CN110022541A - 一种基于NB-IoT和FPGA的WSN农作物生长环境信息稀疏采集与传输方法 - Google Patents
一种基于NB-IoT和FPGA的WSN农作物生长环境信息稀疏采集与传输方法 Download PDFInfo
- Publication number
- CN110022541A CN110022541A CN201910444396.1A CN201910444396A CN110022541A CN 110022541 A CN110022541 A CN 110022541A CN 201910444396 A CN201910444396 A CN 201910444396A CN 110022541 A CN110022541 A CN 110022541A
- Authority
- CN
- China
- Prior art keywords
- sparse
- fpga
- acquisition
- data
- crop growth
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种应用于智慧农业并基于NB‑IoT和FPGA的无线传感器网络(WSN)农作物生长环境信息稀疏采集与传输方法。该方法主要包括:利用Zigbee无线传感器节点以稀疏采样方式采集农作物生长环境信息;将采集的稀疏数据信息发送到FPGA核心控制端并在FPGA内执行矩阵填充算法对稀疏数据集矩阵进行填充;将恢复完整的数据以NB‑IoT的方式发送到云平台端,并在云端进行显示,最终实现对农作物生长环境信息的采集、传输与监控功能。本发明将稀疏采样理论应用于无线传感器网络中,并以硬件实现矩阵填充算法,可以保证传感器节点较低的功耗和数据较快的恢复速度。
Description
【技术领域】
本发明涉及硬件加速以及无线传感器网络算法领域,更具体地,涉及一种基于NB-IoT和FPGA的WSN农作物生长环境信息采集与传输方法。
【背景技术】
目前我国是一个农业生产大国,但并不是农业生产强国,主要是因为农业现代化水平欠缺,与发达国家有较大差距,仍然采用靠天吃饭的运作模式,缺乏有效的技术手段实现农业的智能化与无人化管理。
随着我国窄带物联网技术的发展和传感器等技术的成熟,以上问题可以得到有效解决,采用现代科技手段实现农作物环境信息的采集与传输,从而达到对农业生产的智能化管理,可以大大提升农业种植的科学化、规范化水平。本方法以较低的功耗和较快的数据恢复速度实现了农作物生长环境信息的智能化采集与展示,同时该方法适用范围广泛,也可以应用于其他物联网领域,前景广阔。
【发明内容】
该方法适用于农作物生长环境信息的全自动采集、传输与显示,其核心控制算法为矩阵填充算法,并融合稀疏采样技术,从而达到降低数据传输带宽和减少无线传感器节点功耗的目的。该方法包含以下主要内容。
1.采用多个Zigbee无线传感器节点CC2530以稀疏采样的方式进行农作物生长环境信息采集,并按照预先设定的稀疏采样矩阵来控制各个节点在不同时刻是否进行数据采集。事先以确定的采样率生成一个稀疏矩阵EU×I,该矩阵中只有0和1两种元素,并且1的个数远远小于0的个数,数据的分布是随机的,1所占的比例即为采样率。所采集的稀疏数据集是一个与采样矩阵相同大小的矩阵,记为AU×I。
2.所采集的数据通过Zigbee基站接收到FPGA核心控制端,并在FPGA内部实现对采集的稀疏数据集的恢复与重构。
在硬件FPGA中运行SVD矩阵填充算法,其中对误差和矩阵元素的更新均以并行方式运算,同时采用随机梯度下降法进行训练迭代。
3.计算恢复的数据集与原始稀疏数据集的误差,如果大于设定的阈值,则再次进行步骤3,如果小于设定的阈值,则进行下一步。
4.恢复完整的数据集将通过新兴的广域网技术(NB-IoT)发送到云平台端,并在云端进行显示,发送模块采用中国移动的物联网模块M5310,最终实现对农作物生长环境信息的采集、恢复、传输与展示功能。
本发明采用稀疏采样理论以极低的采样率实现对农作物生长环境信息的采集获取,极大地降低了数据采集的频率,从而大大降低了传感器节点的功耗,同时减少了数据传输量,节约了带宽。
同时利用大规模FPGA硬件资源丰富的特点,用硬件电路实现了矩阵填充算法,有效提高了数据处理速度,实现了数据恢复的实时性。
基于广域网NB-IoT技术,克服了传统局域网网络覆盖范围低,入网数量少,成本高等方面的缺点。该技术不受地理位置的限制,不需要有线网络的连接,进一步拓宽了该方法的适用范围。
【附图说明】
图1是基于该方法的系统整体架构;
图2是实施例中方法流程图;
图3是实施例中采集的稀疏数据样本;
图4是FPGA中eui的运算流程图;
图5是FPGA中puk的更新运算流程图;
图6是实施例中执行矩阵填充算法恢复的数据集;
图7是对接OneNET平台AT指令流程;
图8是随矩阵的秩K的变化曲线。
【具体实施方式】
