CN109474904A - 一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法 - Google Patents
一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法 Download PDFInfo
- Publication number
- CN109474904A CN109474904A CN201811403673.6A CN201811403673A CN109474904A CN 109474904 A CN109474904 A CN 109474904A CN 201811403673 A CN201811403673 A CN 201811403673A CN 109474904 A CN109474904 A CN 109474904A
- Authority
- CN
- China
- Prior art keywords
- node
- energy consumption
- data
- coverage
- wireless sensor
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013480 data collection Methods 0.000 title abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 241000269350 Anura Species 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 238000011084 recovery Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 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
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
-
- 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
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法,首先,以最小化能耗和最大化覆盖被监测区域为目标,建立联合考虑能耗和覆盖的多目标优化模型;其次,设计多目标混合蛙跳算法对多目标优化模型进行求解;然后,采用最小生成树算法收集传感器节点数据;最后,对收集到传感器数据进行重构恢复。采用本发明提高了数据收集的效率,减少了节点的能耗,保证了数据可靠性传输,从而延长网络的生存周期。
Description
技术领域
本发明涉及无线传感器网络领域,具体涉及一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法。
背景技术
无线传感器网络(WSNs)已广泛应用于各种应用领域,如交通、安防、环境监控、智能农业等。如果传感器节点直接传输采集到的原始数据,将消耗很多能量。近年来,压缩感知理论的出现给无线传感器网络的数据收集提供了一个全新的解决方案。压缩感知只需要收集一部分测量信号并能以较高准确率重构原始信号,从而大大降低了无线传感器网络的能耗。
最近,已有很多学者致力于研究如何运用压缩感知理论实现无线传感器网络中数据的高效收集问题。在这些研究工作中提升无线传感器网络的性能时,大多只采用单目标方法,比如能耗,生存周期,覆盖,安全性等,或者简单的分析这些不同指标之间的折中问题,并没有理论保证。为了克服上述问题,在传统的压缩数据收集基础上,本发明联合考虑WSNs的能耗和覆盖,并用采用多目标混合蛙跳算法解决所述优化问题,利用最小生成树算法(MST)进行数据收集策略。
发明内容
发明目的:本发明提供一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法,能提高数据收集效率,降低节点能耗,保证数据可靠性传输,延长网络生存周期。
技术方案:本发明所述的一种考虑覆盖和连通的无线传感器网络压缩数据收集方法,包括以下步骤:
(1)以最小化能耗和最大化覆盖被监测区域为目标,建立联合考虑能耗和覆盖的多目标优化模型;
(2)设计多目标混合蛙跳算法对步骤(1)所述的优化模型进行求解;
(3)采用最小生成树算法收集传感器节点数据;
(4)对收集到传感器数据进行重构恢复。
步骤(1)所述的能耗主要包括每个节点在时刻t的启动、活动、发送和接收所消耗的能量:
其中,为i节点在时刻t消耗的能量,AEi为i节点处于启用状态消耗的能量,MEi为i节点处于活动状态消耗的能量,REi为i节点接收数据消耗的能量,TEi为i节点发送数据消耗的能量,为决策变量,若i节点在t时刻处于启动状态,取值为1,否则为0,为决策变量,若i节点在t时刻处于活动状态,取值为1,否则为0,为决策变量,若(i,j)∈{AS∪Am}在时刻t属于连接节点l与Sink节点m的路径,取值为1,否则为0;S为传感器节点集,τ为时间段的索引τ={1,2,3,...},AS为连接传感器节点的边的集合,Am为连接传感器节点到Sink节点的边的集合,Υi为集合A中以节点i为终点的所有边的集合,为集合A中以i节点为起点的所有边的集合。
步骤(1)所述的多目标的优化模型目标函数为:
minF(x)=(f1,f2)
s.t.
