CN110012474A - 三维锥体有向传感器网络覆盖方法及系统 - Google Patents
三维锥体有向传感器网络覆盖方法及系统 Download PDFInfo
- Publication number
- CN110012474A CN110012474A CN201910122170.XA CN201910122170A CN110012474A CN 110012474 A CN110012474 A CN 110012474A CN 201910122170 A CN201910122170 A CN 201910122170A CN 110012474 A CN110012474 A CN 110012474A
- Authority
- CN
- China
- Prior art keywords
- node
- particle
- sensor network
- dimensional cone
- ellipse
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 94
- 230000008447 perception Effects 0.000 claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开一种基于三维锥体有向感知模型的传感器网络覆盖方法及系统，属于无线传感器网络控制方向。本发明一方面设计面向节点高度信息和节点感知半径的三维锥体有向感知模型，并推导单个节点的最佳投影面积及其对应的俯仰角；另一方面引入粒子群优化算法调整节点位置，减少节点间的感知重叠区和感知盲区，提升无线传感器网络的覆盖率。
Description
技术领域
本发明涉及一种基于粒子群优化的三维锥体有向传感器网络覆盖方法及系统，属于无线传感器控制领域。
背景技术
实现智慧城市最重要且最基础的一个环节，就是准确实时地监测城市中的各类数据信息。相比于有线传感器网络，无线传感器网络具有成本低、安装方便等诸多优点，将在智慧城市中发挥重要的基础作用。为此，利用无线传感器网络覆盖控制技术实现城市目标的监测任务，对智慧城市建设至关重要。
然而，现有覆盖控制技术主要存在两方面问题：一方面，目前感知模型过于简化，不符合实际情况。如二维有向感知模型不符合真实的三维物理环境，无法有效应用到实际；三维有向感知模型没有考虑节点的感知范围，也不符合实际感知性能。另一方面，覆盖控制优化算法的求解精度和求解速度有很大的提升空间。如遗传算法易陷入局部最优，拓扑学方法的收敛精度不高。为此，需要设计更加符合实际要求的感知模型，以及采用收敛性能更好的群智能优化算法。
发明内容
本发明提出一种三维锥体有向传感器网络覆盖方法及系统，解决现有感知模型不符合实际感知情况的问题。
本发明第一方面，提出一种三维锥体有向传感器网络覆盖方法，所述方法包括：
S1、根据传感器节点高度、感知半径、主感知方向、圆心角建立三维锥体有向感知模型；
S2、根据所述三维锥体有向感知模型在水平面的投影计算单个传感器节点的最大覆盖面积及对应的最佳俯仰角；
S3、将整个监测区域离散成网格化状，构建无线传感器网络覆盖率评价指标；
S4、采用粒子群算法优化传感器节点位置信息，获得最优网络覆盖率下节点位置分布。
可选的，所述步骤S2中，所述三维锥体有向感知模型在水平面的投影为椭圆，所述椭圆长半轴a为：
所述椭圆短半轴b为：
所述椭圆的面积S为：
其中，h为传感器节点高度，β为圆心角的一半，γ为节点俯仰角，所述节点仰俯角为所述主感知方向偏移传感器垂直方向上的角度；
所述椭圆的面积S即为单个传感器节点的覆盖区域面积，受感知半径R的限制，俯仰角γ范围为[0,arccos(h/R-β/2)]，可知S为递增函数，当γ＝arccos(h/R-β/2) 时，椭圆的面积S最大，即所述最佳俯仰角为γ＝arccos(h/R-β/2)。
可选的，所述步骤S3的具体过程为：将整个监测区域离散成网格化状，计算出整个监测区域的离散网格点数为Pt，所有传感器节点覆盖的网格点数为NP为传感器节点数量，为每个传感器节点覆盖的网格点数，则无线传感器网络的覆盖率为η＝Qt/Pt。
可选的，所述步骤S4的具体过程为：
S41、设置粒子群优化算法初始参数：节点数量m，种群规模n，最大进化代数Gmax，学习因子C1、C2，动态权重w；
S42、生成初始粒子种群：粒子xi的位置为(xi,1,…,xi,j,...,xi,n)，i＝1,…,m，j＝1,…,n， xi,j＝(x,y)代表节点i在水平面的坐标，粒子xi的速度为vi＝(vi,1,…,vi,j,...vi,n)；
