CN112423328A - 水下无线传感网络能量感知数据聚合方法、系统及存储介质 - Google Patents

水下无线传感网络能量感知数据聚合方法、系统及存储介质 Download PDF

Info

Publication number
CN112423328A
CN112423328A CN202011209788.9A CN202011209788A CN112423328A CN 112423328 A CN112423328 A CN 112423328A CN 202011209788 A CN202011209788 A CN 202011209788A CN 112423328 A CN112423328 A CN 112423328A
Authority
CN
China
Prior art keywords
energy
sensor
nodes
node
sensor nodes
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
Application number
CN202011209788.9A
Other languages
English (en)
Inventor
陈巍
郝笑
郭铁铮
陈国军
刘静
高天宇
金俊
许鑫
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202011209788.9A priority Critical patent/CN112423328A/zh
Publication of CN112423328A publication Critical patent/CN112423328A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • 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
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种水下无线传感网络能量感知数据聚合方法、系统及存储介质,方法包括以下步骤：1）确定水下无线传感网络系统中的传感器节点数量、传感器节点坐标；2）计算每个传感器节点的剩余能量；3）决策树桩利用预设阈值将传感器节点分为高能量节点和低能量节点；利用LPBoost算法根据误差率计算出各个弱分类器在最终集成分类器中的权重，进行线性组合，获得精度更高的分类结果；4）依据曼哈顿距离的大小低能量传感器节点将数据汇聚给附近能量较高的传感器节点；5）Sink节点收集来自高能量传感器节点的数据，并将聚集的数据传输到基站。本发明的方法在较好的数据聚合精度下同时可以获得更好的能源利用率和网络寿命。

Description

水下无线传感网络能量感知数据聚合方法、系统及存储介质
技术领域
本发明涉及基于集成学习的水下无线传感网络能量感知数据聚合方法，属于水下无线传感网络领域。
背景技术
水下无线传感网络(UWSNs)往往从传感器节点采集数据，然后选择有效路径将数据发送至水面Sink节点再转发到地面基站，这一数据传输过程称为数据聚合。目前，水下无线传感网络的数据聚合过程对节点的能源消耗很大，重要节点电量过低甚至会造成网络瘫痪。
现有节点数据聚合方法主要包括基于能量和故障感知的多移动代理行程规划(MAEF)和基于区域能量感知的数据收集路由协议(ZEAL)。其中，MAEF提高了能源利用率和数据传输效率，但是不利于延长网络寿命，而ZEAL数据聚合精度有待提高。系统仿真学报,2010,000(012)，蔡玮,陈志军,冯新龙等，公开了《无线传感器网络中多移动代理分组优化算法》，属于多移动代理规划数据聚合方法，在网络寿命上略有不足；计算机工程与设计2017(8)，孙伟,安进,房亚群等，公开了基于网格区域的能量感知的数据收集协议，属于基于区域能量感知的数据聚合方法，相比提出方法在数据聚合精度上略有不足。
发明内容
本发明所要解决的技术问题是：现有水下无线传感网络的数据聚合方法中，数据聚合精度和网络寿命不能兼得，需要获得更好的能源利用率与网络寿命。
为解决上述技术问题，本发明提供一种水下无线传感网络能量感知数据聚合方法，包括以下步骤：
1)确定水下无线传感网络系统中的传感器节点数量、传感器节点坐标；
2)计算水下无线传感器网络中每个传感器节点的剩余能量；
