CN108449715A - 一种智能自适应监测方法与系统装置 - Google Patents
一种智能自适应监测方法与系统装置 Download PDFInfo
- Publication number
- CN108449715A CN108449715A CN201810177723.7A CN201810177723A CN108449715A CN 108449715 A CN108449715 A CN 108449715A CN 201810177723 A CN201810177723 A CN 201810177723A CN 108449715 A CN108449715 A CN 108449715A
- Authority
- CN
- China
- Prior art keywords
- node
- monitoring
- hormone
- target
- network
- 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 210
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 16
- 230000006641 stabilisation Effects 0.000 claims abstract description 7
- 238000011105 stabilization Methods 0.000 claims abstract description 7
- 229940088597 hormone Drugs 0.000 claims description 89
- 239000005556 hormone Substances 0.000 claims description 89
- 230000005540 biological transmission Effects 0.000 claims description 19
- 230000003054 hormonal effect Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 101800004437 Diapause hormone Proteins 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 230000002618 waking effect Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008034 disappearance Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000001737 promoting effect Effects 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims 1
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000036461 convulsion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005059 dormancy Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000013290 Sagittaria latifolia Nutrition 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000015246 common arrowhead Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 231100000508 hormonal effect Toxicity 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000009897 systematic 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
-
- 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
- H04W52/0225—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal
- H04W52/0248—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal dependent on the time of the day, e.g. according to expected transmission activity
-
- 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)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种智能自适应监测方法,监测系统由若干个独立的分布式的监测节点组成,当监控区域内没有异常信息,网络中无目标的时候,节点间相互作用同时维持网络稳定,节点自动调节自身工作状态,监控区域内节点在没有突发状况时进入休眠状态,整个监测节点系统保持期望为P的唤醒率;本方案节约网络能耗,延长网络寿命,快速网络反映,全范围监控等方面具有优势。
Description
技术领域
本发明属于监测领域,尤其涉及一种智能自适应监测方法与系统装置。
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健壮性,可以自行处理一定范围内的错误或冲突,使系统可以完成对多个监控目标的高精度监测。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种节约网络能耗,延长网络寿命,快速网络反映的一种智能自适应监测方法与系统装置。
技术方案:为实现上述目的,本发明的一种智能自适应监测方法,监测系统由若干个独立的分布式的监测节点组成,当监控区域内没有异常信息,网络中无目标的时候,节点间相互作用同时维持网络稳定,节点自动调节自身工作状态,监控区域内节点在没有突发状况时进入休眠状态,整个监测节点系统保持期望为P的唤醒率;
监测节点应能与附近区域内其他节点进行通信,且节点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,当监测区域有异常信息或入侵目标出现后,监测系统进入应激工作状态,节点A探测到目标后,提升自身管理区域的局部唤醒概率到较高的状态,然后对周围节点发送活跃激素进行唤醒,在接收到周边节点的活跃激素的节点B,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节点发送活跃激素;在目标消失后,监测网络通过激素作用迅速回到原本的正常工作状态。
进一步的,当监测区域内出现处于移动中的目标时,监测系统进入应激工作状态,首先探测到目标的节点A将自身局部唤醒概率提升至最高,开始对周边节点发送活跃激素进行唤醒,在经过一轮激素作用后,监测系统可以实现对目标T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,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。
进一步的,在每个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,再给每个监测节点构建一个节点自我管理区域,其中Rc为节点的通信半径,Rsd为节点对目标的监测半径,每个节点的工作周期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两个用来对Hc的值进行改变;设定了整体网络的节点唤醒期望值P用于维持网络的动态稳定,使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;设定了每个监测节点的局部节点唤醒期望值P',在当前监测节点感知到目标时,P'会迅速增大,使得周围节点尽可能多被唤醒。
进一步的,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;网元在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。
进一步的,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AH和休眠激素SH;同时设定t时刻Ni节点的激素浓度水平表示为Hc(i,t),节点的浓度切换门限表示为Switch-Hc,监测节点Ni可根据下式来判断自己的工作状态:
t时刻节点Ni向Nj发送的唤醒激素或休眠激素分别表示为AH(i,j,t)和SH(i,j,t),则有:
对于节点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。
进一步的,采用基于概率的激素发送策略;节点Ni在t时刻发送的SH和WH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]。
进一步的,当环境监测信息输入后,唤醒节点首先判断感测范围内是否具有监测目标存在,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,然后节点通过本轮接收到的其他节点发送的激素来估计自身管理区域内的节点唤醒比例为:
则该网元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,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,监测节点Ni首先对自己发送AH,同时尽可能的唤醒周边节点,为实现这一目标,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,造成单个节点的状态难以改变;我们在这里确定AH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节点唤醒率P′可调节,当节点检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,当周围激活节点越多时本节点管理区域内节点激活率越高,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节点在接受过多的WH或SH以后导致自身状态难以改变,我们在这里对每个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,每个自治网元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;
当监测网络中出现目标后,首先假设监测节点Ni首先识别到目标,此时节点Ni先提升自身的局部唤醒率P′,然后向周围节点Nx发送活跃激素,这里Nx并不表示某一个确定的节点,而是表示节点Ni的通信范围内的所有其他节点;当节点Ni通信范围内的其他节点Nj激活后,同样识别到目标,进入和节点Ni同样的工作流程;这样的工作循环重复,导致目标周围的激活节点越来越多,同时这些激活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节点间激素的相互作用使监测网络回归稳定状态。
有益效果:本方法提供了监测节点动态自我管理区域的架构,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。
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.移动目标示意图;
图4.监控网络工作流程图;
图5.监测节点模型图;
图6.节点间相互作用图;
图7.工作状态判决流程图;
图8.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所示的系统简介:
本发明设计了一种生物启发的分布式智能监测方法及系统装置。监测系统由若干个独立的分布式的监测节点组成,监测节点通过相互信息交互实现对整片监控区域的全面控制。
当监控区域内没有异常信息,网络中无目标的时候,进入常规监测状态,节点间相互作用同时维持网络稳定,节点具有自我管理能力,可以合理调节自身工作状态,监控区域内节点在没有突发状况时进入休眠状态。系统正常工作状态示意图如图1所示,图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;每个监测节点旁边都标出了当前节点激素含量。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节点与未激活节点相互的激素交换实现。
当监测区域有异常信息或入侵目标出现后,监测系统进入应激工作状态。如图2a所示,节点A探测到目标后,提升自身管理区域的局部唤醒概率到较高的状态,然后对周围阴影节点发送活跃激素进行唤醒。对于节点B,在接收到周边节点的活跃激素后,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节点发送活跃激素。节点C同理,但是由于距离目标T较远,C节点的局部唤醒概率提高程度较少。而距离目标T最远的D节点,基本处于应激工作区域之外,不受激素影响,其局部唤醒概率保持与系统整体唤醒概率相同。在目标T消失后如图2b所示,监测网络通过激素作用迅速回到原本的正常工作状态。
当监测区域内出现处于移动中的目标时,监测系统进入应激工作状态,同上文所述,首先探测到目标的节点A将自身局部唤醒概率提升至最高,开始对周边节点发送活跃激素进行唤醒。如图3a所示,在经过一轮激素作用后,监测系统可以实现对目标T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3b通过激素调节关闭多余的监测节点,降低系统能耗。
监测区域内节点的工作状态通过设定活跃激素与休眠激素来实现,节点休眠状态与工作状态的转换。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。并且通过分别设定整体与局部的网络唤醒期望值,实现了节点间相互作用同时维持网络稳定;能对进入监测区域的目标进行快速的监测和响应,并且在目标消失后迅速回到原本的工作状态。
这样的一套网络搭建方法,既能实现整个监测网络的动态稳定,又可以在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、以及实现对进入覆盖区域的目标进行快速捕捉监测的功能,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,可以保证覆盖整个网络监测区域。
二.系统模型及工作原理
1.系统模型
首先,在每个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。再给每个监测节点构建一个节点自我管理区域,其中Rc为节点的通信半径,Rsd为节点对目标的监测半径。每个节点的工作周期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。
设定了整体网络的节点唤醒期望值P用于维持网络的动态稳定,使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;设定了每个监测节点的局部节点唤醒期望值P′,在当前监测节点感知到目标时,P′会迅速增大,使得周围节点尽可能多被唤醒,提高网络整体的反应速度于监测精确度。同时,由于唤醒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下图4,首先我们设定好一个固定的整体节点唤醒期望值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,并改变自我管理区域内的节点唤醒率,同时向周围节点发送活跃激素,令周围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,然后再通过节点间的激素作用关闭多余唤醒节点,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节点进行通信,另外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,每个节点可以与在其通信范围内的其他节点传递信息和数据;Rd为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。
这种监测方法为每个节点设立了动态的自我管理区域,其范围大小由节点的可通信范围决定。监测节点具有以下特点:
(1).每个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
其他节点;
(2).当监测节点的工作状态,周围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。
监测节点之间的相互作用如图6,其中黑点表示激活的节点,白点表示休眠的节点,我们可以看到,同时位于节点A和节点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。而在A,B的覆盖范围外则暂时没有节点激活。
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。网元在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候的参考目标。
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AH和休眠激素SH;同时设定t时刻Ni节点的激素浓度水平表示为Hc(i,t),节点的浓度切换门限表示为Switch-Hc。监测节点Ni可根据下式来判断自己的工作状态:
假设t时刻节点Ni向Nj发送的唤醒激素或休眠激素分别表示为AH(i,j,t)和SH(i,j,t),则有:
对于节点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。假设节点Ni在t时刻发送的SH和WH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,唤醒节点首先判断感测范围内是否具有监测目标存在,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,然后节点通过本轮接收到的其他节点发送的激素来估计自身管理区域内的节点唤醒比例为:
则该网元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,监测节点Ni首先对自己发送AH,同时尽可能的唤醒周边节点。为实现这一目标,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,造成单个节点的状态难以改变。我们在这里确定AH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节点唤醒率P′可调节,当节点检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,当周围激活节点越多时本节点管理区域内节点激活率越高,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节点在接受过多的WH或SH以后导致自身状态难以改变,我们在这里对每个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,每个自治网元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.
