迹固定。即使有文献重点讨论了不同轮询轨迹的优劣，所采用的各类轨迹在网络生命周期内都是固定不变的。固定的轨迹不能很好的适应水下网络动态演化性，难以在交互节点更替后保证数据通信的可靠性，无法保障各个时刻数据收集的高效性。(3)没有考虑目标事件出现的随机性。现有的轮询架构考虑对全网数据的收集，大部分的水域所部署的网络都是有针对性的。为了延长网络寿命，降低节点能耗，应重点对目标事件的监测数据进行收集，泛泛的收集全网信息，不仅增强了节点轮询能耗，也使得后续数据的处理更为复杂。(4)没有考虑AUV的能耗问题。大部分的文章均假设AUV节点能量无限大，不考虑其在网络中的能量消耗问题。所设计的相关算法大部分都是牺牲AUV的能耗来换取普通传感器节点的寿命。虽然AUV能量相较于普通传感器节点来说为其好几个数量级，但仍有能量限制，将其能量假设为无限大是不符合实际情况的。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供一种移动节点辅助水下物联网数据可靠采集方法，优化网络能耗、吞吐量、数据传输效率等方面。
为了实现上述技术目的，本发明的技术方案为：
基于在线预测的移动节点辅助水下物联网数据可靠采集方法，包括以下步骤：
(1)建立水下通信网络，包括移动节点AUV、交互节点和普通节点；普通节点负责对网络中的目标事件进行监测，并将感知数据传递给相应的交互节点，移动节点AUV负责轮询网络中交互节点收集的数据，并定期上传给网关；
(2)采用在线预测模型对各交互节点未来连续两个T时间段数据包产生量进行估计，判断其是否超过节点存储阈值CN；
(3)若预测出交互节点si未来连续两个T时间段数据包之和超过其存储阈值，则说明此次移动节点AUV必须轮询该节点，将节点si纳入路径规划中；若预测出交互节点si未来连续两个T时间段数据包之和未超过其存储阈值，则说明此次不需要轮询该节点，路径规划时不考虑该节点；
(4)统计此次轮询需要经过的所有交互节点，根据各交互节点位置，进行直线连接，确定最短轮询路线；
(5)遍历选择的交互节点后，利用收集到的新一轮的数据继续对在线预测模型进行校准。
进一步地，在步骤(1)中，对网络中的节点进行分簇，每个簇的簇头节点作为交互节点，其余簇成员节点作为普通节点，各簇成员节点将感知数据传递给自身所属簇的簇头节点。
进一步地，在步骤(2)中，设定移动节点AUV每轮询一次的间隔为T＝tc+tt+tw，每隔T时间，簇头节点标记一次数据包，以便上层网关统计其每个T时间段内的数据包产生量；其中，tc表示移动节点AUV移动采集数据的时间，tt表示移动节点AUV向水面网关传递数据的时间，tw表示移动节点AUV传递完数据后，距离下一次轮询前的等待时间。
进一步地，步骤(2)中所述在线预测模型的建立过程如下：
(21)预测模型需要用到交互节点感知的历史数据，移动节点AUV在前N个时间段进行全网遍历轮询，利用滑动窗口进行历史数据的选择，滑动窗口大小设置为N，即利用1到N个时间段的历史数据生成在线预测模型，再滑动N次，利用N+1到2N个时间段的数据进行模型修正，从而确定预测模型；
(22)对于某交互节点si，前N个时间段内收集到的数据量依次为xi1，xi2，...，xiN，设置预测向量为θ，θ＝(θ1,θ2,...,θN)T，用来调整历史数据中每个时间段内数据量对后期数据预测的影响，则节点si在第N+1个时间段的数据量通过下式预测得到：
Figure BDA0001473985500000041
上式中，X(N)表示xi1，xi2，...，xiN组成的向量；
通过上述步骤得到在线预测模型中估计函数hθ(xj)的通用表达式：
hθ(xj)＝θTX(j-1)
即第j次的数据量xj由前j-1次数据量X(j-1)估计得到；
(23)由于初始预测向量θ随机生成，采用梯度下降模型对预测向量进行校准；
