CN108391232B - 一种基于生物启发的多目标动态监测系统与方法 - Google Patents

一种基于生物启发的多目标动态监测系统与方法 Download PDF

Info

Publication number
CN108391232B
CN108391232B CN201810177758.0A CN201810177758A CN108391232B CN 108391232 B CN108391232 B CN 108391232B CN 201810177758 A CN201810177758 A CN 201810177758A CN 108391232 B CN108391232 B CN 108391232B
Authority
CN
China
Prior art keywords
monitoring
monitoring node
hormone
node
target
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
CN201810177758.0A
Other languages
English (en)
Other versions
CN108391232A (zh
Inventor
华翔
姜冰清
孙一阳
董兆鑫
雷斌
李晓艳
郭锦
谢勤
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.)
Xian Technological University
Original Assignee
Xian Technological 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 Xian Technological University filed Critical Xian Technological University
Priority to CN201810177758.0A priority Critical patent/CN108391232B/zh
Publication of CN108391232A publication Critical patent/CN108391232A/zh
Application granted granted Critical
Publication of CN108391232B publication Critical patent/CN108391232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • H04W4/029—Location-based management or tracking services
    • 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
    • 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
    • H04W52/0261—Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level
    • H04W52/0274—Power saving arrangements in terminal devices managing power supply demand, e.g. depending on battery level by switching on or off the equipment or parts thereof
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Small-Scale Networks (AREA)

Abstract

本发明公开了一种基于生物启发的多目标动态监测系统，包括若干个分布式的监测节点，单个所述监测节点的监测范围半径为Rd，单个所述监测节点的可通信范围半径为Rc，其中满足Rd＞Rc，各相邻监测节点之间相互通信连接；单个所述监测节点包括休眠状态和唤醒状态，单个所述监测节点在唤醒状态下自动收集并跟踪处理范围半径Rd内突然出现的目标动态信息，使系统可以稳定实现对于多个监控目标的实时高精度监测。