3)采用决策树桩作为弱分类器，决策树桩利用预设阈值将传感器节点分为高能量节点和低能量节点；然后，利用LPBoost算法(线性规划增强算法)根据误差率计算出各个弱分类器在最终集成分类器中的权重，将弱分类器进行线性组合，，获得精度更高的分类结果；
4)经过步骤3)的分类处理后，依据曼哈顿距离的大小低能量传感器节点将数据汇聚给附近能量较高的传感器节点；
5)Sink节点收集来自高能量传感器节点的数据，并将聚集的数据传输到基站。
一种水下无线传感网络能量感知数据聚合系统，包括以下功能模块：
传感器节点数量确定模块：确定水下无线传感网络系统中的传感器节点数量、传感器节点坐标；
剩余能量计算模块：计算水下无线传感器网络中每个传感器节点的剩余能量；
分类模块：采用决策树桩作为弱分类器，决策树桩利用预设阈值将传感器节点分为高能量节点和低能量节点；然后，利用LPBoost算法(线性规划增强算法)根据误差率计算出各个弱分类器在最终集成分类器中的权重，将弱分类器进行线性组合，获得精度更高的分类结果；
汇聚模块：经过步骤3)的分类处理后，依据曼哈顿距离的大小低能量传感器节点将数据汇聚给附近能量较高的传感器节点；
数据传输模块：Sink节点收集来自高能量传感器节点的数据，并将聚集的数据传输到基站。
一种水下无线传感网络能量感知数据聚合系统的存储介质，存储以下功能模块：
传感器节点数量确定模块：确定水下无线传感网络系统中的传感器节点数量、传感器节点坐标；
剩余能量计算模块：计算水下无线传感器网络中每个传感器节点的剩余能量；
分类模块：采用决策树桩作为弱分类器，决策树桩利用预设阈值将传感器节点分为高能量节点和低能量节点；然后，利用LPBoost算法根据误差率计算出各个弱分类器在最终集成分类器中的权重，将弱分类器进行线性组合，获得精度更高的分类结果；
汇聚模块：经过步骤3)的分类处理后，依据曼哈顿距离的大小低能量传感器节点将数据汇聚给附近能量较高的传感器节点；
数据传输模块：Sink节点收集来自高能量传感器节点的数据，并将聚集的数据传输到基站。
本发明所达到的有益效果：
本发明提出了基于决策树桩和线性规划增强算法(LPBoost)集成分类器的能量感知数据聚合方法，首先利用集成分类器对节点能量进行分类，然后低能量节点根据曼哈顿距离将数据发送至最近的高能量节点，高能量节点再经过多跳转发将数据汇聚至水面sink节点，该数据聚合方法经过仿真对比，相比于现有的MAEF方法和ZEAL方法，在较好的数据聚合精度下同时可以获得更好的能源利用率和网络寿命。
附图说明
图1是水下无线传感网络系统模型示意图；
图2是数据聚合方法的整体流程图；
图3是能耗性能仿真结果示意图；
图4是网络寿命仿真结果示意图；
图5是数据聚合精度仿真结果示意图；
图6是数据聚合时间仿真结果示意图；
图7是网络延迟仿真结果示意图；
图8是决策树桩分类精度提升过程示意图；
图9是数据聚合算法伪代码图。
具体实施方式
下面结合附图对本发明的方法作进一步详细的说明。
水下无线传感网络系统模型如图1所示。在水下无线传感网络的数据聚合过程中，以传感器节点随机分布的平方感测区域“AXA”作为系统单元模型，AXA表示以A为边长的平方感测区域，A乘以A代表其面积大小，水下无线传感网络系统包括两种类型的节点：传感器节点(SN)和sink节点，传感器节点用于感知来自环境的信息，并将信息数据传送给Sink节点，Sink节点将收集到的数据包发送到地面基站。
为了提高节点分类效率，本发明提出一种基于集成学习的水下无线传感网络能量感知数据聚合方法，是一种能量感知决策树桩和LPBoost算法相结合的节点分类方法。所述决策树桩是利用单个指标进行分类的决策树，是一种弱分类器，分类速度较快但是分类性能较低，因此利用LPBoost算法集成多个弱分类器为一个强分类器以获取更好的分类性能，从而实现水下无线传感网络中数据采集的可靠性。
本发明的一种水下无线传感网络能量感知数据聚合方法，整体流程如图2所示，包括以下步骤：
1)确定水下无线传感网络系统中的传感器节点数量、传感器节点坐标；
2)计算水下无线传感器网络中每个传感器节点的剩余能量；
3)采用决策树桩作为弱分类器，决策树桩利用预设阈值将传感器节点分为高能量节点和低能量节点；然后，LPBoost算法(线性规划增强算法)根据误差率计算出各个弱分类器在最终集成分类器中的权重，将弱分类器进行线性组合，获得精度更高的分类结果；
4)经过步骤3)的分类处理后，依据曼哈顿距离的大小低能量传感器节点将数据汇聚给附近能量较高的传感器节点；