(24)当j等于N+1至2N时，对hθ(xj)分别进行N次校验，更新预测向量θ，以获得有效的预测值。
进一步地，步骤(23)的具体过程如下：
(231)计算预测误差Δ：
Figure BDA0001473985500000051
(232)根据预测误差Δ建立误差函数Jj(θ)，用来描述估计函数hθ(xj)的优劣：
Figure BDA0001473985500000052
(233)求解minJj(θ)，使得误差函数的值最小，寻找误差函数梯度下降最快的位置，即对其求偏导：
Figure BDA0001473985500000053
(234)对预测向量θ进行更新，该向量会向着梯度最小的方向进行减少，更新后的预测向量θ′用下式表示：
Figure BDA0001473985500000054
上式中，α为步长，即每次按照梯度减少的方向变化量。
进一步地，如果交互节点si已连续两次预测后未被纳入路径规划中，则第三次直接遍历该节点，无需再对其进行预测。
采用上述技术方案带来的有益效果：
由于水下目标事件的出现具有一定的随机性，服从不同的概率分布，水下各个位置的传感器节点所感知到的数据并不相同，本发明对各交互节点感知的数据进行在线预测，将交互节点之间的最短直线距离作为移动节点AUV数据采集轨迹，实现轮询轨迹的最短化，使得移动节点AUV在保障尽可能多的采集到数据的情况下，减少运动能耗。
本发明在网络能耗、吞吐量、数据传输效率等方面均有较大优化，尤其当随机出现的目标事件服从线性分布时，有较大的预测优势。
附图说明
图1为本发明移动节点AUV辅助采集数据模型示意图；
图2为本发明的方法流程图；
图3为本发明预测模型中的滑动窗口(N＝5)示例图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
如图1所示，面向三维空间下随机目标事件的感知数据采集需求，在考虑移动节点AUV能耗的前提下，通过增加水面网关、基站对簇头节点感知数据量的在线预测，确定需要轮询的簇头节点，即交互节点，将交互节点之间的最短直线距离作为移动节点AUV数据采集轨迹，实现轮询轨迹的最短化。使得移动节点AUV在保障尽可能多的采集到数据的情况下，减少运动能耗。
网络中各节点功能定义如下：
交互节点：对网络中的节点进行分簇，簇头节点作为交互节点，主要负责收集簇内其它节点的感知数据，交付给AUV节点。
普通节点：负责对网络中的目标事件进行监测，并将感知数据传递给自身所属簇的簇头交互节点。
移动节点AUV：负责轮询网络中的交互节点收集数据，并定期传递给网关节点。
如图2所示，本发明包括以下步骤：
步骤A：设定AUV每轮询一次的间隔为时间T，T＝tc+tt+tw。其中，tc表示AUV移动采集数据的时间，tt表示AUV向水面网关传递数据的时间，tw表示AUV传递完数据后，距离下一次轮询前的等待时间。每隔T时间，簇头节点标记一次数据包，方便上层网关统计其每个T时间段内的数据包产生量。采用在线预测模型对各交互节点未来连续两个T时间段数据包产生量进行估计，判断是否超过节点存储阈值CN。
步骤A-1，预测模型需要用到簇头节点感知的历史数据，故移动节点AUV前N次进行全网遍历轮询。利用滑动窗口进行历史数据的选择，滑动窗口大小为N，在本实施例中，设置N＝5，如图3所示，即利用1到5个时间段的历史数据生成预测模型，再滑动5次，利用6到10个时间段的数据进行模型修正，从而确定预测模型。
步骤A-2，对于si节点来说，前5个时间间隔内收集到的数据包数量分别为：xi1，xi2，...，xi5。预测向量为θ，θ＝(θ1,θ2,...,θ5)T，用来调整历史数据中每个分量对后期数据预测的影响力，则si在第6个时间段的数据量可通过下列公式预测得到：
Figure BDA0001473985500000071
可以得到预测模型中的估计函数的通用表达式：hθ(xj)＝θTX(j-1)。即第j次的数据量可由前j-1数据量的估计得到。