图2给出了一个实施例中方法流程图,包括以下步骤:
S1.多个Zigbee传感器节点对农作物生长环境信息进行稀疏采样。
本实施例所采集的数据为温度信息,数据集大小为U=20,I=60,即有20个传感器节点,每个节点采集60次进行一次数据恢复。设定采样率f=0.2,并给出随机采样矩阵E20×60,则矩阵中元素1所占的比例为20%。
设定每隔一分钟进行一次数据采集,则采集60次需要一小时,因此,每次数据恢复即是对一小时以内的温度数据进行恢复。
某次所采集的稀疏样本数据A20×60如图3所示,可以看到该数据集是稀疏的,只有少部分采集的真实数据,其它都是零。
S2.采集的农作物生长环境信息通过Zigbee基站发送到FPGA。
所采集的稀疏样本数据A20×60通过Zigbee协议发送到接收端,不同的传感器节点只要设置目标地址为接收基站的地址即可实现数据发送到接收端。
S3.FPGA中运行矩阵填充算法。
取k=min(U,I),初始化PU×K和QK×I为介于0和1的随机矩阵,并存储于FPGA的ROM中备用。
对稀疏样本AU×I按照从左到右,从上到下的顺序进行扫描,当扫描到的元素aui非零时,则在FPGA中计算:
由于FPGA的并行性,上述运算只需要K+1个时钟周期即可完成,第一个时钟并行执行K个独立乘法运算:pu1q1i,pu2q2i,…pukqki,第二到K个时钟执行K-1次求和运算,第K+1个时钟执行减法运算,最终得到eui的值,运算流程如图4所示。
puk和qki的更新式为:
puk:=puk-η(-euiqki+λpuk):=(1-λη)puk+ηeuiqki
qki:=qki-η(-euipuk+λqki):=(1-λη)qki+ηeuipuk
对puk和qki的更新同样可以同时进行,而对于每一个puk或qki的更新只需要三个时钟周期:第一个时钟计算1-λη和euiqki(λη的值可以预先确定,并存储于FPGA的ROM中),第二个时钟计算剩余的乘法,最后一个时钟计算加法,如图5所示。因此对每一轮puk和qki(k=1,2…K)的更新只需要3K个时钟周期,加上eui的运算时间总共为4K+1个时钟周期。
以采样率f得到的稀疏样本AU×I中,非零值元素有f·UI个,零值元素有(1-f)·UI个,因此对于矩阵AU×I的一次完整扫描中,有(1-f)·UI个时钟周期扫描到零值,f·UI个时钟周期扫描到非零值。
因此对矩阵P和Q的一轮全部更新需要f·UI·(4K+1)个时钟周期,因此一轮完整迭代总的时钟周期为T1=[1+(1+4K)f]·UI。
S4.计算误差值是否小于设定的阈值。
对未知数据预测的准确度可以由平均绝对误差(MAE)和均方根误差(RMSE)决定,通过设定MAE和RMSE的阈值来调节数据恢复的精度。
步骤S3中进行一轮完整迭代以后计算此时的MAE或RMSE值,如果所得的误差值大于所设定的阈值,则回到步骤S3,否则计算完成,进入步骤S5。
令η=0.001,λ=0.02,设定阈值MAE=0.07,最终执行迭代490次,恢复得到的完整数据集R20×60如图6所示。
S5.恢复的数据集发送到云平台。
将得到的完整数据发送到平台端即可实现数据的展示功能,从而完成整个系统的设计。
考虑到地理环境的因素,采用NB-IoT实现这一功能,可以克服偏僻环境中无有线网络的缺点,而且该技术广覆盖,成本低,功耗小,支持海量连接,可以实现大量节点的接入。采用NB-IoT模组M5310实现与云平台的连接,由于电信运营商的基站覆盖范围较广,因此可以满足绝大部分地域的接入需求。
接入协议采用OMA(open Mobile Alliance)定义的物联网应用层协议LWM2M(lightweight Machine to Machine),联网方式为NB-IoT,平台端采用物联网开放云平台OneNET。
设备接入需要首先在云平台端创建产品,并输入模块的IMEI(InternationalMobile Equipment Identity)号和物联网卡的IMSI(International Mobile SubscriberIdentification Number)号。
模组端M5310需要调用模块的AT指令按流程登陆云端并上报数据,设备接入成功以后即可将数据发送到云平台侧,并在终端进行显示。M5310对接OneNET平台AT指令接入流程如图7所示。
该系统采用硬件FPGA实现矩阵填充算法比软件实现具有更高的运行速度。
以采样率f得到的稀疏样本AU×I,在FPGA中加入并行运算进行一轮完整迭代需要总的时钟周期为T1=[1+(1+4K)f]·UI。
如果采用完全串行方式进行一轮完整迭代,计算eui需要2K个时钟周期,计算一轮puk或qki(k=1,2…K)的更新分别需要5K个时钟周期,最终完整的时钟周期为T2=(1+12Kf)·UI。
则两者时间之比:
当采样率f=0.2时,随矩阵的秩K的变化曲线如图8所示。