节点相互作用进行网络自适应的工作过程如图8所示,当监测网络中出现目标后,首先假设监测节点Ni首先识别到目标,此时节点Ni先提升自身的局部唤醒率P′,然后向周围节点Nx发送活跃激素,这里Nx并不表示某一个确定的节点,而是表示节点Ni的通信范围内的所有其他节点。当节点Ni通信范围内的其他节点Nj激活后,同样识别到目标,进入和节点Ni同样的工作流程。这样的工作循环重复,导致目标周围的激活节点越来越多,同时这些激活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节点间激素的相互作用使监测网络回归稳定状态。
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,这里我们可以在原始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。最后还有最重要的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,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。
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 (7)
1.一种智能自适应监测方法,其特征在于:监测系统由若干个独立的分布式的监测节点组成,当监控区域内没有异常信息,网络中无目标的时候,节点间相互作用同时维持网络稳定,节点自动调节自身工作状态,监控区域内节点在没有突发状况时进入休眠状态,整个监测节点系统保持期望为P的唤醒率;
监测节点应能与附近区域内其他节点进行通信,且节点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,当监测区域有异常信息或入侵目标出现后,监测系统进入应激工作状态,节点A探测到目标后,提升自身管理区域的局部唤醒概率到较高的状态,然后对周围节点发送活跃激素进行唤醒,在接收到周边节点的活跃激素的节点B,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节点发送活跃激素;在目标消失后,监测网络通过激素作用迅速回到原本的正常工作状态。
2.根据权利要求1所示的一种智能自适应监测方法,其特征在于:当监测区域内出现处于移动中的目标时,监测系统进入应激工作状态,首先探测到目标的节点A将自身局部唤醒概率提升至最高,开始对周边节点发送活跃激素进行唤醒,在经过一轮激素作用后,监测系统可以实现对目标T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,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。
3.根据权利要求2所述的一种智能自适应监测系统,其特征在于:在每个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,再给每个监测节点构建一个节点自我管理区域,其中Rc为节点的通信半径,Rsd为节点对目标的监测半径,每个节点的工作周期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两个用来对Hc的值进行改变;设定了整体网络的节点唤醒期望值P用于维持网络的动态稳定,使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;设定了每个监测节点的局部节点唤醒期望值P',在当前监测节点感知到目标时,P'会迅速增大,使得周围节点尽可能多被唤醒。
4.根据权利要求3所述的一种智能自适应监测系统,其特征在于: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;网元在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。
5.根据权利要求4所述的一种智能自适应监测系统,其特征在于: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AH和休眠激素SH;同时设定t时刻Ni节点的激素浓度水平表示为Hc(i,t),节点的浓度切换门限表示为Switch-Hc,监测节点Ni可根据下式来判断自己的工作状态:
t时刻节点Ni向Nj发送的唤醒激素或休眠激素分别表示为AH(i,j,t)和SH(i,j,t),则有:
对于节点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。
6.根据权利要求5所述的一种智能自适应监测系统,其特征在于:采用基于概率的激素发送策略;节点Ni在t时刻发送的SH和WH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]。
7.根据权利要求6所述的一种智能自适应监测系统,其特征在于:当环境监测信息输入后,唤醒节点首先判断感测范围内是否具有监测目标存在,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,然后节点通过本轮接收到的其他节点发送的激素来估计自身管理区域内的节点唤醒比例为:
则该网元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,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,监测节点Ni首先对自己发送AH,同时尽可能的唤醒周边节点,为实现这一目标,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,造成单个节点的状态难以改变;我们在这里确定AH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节点唤醒率P′可调节,当节点检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,当周围激活节点越多时本节点管理区域内节点激活率越高,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节点在接受过多的WH或SH以后导致自身状态难以改变,我们在这里对每个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,每个自治网元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;
当监测网络中出现目标后,首先假设监测节点Ni首先识别到目标,此时节点Ni先提升自身的局部唤醒率P′,然后向周围节点Nx发送活跃激素,这里Nx并不表示某一个确定的节点,而是表示节点Ni的通信范围内的所有其他节点;当节点Ni通信范围内的其他节点Nj激活后,同样识别到目标,进入和节点Ni同样的工作流程;这样的工作循环重复,导致目标周围的激活节点越来越多,同时这些激活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节点间激素的相互作用使监测网络回归稳定状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810177723.7A CN108449715B (zh) | 2018-03-05 | 2018-03-05 | 一种智能自适应监测方法与系统装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810177723.7A CN108449715B (zh) | 2018-03-05 | 2018-03-05 | 一种智能自适应监测方法与系统装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108449715A true CN108449715A (zh) | 2018-08-24 |
