CN109362048A - 基于无线传感器网络的地下管廊检测方法 - Google Patents

基于无线传感器网络的地下管廊检测方法 Download PDF

Info

Publication number
CN109362048A
CN109362048A CN201810926166.4A CN201810926166A CN109362048A CN 109362048 A CN109362048 A CN 109362048A CN 201810926166 A CN201810926166 A CN 201810926166A CN 109362048 A CN109362048 A CN 109362048A
Authority
CN
China
Prior art keywords
node
leader cluster
transmission path
cluster
ordinary
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
Application number
CN201810926166.4A
Other languages
English (en)
Other versions
CN109362048B (zh
Inventor
赵治栋
许开达
惠国华
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201810926166.4A priority Critical patent/CN109362048B/zh
Publication of CN109362048A publication Critical patent/CN109362048A/zh
Application granted granted Critical
Publication of CN109362048B publication Critical patent/CN109362048B/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
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • 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
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Selective Calling Equipment (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了基于无线传感器网络的地下管廊检测方法。现有无线传感器分簇算法未考虑节点的位置和剩余能量，所耗能量较多且传输包的丢失率高。本发明如下：一、铺设普通节点和汇聚节点，并确定各节点的邻居节点数量。二、计算簇适应度，并根据簇适应度进行分簇，确定各簇内非簇头节点的信息传输路径。三、以汇聚节点会原点建立坐标系。四、确认各簇头节点向汇聚节点的信息传输路径。五、各普通节点进行数据检测并将所得数据依据信息传输路径传给汇聚节点。六、根据各簇头节点剩余能量判断重新分簇或再次检测。本发明选取的簇头节点能量充足且数据的可靠性高。本发明簇头节点选取链路性能较好的路径向汇聚节点传输数据，以减小传输包的丢失率。