Description

一种基于生物启发的多目标动态监测系统与方法
技术领域
本发明属于网络监测领域，尤其涉及一种基于生物启发的多目标动态监测系统与方法。
背景技术
传统的监测技术主要基于数学模型的建立与分析，但是随着监测对象的复杂性与高度非线性以及对监测环境的要求越来越高，传统的监测系统对于监测目标的辨识和建模越来越困难。随着监测技术及科学技术的发展，为了克服常规监测中遇到的监测对象的复杂性与不确定性，智能监测技术便应运而生。区别于传统监测技术，智能监测系统一般具有学习能力和适应能力。可以对一个未知的环境信息进行识别和学习记忆，并且利用累计的记忆不断自行改进开发自身性能。同时智能监测系统一般具备一定的容错率和鲁棒性，可以自行处理一定范围内的错误或冲突，使系统可以稳定实现对于多个监控目标的实时高精度监测。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种能研究解决大规模监测网络的覆盖率、准确率、能耗、反应速度等问题的一种基于生物启发的多目标动态监测系统。
技术方案：为实现上述目的，本发明的一种基于生物启发的多目标动态监测系统包括若干个分布式的监测节点，单个所述监测节点的监测范围半径为Rd，单个所述监测节点的可通信范围半径为Rc，其中满足Rd＞Rc，各相邻监测节点之间相互通信连接；单个所述监测节点包括休眠状态和唤醒状态，单个所述监测节点在唤醒状态下自动收集并跟踪处理范围半径Rd内突然出现的目标动态信息。
进一步的，若干监测节点在稳定状态下的期望唤醒比例预设为P，每个监测节点将P作为自我调控时的参考目标。
进一步的，每个所述监测节点上设置一个激素浓度池，每个激素浓度池里面包含活跃激素池和休眠激素池，两种激素作为监测节点之间信息传递的媒介，分别是活跃激素AHx和休眠激素SHx；设定t时刻Ni监测节点的激素浓度水平表示为Hcx(i,t),监测节点的浓度切换门限表示为Switch-Hcx；监测节点Ni根据下式来判断自己的工作状态：
t时刻监测节点Ni向Nj发送的唤醒激素或休眠激素分别表示为AHx(i,j,t)和SHx(i,j,t)，满足：
对于监测节点Ni，其在t时刻收到的SH和AH对其激素浓度Hc(i,t)的取值按照如下规则变化：
Hc(i,t)＝Hc(i-1,t)+ΔAH+ΔSH
其中AH和SH互相拮抗，即ΔAH＝-ΔSH；
采用基于概率的激素发送方式，监测节点Ni在t时刻发送的SHx和WHx的概率为PSH(i,t)和PWH(i,t)，其中PSH(i,t)和PWH(i,t)满足：PSH(i,t)+PAH(i,t)＝1，PAH(i,t)，PSH(i,t)∈[0，1]
进一步的，唤醒监测节点激素发送概率的调节过程，当环境监测信息输入后，唤醒监测节点首先判断感测范围内是否具有监测目标存在，如果有目标存在，对其进行编号，每个监测节点设定一个目标标识，表示为：
无目标时，监测节点对自己发送SH调节自身激素水平，然后监测节点通过本轮接收到的其他监测节点发送的激素来估计自身管理区域内的监测节点唤醒比例为：
则该监测节点用其与网络整体唤醒期望值P进行比较，得到两者误差：
ε(i,t)＝P′(i,t)-P
同时设定一个概率阈值Δ，当|ε(i,t)|≤Δ时，Ni将WH和SH的概率设定为同一值，维持网络稳定；只有当|ε(i,t)|>Δ时，网元才调整激素发送的概率，若ε大于0，则下一工作循环应提高SH的发送概率，反之提高WH的发送概率；
监测区域有目标时，首先对目标进行编号，编号之后的所有活跃激素和休眠激素都采用与目标同样的编号。编号方式如下：当identifying＝1，令X＝1，若已有X＝1，则令X＝X+1；
监测节点Ni首先对自己发送AHx，同时尽可能的唤醒周边监测节点。为实现这一目标，监测节点Ni将发送概率PAH(i,t)设定为1；确定AHx的发送范围为Rwk＝min(Rc,2Rd)；设定自我管理区域的监测节点唤醒率P′可调节，当监测节点监测到目标后根据自身的AH激素水平对P′进行调节，使得监测节点可以最大限度的唤醒其管理区域内其他网元。在请求处理完毕以后通过1的过程重新回归动态平衡。对于P′的设定可以由下面公式表示：
P′设定为当前激素水平和最高激素水平的比值，这样便形成一个正反馈体系，当周围激活监测节点越多时本监测节点管理区域内监测节点激活率越高，越能更加快速的唤醒其他监测节点；
在所述基础上对每个监测节点的激素浓度进行预处理，设定活跃度的最大值Max_Hc，最小值Min_Hc，则网元活跃度预处理用下面公式表达：
在经过上述过程之后，每个自治监测节点就可以通过前面提到的工作状态判断公式来确定自己的工作状态，监测区域内监测节点的工作状态通过设定活跃激素与休眠激素来实现，监测节点休眠状态与唤醒状态的转换。
进一步的，当监控区域内没有目标出现，监控网络中没有异常情况的时候，系统进入常规监测状态，监测节点间通过相互作用维持网络稳定；监测系统的每一个监测节点都具有自我管理能力，可以合理调节自身工作状态，监控区域内监测节点在没有目标出现以及异常情况时进入休眠状态，系统处于稳定工作状态，整体网络唤醒概率较低，此时监测系统的稳定通过激活监测节点与未激活监测节点相互的激素交换实现；