步骤A-3，由于初始预测向量θ随机生成，为了使后期预测更加准确，采用梯度下降模型对预测变量进行校准。
步骤A-3-1，以第6个时间段收集到的数据包为例，AUV在第6个时间段轮询收集到si节点的实际数据包为xi6，估计函数值为hθ(x6)，则预测误差为：
Figure BDA0001473985500000081
步骤A-3-2，采用误差函数Jj(θ)用来描述估计函数hθ(xj)的优劣，误差函数的表达式为：
Figure BDA0001473985500000082
步骤A-3-3，求解minJj(θ)，使得误差函数的值最小。寻找该函数梯度下降最快的位置，即对其求偏导，可表示为：
Figure BDA0001473985500000083
步骤A-3-4，对预测向量θ进行更新，该向量会向着梯度最小的方向进行减少。更新后的θ′可用下式表示：
Figure BDA0001473985500000084
其中，α表示步长，也就是每次按照梯度减少的方向变化多少。由于梯度是有方向的，对于一个向量θ，每一个分量都可以求出一个梯度方向，这样就可以找到一个整体的方向，在变化的时候，函数朝着下降最多的方向进行变化就可以达到一个最小点，即确保误差最小。可以用更简单的数学语言进行描述，即：
Figure BDA0001473985500000085
Figure BDA0001473985500000086
其中，
Figure BDA0001473985500000087
表示梯度。
步骤A-4，当j等于6至10时，可对hθ(xj)分别进行5次校验，更新预测向量θ，以获得较为有效的预测值。用以对后期交互节点可能产生的数据包进行预测，从而获得最短直线AUV的轮询轨迹，实现数据收集效率的最大化，运动能耗最小化。
步骤B：若预测出交互节点si未来连续两个T时间段数据包的和超过其存储阈值，则说明此次AUV必须轮询节点si，否则将造成丢包。将节点si纳入路径规划的考虑中。若预测出交互节点si未来连续两个T时间段数据包的和没有超过其存储阈值，则说明此次不需要轮询该节点，路径规划时不考虑该节点。如果交互节点si已连续两次预测后未被纳入路径规划中，则第三次直接遍历该节点，无需再对其进行预测。
步骤C：统计此次轮询需要经过的节点，根据各节点位置，进行直线连接，确定最短轮询路线。
步骤D：遍历选择的节点后，利用收集到的新一轮的数据继续对估计函数进行校准。
步骤E：如果节点si已有两次预测后未被纳入路径规划中，则第三次直接遍历该节点，无需再对其进行预测。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，包括以下步骤：
(1)建立水下通信网络，包括移动节点AUV、交互节点和普通节点；普通节点负责对网络中的目标事件进行监测，并将感知数据传递给相应的交互节点，移动节点AUV负责轮询网络中交互节点收集的数据，并定期上传给网关；
(2)采用在线预测模型对各交互节点未来连续两个T时间段数据包产生量进行估计，判断其是否超过节点存储阈值CN；
(3)若预测出交互节点si未来连续两个T时间段数据包之和超过其存储阈值，则说明此次移动节点AUV必须轮询该节点，将节点si纳入路径规划中；若预测出交互节点si未来连续两个T时间段数据包之和未超过其存储阈值，则说明此次不需要轮询该节点，路径规划时不考虑该节点；
(4)统计此次轮询需要经过的所有交互节点，根据各交互节点位置，进行直线连接，确定最短轮询路线；
(5)遍历选择的交互节点后，利用收集到的新一轮的数据继续对在线预测模型进行校准。
2.根据权利要求1所述基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，在步骤(1)中，对网络中的节点进行分簇，每个簇的簇头节点作为交互节点，其余簇成员节点作为普通节点，各簇成员节点将感知数据传递给自身所属簇的簇头节点。