CN108449715B CN108449715B (zh) | 2024-05-17 |
Family
ID=63193174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810177723.7A Active CN108449715B (zh) | 2018-03-05 | 2018-03-05 | 一种智能自适应监测方法与系统装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108449715B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102984731A (zh) * | 2012-12-06 | 2013-03-20 | 重庆工商大学 | 基于多重覆盖的异构无线传感器网络节点调度方法 |
CN105636093A (zh) * | 2016-02-17 | 2016-06-01 | 国家电网公司 | 无线传感器网络节点的智能唤醒方法 |
-
2018
- 2018-03-05 CN CN201810177723.7A patent/CN108449715B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102984731A (zh) * | 2012-12-06 | 2013-03-20 | 重庆工商大学 | 基于多重覆盖的异构无线传感器网络节点调度方法 |
CN105636093A (zh) * | 2016-02-17 | 2016-06-01 | 国家电网公司 | 无线传感器网络节点的智能唤醒方法 |
Non-Patent Citations (2)
Title |
---|
YANLING JIN;YONGSHENG DING;KUANGRONG HAO: "A BIO-INSPIRED DISTRIBUTED OBJECT-TRACKING APPROACH IN WIRELESS SENSOR NETWORKS", 2012 IEEE 2ND INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND INTELLIGENCE SYSTEMS, pages 2 * |
金彦龄: "基于生物智能的物联网协同自治机理研究", 《中国博士学位论文全文数据库(电子期刊)》, no. 05, pages 2 - 3 * |
Also Published As
Publication number | Publication date |
---|---|
CN108449715B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103716867B (zh) | 基于事件驱动的无线传感器网络多目标实时跟踪系统 | |
Raghunathan et al. | Emerging techniques for long lived wireless sensor networks | |
CN101534470B (zh) | 基于无线传感器网络的移动目标跟踪系统及其跟踪方法 | |
Lv et al. | Cross-layer optimization for industrial Internet of Things in real scene digital twins | |
Luo et al. | Mobile sensor node deployment and asynchronous power management for wireless sensor networks | |
CN100505763C (zh) | 无线传感器网络分布式协同信息处理方法 | |
CN102074125B (zh) | 基于无线传感网的低功耗停车场管理系统及无线网络节点 | |
CN102685255B (zh) | 一种分布式机会网络社区划分方法 | |
Keally et al. | Watchdog: Confident event detection in heterogeneous sensor networks | |
CN103702444B (zh) | 一种应用于森林防火中的无线传感器系统 | |
Shi et al. | Probabilistic coverage based sensor scheduling for target tracking sensor networks | |
CN105828287B (zh) | 一种基于强化学习的无线传感器网络协同跟踪方法 | |
CN109729498B (zh) | 一种基于维诺图的自适应节点选择的目标跟踪方法及系统 | |
CN103052128A (zh) | 一种基于无线传感器网络能量有效的协同调度方法 | |
CN101132595A (zh) | 无线网络测量的能量管理方法 | |
CN103547033B (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 | |
CN201393304Y (zh) | 基于无线传感器网络的移动目标跟踪系统 | |
CN110913443B (zh) | 智能多传感器协同探测方法、装置、传感器和存储介质 | |
CN111132026B (zh) | 目标检测方法、装置、网络系统及可读存储介质 | |
CN110488256B (zh) | 一种的人体自动监测方法和设备 | |
CN108449715A (zh) | 一种智能自适应监测方法与系统装置 | |
Vaidya et al. | A framework for sensor management in wireless and heterogeneous sensor network | |
Saylam et al. | Energy-efficient indoor positioning for mobile Internet of Things based on Artificial Intelligence | |
Sarkar et al. | No-sense: Sense with dormant sensors | |
Yeow et al. | A novel target movement model and energy efficient target tracking in 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 |