监测区域在有异常信息或入侵目标出现后，监测系统进入的不同于正常工作状态的情况为应激工作状态，对于多个目标的处理，采用对目标编号的方法，对于不同的目标进行标号同时其监测工作过程中采用对应标号的激素，若出现两个目标T1和T2，激素1和激素2两种激素参与监测节点通信，监测节点A探测到目标T1后，提升自身管理区域的局部唤醒概率到较高的状态，然后对周围阴影监测节点发送活跃激素1进行唤醒，对于监测节点B，在接收到周边监测节点的活跃激素1后，同样提高自身管理区域内的局部唤醒概率，并根据局部唤醒率对周边阴影监测节点发送活跃激素1，监测节点C同理，但是由于距离目标T较远，C监测节点的局部唤醒概率提高程度较少，而距离目标T1最远的D监测节点，处于目标T1的应激工作区域之外，不受激素1的影响，监测节点D在探测到目标T2后，进行与监测节点A同样的工作过程，在经过一轮激素作用后，监测系统可以实现对目标T1与T2的移动路径进行预测，并且提前激活了处于目标路径周围的监测节点，保证了监测网络对于移动目标的跟踪性能以及监测的精确度。当目标移动到其他位置后，通过激素调节关闭多余的监测节点，降低系统能耗。在目标T消失后，监测网络通过激素作用迅速回到原本的正常工作状态；
在监测系统中，出现某个监测节点需要切换监测目标的情况，目标T1首先出现在监测节点A的监测范围内，这时通过监测节点A对目标T1进行编号，并且采用激素1作为与其他监测节点的信息交互方式，当目标T1移动到指定位置后，让监测节点A的监测对象从T1切换到T2；具体实现方式如下：首先，当目标1离开监测节点A的监测范围后，监测节点A的激素水平会通过局部唤醒概率P’与整体唤醒概率P的对比进行调整，监测节点A的激素1水平将会从工作状态的较高水平逐渐降低到休眠状态的正常水平，即监测节点A在目标1离开自身监测范围后会退出对目标1的监测状态，此时如图3c，监测节点A的监测范围内又出现了新的目标T2，此时监测节点A可以作为一个空闲监测节点对目标进行捕捉，并进入对目标2的监测工作状态中。
有益效果：本发明的采用人工智能、分布式网络自组织设计技术、自适应的动态生物驱动系统网络控制方式等，其作用在分布式监测领域，研究解决大规模监测网络的覆盖率、准确率、能耗、反应速度等问题。
附图说明
图1.系统稳定工作状态示意图；
图2.系统应激工作状态示意图；
图3.监控系统目标切换示意图；
图4.监控网络工作流程图；
图5.监测节点模型图；
图6.监测节点间相互作用图；
图7.工作状态判决流程图；
图8.监测节点相互作用工作过程；
图9.监测节点硬件结构图；
图10.智能监测装置图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如附图1至10所示的一种基于生物启发的多目标动态监测系统，包括若干个分布式的监测节点，各相邻监测节点之间相互通信连接；单个所述监测节点包括休眠状态和唤醒状态。
二.系统模型及工作原理
1.系统模型
首先，在每个监测节点上设置一个激素浓度池，里面包含活跃激素池和休眠激素池。每以个监测节点都会自行构建一个监测节点自我管理区域，其中Rc为监测节点的通信半径，Rsd为监测节点对目标的监测半径，其中满足Rd＞Rc。监测节点的工作周期T可以分为决定其工作状态的t1，以及工作模式t2。
通过设定一个激素浓度Hc与切换门限switch_Hc来判断监测节点自身的工作状态。同时引入活跃激素AH和休眠激素SH两个概念用来对Hc的值进行改变。
为了维持网络的动态稳定，设定了整体网络的监测节点唤醒期望值P，使监测网络可以从有目标的应激工作状态回归到无目标的动态稳定状态；同时设定了每个监测节点的局部监测节点唤醒期望值P′，在当前监测节点感知到目标时，P′会迅速增大，使得周围监测节点尽可能多被唤醒，提高网络整体的反应速度与监测精确度。同时，由于唤醒监测节点对目标的聚集效应，增强了监测网络对于移动目标的跟踪性能。
整个监测网络的工作流程如图4，首先我们设定好一个固定的整体监测节点唤醒期望值P，然后通过监测网络自发调整使得系统进入一个动态稳定状态。在出现目标后，首先监测到目标的监测节点开始提升活跃激素水平，同时对识别到的目标进行编号，然后改变自我管理区域内的监测节点唤醒率，并且向周围监测节点发送相应编号的活跃激素，令周围监测节点进入唤醒状态对目标进行跟踪处理。在目标消失后，首先改变局部监测节点唤醒概率P′的值，令其与整体期望值P相等，然后再通过监测节点间的激素作用关闭多余唤醒监测节点，再通过周围监测节点的唤醒率降低自身活跃激素水平，最后另这一范围重新进入动态稳定状态。
2.监测节点模型
首先监测节点应能与附近区域内其他监测节点进行通信，另外监测节点应具有一定的环境感知能力，以搜集动态环境信息和处理突然出现的目标。监测节点模型如图5所示，其中A为监测节点，B为监测目标；理论上来说在理想情况下，Rc为A的可通信范围半径，每个监测节点可以与在其通信范围内的其他监测节点传递信息和数据；Rd为监测节点的监测范围半径，处于工作状态的监测节点可以捕捉到范围内的目标进行监测。但是在实际情况下，考虑到外部环境因素对通信的影响，监测范围可能会呈现出不规则轮廓，监测节点模型应如图所示。
本文提供的监测方法为每个监测节点设立了动态的自我管理区域，其范围大小由监测节点的可通信范围决定。监测节点具有以下特点：
(1).每个监测节点只能改变自身的工作状态和激素释放类型，不能直接控制区域中的其他监测节点工作状态与激素类型；
(2).当监测节点的工作状态，周围监测节点分布情况等条件确定，该监测节点的管理区域便自动划分形成；
(3).每一个监测节点都有自身的动态管理区域，可相互重叠，互不影响。
(4).每个监测节点都具有对各种不同类型激素的发送与接收能力，即拥有对不同编号目标的处理能力。当监测对象为不同目标时，监测节点之间不会产生相互影响。
