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 PDFInfo
- 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
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
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:
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:
(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:
(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:
(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:
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:
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:
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:
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:
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:
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:
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:
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。
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。
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)
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)
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 |
-
2017
- 2017-11-20 CN CN201711155480.9A patent/CN107919918B/zh active Active
Patent Citations (7)
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)
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 |