其中,D为需求点集,为二进制变量,若j节点在t时刻未被覆盖,取值为1,否则为0;为节点i到Sink节点m最短路径的代价;NCj表示未被覆盖的惩罚因子,即需求点j未被覆盖的代价;
约束条件为:
其中q为需求节点。
所述步骤(2)包括以下步骤:
(21)初始化种群,初始化外部精英档案;
(22)全局搜索:对初始种群进行非支配集排序,找到全局最优的青蛙;
(23)局部搜索:将所有青蛙进行分组,对每组青蛙进行组内模因,找到组内最好的青蛙以及最差的青蛙;
(24)如果局部搜索结束,则所有青蛙重新组合成一个新的种群,重复步骤(22)和(23),直到满足最大迭代次数,输出最优解。
所述步骤(3)包括以下步骤:
(31)采用最小生成树算法收集传感器节点数据,随机选择无线传感器网络中任意节点作为根节点;
(32)其余节点以最短路径方式连接到已有节点。
所述步骤(4)包括以下步骤:
(41)生成离散余弦变换稀疏基;
(42)生成随机稀疏测量矩阵;
(43)使用广义正交匹配追踪算法重构步骤(3)收集到的数据。
有益效果:与现有技术相比,本发明的有益效果:能更好的提升无线传感器网络性能;采用最小生成树算法收集数据,可以保证传感器节点的有效连通性,从而提升数据传输的可靠性;另外,该方案提升了数据收集的效率,降低了节点的能耗,从而延长了网络的生存周期。
附图说明
图1为本发明的流程图;
图2为基于MST的数据收集方法示意图;
图3为采用DCT稀疏基表示原始信号示意图;
图4为原始信号;
图5为采用GOMP重构后的信号。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。图1为本发明的流程图,具体包括以下步骤:
1、以最小化能耗和最大化覆盖被监测区域为目标,建立联合考虑能耗和覆盖的多目标优化模型。
每个节点在时刻t的能耗包括启动、活动、发送和接收所消耗的能量,可以表示为:
其中,为i节点在时刻t消耗的能量,AEi为i节点处于启用状态消耗的能量,MEi为i节点处于活动状态消耗的能量,REi为i节点接收数据消耗的能量,TEi为i节点发送数据消耗的能量,为决策变量,若i节点在t时刻处于启动状态,取值为1,否则为0,为决策变量,若i节点在t时刻处于活动状态,取值为1,否则为0,为决策变量,若(i,j)∈{AS∪Am}在时刻t属于连接节点l与Sink节点m的路径,取值为1,否则为0;S为传感器节点集,τ为时间段的索引τ={1,2,3,...},AS为连接传感器节点的边的集合,Am为连接传感器节点到Sink节点的边的集合,Υi为集合A中以节点i为终点的所有边的集合,为集合A中以i节点为起点的所有边的集合。
因此第一个目标函数可以表示为:
另外,在任意时刻t,i节点剩余能量Ei和需要满足以下约束条件:
第二个目标函数是最大化覆盖被监测区域。由于其中一个目标函数最小化能耗,因此覆盖被监测区域也被转换成最小化问题,在WSNs实际应用中,需要不同等级的感知以及监测不同的感兴趣区域,因此,本发明考虑分区覆盖,网格覆盖函数可以表示为:
为了便于表示分区覆盖,本发明采用概率事件检测方法,首先计算被监测区域的事件概率分布,然后根据所述概率分布为每一个需求点设置检测阈值。
假设节点i在需求点q∈D处的检测概率为
其中||diq||表示节点i和节点q∈D之间的欧式距离,r为节点的感知半径。因此,所有活动节点,在任意点q∈D的事件检测概率为:
假设事件检测阈值为rth,则
因此,第二个目标函数为:
传感器节点间的连通性是WSNs部署很重要的一个性能指标,连通性问题通常用以下表达式表示:
上面的式子保证了每个活动节点和Sink节点之间至少有一条路径。
为了确保只有活动节点才可以建立所述的路径,约束条件可以表示为:
其中q为需求节点。
本发明的最优化方法中的目标函数无需线性表达式,因此f1又可以表示为:
其中为节点i到Sink节点m最短路径的代价。
最终,多目标方法可以用下面的表达式表示:
minF(x)=(f1,f2)
s.t.
其中,D为需求点集,为二进制变量,若j节点在t时刻未被覆盖,取值为1,否则为0;为节点i到Sink节点m最短路径的代价;NCj表示未被覆盖的惩罚因子,即需求点j未被覆盖的代价。
2、设计多目标混合蛙跳算法对步骤1所述的优化模型进行求解.