Description

基于无线传感器网络的地下管廊检测方法
技术领域
本发明属于无线通信技术领域，具体涉及一种无线传感器网络检测地下管廊的方法及系统。
背景技术
无线传感器网络作为一种新型的能够高效获取环境信息的网络，在社会日常活动、军事、科研等方面有着巨大的应用。一般来说，无线传感器网络都有着一定的网络层次结构。首先，选取能量多且位置好的节点作为簇头；接着，其他各个节点分别加入对应的簇内，并选取信息传输到簇头所能耗最少的路径；最后，簇头选取通往汇聚节点最佳的路径。这样一来，分簇工作完毕。
分簇算法中，最常用的是Leach算法。该算法实现较为容易，但它也有很多不足。第一、在选取簇头的时候是通过生成随机数并将其与设定的阈值比较而决定的，但未考虑节点的位置和剩余能量。试想如果节点周围的邻居节点过少，如果将它作为簇头，采集的数据可靠性必会较低。第二、传输路径默认的是单跳路由，如此所耗能量较多且传输包的丢失率会上升，不利于延长网络的生命周期。第三、由于每一轮都要重新选取新的簇头，这样一方面会多花费不少的时间，另一方面在选取的过程中也会损耗不少的节点能量。因此，如何设计出生命周期长、稳定性高、传输时延短的分簇算法是目前领域的研究热点之一。基于此，本发明提出了一种新的分簇算法。
城市地下综合管廊既可以缓解交通拥堵的现象，又为电缆、通讯、天然气、供排水提供了便利之处。总的来说，城市地下综合管廊在提高人民日常生活和加快城市现代化建设发挥着不可替代的作用。正因为如此，地下管廊的预防工作便是重中之重。我们主要考虑管廊的结构损坏情况，燃气泄漏是否超标，是否发生火灾等等。在地下管廊布满无线传感器，实时监视着管廊的状态，并将结果汇报给控制中心，以便可以快速且有效地做出决策来决定是否对管廊进行维护。
CNN(即Convolutional Neural Network，卷积神经网络)是近年来比较热门的网络。因它具有稀疏连接、权值共享、多特征图等特点，所以凡是满足局部相关性的数据理论上都可以用CNN来处理比如语音、文本。在自然语言处理上，可以用CNN来做一些基础任务，比如词性标记，实体识别，文本分类等，也可以做一些前沿的任务，比如机器翻译，聊天机器人等等。
发明内容
本发明的目的在于提供一种无线传感器网络检测地下管廊的方法及系统。
本发明的具体步骤如下：
步骤一、在地下管廊中设置汇聚节点和n个普通节点。遍历所有的普通节点。确定各普通节点的邻居节点数量。测量各普通节点向自身对应的所有邻居节点传输数据所需的时长。将0赋值给轮数r。
步骤二、计算每个普通节点的簇适应度。第i个普通节点簇适应度T(i)的表达式如下：
其中，α为第一加权因子；β为第二加权因子；α+β＝1；p为期望的簇头节点占所有节点的比重，0＜p≤0.2；S(i)E为第i个普通节点的剩余能量；E(i)max为第i个普通节点的初始能量；Nei(i)Num为第i个普通节点的邻居节点数量；round(1/p)为1/p的四舍五入所得整数；mod(r,round(1/p))表示以round(1/p)为周期的离散函数，mod(r,round(1/p))表达式如下：
v＝0,1,2,…。
将n个普通节点按照簇适应度从大到小的顺序进行排列，前a个普通节点作为簇头节点，其余普通节点作为非簇头节点。簇头数a的表达式如下：
a个簇头节点对应a个簇。所有非簇头节点分别加入距离自身最近的簇头节点对应的簇。若一个非簇头节点是对应簇头节点的邻居节点，则该非簇头节点为单跳节点。若一个非簇头节点不是对应簇头节点的邻居节点，则该非簇头节点为多跳节点。
单跳节点的信息传输路径为直接传输给对应的簇头节点。多跳节点的信息传输路径为先传输给中继节点，再由中继节点传输给对应的簇头节点。中继节点为距离对应多跳节点到簇头节点连线最近的单跳节点。