监测节点之间的相互作用如图6，其中黑点表示激活的监测节点，白点表示休眠的监测节点，我们可以看到，图中分别有两个目标1和2，相应的系统会设置两种活跃激素1和2。这里我们用实线箭头表示活跃激素1的传递路径，用虚线箭头表示活跃激素2的传递路径。如图所示，目标1处于监测节点A和监测节点B的处理范围内，同时位于监测节点A和监测节点B的动态管理区域内的监测节点，因为可以同时接收到A,B监测节点的活跃激素，激素浓度高，所以这一区域内的监测节点基本全部进入激活状态，而在监测节点A,B各自的覆盖范围中，激素浓度较低于重叠区域，监测节点激活率就相对较低。而目标2处于监测节点C的处理范围内，监测节点C只会向不处于AB通信范围内的其他监测节点发送激素。在A,B,C监测节点的覆盖范围外则暂时没有监测节点激活，也就是说在目标的一定范围之外，系统仍然保持动态稳定状态。
3.监测节点的激素工作机理
每个监测节点的工作周期可分为两部分，t1表示自我调节阶段，t2表示完成网络任务阶段。t1与t2合起来为一个工作周期。监测节点在t1阶段对本工作循环的状态进行判决，在t2阶段根据阶段1的输出来选择工作模式。
首先假设监测网络在稳定状态下的监测节点期望唤醒比例为P，每个监测节点会将这一参数作为自我调控时的参考目标。
这里提出两种激素作为监测节点之间信息传递的媒介，分别是活跃激素AHx和休眠激素SHx(在处理的目标不同是，会根据目标编号对其进行相应的编号)；同时设定t时刻Ni监测节点的激素浓度水平表示为Hcx(i,t),监测节点的浓度切换门限表示为Switch-Hcx。监测节点Ni可根据下式来判断自己的工作状态：
假设t时刻监测节点Ni向Nj发送的唤醒激素或休眠激素分别表示为AHx(i,j,t)和SHx(i,j,t)，则有：
对于监测节点Ni，其在t时刻收到的SH和AH对其激素浓度Hc(i,t)的取值按照如下规则变化：
Hc(i,t)＝Hc(i-1,t)+ΔAH+ΔSH
其中AH和SH具有互相拮抗作用，即大小相同方向相反，ΔAH＝-ΔSH。
为了避免监测网络唤醒监测节点数量发生大幅度改变，我们采用基于概率的激素发送策略。假设监测节点Ni在t时刻发送的SHx和WHx的概率为PSH(i,t)和PWH(i,t)。这两个概率的取值由t-1时刻Ni接收到的激素情况确定。他们的关系满足：
PSH(i,t)+PAH(i,t)＝1，PAH(i,t)，
PSH(i,t)∈[0，1]
也就意味着一个监测节点在同一个发送周期内只能发送一种激素。
4.唤醒监测节点激素发送概率的调节过程
当环境监测信息输入后，唤醒监测节点首先判断感测范围内是否具有监测目标存在，如果有目标存在，对其进行编号。这里为每个监测节点设定一个目标标识，表示为：
无目标时(identifying＝0)，监测节点对自己发送SH调节自身激素水平，然后监测节点通过本轮接收到的其他监测节点发送的激素来估计自身管理区域内的监测节点唤醒比例为：
则该监测节点可以用其与网络整体唤醒期望值P(每个监测网络的唤醒期望值不同，可根据需要自行设定)进行比较，得到两者误差：
ε(i,t)＝P′(i,t)-P
为了避免监测节点状态频繁切换导致网络震荡，这里设定一个概率阈值Δ，当|ε(i,t)|≤Δ时，Ni将WH和SH的概率设定为同一值，维持网络稳定。只有当|ε(i,t)|>Δ时，网元才会调整激素发送的概率，若ε大于0，则下一工作循环应提高SH的发送概率，反之提高WH的发送概率。
监测区域有目标时(identifying＝1)，首先对目标进行编号，编号之后的所有活跃激素和休眠激素都采用与目标同样的编号。编号方式如下：
当identifying＝1，令X＝1，若已有X＝1，则令X＝X+1
监测节点Ni首先对自己发送AHx，同时尽可能的唤醒周边监测节点。为实现这一目标，监测节点Ni将发送概率PAH(i,t)设定为1。由于大量活跃激素有可能对监测网络稳态造成影响，造成单个监测节点的状态难以改变。我们在这里确定AHx的发送范围为Rwk＝min(Rc,2Rd)。同时为了监测系统可以更快的对目标进行响应，设定自我管理区域的监测节点唤醒率P′可调节，当监测节点监测到目标后根据自身的AH激素水平对P′进行调节，使得监测节点可以最大限度的唤醒其管理区域内其他网元。在请求处理完毕以后通过1的过程重新回归动态平衡。对于P′的设定可以由下面公式表示：
P′设定为当前激素水平和最高激素水平的比值，这样便可以形成一个正反馈体系，当周围激活监测节点越多时本监测节点管理区域内监测节点激活率越高，越能更加快速的唤醒其他监测节点。
由于监测节点的活跃度具有累加效应，我们为了防止某一个监测节点在接受过多的WHx或SHx以后导致自身状态难以改变，我们在这里对每个监测节点的激素浓度进行预处理，设定活跃度的最大值Max_Hc，最小值Min_Hc，则网元活跃度预处理可以用下面公式表达：
在经过上述过程之后，每个自治监测节点就可以通过前面提到的工作状态判断公式来确定自己的工作状态。图7为整个t1阶段的工作流程图。