(1)初始化种群:frogs←CreateEmptyFrog(pop),初始化外部精英档案rep←GetNonDominatedFrogs(frogs);
(2)全局搜索:对初始种群进行非支配集排序NonDominatedSorting(frogs),找到全局最优的青蛙Pg;
(3)局部搜索:将所有青蛙进行分组Memeplexs←DivideFrogs(frogs,Gm),然后对每组青蛙进行组内模因,找到组内最好的青蛙Pb以及最差的青蛙Pw。
此时,有三种不同的方法生成新的青蛙取代Pw。
第一种情况:最差的青蛙通过与组内最好青蛙的进行学习交流,生成一个新的青蛙若优于原来的Pw,则取代Pw。
s1=rand.×(Pb-Pw)
第二种情况:如果第一种情况,生成的青蛙并不优于Pw,则采用Pg代替上式中的Pb,生成新的若此时生成的优于Pw,则同样用代替Pw。
第三种情况:如果第二种情况生成的仍然不优于Pw,则随机生成一个s1计算
(4)如果局部搜索结束,则所有青蛙重新组合成一个新的种群,重复步骤(2)和(3),直到满足最大迭代次数,输出最优解。
外部精英档案更新策略为:外部精英档案rep初值为空,然而,随着迭代不断进行,更好的解不断存入rep,从而不断更新rep;rep中的解会与当前迭代生成的解nd_frog逐一比较,存在下列三种情况:
第一种情况:若rep中的某些解可以支配新生成的解,则新解被删除;
第二种情况:若新生成的解支配rep的中解,则rep被支配的解将被删除,新生成的解存入rep中;
第三种情况:若新生成的解和rep的解互相没有支配关系,则新生成的解存入rep中。
本实施例采用约束波动函数解决约束问题,存在下列两种约束支配方法。
第一种情况:具有更小的波动程度的解支配更大波动程度的解;
第二种情况:若两个解具有相同的波动程度,此时取决于各自的适应度函数值。
3、采用最小生成树算法(MST)算法收集传感器节点数据。
如图2所示,选择WSNs中14,15,17号节点分别为根节点。11,13号节点以最短路径算法连接到14号节点,同理,12节点与13号节点相连,自此形成一条数据收集路径;10号节点以最短路径算法连接到15号节点,同理9号节点连接到10号节点,8,3号节点均连接到9号节点,1,5号节点均连接到3号节点,2,4号节点连接到1号节点,6号节点连接到4号节点,7号节点连接到6号节点,自此形成另外一条数据收集路径;16,18号节点通过最短路径连接到17号节点,最终由14,15,17号节点将收集的数据上传给Sink节点。通过MST算法,同样实现了传感器节点的连接,建立的三条不同路径也达到了分区覆盖的目的,进而达到根据被监测区域的不同等级实现分区覆盖。
4、对收集到传感器数据进行重构恢复,如图3所示,
(1)生成离散余弦变换(DCT)稀疏基,DCT系数幅值在[-100,700]波动,当DCT系数>100时,系数的幅值近似为零,所以从总体上看,信号是可以稀疏表示的。
(2)生成随机稀疏测量矩阵,根据步骤3生成的三条路径,每一条路径对应测量矩阵Φ的每一行,以14号节点为例构建稀疏测量行向量为:
11,12,13号节点都在14号节点建立的路径上,因此对应的φ1,11,φ1,12,φ1,13的取值为1,如Φ中的第一行向量所示。
(3)使用广义正交匹配追踪算法(GOMP)重构步骤(3)收集到的数据。图4是原始信号,图5是使用GOMP重构的信号。可以看出,Sink节点能够较好重构原始信号。信号的原始长度781,而所需要的测量值仅为128,就可以较好恢复原始数据,大大降低了数据传输能耗,从而延长网络的生存周期。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法,其特征在于,包括以下步骤:
(1)以最小化能耗和最大化覆盖被监测区域为目标,建立联合考虑能耗和覆盖的多目标优化模型;
(2)设计多目标混合蛙跳算法对步骤(1)所述的优化模型进行求解;
(3)采用最小生成树算法收集传感器节点数据;
(4)对收集到传感器数据进行重构恢复。
2.根据权利要求1所述的一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法,其特征在于,步骤(1)所述的能耗主要包括每个节点在时刻t的启动、活动、发送和接收所消耗的能量:
其中,为i节点在时刻t消耗的能量,AEi为i节点处于启用状态消耗的能量,MEi为i节点处于活动状态消耗的能量,REi为i节点接收数据消耗的能量,TEi为i节点发送数据消耗的能量,为决策变量,若i节点在t时刻处于启动状态,取值为1,否则为0,为决策变量,若i节点在t时刻处于活动状态,取值为1,否则为0,为决策变量,若(i,j)∈{AS∪Am}在时刻t属于连接节点l与Sink节点m的路径,取值为1,否则为0;S为传感器节点集,τ为时间段的索引τ={1,2,3,...},AS为连接传感器节点的边的集合,Am为连接传感器节点到Sink节点的边的集合,Υi为集合A中以节点i为终点的所有边的集合,为集合A中以i节点为起点的所有边的集合。
3.根据权利要求1所述的一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法,其特征在于,步骤(1)所述的多目标的优化模型目标函数为:
minF(x)=(f1,f2)
s.t.