5)Sink节点收集来自高能量传感器节点的数据，并将聚集的数据传输到基站。
本发明的数据聚合方法中，参数定义如下：
Figure BDA0002758435750000051
表示传感器节点剩余能量；
Etot表示节点总能量；
Econ表示节点消耗能量；
δ表示阈值；
si表示传感器节点；s1,s2,s3,...sN表示一组传感器节点；N表示传感器数量；
dp1,dp2,….dpM表示一组数据包；M表示数据包数量；
w表示决策树桩分类器结果；
n表示决策树桩结果数；
L表示强分类器输出；
wi表示所有决策树桩分类器的输出；
qt表示训练前分配的等权重；
ter表示训练误差；
ri表示决策树桩分类器的实际结果；
q′t表示更新后决策树桩的权重；
αn表示松弛变量yi
m表示边距；
C表示惩罚因子；
Dij表示两个传感器节点之间的曼哈顿距离。
在步骤1中，首先给定节点的训练数据集(x1,y1),....(xk,yk),其中xi代表示节点能量特征值，yi∈[-1,1]，i＝1，...，k，yi表示类别标签；k表示数据集大小，用于训练决策树桩；
步骤2，在能量特征值计算中：假设所有的传感器节点在初始定位时都具有相等的能量，则每个传感器节点的消耗能量Econ按功率和时间的乘积来计算，计算公式如下：
Econ＝[power*time] (6)
power为功率，time为时间。
步骤3中，计算剩余能量，上述公式(6)中，Econ表示传感器节点在工作过程中消耗的能量，随着能量消耗，使用以下公式计算传感器节点的剩余能量，
Figure BDA0002758435750000061
上述公式(7)中，
Figure BDA0002758435750000062
表示传感器节点的剩余能量，Etot表示传感器节点的总能量，Econ表示节点消耗的能量(单位：J)，根据计算出的剩余能量水平，模型中使用决策树桩对传感器节点进行初步分类；
步骤4中，进行类别区分，决策树桩预先定义剩余电量的阈值，然后，决策树桩将每个传感器节点的剩余能量与阈值进行比较，如果传感器节点的剩余能量
Figure BDA0002758435750000063
大于阈值δ，则传感器节点Si被分类为较高能量节点，否则，传感器节点Si被分类为低能量节点；
基于此，决策树桩分类器执行过程的数学表示如下：
Figure BDA0002758435750000064
公式(8)中，
Figure BDA0002758435750000071
表示传感器节点的剩余能量水平，δ表示阈值，决策树桩将输入的所有传感器节点分为不同的类别，然而，决策树桩存在训练误差，节点分类的精度不足。
为了提高分类精度，在利用LPBoost算法进行集成学习过程中，利用线性规划方法来获取决策树桩的最佳线性联合，所有弱分类器的权重在迭代中不断调整，最终决策树桩的n个分类结果集成为强分类器，强分类器输出L表式为：
Figure BDA0002758435750000072
上述公式(9)中，L表示强分类器输出，wi表示所有决策树桩的分类输出结果，然后，初始化权值分布，先分配相等权重qt＝1/n给各弱分类器，初始化权重如下：
Figure BDA0002758435750000073
然后通过多次样本训练，根据训练误差大小不断迭代权重值，各弱分类器权重之和始终等于1，利用式(11)确定每个决策树桩的训练误差：
ter＝(ri-wi)2 (11)
上式(11)中，ter表示训练误差，ri表示决策树桩弱分类的实际结果；
根据计算的训练误差，更新每个决策树桩结果对应的初始权重，如果决策树桩对传感器节点分类与对应训练数据标签一致，则降低节点的权重；当决策树桩对传感器节点的分类结果与训练数据标签不一致，则增加其对应权重，决策树桩的更新权重表示为q′t，因此，强分类器输出结果通过以式(12)获得：
Figure BDA0002758435750000074
为了在误差最小的情况下获得更好的节点分类性能，利用式(13)计算不同类别传感器之间的边距，
Figure BDA0002758435750000081
其中αn≥0 (13)
式(13)中，αn表示松弛变量，m表示类的边距，将整个传感器节点划分为特定的类别，从而降低了节点分类的误报率。
综上，LPBoost算法集成学习的表达如下：
Figure BDA0002758435750000082
Figure BDA0002758435750000083
Figure BDA0002758435750000084