监测节点相互作用进行网络自适应的工作过程如图8示，当监测网络中出现目标1后，首先假设监测节点Ni首先识别到目标，对其进行编号，此时监测节点Ni先提升自身的局部唤醒率P′，然后向周围监测节点Nx发送活跃激素1，这里Nx并不表示某一个确定的监测节点，而是表示监测节点Ni的通信范围内的所有其他监测节点。当监测节点Ni通信范围内的其他监测节点Nj激活后，同样识别到目标，进入和监测节点Ni同样的工作流程。而在此期间若出现其他目标2，则由还没有接收到Ni监测节点发送的激素1的其他监测节点Nj对其进行识别与编号，同样进行上述过程，对于已经接收过激素1的监测节点，则不对激素2做出反应。这样的工作循环重复，导致目标周围的激活监测节点越来越多，同时这些激活监测节点的局部唤醒率也越来越高，保证了监测网络对目标的信息的精确采集和快速反应。在目标消失后，通过上文提到的整体网络激活率P对局部激活率的调整和监测节点间激素的相互作用使监测网络回归稳定状态。需要说明的是，这里对不同目标进行监测的监测节点，所接收的休眠激素同样不同。即对目标1进行监测的监测节点之间传递的是休眠激素1，监测目标2的监测节点之间传递的是休眠激素2。
当监控区域内没有目标出现，监控网络中没有异常情况的时候，系统进入常规监测状态，监测节点间通过相互作用维持网络稳定。监测系统的每一个监测节点都具有自我管理能力，可以合理调节自身工作状态，监控区域内监测节点在没有目标出现以及异常情况时进入休眠状态。系统正常工作状态示意图如图所示，图1中区域为监测网络覆盖区域，区域内没有目标出现，系统处于稳定工作状态。图中深色圆点表示已激活监测节点，浅色表示处于休眠状态的监测节点；深色箭头表示活跃激素传递方向，浅色箭头表示休眠激素传递方向；c每个监测节点旁边都标出了当前监测节点激素含量。在设定整体网络唤醒概率较低的情况，如可设计为20％的情况下，监测区域内有A,B,C,D四个监测节点处于激活状态，保证对监测区域的覆盖率。此时监测系统的稳定通过激活监测节点与未激活监测节点相互的激素交换实现。
我们称监测区域在有异常信息或入侵目标出现后，监测系统进入的不同于正常工作状态的情况为应激工作状态。对于多个目标的处理，采用对目标编号的方法，对于不同的目标进行标号同时其监测工作过程中采用对应标号的激素。如图2a，图中共出现两个目标T1和T2，所以应有激素1和激素2两种激素参与监测节点通信。图中实线箭头表示激素1的传递过程，虚线箭头表示激素2传递过程。监测节点A探测到目标T1后，提升自身管理区域的局部唤醒概率到较高的状态，然后对周围阴影监测节点发送活跃激素1进行唤醒。对于监测节点B，在接收到周边监测节点的活跃激素1后，同样提高自身管理区域内的局部唤醒概率，并根据局部唤醒率对周边阴影监测节点发送活跃激素1。监测节点C同理，但是由于距离目标T较远，C监测节点的局部唤醒概率提高程度较少。而距离目标T1最远的D监测节点，基本处于目标T1的应激工作区域之外，不受激素1的影响，监测节点D在探测到目标T2后，进行与监测节点A同样的工作过程，只不过其发送的激素与监测节点A,B,C不同，这里称为激素2，包含活跃激素2与休眠激素2。其局部唤醒概率保持与系统整体唤醒概率相同。在经过一轮激素作用后，监测系统可以实现对目标T1与T2的移动路径进行预测，并且提前激活了处于目标路径周围的监测节点，保证了监测网络对于移动目标的跟踪性能以及监测的精确度。当目标移动到其他位置后，如图2b通过激素调节关闭多余的监测节点，降低系统能耗。在目标T消失后，监测网络通过激素作用迅速回到原本的正常工作状态。
在监测系统的实际应用中，有时会出现某个监测节点需要切换监测目标的情况，如图3a，目标T1首先出现在监测节点A的监测范围内，这时通过监测节点A对目标T1进行编号，并且采用激素1作为与其他监测节点的信息交互方式。而当目标T1移动到如图3b的位置后并，这时我们需要让监测节点A的监测对象从T1切换到T2。具体实现方式如下：首先，当目标1离开监测节点A的监测范围后，监测节点A的激素水平会通过局部唤醒概率P’与整体唤醒概率P的对比进行调整，监测节点A的激素1水平将会从工作状态的较高水平逐渐降低到休眠状态的正常水平，即意味着监测节点A在目标1离开自身监测范围后会退出对目标1的监测状态，此时如图3c，监测节点A的监测范围内又出现了新的目标T2，此时监测节点A可以作为一个空闲监测节点对目标进行捕捉，并进入对目标2的监测工作状态中。图中深色箭头表示活跃激素，浅色表示休眠激素；实线表示激素1的种类，虚线表示激素2的种类；每个监测节点旁都标有当前监测节点激素浓度水平。
这样的一套网络搭建方法，在监测节点自我管理的基础上建立起一个自适应的监测网络结构，实现了整个监测网络的动态稳定、并且实现对进入覆盖区域的目标进行快速捕捉监测的功能，对于多个移动目标，可以做到对目标移动轨迹的预判，在监测节点等待过程中对目标实行预监测与锁定，并且能在目标消失后迅速回到原来的工作状态。这样的机制实现了网络资源的动态分配，网络能耗低且均匀，经过仿真验证发现网络初始化速度明显快于其他监测网络结构，监测节点在网络中分布也较为分散，可以保证对整个网络监测区域的覆盖。
监测节点之间的相互作用如图6，其中黑点表示激活的监测节点，白点表示休眠的监测节点，我们可以看到，图中分别有两个目标1和2，相应的系统会设置两种活跃激素1和2。这里我们用实线箭头表示活跃激素1的传递路径，用虚线箭头表示活跃激素2的传递路径。如图所示，目标1处于监测节点A和监测节点B的处理范围内，同时位于监测节点A和监测节点B的动态管理区域内的监测节点，因为可以同时接收到A,B监测节点的活跃激素，激素浓度高，所以这一区域内的监测节点基本全部进入激活状态，而在监测节点A,B各自的覆盖范围中，激素浓度较低于重叠区域，监测节点激活率就相对较低。而目标2处于监测节点C的处理范围内，监测节点C只会向不处于AB通信范围内的其他监测节点发送激素。在A,B,C监测节点的覆盖范围外则暂时没有监测节点激活，也就是说在目标的一定范围之外，系统仍然保持动态稳定状态；