其中,D为需求点集,为二进制变量,若j节点在t时刻未被覆盖,取值为1,否则为0;为节点i到Sink节点m最短路径的代价;NCj表示未被覆盖的惩罚因子,即需求点j未被覆盖的代价;
约束条件为:
其中q为需求节点。
4.根据权利要求1所述的一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法,其特征在于,所述步骤(2)包括以下步骤:
(21)初始化种群,初始化外部精英档案;
(22)全局搜索:对初始种群进行非支配集排序,找到全局最优的青蛙;
(23)局部搜索:将所有青蛙进行分组,对每组青蛙进行组内模因,找到组内最好的青蛙以及最差的青蛙;
(24)如果局部搜索结束,则所有青蛙重新组合成一个新的种群,重复步骤(22)和(23),直到满足最大迭代次数,输出最优解。
5.根据权利要求1所述的一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法,其特征在于,所述步骤(3)包括以下步骤:
(31)采用最小生成树算法收集传感器节点数据,随机选择无线传感器网络中任意节点作为根节点;
(32)其余节点以最短路径方式连接到已有节点。
6.根据权利要求1所述的一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法,其特征在于,所述步骤(4)包括以下步骤:
(41)生成离散余弦变换稀疏基;
(42)生成随机稀疏测量矩阵;
(43)使用广义正交匹配追踪算法重构步骤(3)收集到的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811403673.6A CN109474904B (zh) | 2018-11-23 | 2018-11-23 | 一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811403673.6A CN109474904B (zh) | 2018-11-23 | 2018-11-23 | 一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109474904A true CN109474904A (zh) | 2019-03-15 |
CN109474904B CN109474904B (zh) | 2021-06-25 |
Family
ID=65674332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811403673.6A Active CN109474904B (zh) | 2018-11-23 | 2018-11-23 | 一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109474904B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110012488A (zh) * | 2019-05-10 | 2019-07-12 | 淮阴工学院 | 一种移动无线传感器网络的压缩数据收集方法 |
CN115243273A (zh) * | 2022-09-23 | 2022-10-25 | 昆明理工大学 | 一种无线传感器网络覆盖优化方法及装置、设备、介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102300282A (zh) * | 2011-09-27 | 2011-12-28 | 桂林电子科技大学 | 无线传感器与执行器网络及该网络的最短延时路由方法 |
CN103702282A (zh) * | 2013-12-04 | 2014-04-02 | 西北大学 | 一种基于迁移压缩感知的多种类多目标被动式定位方法 |
CN104640154A (zh) * | 2015-02-16 | 2015-05-20 | 贵州师范大学 | 一种用于智能交通系统的非均匀分簇路由的方法 |
US20160170429A1 (en) * | 2014-12-15 | 2016-06-16 | King Fahd University Of Petroleum And Minerals | System and method for non-linear model predictive control of multi-machine power systems |
CN106792435A (zh) * | 2016-11-23 | 2017-05-31 | 西安电子科技大学 | 一种无线传感器网络中基于压缩感知的数据聚合方法 |
-
2018
- 2018-11-23 CN CN201811403673.6A patent/CN109474904B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102300282A (zh) * | 2011-09-27 | 2011-12-28 | 桂林电子科技大学 | 无线传感器与执行器网络及该网络的最短延时路由方法 |
CN103702282A (zh) * | 2013-12-04 | 2014-04-02 | 西北大学 | 一种基于迁移压缩感知的多种类多目标被动式定位方法 |
US20160170429A1 (en) * | 2014-12-15 | 2016-06-16 | King Fahd University Of Petroleum And Minerals | System and method for non-linear model predictive control of multi-machine power systems |
CN104640154A (zh) * | 2015-02-16 | 2015-05-20 | 贵州师范大学 | 一种用于智能交通系统的非均匀分簇路由的方法 |
CN106792435A (zh) * | 2016-11-23 | 2017-05-31 | 西安电子科技大学 | 一种无线传感器网络中基于压缩感知的数据聚合方法 |
Non-Patent Citations (3)
Title |
---|
JUNBO XIA: "Coverage Optimization Strategy of Wireless Sensor Network Based on Swarm Intelligence Algorithm", 《2016 INTERNATIONAL CONFERENCE ON SMART CITY AND SYSTEMS ENGINEERING》 * |