步骤三、建立以汇聚节点为坐标原点、管廊长度方向为X轴方向、管廊宽度方向为Y轴方向的平面直角坐标系。对a个簇头节点依次进行排序。将1赋值给j。
步骤四、若汇聚节点位于第j个簇头节点的传输范围内，则第j个簇头节点的信息传输路径为直接传输给汇聚节点，并直接进入步骤七。
若汇聚节点位于第j个簇头节点的通讯范围外，则确定位于目标中继范围内的各簇头节点坐标。目标中继范围为以平面直角坐标系坐标原点及第j个簇头节点为两个角，长度方向平行于平面直角坐标系X轴的矩形范围。
确定m条以第j个簇头节点为起点、汇聚节点为终点的待定传输路径。待定传输路径内簇头节点及汇聚节点均作为待定传输路径的单位节点。待定传输路径中后一个单位节点位于前一个单位节点的传输范围内。将1赋值给k。
步骤五、对第j个簇头节点对应的第k条待定传输路径内Nk个单位节点沿数据传输方向依次进行排序。
计算第j个簇头节点对应的第k条待定传输路径的链路选择因子LSI(k)
其中，SCHE(q)为第k条待定传输路径内第q个单位节点的剩余能量。Cost(q,q+1)为指第q-1个单位节点向第q个单位节点之间传输L大小的数据时所消耗的能量，Cost(q,q-1)的表达式如下：
其中，L为普通节点单次传输的平均数据大小，L等于2000bits或4000bits；Eelec为第q个单位节点每发送1bit信息所消耗的能量；d(q,q+1)为第k条待定传输路径内第q个单位节点与第q+1个单位节点之间的距离；εfs＝10pJ/bit/m2，εmp＝0.0013pJ/bit/m4；临界值
计算传输时延DELAY(k)如下式，
其中，t(q,q+1)为第k条待定传输路径内第q个单位节点向第q+1个单位节点发送数据所需的时长。
计算第k条待定传输路径的链路性能LP(k)＝0.7×LSI(k)+0.3×DELAY(k)；之后进入步骤六。
步骤六、若k＜m，则将k增大1并重复执行步骤五，否则进入步骤七。
步骤七、对比m条待定传输路径链路性能LP(k)的大小。链路性能最小的那条待定传输路径作为第j个簇头节点的信息传输路径。进入步骤八。
步骤八、若j＜a，则将j增大1并重复执行步骤四至七，否则，进入步骤九。
步骤九、所有簇头节点及非簇头节点进行三分钟的检测后，各个簇内的非簇头节点将自身检测到的数据传输给对应的簇头节点。各簇头节点将自身检测到的数据及接收到的数据传输给汇聚节点。之后，将轮数r增大1，并进入步骤十。
步骤十、统计各簇头节点的剩余能量SCHE(q)。若所有簇头节点的剩余能量均大于T(a，r)，则重复执行步骤九。否则，重复执行步骤二至九。
T(a，r)的表达式如下：
其中，SCHEN表示当前所有簇头节点剩余能量的总和。
进一步地，步骤一中所述的普通节点分为气体传感器、压力传感器、温湿度传感器与烟雾传感器。汇聚节点位于地下管廊正中心位置。
进一步地，在步骤四中，所述待定传输路径内后一个单位节点的横坐标比前一个单位节点的横坐标更趋近于零，后一个单位节点的纵坐标比前一个单位节点的纵坐标更趋近于零。
进一步地，步骤九中，所述汇聚节点根据接收到的数据通过内置的卷积神经网络判断廊道内是否发生火灾、是否发生管廊结构损坏、是否发生可燃气体泄漏，并将判断结果上传指挥中心。
本发明具有的有益效果是：
1、本发明在选取簇头节点时候，既考虑了各普通节点的剩余能量，又顾及了各普通节点周围的邻居节点数目。因此，这样选取的簇头节点不仅能量充足，而且收集的数据的可靠性高，有利于后期的数据预测工作。
