CN108810958B - 基于隐马尔科夫模型的潮间带传感器节点状态估计方法 - Google Patents
基于隐马尔科夫模型的潮间带传感器节点状态估计方法 Download PDFInfo
- Publication number
- CN108810958B CN108810958B CN201810504002.2A CN201810504002A CN108810958B CN 108810958 B CN108810958 B CN 108810958B CN 201810504002 A CN201810504002 A CN 201810504002A CN 108810958 B CN108810958 B CN 108810958B
- Authority
- CN
- China
- Prior art keywords
- state
- node
- markov model
- hidden markov
- probability
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- 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
Abstract
本发明公开了一种基于隐马尔科夫模型的潮间带传感器节点状态估计方法,步骤如下1)建立隐马尔科夫模型,2)测量节点状态转移矩阵,3)测量混淆矩阵,4)估计节点状态。本发明通过针对部署在潮间带的传感器网络,通过利用节点状态与数据包信号强度的强相关系,设计隐马尔科夫模型,最终准确估计节点状态。对于潮间带无线传感器网络,准确获取节点的状态,有利于选择更高效的数据传输路径,最终达到降低系统延时的目的。
Description
技术领域
本发明属于无线传感器网络领域,具体涉及一种基于隐马尔科夫模型的潮间带传感器节点状态估计方法。
背景技术
本发明针对部署在潮间带这一特殊环境下的无线传感器网络。潮间带是指海水低潮线和高潮线中间的区域,是贻贝类生物等的栖息地。潮间带的物理环境复杂多变,潮水的涨落使得潮间带的温度、湿度、含氧度等物理参数变化剧烈。因此,在潮间带部署无线传感器网络对研究海洋生物生存环境以及环境监测有着重要意义。
部署在潮间带的传感器节点在涨潮时,会被海水淹没;在落潮时,会浮出海面。由于射频信号在水中信号强度衰减剧烈,因此当节点被淹没时,节点间的有效通信距离将从150米以上缩减到几十厘米。在这种情况下,节点本地所存储的数据将无法及时发送到基站,并将面临长达数小时的延迟。
对于一个处于水上水下中间状态或水下的节点来说,如果有其他节点将其作为父节点,并通过其传输数据,将会造成巨大的延迟。因此,准确估计节点当前所处的状态,至关重要。目前采用的方法主要是将电极或状态感知传感器延伸到节点防水层外。这些方法不仅给传感器节点添加了额外的设备,增加了成本和功耗外,延伸出去的部分还同时增加了节点防水层失效的风险。因此,本发明提出了一种基于隐马尔科夫模型的节点状态估计方法,在不需要添加设备的情况下,完成有效的状态估计。
发明内容
本发明提出一种基于隐马尔科夫模型的潮间带传感器节点状态估计方法,这种方法通过利用潮间带节点状态与其接收的数据包信号强度(RSSI)的强相关系,建立隐马尔科夫模型,通过测量RSSI,最终获得节点状态。根据恢复出的链路质量矩阵,该方法为节点提供了可靠通信路径,减少了链路质量估计上的能量消耗。
本发明的技术方案具体如下:一种基于隐马尔科夫模型的潮间带传感器节点状态估计方法,包括如下步骤:
步骤(1)建立隐马尔科夫模型。隐马尔科夫模型是一种个用于描述含有隐含未知参数的马尔科夫过程。对于一个马尔科夫过程,它的状态不能被直接观察到,但能够通过观测向量序列求出。在潮间带传感器网络中,节点状态作为隐含状态不能被直接观测,但由于其具体属性与通信过程中的RSSI的值有强相关关系,因此我们可以用隐马尔科夫模型来预测节点状态。隐马尔科夫模型包含有五个变量,其中包括隐含状态的数量、可观测状态的数量、初始状态概率、转移矩阵以及混淆矩阵。对应在潮间带传感器网络中,隐含状态数量是指节点状态所可能存在的状态个数;可观测状态数量是指通信的RSSI的值所可能处于的状态个数;初始状态概率是指节点在统计学上可能处于的状态概率;转移矩阵是指节点从一个状态转移到另一个状态的概率;混淆矩阵是指节点处于某种状态下时,其可观测状态的概率分布情况。
隐含状态指潮间带传感器网络节点所可能处于的状态,包括:水上,水下,临界状态;其数量N为3;
可观测状态数量R为6,是指在不同条件下数据包的信号强度RSSI的取值在如下六个区间:[y,y+1/6*(x‐y)]
[y+1/6*(x‐y),y+2/6*(x‐y)]
[y+2/6*(x‐y),y+3/6*(x‐y)]
[y+3/6*(x‐y),y+4/6*(x‐y)]
[y+4/6*(x‐y),y+5/6*(x‐y)]
[y+5/6*(x‐y),x];其中x为节点的发射功率,y为环境噪声;
节点初始状态概率通过统计潮水周期历史数据获得;
步骤(2)测量节点状态转移矩阵。状态转移矩阵Φ是指实体从状态i转移到状态j的概率,对于有N个状态的系统来说,状态转移矩阵应该是N*N的。状态转移矩阵的具体获得方式是通过一段时间的实验获得的,这一过程只进行一次,在具体确定了状态转移矩阵后,将不再修改该矩阵。