由于所设计的智能监测方法具有平台无关性，我们可以选用任何一种技术平台作为这一监测系统的实现方式。在实际的自适应监测系统装置中进行协议编写和代码移植是理论转化为实际的关键步骤，这样才能在真实的设备上实现对目标进行智能监测的能力。
1.硬件设计建立监测节点自我管理区域模型的问题。在设计智能监测网络时，监测节点自我管理区域模型的正确建立将直接影响到后续研究成果的正确性。首先对激素池的概念进行硬件上的实现，解决激素池硬件存储的问题。这里我们采用寄存器作为激素池的实体，对激素的总量高低进行储存。然后分析监测节点与目标之间的相对速度，以及对目标感应的灵敏度，还有监测节点间的距离，障碍物，天气环境等外部因素对通信质量和通信距离的影响，我们选用射频芯片(如CC2530)作为每一个传感器的处理芯片，采用适合的无线通讯技术(如Zigbee技术)用于实现监测节点的数据处理与转发功能。监测监测节点的信息传递方式选用广播方式，建立起真实的监测节点模型，并根据真实测试结果的统计参数进行修正。监测节点硬件结构如图9
2.算法程序设计在成功建立起监测节点模型后，我们需要对监测节点的工作控制方式进行实现。首先需要建立起整体和局部网络唤醒概率值的模型，这里我们在Zigbee原有的协议栈上直接进行修改。然后建立激素唤醒机制的模型，其中需要对活跃激素休眠激素以及激素浓度与切换门限进行定义，这里需要对不同编号目标所采用的激素类型进行区别定义。最后还要建立激素池的软件缓存空间。项目中拟采用理论分析、仿真实验和现场试验相结合的方法来解决。
3.搭建硬件平台的实现方案自适应的监测网络系统包括监测节点模块、系统应用，系统评估，系统维护四个子系统构成，其中，监测节点模块主要指的是信息的采集分析和处理，也就是监测目标的信息进行采集发送和处理；系统应用主要指的是该系统的应用对象，系统评估指的是一个完整建立好的系统，需要有一套完整的系统评估方案，一套完整的系统评估方案对该系统的正常运行提供了依据；系统的维护指的是任何一个完整的系统，需要定期的进行系统检修和维护，以保证系统可以正常运行。系统的工作流程为监测节点发现目标，改变控制方式唤醒监测节点，同时对数据进行采集。将采集的监控信息发送到数据处理模块，对信息进行A/D转换与DSP处理，最终再将处理过的信息发送到远端的服务器进行判定与下一步决策。图10为智能监测系统装置图。如图在监控区域内布设足够的传感器，作为系统的监测监测节点，实现对监控区域的全面覆盖。每个监测节点都能对自身周边一定区域进行监控。在系统正常工作状态下，监测网络只需要打开一部分监测节点保证对监测区域的一定覆盖率。在出现目标后，系统通过前文叙述的工作过程与方法对目标进行追踪监控；
本方案中的每个监测节点拥有一个自我调节区域，能根据其自身状态和周围环境情况进行工作状态的自我调节，并能对周围的其它监测节点进行唤醒或休眠操作。唤醒和休眠操作方法以多种激素表达成信息载体，通过对激素释放的调控实现监测节点之间的自组织与协同合作功能，构成一个分布式的自适应监测网络结构。此方法采用激素唤醒的监测节点激活策略能有效提高监测网络的工作效率。本方法提供了监测节点资源动态分配的设计架构，为监测网络的大规模采集、建立协同自治模型的研究提供了一个专业的、共享的、高性能的组网方法。本发明可用于解决各种目标跟踪、智能监控、无人值守等监测网络的网络协同、节约网络能耗、快速响应、大范围监测需求问题。尤其在节约网络能耗，延长网络寿命，快速网络反映，全范围监控等方面具有优势。面向全社会为通信网络技术的发展提供一个高效、节能、响应快速的技术方案。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于生物启发的多目标动态监测系统，其特征在于：包括若干个分布式的监测节点，单个所述监测节点的监测范围半径为Rd，单个所述监测节点的可通信范围半径为Rc，其中满足Rd＞Rc，各相邻监测节点之间相互通信连接；单个所述监测节点包括休眠状态和唤醒状态，单个所述监测节点在唤醒状态下自动收集并跟踪处理范围半径Rd内突然出现的目标动态信息；
若干监测节点在稳定状态下的期望唤醒比例预设为P，每个监测节点将P作为自我调控时的参考目标；
每个所述监测节点上设置一个激素浓度池，每个激素浓度池里面包含活跃激素池和休眠激素池，两种激素作为监测节点之间信息传递的媒介，分别是活跃激素AHx和休眠激素SHx；设定t时刻Ni监测节点的激素浓度水平表示为Hcx(i,t)，监测节点的浓度切换门限表示为Switch-Hcx；监测节点Ni根据下式来判断自己的工作状态：
t时刻监测节点Ni向Nj发送的唤醒激素或休眠激素分别表示为AHx(i,j,t)和SHx(i,j,t)，满足：
对于监测节点Ni，其在t时刻收到的SHx和AHx对其激素浓度Hcx(i,t)的取值按照如下规则变化：
Hc(i,t)＝Hc(i,t-1)+ΔAH+ΔSH
其中AHx和SHx可以互相拮抗，当Hc(i,t)＝Hc(i-1,t)时，即节点Ni激素浓度在一个时间单位后取值未发生变化，那么ΔAH＝-ΔSH；当Hc(i,t)≠Hc(i,t-1)时，即节点Ni激素浓度在一个时间单位后取值未发生变化，那么ΔAH≠-ΔSH；
采用基于概率的激素发送方式，监测节点Ni在t时刻发送的SHx和AHx的概率为PSH(i,t)和PAH(i,t)，其中PSH(i,t)和PAH(i,t)满足：PSH(i,t)+PAH(i,t)＝1，PAH(i,t)，PSH(i,t)∈[0，1]；