2、本发明根据非簇头节点的传输范围大小以及点到点的距离，选择性地选择单跳或多跳传输。同时，簇头节点选取链路性能较好的路径向汇聚节点传输数据。如此可以减小传输包的丢失率，增加获取数据的精确度。
3、本发明采用了卷积神经网络进行数据融合预测。与传统数据融合算法相比较，卷积神经网络处理速率更加快速便捷，测评结果也更加精确可靠。
附图说明
图1是本发明实施例的基于无线传感器网络的地下管廊检测方法流程图。
具体实施方式
以下对本发明作进一步说明。
如图1所示，一种无线传感器网络检测地下管廊的方法，具体步骤如下：
步骤一、在地下管廊中设置汇聚节点和n个普通节点。普通节点分为气体传感器(本实施例中采用硫化氢气体传感器)、压力传感器、温湿度传感器与烟雾传感器。汇聚节点为收发、处理数据的基站，且位于地下管廊正中心位置。
遍历无线传感器网络中所有存活的普通节点。确定各普通节点的邻居节点数量。若一个普通节点位于另一个普通节点所能传输的范围内，则这两个节点互为各自的邻居节点。测量各普通节点向自身对应的所有邻居节点传输数据所需的时长。将0赋值给轮数r。
步骤二、计算每个普通节点的簇适应度。第i个普通节点簇适应度T(i)的表达式如下：
其中，α为第一加权因子；β为第二加权因子；α+β＝1；p为期望的簇头节点占所有节点的比重，0＜p≤0.2；S(i)E为第i个普通节点的剩余能量；E(i)max为第i个普通节点的初始能量；Nei(i)Num为第i个普通节点的邻居节点数量；round(1/p)为1/p的四舍五入所得整数；mod(r,round(1/p))表示以round(1/p)为周期的离散函数，mod(r,round(1/p))表达式如下：
其中，v＝0,1,2,…。
将n个普通节点按照簇适应度从大到小的顺序进行排列，选出前a个普通节点作为簇头节点，其余普通节点作为非簇头节点。簇头数a的表达式如下：
a个簇头节点对应a个簇(即普通节点的集合)。所有非簇头节点分别加入距离自身最近的簇头节点对应的簇。若一个非簇头节点是对应簇头节点的邻居节点，则该非簇头节点为单跳节点。若一个非簇头节点不是对应簇头节点的邻居节点，则该非簇头节点为多跳节点。
单跳节点的信息传输路径为直接传输给对应的簇头节点。多跳节点的信息传输路径为先传输给中继节点，再由中继节点传输给对应的簇头节点。中继节点为距离对应多跳节点到簇头节点连线最近的单跳节点。
步骤三、建立以汇聚节点为坐标原点、管廊长度方向为X轴方向、管廊宽度方向为Y轴方向的平面直角坐标系。对a个簇头节点依次进行排序。将1赋值给j。
步骤四、若汇聚节点位于第j个簇头节点的传输范围内，则第j个簇头节点的信息传输路径为直接传输给汇聚节点，并直接进入步骤七。
若汇聚节点位于第j个簇头节点的通讯范围外，则确定第j个簇头节点的坐标(xj，yj)。确定位于目标中继范围内的各簇头节点坐标。目标中继范围为以平面直角坐标系坐标原点及第j个簇头节点为两个角，长度方向平行于平面直角坐标系X轴的矩形范围。即目标中继范围内各簇头节点的横坐标均在xj到0之间，目标中继范围内各簇头节点的纵坐标均在yj到0之间。
确定m条以第j个簇头节点为起点、汇聚节点为终点的待定传输路径。待定传输路径内簇头节点及汇聚节点均作为待定传输路径的单位节点。待定传输路径中后一个单位节点位于前一个单位节点的传输范围内，且后一个单位节点的横坐标比前一个单位节点的横坐标更趋近于零，后一个单位节点的纵坐标比前一个单位节点的纵坐标更趋近于零。将1赋值给k。
步骤五、对第j个簇头节点对应的第k条待定传输路径内Nk个单位节点沿数据传输方向依次进行排序。Nk为第j个簇头节点对应的第k条待定传输路径内单位节点的数量。
计算第j个簇头节点对应的第k条待定传输路径的链路选择因子LSI(k)