节点状态转移矩阵为N*N矩阵,其中从状态i转移到状态j的概率Φij的取值如下:
Φij=Pr(Nt(i)|Nt-1(j)).i,j∈|N|
采用在传感器部署水域通过统计一段时间内节点从状态i转变为状态j的次数获得;
步骤(3)测量混淆矩阵。混淆矩阵Ψ是指各隐含状态下的可观测状态概率。在潮间带环境下,隐藏状态是指RSSI的值的范围,可观测状态是指节点状态。混淆矩阵的具体获得方式是通过一段时间的实验获得的,这一过程只进行一次,在具体确定了混淆矩阵后,将不再修改该矩阵。
节点在不同状态下处于各隐藏状态的概率,其中节点信号RSSI值为可观测状态j处于状态i的概率Ψij的取值如下:
Ψij=Pr(Rt(i)|Nt(j)),i∈|N|,j∈|R|
采用在传感器所部署水域改变发送端节点所处水位,并记录接收端节点收到的数据包RSSI分布的实验方法,通过一段时间的实验统计获得;
步骤(4)估计节点状态。通过步骤(1),步骤(2)和步骤(3)就可以建立完整的马尔科夫模型。利用该模型,在需要估计节点状态时,通过测量收到数据包的RSSI值来估计节点处于不同状态的概率。在系统稳定运行后,只需要重复步骤(4)即可。
本发明的有益效果如下:这种方法通过利用RSSI的值与节点状态的强关系,将RSSI作为隐含状态,建立隐马尔科夫模型,最终准确估计节点状态,降低数据延时。
附图说明
图1为潮间带传感节点隐马尔科夫模型。
具体实施方式
下面结合附图对本发明做进一步说明。图1展示基于潮间带传感器节点的隐马尔科夫模型。基于隐马尔科夫模型的潮间带传感器节点状态估计方法包括以下步骤:
步骤一:建立隐马尔科夫模型。隐马尔科夫模型包含有五个变量,其中包括隐含状态的数量、可观测状态的数量、初始状态概率、转移矩阵以及混淆矩阵。作为隐马尔科夫模型建立的初始化步骤,本步骤将确定隐含状态的数量、可观测状态的数量和初始状态概率,状态转移矩阵和混淆矩阵则分别由步骤二和步骤三获得。隐含状态是指潮间带传感器网络节点所可能处于的状态,其中包括:水上,水下,临界状态。因此隐含状态为三种,其数量N为3。可观测状态是指在不同条件下,信号强度RSSI的取值。在潮间带网络传感器中,设节点的发射功率为x,环境噪声为y,则数据包的信号强度RSSI处于[y,x]区间时,该数据包可以被其他节点接收到。将RSSI的取值等分为6个部分,即[y,y+1/6*(x‐y)],[y+1/6*(x‐y),y+2/6*(x‐y)],[y+2/6*(x‐y),y+3/6*(x‐y)],[y+3/6*(x‐y),y+4/6*(x‐y)],[y+4/6*(x‐y),y+5/6*(x‐y)],[y+5/6*(x‐y),x]这留个区间,分别用R1,R2,…,R6表示,即可观测状态的数量R=6。节点初始状态概率通过测量部署地点的潮水周期获得,通过观察潮水水位和节点的海拔高度,能计算得出统计学上,节点处于各状态的概率。
步骤二:测量节点状态转移矩阵。节点状态转移矩阵Φ是一个N*N的矩阵,其中N是节点状态的个数,在潮间带传感器网络中,N=3,分别用N1,N2,N3表示。转移矩阵通过一段时间的初始化获得,由于潮水具有周期性,转移矩阵是个常数矩阵。节点状态转移矩阵是通过一段时间(通常一天)的测量获得,Φij的取值如下:
Φij=Pr(Nt(i)|Nt-1(j)).i,j∈|N|
步骤三:测量混淆矩阵。混淆矩阵Ψ是指节点在不同状态下处于各隐藏状态的概率,通过预实验我们可以获得该矩阵,且该矩阵也是常数矩阵。预实验是指将两个节点分别作为接收端和发送端,即发送端节点持续发送数据包,接收端节点持续测量收到的数据包的信号强度RSSI的值。这一过程中需要改变发送端节点所处的水位,并记录在不同水位下,数据包RSSI的信号强度分布。为保证测得混淆矩阵的准确性,需要在传感器部署的水域进行该实验。这是因为不同水域由于其电解质的不同,会对RF信号产生不同程度的衰减,因此只有在目标水域进行该实验才能准确获得混淆矩阵。测量出节点在目标水域中不同水深的信号RSSI分布后,可以获得混淆矩阵,混淆矩阵中Ψij的取值如下:
Ψij=Pr(Rt(i)|Nt(j)),i∈|N|,j∈|R|
步骤四:估计节点状态。通过步骤一、步骤二和步骤三,可获得基于潮间带传感器节点状态与RSSI的隐马尔科夫模型,如图1所示。结合该模型,在需要预测节点状态时,通过测量数据包、信标包的信号强度RSSI,就可以直接通过隐马尔科夫模型获得节点状态。
Claims (4)
1.一种基于隐马尔科夫模型的潮间带传感器节点状态估计方法,包括如下步骤:
步骤(1)确定隐马尔科夫模型模型的隐含状态的数量、可观测状态的数量、初始状态概率;
隐含状态指潮间带传感器网络节点所可能处于的状态,包括:水上,水下,临界状态;其数量N为3;
可观测状态数量R为6,是指在不同条件下数据包的信号强度RSSI的取值在如下六个区间:[y,y+1/6*(x-y)]
[y+1/6*(x-y),y+2/6*(x-y)]
[y+2/6*(x-y),y+3/6*(x-y)]
[y+3/6*(x-y),y+4/6*(x-y)]
[y+4/6*(x-y),y+5/6*(x-y)]
[y+5/6*(x-y),x];其中x为节点的发射功率,y为环境噪声;
节点初始状态概率通过统计潮水周期历史数据获得;
步骤(2)测量节点状态转移矩阵;
节点状态转移矩阵为N*N矩阵,其中从状态i转移到状态j的概率Φij的取值如下:
Φij=Pr(Nt(i)|Nt-1(j)).i,j∈|N|