S43、更新粒子位置和速度：
其中，和为更新前粒子位置和速度，和为更新后粒子位置和速度，为粒子xi的局部最优位置，g＝(g1,...,gj,...,gn)为粒子的全局最优位置，t为进化迭代次数，C1、C2为学习因子，r∈[0,1]； w＝0.8-0.4t/Gmax为动态权重，Gmax为最大进化代数。
S44、计算每个粒子的适应度值，所述粒子的适应度值即为步骤S3中所述无线传感器网络的覆盖率；
S45、判断是否达到最大进化代数，若是则结束，并输出最优粒子的位置作为传感器网络中节点的最终部署。
本发明第二方面，提供一种三维锥体有向传感器网络覆盖系统，所述系统包括：
建模模块：用于根据传感器节点高度、感知半径、主感知方向、圆心角建立三维锥体有向感知模型；
计算模块：用于根据所述三维锥体有向感知模型在水平面的投影计算单个传感器节点的最大覆盖面积及对应的最佳俯仰角；
评价模块：用于将整个监测区域离散成网格化状，构建无线传感器网络覆盖率评价指标；
优化模块：用于采用粒子群算法优化传感器节点位置信息，获得最优网络覆盖率下节点位置分布。
可选的，所述计算模块所述三维锥体有向感知模型在水平面的投影为椭圆，所述椭圆的面积S为：
其中，a为椭圆长半轴，b为短半轴，h为传感器节点高度，β为圆心角的一半，γ为节点俯仰角，所述节点仰俯角为所述主感知方向偏移传感器垂直方向上的角度；
所述椭圆的面积S即为单个传感器节点的覆盖区域面积，受感知半径R的限制，俯仰角γ范围为[0,arccos(h/R-β/2)]，可知S为递增函数，当γ＝arccos(h/R-β/2) 时，椭圆的面积S最大，即所述最佳俯仰角为γ＝arccos(h/R-β/2)。
可选的，所述优化模块具体包括：
初始化单元：用于设置粒子群优化算法初始参数，生成初始粒子种群；节点数量m，种群规模n，最大进化代数Gmax，学习因子C1、C2，动态权重w；粒子xi的位置为(xi,1,…,xi,j,...,xi,n)，i＝1,…,m，j＝1,…,n，xi,j＝(x,y)代表节点i在水平面的坐标，粒子xi的速度为vi＝(vi,1,...,vi,j,...vi,n)；
迭代单元：用于更新粒子位置和速度：
其中，和为更新前粒子位置和速度，和为更新后粒子位置和速度，为粒子xi的局部最优位置，g＝(g1,...,gj,...,gn)为粒子的全局最优位置，t为进化迭代次数，C1、C2为学习因子，r∈[0,1]；w＝0.8-0.4t/Gmax为动态权重，Gmax为最大进化代数。
评价单元：计算每个粒子的适应度值，所述粒子的适应度值即为评价模块所述无线传感器网络的覆盖率；
输出单元：判断是否达到最大进化代数，若是则结束，并输出最优粒子的位置作为传感器网络中节点的最终部署。
本发明提出基于粒子群优化的三维锥体有向传感器网络覆盖方法及系统，引入节点高度信息和节点感知半径，设计出一种三维锥体有向感知模型；推导感知模型其二维平面的最佳投影面积及其对应的俯仰角；采用粒子群优化算法调整节点的位置信息，减少节点间的感知重叠区和感知盲区，可提升无线传感器网络的覆盖率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程示意图；
图2为本发明实施例提供的三维锥体有向感知模型示意图；
图3为本发明实施例提供的三维锥体有向感知模型的感知区域及投影情况示意图；
图4为本发明实施例提供的系统结构示意图。
具体实施方式
本发明提出一种基于粒子群优化的三维锥体有向传感器网络覆盖方法及系统，减少节点间的感知重叠区和感知盲区，提升无线传感器网络的覆盖率。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提出一种三维锥体有向传感器网络覆盖方法，所述方法包括：
S1、根据传感器节点高度、感知半径、主感知方向、圆心角建立三维锥体有向感知模型；
图2为三维锥体有向感知模型示意图，如图2所示，以传感器节点P(x,y,z) 为圆心、感知半径为R、主感知方向为圆心角∠APB＝2β进行旋转，并与水平面X-Y平面切割，形成三维锥体感知区域PADBC。其中，P的感知区域在X-Y平面的投影为椭圆ADBC，AB是椭圆的长轴，CD是椭圆的短轴，H是 AB和CD的中点，即椭圆的中心；K为P在X-Y平面的投影，节点P高度PK＝h；∠KPG为传感器垂直方向上偏移的角度，即仰俯角γ。
S2、根据所述三维锥体有向感知模型在水平面的投影计算单个传感器节点的最大覆盖面积及对应的最佳俯仰角；
三维锥体有向感知模型在X-Y平面的投影面积即为单个传感器节点的覆盖区域面积，由于感知模型在X-Y平面的投影为椭圆ADBC，因此先计算椭圆 ABCD的面积S。