其中，SCHE(q)为第k条待定传输路径内第q个单位节点的剩余能量。Cost(q,q+1)为指第q-1个单位节点向第q个单位节点之间传输L大小的数据时所消耗的能量，Cost(q,q+1)的表达式如下：
其中，L为普通节点单次传输的平均数据大小，L等于2000bits或4000bits；Eelec为第q个单位节点每发送1bit信息所消耗的能量；d(q,q+1)为第k条待定传输路径内第q个单位节点与第q+1个单位节点之间的距离；εfs为间距小于d0的两个普通节点间传输1bit数据所消耗的能量，εfs＝10pJ/bit/m2；εmp为间距大于d0的两个普通节点间传输1bit数据所消耗的能量，εmp＝0.0013pJ/bit/m4；临界值
计算传输时延DELAY(k)如下式，
其中，t(q,q+1)为第k条待定传输路径内第q个单位节点向第q+1个单位节点发送数据所需的时长(该时长在步骤一中已经求出)。
计算第k条待定传输路径的链路性能LP(k)＝0.7×LSI(k)+0.3×DELAY(k)；之后进入步骤六。
步骤六、若k＜m，则将k增大1并重复执行步骤五，否则进入步骤七。
步骤七、对比m条待定传输路径链路性能LP(k)的大小。链路性能最小的那条待定传输路径作为第j个簇头节点的信息传输路径。由于链路性能LP(k)将链路选择因子和累计时延相结合，两者的权重各占0.7和0.3，故能够综合考虑传输能耗的传输时长，选出更具可靠性的传输路径。进入步骤八。
步骤八、若j＜a，则将j增大1并重复执行步骤四至七，否则，进入步骤九。
步骤九、所有簇头节点及非簇头节点进行三分钟的检测后，各个簇内的非簇头节点将自身检测到的数据沿自身的数据传输路径传输给对应的簇头节点。各簇头节点将自身检测到的数据及接收到的数据沿自身的数据传输路径传输给汇聚节点。
汇聚节点根据接收到的数据通过内置的卷积神经网络判断廊道内是否发生火灾、是否发生管廊结构损坏、是否发生可燃气体泄漏，并将判断结果上传指挥中心，以便指挥中心根据判断结果进行决策。之后，将轮数r增大1，并进入步骤十。
卷积神经网络在计算发生管廊结构损坏的概率、气体含量超标概率及发生火灾的概率前需进行训练。训练的所需数据集是在模拟环境下进行采集的。数据集随机取85％数据集用于训练，15％用于测试。精度达到b后，卷积神经网络即可进行实际使用(一般b≥92％即可)。
各个普通节点进行数据采集并对采集数据进行预处理(去噪、去除冗余)，其采样频率为1024Hz，采样时间为3min。属于压力传感器的普通节点及属于气体传感器的普通节点对应的卷积神经网络模型结构均为32×32×1→28×28×5→14×14×5→10×10×1→100→10→2→2(softmax的输出)，进而得到发生管廊结构损坏的概率及气体含量超标的概率
属于温度传感器的普通节点、属于湿度传感器的普通节点及属于烟雾传感器的普通节点组合起来检测是否发生火灾。该三种传感器综合后对应的卷积神经网络模型结构均为32×32×3→28×28×15→14×14×15→10×10×3→300→100→10→2→2(softmax的输出)，进而得到发生火灾的概率。
步骤十、统计各簇头节点的剩余能量SCHE(q)。若所有簇头节点的剩余能量均大于T(a，r)，则重复执行步骤九。否则，重复执行步骤二至九。
T(a，r)的表达式如下：
其中，SCHEN表示当前所有簇头节点剩余能量的总和；a表示当前簇头节点的个数。
在传统分簇算法中，一轮检测结束后不加任何条件判断，而是直接进行新一轮的分簇。这样虽然简化了算法的步骤，但重新分簇不但花费时间，而且还会在选取的过程中也会损耗不少的能量。而本发明根据簇头剩余能量的的多少进行判断是否重新分簇，进而达到节省能量的目的。