Figure BDA0002758435750000085
是目标函数，目标函数越小则线性不可分状况就越少，
Figure BDA0002758435750000086
表示右边的目标函数受下面三个变量约束；
α为松弛变量，允许错分样本的存在；C是惩罚因子，是正常量；n为决策树桩结果数，s.t.表示约束条件；
步骤5中，传感器节点被分为高能量传感器节点和低能量传感器节点在完成分类过程后，能量较小的传感器节点通过曼哈顿距离公式计算距离，将数据包传送到曼哈顿距离最小的高能传感器节点，传感器节点之间的曼哈顿距离使用以下公式计算：
Figure BDA0002758435750000087
式14)中，Dij表示传感器节点一Si和传感器节点二Sj之间的曼哈顿距离；
在计算出曼哈顿距离测量值后，低能量传感器节点将数据广播给相邻的高能量传感器节点。
最后，sink节点高效地收集无线网络中高能传感器节点的所有数据包。因此，本数据聚合模型在无线网络中以较低的能量利用率获得可靠的数据采集。数据聚合模型的伪代码如图9。
下面对仿真结果进行分析。利用一种型号为NS2.34的网络仿真器运行所提出的算法，仿真评估水下无线传感网络的数据聚合性能，设定无线传感器网络部署水域面积为A2(1200m*1200m)，表1为模拟仿真参数表，表中为网络仿真器的配置，模拟了无线传感器网络部署的环境，仿真系统从能量消耗、数据聚合精度、网络寿命、延迟和数据聚合时间等维度，与现有的基于多移动代理行程规划的能量和故障感知数据聚合(MAEF)技术和基于区域的能量感知数据收集路由协议(ZEAL)进行了比较，以验证本发明方法的有效性。
表1
Figure BDA0002758435750000091
Figure BDA0002758435750000101
(1)能耗性能评估
在本模型中，能量消耗EC决定了传感器节点收集无线传感器网络数据包所消耗的能量，能量消耗EC的数学计算如式(1)：
EC＝N*energy(Si) (1)
式(1)中，EC表示模拟过程中考虑的传感器节点总能量，energy(Si)是指单个传感器节点在网络中收集数据所使用的能量，能量消耗用焦耳(J)表示，N表示传感器节点数量。
本发明方法、MAEF模型与ZEAL模型三种模型在不同规模的传感器节点数目下的能耗性能仿真结果如图3所示。可见，本发明所提出的算法模型在节点规模增加的情况下，始终保持最小的能量消耗，相比MAEF模型与ZEAL模型，本发明的方法分别降低了26％和17％的能耗。
(2)网络寿命性能评估
在本方法中，计算分类为高能量的传感器节点数与传感器节点总数的比值NLNL来评估网络寿命，数学计算如下：
Figure BDA0002758435750000102
从上面的数学表示(2)，N表示传感器节点的总数，NHENS表示分类为高能量的传感器节点数目，网络寿命评估指标以百分比(％)来确定。
三种模型在不同规模的节点数目下的网络生存周期仿真结果如图4所示,可见，本发明所提出的算法模型在节点规模增加的情况下，实现了更高的网络生存周期，相比MAEF模型与ZEAL模型，本发明的方法模型的网络寿命分别提高了9％和10％。
(3)数据聚合精度性能评估
在本模型中，采用接收器节点正确聚合的数据包数与传输的数据包总数的比率来评估数据聚合精度DAA，DDA数据聚合精度的数学度量如下：
Figure BDA0002758435750000111
式(3)中，NDCC表示正确收集的数据包的数量，ndp表示数据包的总数，数据聚合精度以百分比(％)计算。
三种模型在不同规模的节点数目下的数据聚合精度仿真结果如图5所示。可见，本发明方法的模型通过只选取高能量节点进行数据采集的多跳转发，在不丢失任何信息的情况下有效提高了数据聚合的精度。相比MAEF模型与ZEAL模型，本发明的方法模型的数据聚合精度分别提高了10％和16％。
(4)数据聚合时间性能评估
在本发明的方法模型中，通过计算汇聚节点从高能传感器节点收集数据包所花费的时间来评估数据聚合时间DAT，数据聚合时间的数学计算如下：
DAT＝M*time(AD) (4)
式(4)中，M表示数据包的总数，而time(AD)表示收集数据包所用的时间，数据聚合时间以毫秒(ms)为单位进行测量。
三种模型在不同规模的数据包规模下的数据聚合时间仿真结果如图6所示。如图所示，在数据包规模增加的情况下，本模型通过将数据包发送到网络中最近的高能量节点，以耗费较少的数据聚合时间。相比MAEF模型与ZEAL模型，本发明的方法模型分别减少了37％和18％的数据聚合时间。