唤醒监测节点激素发送概率的调节过程，当环境监测信息输入后，唤醒监测节点首先判断感测范围内是否具有监测目标存在，如果有目标存在，对其进行编号，每个监测节点设定一个目标标识，表示为：
无目标时，监测节点对自己发送SHx调节自身激素水平，然后监测节点通过本轮接收到的其他监测节点发送的激素来估计自身管理区域内的监测节点唤醒比例为：
其中，C(i，RC)表示节点Ni在可通信范围半径Rc下的所有节点集合；
则该监测节点用其与网络整体唤醒期望值P进行比较，得到两者误差：
ε(i，t)＝P’(i，t)-P
同时设定一个概率阈值Δ，当|ε(i，t)|≤Δ时，Ni将AHx和SHx的概率设定为同一值，维持网络稳定；只有当|ε(i，t)|＞Δ时，网元才调整激素发送的概率，若ε大于0，则下一工作循环应提高SHx的发送概率，反之提高AHx的发送概率；
监测区域有目标时，首先对目标进行编号，编号之后的所有活跃激素和休眠激素都采用与目标同样的编号，编号方式如下：当identifying＝1，令X＝1，若已有X＝1，则令X＝X+1；
监测节点Ni首先对自己发送AHx，同时尽可能的唤醒周边监测节点，为实现这一目标，监测节点Ni将发送概率PAH(i，t)设定为1；确定AHx的发送范围为Rwk＝min(Rc，2Rd)；设定自我管理区域的监测节点唤醒率P′可调节，当监测节点监测到目标后根据自身的AHx激素水平对P′进行调节，使得监测节点可以最大限度的唤醒其管理区域内其他网元，在请求处理完毕以后通过1的过程重新回归动态平衡；对于P′的设定可以由下面公式表示：
P′设定为当前激素水平和最高激素水平的比值，这样便形成一个正反馈体系，当周围激活监测节点越多时本监测节点管理区域内监测节点激活率越高，越能更加快速的唤醒其他监测节点；
在所述基础上对每个监测节点的激素浓度进行预处理，设定活跃度的最大值Max_Hc，最小值Min_Hc，则网元活跃度预处理用下面公式表达：
在经过上述过程之后，每个自治监测节点就可以通过前面提到的工作状态判断公式来确定自己的工作状态，监测区域内监测节点的工作状态通过设定活跃激素与休眠激素来实现，监测节点休眠状态与唤醒状态的转换；
当监控区域内没有目标出现，监控网络中没有异常情况的时候，系统进入常规监测状态，监测节点间通过相互作用维持网络稳定；监测系统的每一个监测节点都具有自我管理能力，可以合理调节自身工作状态，监控区域内监测节点在没有目标出现以及异常情况时进入休眠状态，系统处于稳定工作状态，整体网络唤醒概率较低，此时监测系统的稳定通过激活监测节点与未激活监测节点相互的激素交换实现；
监测区域在有异常信息或入侵目标出现后，监测系统进入的不同于正常工作状态的情况为应激工作状态，对于多个目标的处理，采用对目标编号的方法，对于不同的目标进行标号同时其监测工作过程中采用对应标号的激素，若出现两个目标T1和T2，激素1和激素2两种激素参与监测节点通信，监测节点A探测到目标T1后，提升自身管理区域的局部唤醒概率到较高的状态，然后对周围阴影监测节点发送活跃激素1进行唤醒，对于监测节点B，在接收到周边监测节点的活跃激素1后，同样提高自身管理区域内的局部唤醒概率，并根据局部唤醒率对周边阴影监测节点发送活跃激素1，监测节点C同理，但是由于距离目标T较远，C监测节点的局部唤醒概率提高程度较少，而距离目标T1最远的D监测节点，处于目标T1的应激工作区域之外，不受激素1的影响，监测节点D在探测到目标T2后，进行与监测节点A同样的工作过程，在经过一轮激素作用后，监测系统可以实现对目标T1与T2的移动路径进行预测，并且提前激活了处于目标路径周围的监测节点，保证了监测网络对于移动目标的跟踪性能以及监测的精确度，当目标移动到其他位置后，通过激素调节关闭多余的监测节点，降低系统能耗，在目标T消失后，监测网络通过激素作用迅速回到原本的正常工作状态；
在监测系统中，出现某个监测节点需要切换监测目标的情况，目标T1首先出现在监测节点A的监测范围内，这时通过监测节点A对目标T1进行编号，并且采用激素1作为与其他监测节点的信息交互方式，当目标T1移动到指定位置后，让监测节点A的监测对象从T1切换到T2；具体实现方式如下：首先，当目标T1离开监测节点A的监测范围后，监测节点A的激素水平会通过局部唤醒概率P’与整体唤醒概率P的对比进行调整，监测节点A的激素1水平将会从工作状态的较高水平逐渐降低到休眠状态的正常水平，即监测节点A在目标1离开自身监测范围后会退出对目标T1的监测状态，监测节点A的监测范围内又出现了新的目标T2，此时监测节点A可以作为一个空闲监测节点对目标进行捕捉，并进入对目标T2的监测工作状态中。
CN201810177758.0A 2018-03-05 2018-03-05 一种基于生物启发的多目标动态监测系统与方法 Active CN108391232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810177758.0A CN108391232B (zh) 2018-03-05 2018-03-05 一种基于生物启发的多目标动态监测系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810177758.0A CN108391232B (zh) 2018-03-05 2018-03-05 一种基于生物启发的多目标动态监测系统与方法