Claims (4)

1.基于无线传感器网络的地下管廊检测方法，其特征在于：步骤一、在地下管廊中设置汇聚节点和n个普通节点；遍历所有的普通节点；确定各普通节点的邻居节点数量；测量各普通节点向自身对应的所有邻居节点传输数据所需的时长；将0赋值给轮数r；
步骤二、计算每个普通节点的簇适应度；第i个普通节点簇适应度T(i)的表达式如下：
其中，α为第一加权因子；β为第二加权因子；α+β＝1；p为期望的簇头节点占所有节点的比重，0＜p≤0.2；S(i)E为第i个普通节点的剩余能量；E(i)max为第i个普通节点的初始能量；Nei(i)Num为第i个普通节点的邻居节点数量；round(1/p)为1/p的四舍五入所得整数；mod(r,round(1/p))表示以round(1/p)为周期的离散函数，mod(r,round(1/p))表达式如下：
其中，v＝0,1,2,…；
将n个普通节点按照簇适应度从大到小的顺序进行排列，前a个普通节点作为簇头节点，其余普通节点作为非簇头节点；簇头数a的表达式如下：
a个簇头节点对应a个簇；所有非簇头节点分别加入距离自身最近的簇头节点对应的簇；若一个非簇头节点是对应簇头节点的邻居节点，则该非簇头节点为单跳节点；若一个非簇头节点不是对应簇头节点的邻居节点，则该非簇头节点为多跳节点；
单跳节点的信息传输路径为直接传输给对应的簇头节点；多跳节点的信息传输路径为先传输给中继节点，再由中继节点传输给对应的簇头节点；中继节点为距离对应多跳节点到簇头节点连线最近的单跳节点；
步骤三、建立以汇聚节点为坐标原点、管廊长度方向为X轴方向、管廊宽度方向为Y轴方向的平面直角坐标系；对a个簇头节点依次进行排序；将1赋值给j；
步骤四、若汇聚节点位于第j个簇头节点的传输范围内，则第j个簇头节点的信息传输路径为直接传输给汇聚节点，并直接进入步骤七；
若汇聚节点位于第j个簇头节点的通讯范围外，则确定位于目标中继范围内的各簇头节点坐标；目标中继范围为以平面直角坐标系坐标原点及第j个簇头节点为两个角，长度方向平行于平面直角坐标系X轴的矩形范围；
确定m条以第j个簇头节点为起点、汇聚节点为终点的待定传输路径；待定传输路径内簇头节点及汇聚节点均作为待定传输路径的单位节点；待定传输路径中后一个单位节点位于前一个单位节点的传输范围内；将1赋值给k；
步骤五、对第j个簇头节点对应的第k条待定传输路径内Nk个单位节点沿数据传输方向依次进行排序；
计算第j个簇头节点对应的第k条待定传输路径的链路选择因子LSI(k)；
其中，SCHE(q)为第k条待定传输路径内第q个单位节点的剩余能量；Cost(q,q+1)为指第q-1个单位节点向第q个单位节点之间传输L大小的数据时所消耗的能量，Cost(q,q-1)的表达式如下：
其中，L为普通节点单次传输的平均数据大小，L等于2000bits或4000bits；Eelec为第q个单位节点每发送1bit信息所消耗的能量；d(q,q+1)为第k条待定传输路径内第q个单位节点与第q+1个单位节点之间的距离；εfs＝10pJ/bit/m2，εmp＝0.0013pJ/bit/m4；临界值
计算传输时延DELAY(k)如下式，
其中，t(q,q+1)为第k条待定传输路径内第q个单位节点向第q+1个单位节点发送数据所需的时长；
计算第k条待定传输路径的链路性能LP(k)＝0.7×LSI(k)+0.3×DELAY(k)；之后进入步骤六；
步骤六、若k＜m，则将k增大1并重复执行步骤五，否则进入步骤七；
步骤七、对比m条待定传输路径链路性能的大小；链路性能最小的那条待定传输路径作为第j个簇头节点的信息传输路径；进入步骤八；
步骤八、若j＜a，则将j增大1并重复执行步骤四至七，否则，进入步骤九；
步骤九、所有簇头节点及非簇头节点进行三分钟的检测后；各个簇内的非簇头节点将自身检测到的数据传输给对应的簇头节点；各簇头节点将自身检测到的数据及接收到的数据传输给汇聚节点；之后，将轮数r增大1，并进入步骤十；
步骤十、统计各簇头节点的剩余能量SCHE(q)；若所有簇头节点的剩余能量均大于T(a，r)，则重复执行步骤九；否则，重复执行步骤二至九；
T(a，r)的表达式如下：
其中，SCHEN表示当前所有簇头节点剩余能量的总和。
2.根据权利要求1所述的基于无线传感器网络的地下管廊检测方法，其特征在于：步骤一中所述的普通节点分为气体传感器、压力传感器、温湿度传感器与烟雾传感器；汇聚节点位于地下管廊正中心位置。
3.根据权利要求1所述的基于无线传感器网络的地下管廊检测方法，其特征在于：在步骤四中，所述待定传输路径内后一个单位节点的横坐标比前一个单位节点的横坐标更趋近于零，后一个单位节点的纵坐标比前一个单位节点的纵坐标更趋近于零。
4.根据权利要求1所述的基于无线传感器网络的地下管廊检测方法，其特征在于：步骤九中，所述汇聚节点根据接收到的数据通过内置的卷积神经网络判断廊道内是否发生火灾、是否发生管廊结构损坏、是否发生可燃气体泄漏，并将判断结果上传指挥中心。
CN201810926166.4A 2018-08-15 2018-08-15 基于无线传感器网络的地下管廊检测方法 Active CN109362048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810926166.4A CN109362048B (zh) 2018-08-15 2018-08-15 基于无线传感器网络的地下管廊检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810926166.4A CN109362048B (zh) 2018-08-15 2018-08-15 基于无线传感器网络的地下管廊检测方法