采用在传感器部署水域通过统计一段时间内节点从状态i转变为状态j的次数获得;
步骤(3)测量混淆矩阵;
节点在不同状态下处于各隐含状态的概率,其中节点信号RSSI值为可观测状态j处于状态i的概率Ψij的取值如下:
Ψij=Pr(Rt(i)|Nt(j)),i∈|N|,j∈|R|
采用在传感器所部署水域改变发送端节点所处水位,并记录接收端节点收到的数据包RSSI分布的实验方法,通过一段时间的实验统计获得;
步骤(4)估计节点状态;
经步骤(1),步骤(2)和步骤(3)建立完整的马尔科夫模型;利用该模型,在需要估计节点状态时,通过测量收到数据包的RSSI值来估计节点处于不同状态的概率;系统稳定运行后,只需要重复步骤(4)即可。
2.根据权利要求1所述的基于隐马尔科夫模型的潮间带传感器节点状态估计方法,其特征在于,所述的状态转移矩阵只测量一次,在确定了状态转移矩阵后,将不再修改该矩阵。
3.根据权利要求1所述的基于隐马尔科夫模型的潮间带传感器节点状态估计方法,其特征在于,所述的混淆矩阵只测量一次,在确定了混淆矩阵后,将不再修改该矩阵。
4.根据权利要求1所述的基于隐马尔科夫模型的潮间带传感器节点状态估计方法,其特征在于,所述的一段时间指一天。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810504002.2A CN108810958B (zh) | 2018-05-23 | 2018-05-23 | 基于隐马尔科夫模型的潮间带传感器节点状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810504002.2A CN108810958B (zh) | 2018-05-23 | 2018-05-23 | 基于隐马尔科夫模型的潮间带传感器节点状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108810958A CN108810958A (zh) | 2018-11-13 |
CN108810958B true CN108810958B (zh) | 2020-10-20 |
Family
ID=64091628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810504002.2A Active CN108810958B (zh) | 2018-05-23 | 2018-05-23 | 基于隐马尔科夫模型的潮间带传感器节点状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108810958B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699606A (zh) * | 2015-03-06 | 2015-06-10 | 国网四川省电力公司电力科学研究院 | 一种基于隐马尔科夫模型的软件系统状态预测方法 |
CN107192995A (zh) * | 2017-05-23 | 2017-09-22 | 西北工业大学 | 一种多层次信息融合的纯方位水下目标跟踪算法 |
CN107659989A (zh) * | 2017-10-24 | 2018-02-02 | 东南大学 | 无线传感器网络节点分布式测量休眠和目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9530304B2 (en) * | 2014-10-30 | 2016-12-27 | International Business Machines Corporation | Distributed sensor network |
-
2018
- 2018-05-23 CN CN201810504002.2A patent/CN108810958B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699606A (zh) * | 2015-03-06 | 2015-06-10 | 国网四川省电力公司电力科学研究院 | 一种基于隐马尔科夫模型的软件系统状态预测方法 |
CN107192995A (zh) * | 2017-05-23 | 2017-09-22 | 西北工业大学 | 一种多层次信息融合的纯方位水下目标跟踪算法 |
CN107659989A (zh) * | 2017-10-24 | 2018-02-02 | 东南大学 | 无线传感器网络节点分布式测量休眠和目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
基于隐马尔科夫模型的无线传感网节点故障诊断算法;毛乐琦;《计算机应用与软件》;20140131;第31卷(第1期);全文 * |
无线传感网络中基于马尔科夫链的数据预测算法;吏济新;《小型微型计算机系统》;20161130;第37卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108810958A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ismail et al. | Analyzing the performance of acoustic channel in underwater wireless sensor network (UWSN) | |