PRITAM ROY: "A NEW TECHNIQUE TO SOLVE MINIMUM SPANNING TREE (MST) PROBLEM USING MODIFIED SHUFFLED FROG-LEAPING ALGORITHM (MSFLA) WITH GA CROSS-OVER", 《RECENT TECHNOLOGIES IN COMMUNICATION AND COMPUTING》 * |
刘洲洲: "改进的离散混合蛙跳算法压缩感知信号重构及应用", 《吉林大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110012488A (zh) * | 2019-05-10 | 2019-07-12 | 淮阴工学院 | 一种移动无线传感器网络的压缩数据收集方法 |
CN115243273A (zh) * | 2022-09-23 | 2022-10-25 | 昆明理工大学 | 一种无线传感器网络覆盖优化方法及装置、设备、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109474904B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An energy-efficient data collection scheme using denoising autoencoder in wireless sensor networks | |
Khan et al. | Internet of Things (IoT): systems and applications | |
CN101790251B (zh) | 基于改进粒子群优化算法的无线传感器节点联盟生成方法 | |
Oldewurtel et al. | Neural wireless sensor networks | |
Liu et al. | Joint design of energy-efficient clustering and data recovery for wireless sensor networks | |
CN109474904B (zh) | 一种考虑能耗和覆盖的无线传感器网络压缩数据收集方法 | |
Zhong et al. | Ant colony optimization algorithm for lifetime maximization in wireless sensor network with mobile sink | |
Kumar et al. | Data filtering in wireless sensor networks using neural networks for storage in cloud | |
CN111935724A (zh) | 基于异步深度强化学习的无线传感器网络拓扑优化方法 | |
John et al. | Energy saving cluster head selection in wireless sensor networks for internet of things applications | |
CN114600750A (zh) | 智能节水灌溉系统及其操作方法 | |
Aziz et al. | Compressive sensing based routing and data reconstruction scheme for IoT based WSNs | |
CN102355752A (zh) | 基于膨胀图的无线传感器网络压缩感知测量矩阵和重构方法 | |
Bhatia et al. | Development and Analysis of IoT based Smart Agriculture System for Heterogenous Nodes | |
CN110661566B (zh) | 一种采用深度图嵌入的无人机集群组网方法与系统 | |
CN107578136A (zh) | 基于随机游走与种子扩展的重叠社区发现方法 | |
CN104168603A (zh) | 基于压缩感知技术的具有高能效的数据采集树的构造方法 | |
CN104469797A (zh) | 序列预测的农田无线网络簇内数据稀疏基生成方法 | |
CN116669186A (zh) | 一种基于马尔科夫决策过程的自适应功率分配方法 | |
Chen et al. | An improved incomplete AP clustering algorithm based on K nearest neighbours | |
Huang et al. | Adaptive compressive data gathering for wireless sensor networks | |
Li et al. | Construction of optimal data aggregation trees for wireless sensor networks | |
Li et al. | Particle swarm optimization based multi-robot task allocation using wireless sensor network | |
Abdalkafor et al. | The impact of data aggregation strategy on a performance of wireless sensor networks (WSNs) | |
Rai et al. | Scrutinizing localized topology control in wsn using rigid graphs |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190315 Assignee: HUAI'AN HUATAI ELECTRONIC TECHNOLOGY Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2021980015106 Denomination of invention: A compressed data collection method for wireless sensor networks considering energy consumption and coverage Granted publication date: 20210625 License type: Common License Record date: 20211222 |