(5)网络延迟性能评估
延迟定义为无线传感器网络中数据聚合的期望时间与实际时间的差。延迟在数学上表示为，
Delay＝Actual time-Expected time (5)
通过式(5)，计算无线传感器网络中数据聚合期间的延迟，当数据聚合过程中达到最小延迟时，这些方法被认为是更有效的方法,Actualtime为实际耗时，Expecttime为期望耗时。
三种模型在不同规模的数据包规模下的网络延迟仿真结果如图7所示，在数据包规模增加的情况下，本发明的方法模型通过将数据包发送到网络中最近的高能量节点，以较短的延迟完成数据聚合。相比MAEF模型与ZEAL模型，本模型分别减少了39％和30％的网络延迟。
一种水下无线传感网络能量感知数据聚合系统，包括以下功能模块：
传感器节点数量确定模块：确定水下无线传感网络系统中的传感器节点数量、传感器节点坐标；
剩余能量计算模块：计算水下无线传感器网络中每个传感器节点的剩余能量；
分类模块：采用决策树桩作为弱分类器，决策树桩利用预设阈值将传感器节点分为高能量节点和低能量节点；然后，利用LPBoost算法根据误差率计算出各个弱分类器在最终集成分类器中的权重，将弱分类器进行线性组合，获得精度更高的分类结果；
汇聚模块：经过步骤3)的分类处理后，依据曼哈顿距离的大小低能量传感器节点将数据汇聚给附近能量较高的传感器节点；
数据传输模块：Sink节点收集来自高能量传感器节点的数据，并将聚集的数据传输到基站。
一种水下无线传感网络能量感知数据聚合系统的存储介质，存储以下功能模块：
传感器节点数量确定模块：确定水下无线传感网络系统中的传感器节点数量、传感器节点坐标；
剩余能量计算模块：计算水下无线传感器网络中每个传感器节点的剩余能量；
分类模块：采用决策树桩作为弱分类器，决策树桩利用预设阈值将传感器节点分为高能量节点和低能量节点；然后，利用LPBoost算法根据误差率计算出各个弱分类器在最终集成分类器中的权重，将弱分类器进行线性组合，获得精度更高的分类结果；
汇聚模块：经过步骤3)的分类处理后，依据曼哈顿距离的大小低能量传感器节点将数据汇聚给附近能量较高的传感器节点；
数据传输模块：Sink节点收集来自高能量传感器节点的数据，并将聚集的数据传输到基站。
本发明的方法以较短的时间和最小的训练误差提供了更好的节点分类精度。首先通过分类找到能量较高和能量较低的传感器节点，发现最近的高能量节点来聚集传感器网络中的数据包。与传统的工作方式相比，可以在最短的时间内以更高的精度实现节能的数据聚合。
以上实施例仅用于说明本发明的技术方案，而非对其限制。尽管参照实施例对本发明的内容作了详细说明，本领域的普通技术人员应当理解：其依然可对前述各实施例记载的方案进行修改，或者对其中技术部分特征进行同等替换；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)

1.一种水下无线传感网络能量感知数据聚合方法，其特征在于，包括以下步骤：
1)确定水下无线传感网络系统中的传感器节点数量、传感器节点坐标；
2)计算水下无线传感器网络中每个传感器节点的剩余能量；
3)采用决策树桩作为弱分类器，决策树桩利用预设阈值将传感器节点分为高能量节点和低能量节点；然后，利用LPBoost算法根据误差率计算出各个弱分类器在最终集成分类器中的权重，将弱分类器进行线性组合，获得精度更高的分类结果；
4)经过步骤3)的分类处理后，依据曼哈顿距离的大小低能量传感器节点将数据汇聚给附近能量较高的传感器节点；
5)Sink节点收集来自高能量传感器节点的数据，并将聚集的数据传输到基站。
2.根据权利要求1所述的水下无线传感网络能量感知数据聚合方法，其特征在于：
在步骤1)中，给定节点的训练数据集(x1，y1)，....(xk，yk)，其中xi表示节点能量特征值，yi∈[-1，1]，i＝1，…，k，yi表示类别标签；k表示数据集大小，用于训练决策树桩。
3.根据权利要求1所述的水下无线传感网络能量感知数据聚合方法，其特征在于：
在步骤2)中，假设所有的传感器节点在初始定位时都具有相等的能量，则每个传感器节点的消耗能量Econ按功率和时间的乘积来计算，计算公式如下：
Econ＝[power*time] (6)
power为功率，time为时间。
4.根据权利要求1所述的水下无线传感网络能量感知数据聚合方法，其特征在于：
在步骤3)中，使用式(7)计算传感器节点的剩余能量：