3.根据权利要求1所述基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，在步骤(2)中，设定移动节点AUV每轮询一次的间隔为T＝tc+tt+tw，每隔T时间，簇头节点标记一次数据包，以便上层网关统计其每个T时间段内的数据包产生量；其中，tc表示移动节点AUV移动采集数据的时间，tt表示移动节点AUV向水面网关传递数据的时间，tw表示移动节点AUV传递完数据后，距离下一次轮询前的等待时间。
4.根据权利要求1所述基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，步骤(2)中所述在线预测模型的建立过程如下：
(21)预测模型需要用到交互节点感知的历史数据，移动节点AUV在前N个时间段进行全网遍历轮询，利用滑动窗口进行历史数据的选择，滑动窗口大小设置为N，即利用1到N个时间段的历史数据生成在线预测模型，再滑动N次，利用N+1到2N个时间段的数据进行模型修正，从而确定预测模型；
(22)对于某交互节点si，前N个时间段内收集到的数据量依次为xi1，xi2，...，xiN，设置预测向量为θ，θ＝(θ1,θ2,...,θN)T，用来调整历史数据中每个时间段内数据量对后期数据预测的影响，则节点si在第N+1个时间段的数据量通过下式预测得到：
Figure FDA0002764696570000021
上式中，X(N)表示xi1，xi2，...，xiN组成的向量；
通过上述步骤得到在线预测模型中估计函数hθ(xj)的通用表达式：
hθ(xj)＝θTX(j-1)
即第j次的数据量xj由前j-1次数据量X(j-1)估计得到；
(23)由于初始预测向量θ随机生成，采用梯度下降模型对预测向量进行校准；
(24)当j∈[N+1,2N]时，对hθ(xj)分别进行N次校验，更新预测向量θ，以获得有效的预测值。
5.根据权利要求4所述基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，步骤(23)的具体过程如下：
(231)计算预测误差Δ：
Figure FDA0002764696570000031
(232)根据预测误差Δ建立误差函数Jj(θ)，用来描述估计函数hθ(xj)的优劣：
Figure FDA0002764696570000032
(233)求解minJj(θ)，使得误差函数的值最小，寻找误差函数梯度下降最快的位置，即对其求偏导：
Figure FDA0002764696570000033
(234)对预测向量θ进行更新，该向量会向着梯度最小的方向进行减少，更新后的预测向量θ′用下式表示：
Figure FDA0002764696570000034
上式中，α为步长，即每次按照梯度减少的方向变化量。
6.根据权利要求1所述基于在线预测的移动节点辅助水下物联网数据可靠采集方法，其特征在于，如果交互节点si已连续两次预测后未被纳入路径规划中，则第三次直接遍历该节点，无需再对其进行预测。
CN201711155480.9A 2017-11-20 2017-11-20 一种移动节点辅助水下物联网数据可靠采集方法 Active CN107919918B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711155480.9A CN107919918B (zh) 2017-11-20 2017-11-20 一种移动节点辅助水下物联网数据可靠采集方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711155480.9A CN107919918B (zh) 2017-11-20 2017-11-20 一种移动节点辅助水下物联网数据可靠采集方法