Publications (2)

Publication Number Publication Date
CN108391232A CN108391232A (zh) 2018-08-10
CN108391232B true CN108391232B (zh) 2023-09-05

Family

ID=63069822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810177758.0A Active CN108391232B (zh) 2018-03-05 2018-03-05 一种基于生物启发的多目标动态监测系统与方法

Country Status (1)

Country Link
CN (1) CN108391232B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101631272A (zh) * 2009-08-19 2010-01-20 长讯通信服务有限公司 基于粒子滤波无线传感器网络目标预测跟踪方法
CN102638863A (zh) * 2012-03-20 2012-08-15 东南大学 一种无线传感器网络中的移动目标跟踪方法
WO2014071891A1 (zh) * 2012-11-12 2014-05-15 华为技术有限公司 节点控制方法、网络控制器以及网络系统
WO2014201760A1 (zh) * 2013-06-17 2014-12-24 中兴通讯股份有限公司 基于无线体域网的人体生理特征监测方法和系统
WO2015109922A1 (zh) * 2014-01-26 2015-07-30 上海佩奇网络科技有限公司 蓝牙追踪方法及动态追踪网络系统
CN105050126A (zh) * 2015-06-25 2015-11-11 东华大学 一种基于内分泌调控机理的无线传感器网络监测系统
CN107452021A (zh) * 2016-04-19 2017-12-08 深圳正谱云教育技术有限公司 基于单镜头图像动态识别的摄像机自动跟踪系统及其方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7297110B2 (en) * 2004-08-27 2007-11-20 Goyal Muna C Systems and methods for remote monitoring of fear and distress responses

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101631272A (zh) * 2009-08-19 2010-01-20 长讯通信服务有限公司 基于粒子滤波无线传感器网络目标预测跟踪方法
CN102638863A (zh) * 2012-03-20 2012-08-15 东南大学 一种无线传感器网络中的移动目标跟踪方法
WO2014071891A1 (zh) * 2012-11-12 2014-05-15 华为技术有限公司 节点控制方法、网络控制器以及网络系统
WO2014201760A1 (zh) * 2013-06-17 2014-12-24 中兴通讯股份有限公司 基于无线体域网的人体生理特征监测方法和系统
WO2015109922A1 (zh) * 2014-01-26 2015-07-30 上海佩奇网络科技有限公司 蓝牙追踪方法及动态追踪网络系统
CN105050126A (zh) * 2015-06-25 2015-11-11 东华大学 一种基于内分泌调控机理的无线传感器网络监测系统
CN107452021A (zh) * 2016-04-19 2017-12-08 深圳正谱云教育技术有限公司 基于单镜头图像动态识别的摄像机自动跟踪系统及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于WSN的目标跟踪节点唤醒策略;张海亮;曾建潮;宋卫平;;太原科技大学学报(第04期);全文 *

Also Published As

Publication number Publication date
CN108391232A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
Zhang et al. A low duty cycle efficient MAC protocol based on self-adaption and predictive strategy
Chen et al. A reinforcement learning-based sleep scheduling algorithm for desired area coverage in solar-powered wireless sensor networks
Larios et al. Energy efficient wireless sensor network communications based on computational intelligent data fusion for environmental monitoring
CN100358311C (zh) 一种支持唤醒机制的异构传感器网络系统的实现方法
CN107222900B (zh) 一种基于动态链的无线传感器网络节点协作方法
Pau Power consumption reduction for wireless sensor networks using a fuzzy approach
Qu et al. A fault-tolerant sensor scheduling approach for target tracking in wireless sensor networks
Hribar et al. Energy-aware deep reinforcement learning scheduling for sensors correlated in time and space
CN109688598B (zh) 基于wsan的复杂管网分布式数据采集系统及传输优化方法
Wang et al. Adaptive energy saving algorithms for Internet of Things devices integrating end and edge strategies
CN103547033A (zh) 基于无线传感器执行器网的大型智能灯光节能控制方法
CN110913443A (zh) 智能多传感器协同探测方法、装置、传感器和存储介质
CN108391232B (zh) 一种基于生物启发的多目标动态监测系统与方法
CN108449715B (zh) 一种智能自适应监测方法与系统装置
Koc et al. Optimizing energy consumption in cyber physical systems using multiple operating modes
CN110139344A (zh) 一种基于时间准同步的分布式网络功率控制方法
Zhou et al. Dynamic power management strategies for a sensor node optimised by reinforcement learning
Yeow et al. A novel target movement model and energy efficient target tracking in sensor networks
CN113938978A (zh) 一种基于强化学习的异构无线传感器寻路方法
Byun et al. Biologically inspired node scheduling control for wireless sensor networks
Kiani et al. Target Tracking Based on base Station Node Using Prediction Method and Cluster Structure in Wireless Sensor Networks
CN208369745U (zh) 一种分布式监控系统
CN101527955B (zh) 无线传感器网络中的观测节点选择方法
Xing Layout and Location of Water IoT Device Based on Few-Shot Reinforcement Learning
Qi et al. SMTS: a swarm intelligence-inspired sensor wake-up control method for multi-target sensing in wireless sensor networks

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