Figure FDA0002758435740000021
Figure FDA0002758435740000022
表示传感器节点的剩余能量，Etot表示传感器节点的总能量，Econ表示节点消耗的能量。
5.根据权利要求1所述的水下无线传感网络能量感知数据聚合方法，其特征在于：
在步骤4)中，决策树桩预先定义剩余电量的阈值，然后决策树桩将每个传感器节点的剩余能量与阈值进行比较，如果传感器节点的剩余能量
Figure FDA0002758435740000025
大于阈值δ，则传感器节点Si被分类为较高能量节点，否则，传感器节点Si被分类为低能量节点；
在利用LPBoost算法进行集成学习过程中，利用线性规划方法获取决策树桩的最佳线性联合，所有弱分类器的权重在迭代中不断调整，最终决策树桩的n个分类结果集成为强分类器，强分类器输出L表式为：
Figure FDA0002758435740000023
L表示强分类器输出，wi表示所有决策树桩的分类输出结果；
初始化权值分布，先分配相等权重qt＝1/n给各弱分类器，初始化权重如下：
qt＝(1/n，...，1/n)，
Figure FDA0002758435740000024
再通过多次样本训练，根据训练误差大小不断迭代权重值，各弱分类器权重之和始终等于1，利用式(11)确定每个决策树桩的训练误差：
ter＝(ri-wi)2 (11)
ter表示训练误差，ri表示决策树桩弱分类的实际结果；
根据计算的训练误差，更新每个决策树桩结果对应的初始权重，如果决策树桩对传感器节点分类与对应训练数据标签一致，则降低节点的权重；当决策树桩对传感器节点的分类结果与训练数据标签不一致，则增加其对应权重，决策树桩的更新权重表示为q′t，因此，强分类器输出结果通过以式(12)获得：
Figure FDA0002758435740000031
利用式(13)计算不同类别传感器之间的边距，
Figure FDA0002758435740000032
式(13)中，αn表示松弛变量，m表示类的边距，将整个传感器节点划分为特定的类别。
6.一种水下无线传感网络能量感知数据聚合系统，其特征在于，包括以下功能模块：
传感器节点数量确定模块：确定水下无线传感网络系统中的传感器节点数量、传感器节点坐标；
剩余能量计算模块：计算水下无线传感器网络中每个传感器节点的剩余能量；
分类模块：采用决策树桩作为弱分类器，决策树桩利用预设阈值将传感器节点分为高能量节点和低能量节点；然后，利用LPBoost算法根据误差率计算出各个弱分类器在最终集成分类器中的权重，将弱分类器进行线性组合，获得精度更高的分类结果；
汇聚模块：经过步骤3)的分类处理后，依据曼哈顿距离的大小低能量传感器节点将数据汇聚给附近能量较高的传感器节点；
数据传输模块：Sink节点收集来自高能量传感器节点的数据，并将聚集的数据传输到基站。
7.一种水下无线传感网络能量感知数据聚合系统的存储介质，存储以下功能模块：
传感器节点数量确定模块：确定水下无线传感网络系统中的传感器节点数量、传感器节点坐标；
剩余能量计算模块：计算水下无线传感器网络中每个传感器节点的剩余能量；
分类模块：采用决策树桩作为弱分类器，决策树桩利用预设阈值将传感器节点分为高能量节点和低能量节点；然后，利用LPBoost算法根据误差率计算出各个弱分类器在最终集成分类器中的权重，将弱分类器进行线性组合，获得精度更高的分类结果；
汇聚模块：经过步骤3)的分类处理后，依据曼哈顿距离的大小低能量传感器节点将数据汇聚给附近能量较高的传感器节点；
数据传输模块：Sink节点收集来自高能量传感器节点的数据，并将聚集的数据传输到基站。
CN202011209788.9A 2020-11-03 2020-11-03 水下无线传感网络能量感知数据聚合方法、系统及存储介质 Pending CN112423328A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011209788.9A CN112423328A (zh) 2020-11-03 2020-11-03 水下无线传感网络能量感知数据聚合方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011209788.9A CN112423328A (zh) 2020-11-03 2020-11-03 水下无线传感网络能量感知数据聚合方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN112423328A true CN112423328A (zh) 2021-02-26