Publications (2)

Publication Number Publication Date
CN109362048A true CN109362048A (zh) 2019-02-19
CN109362048B CN109362048B (zh) 2021-05-25

Family

ID=65349970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810926166.4A Active CN109362048B (zh) 2018-08-15 2018-08-15 基于无线传感器网络的地下管廊检测方法

Country Status (1)

Country Link
CN (1) CN109362048B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311869A (zh) * 2020-02-14 2020-06-19 清华大学合肥公共安全研究院 一种基于区域报警模型的消防安全监控方法、系统、云平台
CN113438690A (zh) * 2021-05-08 2021-09-24 陕西墨斗星智能科技有限公司 一种网格状管廊预警系统的长距离信号传输方法
CN113518363A (zh) * 2021-07-20 2021-10-19 陕西墨斗星智能科技有限公司 一种网格状管廊预警系统的长距离反向信号传输方法
CN113923743A (zh) * 2021-09-16 2022-01-11 国网河北省电力有限公司信息通信分公司 电力地下管廊的路由选择方法、装置、终端及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102238686A (zh) * 2011-07-04 2011-11-09 南京邮电大学 一种模型化量子遗传算法的无线传感器网络路由方法
CN102244892A (zh) * 2011-07-04 2011-11-16 南京邮电大学 一种基于免疫算法的移动传感网分簇方法
US8200234B2 (en) * 2007-02-07 2012-06-12 Samsung Electronics Co., Ltd. Method and apparatus for allocating radio resource in wireless sensor network
US20130182615A1 (en) * 2010-09-21 2013-07-18 Aifang Sun Energy-saving management method and system for wireless sensor network, and remote management server
CN107257572A (zh) * 2017-07-31 2017-10-17 广东工业大学 一种无线传感网的分簇路由方法
CN107333314A (zh) * 2017-06-30 2017-11-07 安徽农业大学 一种无线传感网簇构建及其簇头更新方法
CN107580355A (zh) * 2017-08-22 2018-01-12 西安科技大学 无线传感器网络基于位置的均匀分簇层次路由算法
CN107786960A (zh) * 2017-10-30 2018-03-09 吴豪 网络分簇方法、装置、电子设备和计算机存储介质
CN108400937A (zh) * 2018-02-23 2018-08-14 北京交通大学 煤矿井下无线多媒体传感器网络区分服务的路由方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8200234B2 (en) * 2007-02-07 2012-06-12 Samsung Electronics Co., Ltd. Method and apparatus for allocating radio resource in wireless sensor network
US20130182615A1 (en) * 2010-09-21 2013-07-18 Aifang Sun Energy-saving management method and system for wireless sensor network, and remote management server
CN102238686A (zh) * 2011-07-04 2011-11-09 南京邮电大学 一种模型化量子遗传算法的无线传感器网络路由方法
CN102244892A (zh) * 2011-07-04 2011-11-16 南京邮电大学 一种基于免疫算法的移动传感网分簇方法
CN107333314A (zh) * 2017-06-30 2017-11-07 安徽农业大学 一种无线传感网簇构建及其簇头更新方法
CN107257572A (zh) * 2017-07-31 2017-10-17 广东工业大学 一种无线传感网的分簇路由方法
CN107580355A (zh) * 2017-08-22 2018-01-12 西安科技大学 无线传感器网络基于位置的均匀分簇层次路由算法
CN107786960A (zh) * 2017-10-30 2018-03-09 吴豪 网络分簇方法、装置、电子设备和计算机存储介质
CN108400937A (zh) * 2018-02-23 2018-08-14 北京交通大学 煤矿井下无线多媒体传感器网络区分服务的路由方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LI JIAN-QI等: "Energy Optimized Approach Based on Clustering Routing Protocol for Wireless Sensor Networks", 《2013 25TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 *
T.H.FEIROZ KHAN等: "Mobile Collector Aided Energy Reduced (MCER) Data Collection in Agricultural Wireless Sensor Networks", 《2016 IEEE 6TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTING》 *
尹湘源: "无线传感器网络低能耗分簇路由算法关键技术研究", 《中国博士学位论文全文数据库信息科技辑》 *
赵静: "建筑环境中基于数据融合的WSNs节能问题研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311869A (zh) * 2020-02-14 2020-06-19 清华大学合肥公共安全研究院 一种基于区域报警模型的消防安全监控方法、系统、云平台
CN113438690A (zh) * 2021-05-08 2021-09-24 陕西墨斗星智能科技有限公司 一种网格状管廊预警系统的长距离信号传输方法
CN113518363A (zh) * 2021-07-20 2021-10-19 陕西墨斗星智能科技有限公司 一种网格状管廊预警系统的长距离反向信号传输方法
CN113923743A (zh) * 2021-09-16 2022-01-11 国网河北省电力有限公司信息通信分公司 电力地下管廊的路由选择方法、装置、终端及存储介质
CN113923743B (zh) * 2021-09-16 2024-03-12 国网河北省电力有限公司信息通信分公司 电力地下管廊的路由选择方法、装置、终端及存储介质