如图3所示，P为节点，锥体PMWNV为节点P的感知区域；椭圆ACBD 为三维锥体有向感知模型在二维平面的投影，PN为P的最大感知半径，即PN＝R；∠APB＝2β，即为P的垂直感知区域视角；PG为∠APB的角平分线，则PG必定在圆锥PMWNV的中心轴PQ上；∠KPG＝γ，即节点的俯仰角；节点P高度为h，即PK＝h。设∠GPH＝θ，过椭圆ACBD的中心点H作垂直中心轴PQ的圆ECFD，圆心为O，与PN、PM分别相交于点E、F。
在锥体PMWNV中：
因为∠APB＝∠BPG＝β，cos(γ+β)＝PK/PB≥PK/PN＝h/R所以γ≤arccos(h/R)-β，椭圆ACBD的长半轴a为：
又因为tan(∠KPH)＝tan(θ+γ)＝KH/PK，所以而PO＝PHcosθ，PD＝PF＝PO/cosβ＝PHcosθ/cosβ，
故椭圆ACBD的短半轴b为：
椭圆ABCD的面积为：
由于受感知半径R的限制，俯仰角γ范围为[0,arccos(h/R-β/2)]。可知S为递增函数，当γ＝arccos(h/R-β/2)时，椭圆ACBD的面积S最大，即最佳俯仰角为γ＝arccos(h/R-β/2)，此时单个传感器节点的覆盖面积最大。
S3、将整个监测区域离散成网格化状，构建无线传感器网络覆盖率评价指标；
将整个监测区域离散成网格化状，网格大小可根据实际需要决定，如1m×1m；计算出整个监测区域的离散网格点数为Pt，所有节点覆盖的网格点数为NP为传感器节点数量，为每个传感器覆盖的网格点数，则无线传感器网络的覆盖率为η＝Qt/Pt，以此作为评价指标，以便接下来求解无线传感器网络的覆盖率最大的条件下各传感器节点位置分布。
S4、采用粒子群算法优化传感器节点位置信息，获得最优网络覆盖率下节点位置分布。
根据步骤S2的计算，单个节点的投影面积已最大化，但多个节点之间仍存在大量的感知重叠区域，所以利用粒子群算法来优化节点位置信息，减少节点间的感知重叠区域，提升网络覆盖率。粒子群算法需要调整的参数少、简单易行，收敛速度快，基于粒子群算法优化网络节点位置的具体步骤为：
S41、设置初始参数：节点数量m，种群规模n，最大进化代数Gmax，学习因子C1、C2，动态权重w；
S42、生成初始粒子种群，粒子xi的位置为(xi,1,…,xi,j,...,xi,n)，i＝1,…,m，j＝1,…,n， xi,j＝(x,y)代表节点i在X-Y平面坐标，粒子xi的速度为vi＝(vi,1,...,vi,j,...vi,n)；
S43、更新粒子位置和速度：
其中，t为进化迭代次数，t＝1,2，…，Gmax，和为第t次迭代粒子的位置和速度，和为第t+1次迭代粒子的位置和速度，为粒子xi的局部最优位置，g＝(g1,...,gj,...,gn)为粒子的全局最优位置，C1、C2 为学习因子，r∈[0,1]；w＝0.8-0.4t/Gmax为动态权重，Gmax为最大进化代数。
S44、计算每个粒子的适应度值，所述粒子的适应度值即为步骤S3中所述无线传感器网络的覆盖率；具体的，将网络覆盖率作为适应度函数，每个粒子根据适应度值判断目前的位置好坏，个体极值为每个粒子找到的最优解，从这些最优解找到一个全局值，作为本次全局最优解，与历史全局最优比较，进行更新，直到达到设置的最大迭代次数或者全局最优位置满足最小界限。
S45、判断是否达到最大进化代数，若是则结束，并输出最优粒子的位置作为传感器网络中节点的最终部署。
输出的最优粒子位置即为所需的传感器网络中各节点位置，此时的节点位置分布使得节点间的感知重叠区和感知盲区较小，且无线传感器网络的覆盖率较大。
请参阅图4，本发明还提供一种三维锥体有向传感器网络覆盖系统，所述系统包括：
建模模块410：用于根据传感器节点高度、感知半径、主感知方向、圆心角建立三维锥体有向感知模型；
计算模块420：用于根据所述三维锥体有向感知模型在水平面的投影计算单个传感器节点的最大覆盖面积及对应的最佳俯仰角；
评价模块430：用于将整个监测区域离散成网格化状，构建无线传感器网络覆盖率评价指标；
优化模块440：用于采用粒子群算法优化传感器节点位置信息，获得最优网络覆盖率下节点位置分布。
可选的，所述计算模块420所述三维锥体有向感知模型在水平面的投影为椭圆，所述椭圆的面积S为：
其中，a为椭圆长半轴，b为短半轴，h为传感器节点高度，β为圆心角的一半，γ为节点俯仰角；
所述椭圆的面积S即为单个传感器节点的覆盖区域面积，受感知半径R的限制，俯仰角γ范围为[0,arccos(h/R-β/2)]，可知S为递增函数，当γ＝arccos(h/R-β/2) 时，椭圆的面积S最大，即所述最佳俯仰角为γ＝arccos(h/R-β/2)。