Family

ID=74827342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011209788.9A Pending CN112423328A (zh) 2020-11-03 2020-11-03 水下无线传感网络能量感知数据聚合方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112423328A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104981002A (zh) * 2015-05-07 2015-10-14 水利部南京水利水文自动化研究所 一种无线传感器网络中汇聚节点的位置确定方法
CN105654210A (zh) * 2016-02-26 2016-06-08 中国水产科学研究院东海水产研究所 一种利用海洋遥感多环境要素的集成学习渔场预报方法
US20180096261A1 (en) * 2016-10-01 2018-04-05 Intel Corporation Unsupervised machine learning ensemble for anomaly detection
CN108112050A (zh) * 2018-01-18 2018-06-01 山东大学 基于水下无线传感网络的能量平衡和深度控制的路由协议
CN110572822A (zh) * 2019-08-29 2019-12-13 河海大学常州校区 基于决策树的水下无线传感器网络中的信任更新方法
CN110996349A (zh) * 2019-11-09 2020-04-10 天津大学 一种基于水下无线传感器网络多级传输策略生成方法
CN111079639A (zh) * 2019-12-13 2020-04-28 中国平安财产保险股份有限公司 垃圾图像分类模型构建的方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104981002A (zh) * 2015-05-07 2015-10-14 水利部南京水利水文自动化研究所 一种无线传感器网络中汇聚节点的位置确定方法
CN105654210A (zh) * 2016-02-26 2016-06-08 中国水产科学研究院东海水产研究所 一种利用海洋遥感多环境要素的集成学习渔场预报方法
US20180096261A1 (en) * 2016-10-01 2018-04-05 Intel Corporation Unsupervised machine learning ensemble for anomaly detection
CN108112050A (zh) * 2018-01-18 2018-06-01 山东大学 基于水下无线传感网络的能量平衡和深度控制的路由协议
CN110572822A (zh) * 2019-08-29 2019-12-13 河海大学常州校区 基于决策树的水下无线传感器网络中的信任更新方法
CN110996349A (zh) * 2019-11-09 2020-04-10 天津大学 一种基于水下无线传感器网络多级传输策略生成方法
CN111079639A (zh) * 2019-12-13 2020-04-28 中国平安财产保险股份有限公司 垃圾图像分类模型构建的方法、装置、设备及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHIH-MIN CHAO 等: "Design of Structure-Free and Energy-Balanced Data Aggregation in Wireless Sensor Networks", 《2009 11TH IEEE INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE COMPUTING AND COMMUNICATIONS》, 17 July 2009 (2009-07-17) *