Also Published As

Publication number Publication date
CN109362048B (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN109362048A (zh) 基于无线传感器网络的地下管廊检测方法
CN107831285B (zh) 一种基于物联网的河湖污染监测系统及其方法
CN101713652A (zh) 智能型多传感器系统及工作方法
CN108900996A (zh) 一种基于双层模糊算法的无线传感器网络数据传输方法
Wang et al. An efficient intelligent data fusion algorithm for wireless sensor network
CN104574898A (zh) 基于Zigbee的多传感器物联网监控方法及设备
CN107426680A (zh) 面向楼宇监测的无线传感器网络数据收集系统
CN105764114A (zh) 一种基于能耗均衡的水下无线传感器网络拓扑控制方法
CN107367711A (zh) 一种井下人员定位算法的仿真实验方法
CN110881173A (zh) 一种基于物联网的环境监测系统
Song et al. [Retracted] A Dynamic Hierarchical Clustering Data Gathering Algorithm Based on Multiple Criteria Decision Making for 3D Underwater Sensor Networks
CN102118884B (zh) 一种基于接近中心度的机会移动传感器网络数据传输方法
CN113115342B (zh) 一种虚拟力导向麻雀搜索算法的WSNs部署方法及系统
CN201589614U (zh) 多载波信道接入的无线通信网络化水文多参数量测仪器
Nourredine et al. A new generalized stochastic Petri net modeling for energy‐harvesting‐wireless sensor network assessment
CN106714264A (zh) 物联网节点节能方法及系统
CN104618983B (zh) 一种基于随机能量补给的无线传感网络的通信方法
CN108540954A (zh) 空气污染实时监测系统
Luan Calculation and Simulation of Transmission Reliability in Wireless Sensor Network Based on Network Coding.
CN109982283B (zh) 一种面向期望传输能耗的工业云雾架构通信系统
CN106993295A (zh) 一种基于移动sink的无线传感网的数据收集方法
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
Lu et al. Nonuniform Clustering of Wireless Sensor Network Node Positioning Anomaly Detection and Calibration
CN202583050U (zh) 一种二氧化碳检测节点
Ma et al. A lossless convergence method for reducing data fragments on WSN

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