可选的，所述优化模块440具体包括：
初始化单元4401：用于设置粒子群优化算法初始参数，生成初始粒子种群；节点数量m，种群规模n，最大进化代数Gmax，学习因子C1、C2，动态权重w；粒子xi的位置为(xi,1,…,xi,j,...,xi,n)，i＝1,…,m，j＝1,…,n，xi,j＝(x,y)代表节点i在水平面的坐标，粒子xi的速度为vi＝(vi,1,...,vi,j,...vi,n)；
迭代单元4403：用于更新粒子位置和速度：
其中，和为更新前粒子位置和速度，和为更新后粒子位置和速度，为粒子xi的局部最优位置，g＝(g1,...,gj,...,gn)为粒子的全局最优位置，t为进化迭代次数，C1、C2为学习因子，r∈[0,1]； w＝0.8-0.4t/Gmax为动态权重，Gmax为最大进化代数。
评价单元4403：用于计算每个粒子的适应度值，所述粒子的适应度值即为评价模块所述无线传感器网络的覆盖率；
输出单元4404：用于判断是否达到最大进化代数，若是则结束，并输出最优粒子的位置作为传感器网络中节点的最终部署。
本发明提出一种基于粒子群优化的三维锥体有向传感器网络覆盖方法及系统，引入节点高度信息和节点感知半径，设计出一种三维锥体有向感知模型，并推导其在二维平面的最佳投影面积及其对应的俯仰角；采用粒子群优化算法调整节点的位置信息，改善无线传感器网络的覆盖率。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述实施例仅用于说明该发明，而不用于限制本发明的范围，本领域技术人员对于本发明所做的三维锥体有向感知模型、最优覆盖面积及其最优俯仰角、覆盖率评价指标、粒子群优化节点位置信息策略等修改均认为是落入该发明权利要求书所保护范围内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种三维锥体有向传感器网络覆盖方法，其特征在于，所述方法包括：
S1、根据传感器节点高度、感知半径、主感知方向、圆心角建立三维锥体有向感知模型；
S2、根据所述三维锥体有向感知模型在水平面的投影计算单个传感器节点的最大覆盖面积及对应的最佳俯仰角；
S3、将整个监测区域离散成网格化状，构建无线传感器网络覆盖率评价指标；
S4、采用粒子群算法优化传感器节点位置信息，获得最优网络覆盖率下节点位置分布。
2.根据权利要求1所述一种三维锥体有向传感器网络覆盖方法，其特征在于，所述步骤S2中，所述三维锥体有向感知模型在水平面的投影为椭圆，所述椭圆长半轴a为：
所述椭圆短半轴b为：
所述椭圆的面积S为：
其中，h为传感器节点高度，β为圆心角的一半，γ为节点俯仰角，所述节点仰俯角为所述主感知方向偏移传感器垂直方向上的角度；
所述椭圆的面积S即为单个传感器节点的覆盖区域面积，受感知半径R的限制，俯仰角γ范围为[0,arccos(h/R-β/2)]，可知S为递增函数，当γ＝arccos(h/R-β/2)时，椭圆的面积S最大，即所述最佳俯仰角为γ＝arccos(h/R-β/2)。
3.根据权利要求1所述一种三维锥体有向传感器网络覆盖方法，其特征在于，所述步骤S3的具体过程为：将整个监测区域离散成网格化状，计算出整个监测区域的离散网格点数为Pt，所有传感器节点覆盖的网格点数为NP为传感器节点数量，为每个传感器节点覆盖的网格点数，则无线传感器网络的覆盖率为η＝Qt/Pt。
4.根据权利要求3所述一种三维锥体有向传感器网络覆盖方法，其特征在于，所述步骤S4的具体过程为：
S41、设置粒子群优化算法初始参数：节点数量m，种群规模n，最大进化代数Gmax，学习因子C1、C2，动态权重w；
S42、生成初始粒子种群：粒子xi的位置为(xi,1,…,xi,j,…,xi,n)，i＝1,…,m，j＝1,…,n，xi,j＝(x,y)代表节点i在水平面的坐标，粒子xi的速度为vi＝(vi,1,…,vi,j,…vi,n)；
S43、更新粒子位置和速度：
其中，和为更新前粒子位置和速度，和为更新后粒子位置和速度，为粒子xi的局部最优位置，g＝(g1,…,gj,…,gn)为粒子的全局最优位置，t为进化迭代次数，C1、C2为学习因子，r∈[0,1]；Gmax为最大进化代数，动态权重w＝0.8-0.4t/Gmax。
S44、计算每个粒子的适应度值，所述粒子的适应度值即为步骤S3中所述无线传感器网络的覆盖率；
S45、判断是否达到最大进化代数，若是则结束，并输出最优粒子的位置作为传感器网络中节点的最终部署。
5.一种三维锥体有向传感器网络覆盖系统，其特征在于，所述系统包括：