Publications (2)

Publication Number Publication Date
CN107919918A CN107919918A (zh) 2018-04-17
CN107919918B true CN107919918B (zh) 2021-02-02

Family

ID=61896729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711155480.9A Active CN107919918B (zh) 2017-11-20 2017-11-20 一种移动节点辅助水下物联网数据可靠采集方法

Country Status (1)

Country Link
CN (1) CN107919918B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108683468B (zh) * 2018-04-27 2020-09-22 河海大学常州校区 基于数据预测的水下传感网络中auv移动数据收集算法
CN108882195B (zh) * 2018-06-20 2020-10-23 天津大学 无线传感器网络基于移动目的节点的协作数据收集方法
CN109088674B (zh) * 2018-10-29 2021-07-13 湖北大学 水下组网方法、装置及通信设备
CN109874145B (zh) * 2019-02-20 2022-03-25 浙江树人学院（浙江树人大学） 权衡生存时间和丢包率的三维无线传感网数据收集方法
CN110366126B (zh) * 2019-06-17 2020-08-04 上海交通大学 移动式自组网络中脱离节点等待时间最优决策方法及系统
CN112750292A (zh) * 2020-12-28 2021-05-04 山东理工大学 基于ZigBee的无线分布式多信息融合监测系统
CN113825219B (zh) * 2021-11-10 2022-06-24 慕思健康睡眠股份有限公司 一种人体数据搜集方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5894450A (en) * 1997-04-15 1999-04-13 Massachusetts Institute Of Technology Mobile underwater arrays
US8576665B2 (en) * 2010-06-14 2013-11-05 National Taiwan University Underwater wireless sensor
CN105142239A (zh) * 2015-07-21 2015-12-09 西北大学 基于数据价值动态估计的无线传感网移动sink数据收集方法
CN105203108A (zh) * 2015-10-15 2015-12-30 哈尔滨工程大学 基于动态威胁状态估计和威胁概率评估的auv在线航路规划方法
CN105515680A (zh) * 2016-01-08 2016-04-20 暨南大学 基于蓝光led可见光通信的水下物联网系统
CN106503837A (zh) * 2016-10-11 2017-03-15 哈尔滨工程大学 一种基于改进水平集算法的时间最优航路规划方法
CN107276684A (zh) * 2017-07-19 2017-10-20 河海大学常州校区 水下传感器网络中基于auv位置预测的数据收集方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5894450A (en) * 1997-04-15 1999-04-13 Massachusetts Institute Of Technology Mobile underwater arrays
US8576665B2 (en) * 2010-06-14 2013-11-05 National Taiwan University Underwater wireless sensor
CN105142239A (zh) * 2015-07-21 2015-12-09 西北大学 基于数据价值动态估计的无线传感网移动sink数据收集方法
CN105203108A (zh) * 2015-10-15 2015-12-30 哈尔滨工程大学 基于动态威胁状态估计和威胁概率评估的auv在线航路规划方法
CN105515680A (zh) * 2016-01-08 2016-04-20 暨南大学 基于蓝光led可见光通信的水下物联网系统
CN106503837A (zh) * 2016-10-11 2017-03-15 哈尔滨工程大学 一种基于改进水平集算法的时间最优航路规划方法
CN107276684A (zh) * 2017-07-19 2017-10-20 河海大学常州校区 水下传感器网络中基于auv位置预测的数据收集方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
水下物联网研究;周洋;《舰船电子工程》;中船重工集团第七0九研究所;20170131;第1卷(第1期);1-7 *

Also Published As

Publication number Publication date
CN107919918A (zh) 2018-04-17

Similar Documents

Publication Publication Date Title
CN107919918B (zh) 一种移动节点辅助水下物联网数据可靠采集方法
Huang et al. An AUV-assisted data gathering scheme based on clustering and matrix completion for smart ocean
Cao et al. An overview of recent progress in the study of distributed multi-agent coordination
CN107911242A (zh) 一种基于工业无线网络的认知无线电与边缘计算方法
Norouzi et al. A new clustering protocol for wireless sensor networks using genetic algorithm approach
CN111695776A (zh) 无人机集群分布式在线协同区域侦察方法及装置
Tayeh et al. A spatial-temporal correlation approach for data reduction in cluster-based sensor networks
CN114567598B (zh) 一种基于深度学习和跨域协作的负载均衡方法及装置
CN116545954B (zh) 基于物联网的通信网关数据传输方法及系统
CN109862532B (zh) 轨道交通状态监测多传感器节点布局优化方法及系统
CN108289285B (zh) 一种海洋无线传感器网络丢失数据恢复与重构方法
CN110049528A (zh) 一种传感网中基于信任值效用的移动式可信数据收集方法
Ming et al. Edge-based video surveillance with graph-assisted reinforcement learning in smart construction
Sun et al. CSR-IM: Compressed sensing routing-control-method with intelligent migration-mechanism based on sensing cloud-computing
Tham et al. Active learning for IoT data prioritization in edge nodes over wireless networks
Varun et al. Energy-efficient routing using fuzzy neural network in wireless sensor networks
CN115657600A (zh) Cnn-blrnet热误差预测模型及其迁移学习方法和智能集成框架
CN113115342B (zh) 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统
CN117155845B (zh) 物联网数据交互方法及系统
Jain et al. Data transmission reduction techniques for improving network lifetime in wireless sensor networks: An up‐to‐date survey from 2017 to 2022
CN116614195A (zh) 基于边缘容器的电碳计算智能融合终端及时间同步方法
CN105979564B (zh) 一种发送数据的方法及装置
Abdalkafor et al. The impact of data aggregation strategy on a performance of wireless sensor networks (WSNs)
Li et al. H-BILSTM: a novel bidirectional long short term memory network based intelligent early warning scheme in mobile edge computing (MEC)
Yang et al. BP neural network data fusion algorithm optimized based on adaptive fuzzy particle swarm optimization

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