从图8中可以看到K足够大的时候,在相同的时钟周期下T2是T1的3倍,即稀疏样本矩阵越大时加入并行运算以后可以将速度提升将近3倍,极大的降低了算法的运行时间。
在本实施例中K=20,由图8可以看出运算速度提升了2.849倍。
Claims (5)
1.一种应用于智慧农业的并基于NB-IoT和FPGA的无线传感器网络(WSN)农作物生长环境信息稀疏采集与传输方法,其特征在于,包括:
S1.采用多个Zigbee无线传感器节点CC2530以稀疏采样的方式进行农作物生长环境信息采集,按照预先设定的稀疏采样矩阵来控制各个节点在不同时刻是否进行数据采集;
S2.步骤S1中所采集的数据通过Zigbee基站接收到FPGA核心控制端,并在FPGA内部实现对采集的稀疏数据集的恢复与重构;
S3.在硬件FPGA中以并行方式运行SVD矩阵填充算法;
S4.计算恢复的数据集与原始稀疏数据集的误差,如果大于设定的阈值,则再次进行步骤S3。如果小于设定的阈值,则进行下一步;
S5.恢复完整的数据集将通过新兴的广域网技术(NB-IoT)发送到云平台端,并在云端进行显示,发送模块采用物联网模块M5310,最终实现对农作物生长环境信息的采集、恢复、传输与展示功能。
2.根据权利要求1所述的基于NB-IoT和FPGA的无线传感器网络(WSN)农作物生长环境信息稀疏采集与传输方法,其特征在于,所述步骤S1中,稀疏采样方法为:
事先以确定的采样率f生成一个稀疏矩阵EU×I,矩阵中只有0和1两种元素,并且其分布没有任何规律,1所占的比例即为采样率f,其中U代表与基站相连的Zigbee传感器节点的总数目,I代表在执行一次LFM算法中每个节点需要进行数据采集的次数,规定第i列代表第i次传感器数据采集,值为1代表进行数据采集,值为0代表不进行数据采集。
3.根据权利要求1所述的基于NB-IoT和FPGA的无线传感器网络(WSN)农作物生长环境信息稀疏采集与传输方法,其特征在于,所述步骤S3中,矩阵填充算法为:
AU×I=PU×K×QK×I
式中K=Rank(A)代表矩阵的秩,利用AU×I中已知的值来训练PU×K和QK×I,使得P和Q相乘的结果最好地拟合AU×I中已知的数据,而未知的数据就利用P的某一行和Q的某一列相乘得到:
则真实值与预测值之间的误差为:
eui=aui-a′ui
要优化的目标函数为:
上式中的后两项为正则化惩罚项,是为了防止训练过拟合,是为了求导更方便。
矩阵P和Q中puk和qki的更新式为:
puk:=puk-η(-euiqki+λpuk):=(1-λη)puk+ηeuiqki
qki:=qki-η(-euipuk+λqki):=(1-λη)qki+ηeuipuk
在FPGA中进行误差eui和puk、qki的更新运算均采用并行方式。
同时采用随机梯度下降法进行训练迭代。
4.根据权利要求1所述的基于NB-IoT和FPGA的无线传感器网络(WSN)农作物生长环境信息稀疏采集与传输方法,其特征在于,所述步骤S4中,误差为:
5.根据权利要求1所述的基于NB-IoT和FPGA的无线传感器网络(WSN)农作物生长环境信息稀疏采集与传输方法,其特征在于,所述步骤S5中,数据上传方式为:
基于物联网模块M5310,采用LWM2M物联网协议并调用模块AT指令实现模块与基站的连接,同时将数据发送到物联网开放云平台OneNET。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910444396.1A CN110022541A (zh) | 2019-05-22 | 2019-05-22 | 一种基于NB-IoT和FPGA的WSN农作物生长环境信息稀疏采集与传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910444396.1A CN110022541A (zh) | 2019-05-22 | 2019-05-22 | 一种基于NB-IoT和FPGA的WSN农作物生长环境信息稀疏采集与传输方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110022541A true CN110022541A (zh) | 2019-07-16 |
Family
ID=67194390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910444396.1A Pending CN110022541A (zh) | 2019-05-22 | 2019-05-22 | 一种基于NB-IoT和FPGA的WSN农作物生长环境信息稀疏采集与传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110022541A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110531806A (zh) * | 2019-08-01 | 2019-12-03 | 广东工贸职业技术学院 | 一种基于OneNET云平台的设备控制方法和系统 |