建模模块：用于根据传感器节点高度、感知半径、主感知方向、圆心角建立三维锥体有向感知模型；
计算模块：用于根据所述三维锥体有向感知模型在水平面的投影计算单个传感器节点的最大覆盖面积及对应的最佳俯仰角；
评价模块：用于将整个监测区域离散成网格化状，构建无线传感器网络覆盖率评价指标；
优化模块：用于采用粒子群算法优化传感器节点位置信息，获得最优网络覆盖率下节点位置分布。
6.根据权利要求5所述三维锥体有向传感器网络覆盖系统，其特征在于，所述计算模块所述三维锥体有向感知模型在水平面的投影为椭圆，所述椭圆的面积S为：
其中，a为椭圆长半轴，b为短半轴，h为传感器节点高度，β为圆心角的一半，γ为节点俯仰角，所述节点仰俯角为所述主感知方向偏移传感器垂直方向上的角度；
所述椭圆的面积S即为单个传感器节点的覆盖区域面积，受感知半径R的限制，俯仰角γ范围为[0,arccos(h/R-β/2)]，可知S为递增函数，当γ＝arccos(h/R-β/2)时，椭圆的面积S最大，即所述最佳俯仰角为γ＝arccos(h/R-β/2)。
7.根据权利要求5所述三维锥体有向传感器网络覆盖系统，其特征在于，所述优化模块具体包括：
初始化单元：用于设置粒子群优化算法初始参数，生成初始粒子种群；节点数量m，种群规模n，最大进化代数Gmax，学习因子C1、C2，动态权重w；粒子xi的位置为(xi,1,…,xi,j,…,xi,n)，i＝1,…,m，j＝1,…,n，xi,j＝(x,y)代表节点i在水平面的坐标，粒子xi的速度为vi＝(vi,1,…,vi,j,…vi,n)；
迭代单元：用于更新粒子位置和速度：
其中，和为更新前粒子位置和速度，和为更新后粒子位置和速度，为粒子xi的局部最优位置，g＝(g1,…,gj,…,gn)为粒子的全局最优位置，t为进化迭代次数，C1、C2为学习因子，r∈[0,1]；w＝0.8-0.4t/Gmax为动态权重，Gmax为最大进化代数。
评价单元：用于计算每个粒子的适应度值，所述粒子的适应度值即为评价模块所述无线传感器网络的覆盖率；
输出单元：用于判断是否达到最大进化代数，若是则结束，并输出最优粒子的位置作为传感器网络中节点的最终部署。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910122170.XA CN110012474A (zh) | 2019-02-18 | 2019-02-18 | 三维锥体有向传感器网络覆盖方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910122170.XA CN110012474A (zh) | 2019-02-18 | 2019-02-18 | 三维锥体有向传感器网络覆盖方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110012474A true CN110012474A (zh) | 2019-07-12 |
Family
ID=67165837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910122170.XA Pending CN110012474A (zh) | 2019-02-18 | 2019-02-18 | 三维锥体有向传感器网络覆盖方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110012474A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111565372A (zh) * | 2020-04-27 | 2020-08-21 | 西安电子科技大学 | 有向传感器网络优化部署系统和方法 |
| CN112652069A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 基于粒子群算法的四面体剖分网格优化方法及系统 |
| CN113453183A (zh) * | 2021-05-31 | 2021-09-28 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 远程感知监测全局目标空间覆盖优化方法 |
| CN113645631A (zh) * | 2021-07-22 | 2021-11-12 | 成都信息工程大学 | 一种面向三维场景的移动有向传感器网络覆盖优化方法 |