Bhuvaneswari et al. | An efficient mobility based localization in underwater sensor networks | |
US20220161910A1 (en) | Fishing tool loss monitoring system and method | |
Huang et al. | A practical marine wireless sensor network monitoring system based on LoRa and MQTT | |
CN107290765B (zh) | 水下潜航器的协作定位方法和系统 | |
CN114828214A (zh) | 一种信息融合的海上搜救无线传感网定位方法 | |
CN108810958B (zh) | 基于隐马尔科夫模型的潮间带传感器节点状态估计方法 | |
Shelar et al. | Performance-aware green algorithm for clustering of underwater wireless sensor network based on optical signal-to-noise ratio | |
Garcia | Positioning of sensors in underwater acoustic networks | |
Zaarour et al. | Path loss exponent estimation using connectivity information in wireless sensor network | |
Ahmad et al. | Performance evaluation of IEEE 802.15. 4-compliant smart water meters for automating large-scale waterways | |
Xing et al. | The study of localization algorithm based on RSSI | |
CN115103318A (zh) | 一种多节点在线监测方法和系统 | |
Zhu et al. | An Improved Localization Scheme Based on DV-Hop for Large-Scale Wireless Sensor Networks. | |
CN209783585U (zh) | 一种滩涂冲淤监测装置 | |
Kim et al. | Long-range beacons on sea surface based 3D-localization for underwater sensor networks | |
Bizagwira et al. | Experimental protocols and testbed for radio link quality evaluation over the freshwater | |
Kim et al. | Floating beacon-assisted 3-D localization for variable sound speed in underwater sensor networks | |
Zhang et al. | Artificial measurements based filter for energy-efficient target tracking in underwater wireless sensor networks | |
Han et al. | Measurement error impact on node localization of large scale underwater sensor networks | |
Rajasegarar et al. | Sensor network implementation challenges in the great barrier reef marine environment | |
Watt et al. | A comparative assessment of floating and submerged sensor network deployments for monitoring underwater sediment transport processes | |
CN103391615A (zh) | 一种水下多级定位方法 | |
Kumar et al. | Energy Aware Node deployment using Ant Lion optimization algorithm in underwater acoustic sensor Network | |
CN117499883A (zh) | 一种面向深海通信的传感器布控与管理方法 |
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 |