CN113411765A (zh) * | 2021-05-22 | 2021-09-17 | 西北工业大学 | 一种基于多传感器协同感知的移动智能终端能耗优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103327530A (zh) * | 2013-02-05 | 2013-09-25 | 浙江师范大学 | 一种无线传感器网络中的数据传输方法 |
CN106375940A (zh) * | 2016-08-29 | 2017-02-01 | 北京农业信息技术研究中心 | 农业感知数据稀疏向量采集与空间耦合方法 |
US10133989B1 (en) * | 2013-11-26 | 2018-11-20 | Invent.Ly, Llc | Predictive power management in a wireless sensor network |
CN108924148A (zh) * | 2018-07-18 | 2018-11-30 | 中南大学 | 一种多源信号协同压缩感知数据恢复方法 |
CN208335041U (zh) * | 2018-07-19 | 2019-01-04 | 四川艾欧特智能科技有限公司 | 一种基于NB-IoT的智慧农业物联网 |
CN109445391A (zh) * | 2018-11-08 | 2019-03-08 | 江苏大学 | 一种基于物联网的水产养殖多参数智能监控系统及其方法 |
CN109714814A (zh) * | 2019-02-18 | 2019-05-03 | 南开大学 | 一种无线传感器网络数据传输和恢复的方法 |
-
2019
- 2019-05-22 CN CN201910444396.1A patent/CN110022541A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103327530A (zh) * | 2013-02-05 | 2013-09-25 | 浙江师范大学 | 一种无线传感器网络中的数据传输方法 |
US10133989B1 (en) * | 2013-11-26 | 2018-11-20 | Invent.Ly, Llc | Predictive power management in a wireless sensor network |
CN106375940A (zh) * | 2016-08-29 | 2017-02-01 | 北京农业信息技术研究中心 | 农业感知数据稀疏向量采集与空间耦合方法 |
CN108924148A (zh) * | 2018-07-18 | 2018-11-30 | 中南大学 | 一种多源信号协同压缩感知数据恢复方法 |
CN208335041U (zh) * | 2018-07-19 | 2019-01-04 | 四川艾欧特智能科技有限公司 | 一种基于NB-IoT的智慧农业物联网 |
CN109445391A (zh) * | 2018-11-08 | 2019-03-08 | 江苏大学 | 一种基于物联网的水产养殖多参数智能监控系统及其方法 |
CN109714814A (zh) * | 2019-02-18 | 2019-05-03 | 南开大学 | 一种无线传感器网络数据传输和恢复的方法 |
Non-Patent Citations (3)
Title |
---|
YI XU等: "Low-energy Data Collection In Wireless Sensor Networks Based On Matrix Completion", 《SENSORS》 * |
李玲等: "基于NB-IoT及ZigBee的无线传感器网络网关设计", 《通信技术》 * |
邹志强等: "无线传感器水下监测网络稀疏采样和近似重构", 《仪器仪表学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110531806A (zh) * | 2019-08-01 | 2019-12-03 | 广东工贸职业技术学院 | 一种基于OneNET云平台的设备控制方法和系统 |
CN113411765A (zh) * | 2021-05-22 | 2021-09-17 | 西北工业大学 | 一种基于多传感器协同感知的移动智能终端能耗优化方法 |
CN113411765B (zh) * | 2021-05-22 | 2022-07-26 | 西北工业大学 | 一种基于多传感器协同感知的移动智能终端能耗优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126618B (zh) | 一种基于多源异构系统的联邦学习方法及装置 | |