| CN114668948A (zh) * | 2022-03-24 | 2022-06-28 | 江苏省人民医院（南京医科大学第一附属医院） | 一体式垂直感知训练仪 |
| WO2023101583A1 (en) * | 2021-11-30 | 2023-06-08 | Telia Company Ab | Method and system for network location of moving mobile base stations within a network topology |
| CN116992780A (zh) * | 2023-09-25 | 2023-11-03 | 中南大学 | 数字化电解槽的温度传感器布置方法 |
| CN118102325A (zh) * | 2024-04-19 | 2024-05-28 | 华东交通大学 | 三维有向传感器网络覆盖控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101448267A (zh) * | 2008-12-31 | 2009-06-03 | 中山大学 | 基于粒子群算法的无线传感器网络节点覆盖优化方法 |
| CN105898765A (zh) * | 2016-06-07 | 2016-08-24 | 中国地质大学（武汉） | 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 |
| US20170019653A1 (en) * | 2014-04-08 | 2017-01-19 | Sun Yat-Sen University | Non-feature extraction-based dense sfm three-dimensional reconstruction method |
| CN108391275A (zh) * | 2018-04-16 | 2018-08-10 | 长江大学 | 基于三维有向感知模型的传感器网络覆盖控制方法及系统 |
-
2019
- 2019-02-18 CN CN201910122170.XA patent/CN110012474A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101448267A (zh) * | 2008-12-31 | 2009-06-03 | 中山大学 | 基于粒子群算法的无线传感器网络节点覆盖优化方法 |
| US20170019653A1 (en) * | 2014-04-08 | 2017-01-19 | Sun Yat-Sen University | Non-feature extraction-based dense sfm three-dimensional reconstruction method |
| CN105898765A (zh) * | 2016-06-07 | 2016-08-24 | 中国地质大学（武汉） | 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 |
| CN108391275A (zh) * | 2018-04-16 | 2018-08-10 | 长江大学 | 基于三维有向感知模型的传感器网络覆盖控制方法及系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112652069A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 基于粒子群算法的四面体剖分网格优化方法及系统 |
| CN111565372A (zh) * | 2020-04-27 | 2020-08-21 | 西安电子科技大学 | 有向传感器网络优化部署系统和方法 |
| CN111565372B (zh) * | 2020-04-27 | 2022-03-22 | 西安电子科技大学 | 有向传感器网络优化部署系统和方法 |
| CN113453183A (zh) * | 2021-05-31 | 2021-09-28 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 远程感知监测全局目标空间覆盖优化方法 |
| CN113645631A (zh) * | 2021-07-22 | 2021-11-12 | 成都信息工程大学 | 一种面向三维场景的移动有向传感器网络覆盖优化方法 |