DEMIRIZ, A 等: "Linear programming boosting via column generation", 《MACHINE LEARNING》, 31 December 2002 (2002-12-31) *
S.KOKILAVANI SANKARALINGAM 等: "Energy aware decision stump linear programming boosting node classification based data aggregation in WSN", 《COMPUTER COMMUNICATIONS》, 7 March 2020 (2020-03-07), pages 1 - 9 *
张建明;宋迎清;周四望;欧阳竟成;: "无线传感器网络中数据汇聚技术的研究", 计算机应用, no. 06, 10 June 2006 (2006-06-10) *
成国营;王艳;: "无线传感器网络中多移动Agent协同控制数据分流方法", 计算机应用, no. 04, 10 April 2015 (2015-04-10) *
许允喜 等: "基于支持向量机增量学习和LPBoost的人体目标再识别算法", 《光子学报》, vol. 40, no. 5, 22 September 2011 (2011-09-22), pages 1 - 6 *

Similar Documents

Publication Publication Date Title
CN105117602B (zh) 一种计量装置运行状态预警方法
CN112749904B (zh) 基于深度学习的配电网故障风险预警方法及系统
Dong et al. An Intrusion Detection Model for Wireless Sensor Network Based on Information Gain Ratio and Bagging Algorithm.
Feng et al. Using exploratory regression to identify optimal driving factors for cellular automaton modeling of land use change
CN108289285B (zh) 一种海洋无线传感器网络丢失数据恢复与重构方法
CN114022035B (zh) 一种城市热岛效应内建筑物碳排放评估方法
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
CN117390403B (zh) 一种新能源灯塔发电站的电网故障检测方法及系统
CN103473621A (zh) 风电场短期功率预测方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN106208046A (zh) 一种考虑发电环境成本的潮汐流能发电场机组布局方法
US20220156795A1 (en) Segment content optimization delivery system and method
CN102938562A (zh) 一种区域内风电总功率的预测方法
CN110738253A (zh) 一种基于FCM和AFSA-Elman的短期风电功率预测方法
CN109951468A (zh) 一种基于f值优化的网络攻击检测方法与系统
CN115617784A (zh) 一种信息化配电的数据处理系统及其处理方法
CN117792987B (zh) 基于边缘计算的应急通信通道分流方法
CN110210756A (zh) 一种计及污染物扩散里程的电力系统经济调度方法
CN107577896B (zh) 基于混合Copula理论的风电场多机聚合等值方法
CN117952598A (zh) 一种基于故障率近似的能源系统安全性评估分析方法及装置
CN112434887B (zh) 一种结合网络核密度估计和svm的供水管网风险预测方法
CN112423328A (zh) 水下无线传感网络能量感知数据聚合方法、系统及存储介质
CN105678456B (zh) 一种电能计量装置运行状态自动评估方法及其系统
CN111988814A (zh) 一种采用改进变分自编码器评估链路质量的方法
CN115619013A (zh) 多传感器信息融合火灾预测算法、系统、电子设备及介质

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