Yamato | Proposal of vital data analysis platform using wearable sensor | |
US11228501B2 (en) | Apparatus and method for object classification based on imagery | |
CN110022541A (zh) | 一种基于NB-IoT和FPGA的WSN农作物生长环境信息稀疏采集与传输方法 | |
US11341650B2 (en) | Method for accelerating three-dimensional object segmentation with point cloud simplifications | |
EP4033730A1 (en) | Estimating power consumption of different type of radio access technology | |
CN115249073A (zh) | 一种联邦学习方法以及装置 | |
CN108337324A (zh) | 一种插卡式智能云计算中央处理器系统及其数据处理方法 | |
CN104010329A (zh) | 基于量化无偏广播Gossip算法的分布式负载均衡方法 | |
Xian | Internet of things online monitoring system based on cloud computing. | |
Memon et al. | Deep‐DRX: A framework for deep learning–based discontinuous reception in 5G wireless networks | |
Leyva-Mayorga et al. | Satellite edge computing for real-time and very-high resolution earth observation | |
CN108376099A (zh) | 一种优化时延与能效的移动终端计算迁移方法 | |
Dangi et al. | 5G network traffic control: a temporal analysis and forecasting of cumulative network activity using machine learning and deep learning technologies | |
CN114428907A (zh) | 信息搜索方法、装置、电子设备及存储介质 | |
CN106211196B (zh) | 基于马尔科夫随机场的多无人航行体协同一致性方法 | |
Dai et al. | Cost-efficient sharing algorithms for DNN model serving in mobile edge networks | |
Wang et al. | Device sampling and resource optimization for federated learning in cooperative edge networks | |
Pereira et al. | Parallel computational structure and semantics for soil quality analysis based on LoRa and apache spark | |
CN106657328A (zh) | 一种基于云计算技术的无线通信信号分析测量系统 | |
Tam et al. | A Survey of Intelligent End-to-End Networking Solutions: Integrating Graph Neural Networks and Deep Reinforcement Learning Approaches | |
CN109581280A (zh) | 终端自适应在线定位方法、系统及装置 | |
Han et al. | Self-similar traffic prediction scheme based on wavelet transform for satellite internet services | |
CN114220014A (zh) | 显著性目标检测模型的确定方法、装置、设备和介质 | |
Ganchev et al. | Designing a heterogeneous sensor tier for the EMULSION IoT platform |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190716 |