| CN113645631B (zh) * | 2021-07-22 | 2023-10-20 | 成都信息工程大学 | 一种面向三维场景的移动有向传感器网络覆盖优化方法 |
| WO2023101583A1 (en) * | 2021-11-30 | 2023-06-08 | Telia Company Ab | Method and system for network location of moving mobile base stations within a network topology |
| CN114668948A (zh) * | 2022-03-24 | 2022-06-28 | 江苏省人民医院（南京医科大学第一附属医院） | 一体式垂直感知训练仪 |
| CN116992780A (zh) * | 2023-09-25 | 2023-11-03 | 中南大学 | 数字化电解槽的温度传感器布置方法 |
| CN116992780B (zh) * | 2023-09-25 | 2024-01-02 | 中南大学 | 数字化电解槽的温度传感器布置方法 |
| CN118102325A (zh) * | 2024-04-19 | 2024-05-28 | 华东交通大学 | 三维有向传感器网络覆盖控制方法 |
| CN118102325B (zh) * | 2024-04-19 | 2024-07-19 | 华东交通大学 | 三维有向传感器网络覆盖控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110012474A (zh) | 三维锥体有向传感器网络覆盖方法及系统 | |
| EP3955158B1 (en) | Object detection method and apparatus, electronic device, and storage medium | |
| CN106407947B (zh) | 用于无人驾驶车辆的目标物体识别方法和装置 | |
| CN108254758A (zh) | 基于多线激光雷达和gps的三维道路构建方法 | |
| JP2011501301A (ja) | 地理的情報の複数のソースを用いた地理空間モデリングシステム及び関連する方法 | |
| CN111025283A (zh) | 雷达与球机联动的方法及装置 | |
| CN113359782B (zh) | 一种融合lidar点云与图像数据的无人机自主选址降落方法 | |
| CN101902752A (zh) | 一种有向传感器网络覆盖控制方法 | |
| CN109874146A (zh) | 一种预测路损的方法及装置 | |
| CN107767454A (zh) | 一种实景三维移动快速建模方法、装置及系统 | |
| CN112102489B (zh) | 导航界面显示方法、装置、计算设备和存储介质 | |
| CN115563732B (zh) | 基于虚拟现实的喷涂轨迹仿真优化方法及装置 | |
| CN104796915A (zh) | 一种二维有向性传感器网络覆盖的优化方法 | |
| CN113050074A (zh) | 无人驾驶环境感知中相机与激光雷达标定系统及标定方法 | |
| CN109902542B (zh) | 三维感测器的动态地面侦测方法 | |
| CN111458691B (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
| CN113822892B (zh) | 仿真雷达的评测方法、装置、设备及计算机存储介质 | |
| CN107798731A (zh) | 一种基于卫星影像自动建模的方法 | |
| CN116563466A (zh) | 一种基于深度学习的三维单木点云的补全方法 | |
| CN104732027B (zh) | 一种红外成像模拟方法及系统 | |
| CN117540512A (zh) | 融合实景点云与虚拟仿真的路侧感知设备优化布设方法 | |
| CN109405834B (zh) | 一种基于数字地图的遮蔽角实时解算方法以及系统 | |
| CN107240133A (zh) | 一种立体视觉映射模型建立方法 | |
| CN106600691A (zh) | 多路二维视频图像在三维地理空间中融合校正方法、系统 | |
| KR20180065104A (ko) | 3차원 지형 및 지물 가시화 장치 및 그 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |