CN112929880B - 无线传感器网络的分布式融合估计方法 - Google Patents

无线传感器网络的分布式融合估计方法 Download PDF

Info

Publication number
CN112929880B
CN112929880B CN202110354211.5A CN202110354211A CN112929880B CN 112929880 B CN112929880 B CN 112929880B CN 202110354211 A CN202110354211 A CN 202110354211A CN 112929880 B CN112929880 B CN 112929880B
Authority
CN
China
Prior art keywords
estimation data
self
neighbor
data
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.)
Active
Application number
CN202110354211.5A
Other languages
English (en)
Other versions
CN112929880A (zh
Inventor
秦家虎
付维明
马麒超
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202110354211.5A priority Critical patent/CN112929880B/zh
Publication of CN112929880A publication Critical patent/CN112929880A/zh
Application granted granted Critical
Publication of CN112929880B publication Critical patent/CN112929880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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

本公开提供了一种无线传感器网络的分布式融合估计方法，包括以下步骤：操作S1，设置各个节点之间的通信关系；操作S2，测得自身估计数据；操作S3，分别获取邻居估计数据；操作S4，确定邻居估计数据集合；操作S5，根据邻居估计数据集合更新自身估计数据；操作S6，重复操作S3至操作S5，自身估计数据收敛并趋于一致，停止操作。上述分布式融合估计方法大大降低了能量消耗，根据邻居估计数据集合更新自身估计数据的方式具有较好的可扩展性和自组织性，此种更新方式的容错性和可靠性较高，该方法尽可能地降低了欺骗攻击对最终估计结果的影响，使无线传感器网络具有较强的鲁棒性。

Description

无线传感器网络的分布式融合估计方法
技术领域
本公开涉及分布式信息处理领域，尤其涉及一种无线传感器网络的分布式融合估计方法。
背景技术
无线传感器网络是由部署在检测区域内大量的廉价微型传感器节点组成，通过无线通信方式形成的一个多跳的自组织的网络系统，以协作地感知、采集、处理和传输网络覆盖地理区域内被感知对象的信息。它可以用来完成环境监测、目标定位、军事监控等任务，应用领域包括军事、航空、救灾、医疗、家居、工业等。
无线传感器网络对未知物理量进行观测并利用融合估计算法对其估计，可以有效避免单个传感器错误率高、不确定性大等局限性，提高无线传感器网络参数估计的鲁棒性和精确性。传统的多传感器融合估计算法是通过融合中心收集所有节点的观测信息并进行相应处理。这种方法一方面由于网络结构和通信带宽等的限制，会带来大量的能量消耗，另一方面由于中心节点的存在，容错性和可靠性会大大降低。无线传感器网络中传感器节点进行无线通信时，由于无线网络的开放性，节点发送的数据可能会遭受欺骗攻击，从而可以被修改成任意值，造成融合估计算法失效的问题。
发明内容
(一)要解决的技术问题
本公开提出了一种无线传感器网络的分布式融合估计方法，以至少解决上述现有技术中存在的问题。
(二)技术方案
为达到上述目的，本公开提供了一种无线传感器网络的分布式融合估计方法，其中，包括以下步骤：
操作S1：设置无线传感器网络中N个传感器节点之间的通信关系，其中，N为大于等于1的整数；
操作S2：测得每个传感器节点的自身估计数据；
操作S3：每个传感器节点分别获取邻居估计数据，邻居估计数据表征为每个传感器节点在无线传感器网络中具有通信关系的传感器节点的自身估计数据；
操作S4：根据无线传感器网络受欺骗攻击状态对每个传感器节点获取的邻居估计数据进行筛选，确定每个传感器节点的邻居估计数据集合；
操作S5：每个传感器节点根据邻居估计数据集合更新自身估计数据；
操作S6：重复操作S3至操作S5，无线传感器网络中每个传感器节点的自身估计数据收敛并趋于一致，停止操作。
可选地，操作S1包括：
操作S11：在无线传感器网络中选取4F+1个第一无线传感器节点，设置4F+1个第一无线传感器节点之间的相互通信关系，构成第一通信拓扑；其中，F为所述无线传感器网络中每个所述传感器节点的最大受欺骗攻击通信关系的个数，4F+1≤N，F为大于等于0的整数；
操作S12：在第一通信拓扑上添加第二无线传感器节点；设置第一通信拓扑中至少有2F+1个第一无线传感器节点能够与第二无线传感器节点通信；
操作S13：重复操作S12，直至第二无线传感器节点的个数与第一无线传感器节点的个数之和为N。
可选地，操作S2包括：
收集每个传感器节点测得的传感器节点的自身节点估计数据为：
ei(k)＝x+wi
其中，x为传感器节点i测得的真实数据，wi为传感器节点i测得的噪声数据，ei(k)为传感器节点i在第k步测得的自身节点估计数据，i为大于等于1的整数，k为大于等于0的整数。
可选地，操作S4包括：
操作S41：将邻居估计数据和自身估计数据按照由大到小的顺序进行排序，得到第一排序集合；
操作S42：邻居估计数据大于自身估计数据的个数P大于F，则删除第一排序集合中前F个邻居估计数据，得到邻居估计数据集合。
可选地，操作S4包括：
操作S43：将邻居估计数据和自身估计数据按照由小到大的顺序或由大到小的顺序进行排序，得到第二排序集合；
操作S44：邻居估计数据大于自身估计数据的个数P小于F，则删除第二排序集合中大于自身估计数据的邻居估计数据，得到邻居估计数据集合。
可选地，操作S4包括：
操作S45：将邻居估计数据和自身估计数据按照由小到大的顺序进行排序，得到第三排序集合；
操作S46：邻居估计数据小于自身估计数据的个数Q大于F，则删除第三排序集合中前F个邻居估计数据，得到邻居估计数据集合。
可选地，操作S4包括：
操作S47：将邻居估计数据和自身估计数据按照由小到大的顺序或由大到小的顺序进行排序，得到第四排序集合；
操作S48：邻居估计数据小于自身估计数据的个数Q小于F，则删除第四排序集合中小于自身估计数据的邻居估计数据，得到邻居估计数据集合。
可选地，根据邻居估计数据集合更新自身估计数据，得到传感器节点更新后的自身节点估计数据：
Figure GDA0003450293480000031
其中，ei(k+1)为传感器节点i于更新后的自身节点估计数据，
Figure GDA0003450293480000032
为传感器节点i接收到的与传感器节点i具有通信关系的传感器节点j的估计数据，Ri(k)为与传感器节点i具有通信关系的传感器节点j的集合。
可选地，操作S6中还包括：设置操作S3至操作S5的重复次数。
可选地，无线传感器网络选用二元组G＝(V，E)，其中V＝{1，2，…，N}表示N个传感器节点的集合，
Figure GDA0003450293480000033
表示通信链路。
(三)有益效果
从上述技术方案可以看出，本公开的一种无线传感器网络的分布式融合估计方法至少具有以下有益效果其中之一或其中一部分：
(1)本公开中的无线传感器网络中的每个传感器节点仅需分别获取邻居估计数据，此种方式大大降低了能量消耗。
(2)本公开中的每个传感器节点的自身估计数据的更新只依赖邻居估计数据，具有较好的可扩展性和自组织性，此种更新方式的容错性和可靠性较高。
(3)本公开的分布式融合估计方法采用相应的极端值删除方法，大大增强了无线传感器网络对欺骗攻击的抵御能力，尽可能地降低了欺骗攻击对最终估计结果的影响，使无线传感器网络具有较强的鲁棒性。
附图说明
图1是本公开实施例中的无线传感器网络分布式融合估计方法流程图；
图2是本公开实施例中的无线传感器节点之间的通信拓扑图；
图3是本公开实施例中的无线传感器节点自身估计数据演化曲线图。
具体实施方式
本公开提供了一种无线传感器网络的分布式融合估计方法，包括以下步骤：操作S1：设置无线传感器网络中N个传感器节点之间的通信关系；操作S2：测得每个传感器节点的自身估计数据；操作S3：每个传感器节点分别获取邻居估计数据；操作S4：根据无线传感器网络受欺骗攻击状态对每个传感器节点获取的邻居估计数据进行筛选，确定每个传感器节点的邻居估计数据集合；操作S5：每个传感器节点根据邻居估计数据集合更新自身估计数据；操作S6：重复操作S3至操作S5，无线传感器网络中每个传感器节点的自身估计数据收敛并趋于一致，停止操作。
上述分布式融合估计方法中的每个传感器节点仅需分别获取邻居估计数据即可，而不需要将所有传感器节点的估计数据全部获取，此种方式大大降低了能量消耗。同时，根据邻居估计数据集合更新自身估计数据的方式具有较好的可扩展性和自组织性，此种更新方式的容错性和可靠性较高。该分布式融合估计方法尽可能地降低了欺骗攻击对最终估计结果的影响，使无线传感器网络具有较强的鲁棒性。
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开作进一步的详细说明。但是，本公开能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本公开的范围完全地传递给本领域技术人员。
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
以下实施例针对遭受欺骗攻击的无线传感器网络，搭建一个足够鲁棒的无线传感器网络结构，并设计了一种分布式融合估计方法，以尽可能减少欺骗攻击对最终估计结果的影响。
本公开提供了一种无线传感器网络的分布式融合估计方法，该方法的具体流程如图1所示，该方法包括：操作S1：设置无线传感器网络中N个传感器节点之间的通信关系；操作S2：测得每个传感器节点的自身估计数据；操作S3：每个传感器节点分别获取邻居估计数据；操作S4：根据无线传感器网络受欺骗攻击状态，对每个传感器节点获取的邻居估计数据进行筛选，确定每个传感器节点的邻居估计数据集合；操作S5：每个传感器节点根据邻居估计数据集合更新自身估计数据；操作S6：重复操作S3至操作S5，无线传感器网络中每个传感器节点的自身估计数据收敛并趋于一致，停止操作；或设定重复次数，按照该设定的重复次数依次执行操作S3至操作S4。
本公开实施例中的无线传感器网络的目的是为了测量室温，取真实室温x为25℃，受到欺骗攻击的传感器节点温度为27℃，该无线传感器网络中传感器节点个数N为8，每个所述传感器节点的最大受欺骗攻击通信关系的个数F为1，如图1所示，该分布式融合估计方法的具体步骤如下。
操作S1：设置无线传感器网络中8个传感器节点之间的通信关系。
首先，对无线传感器网络中的8个传感器节点分别编号为1、2、3……8。如图2所示，上述无线传感器网络中选取5个传感器节点，作为第一传感器节点，上述传感器节点个数由公式4F+1计算得出(其中F＝1)，例如本实施例选取的是编号分别为1、2……5的传感器节点，设置上述5个传感器节点之间的通信关系，使得这5个第一传感器节点之间可以相互通信。上述可相互通信的5个第一传感器节点构成一组通信拓扑。
在该无线传感器网络中且除上述通信拓扑之外的传感器节点中，例如6、7和8，随机选取一个新的传感器节点，作为第二传感器节点，本实施例中首先选取的是编号为6的传感器节点，设置6号传感器节点至少可以与上述通信拓扑中的2F+1个传感器节点通信，其中F＝1，(例如6号传感器节点可与1、2、3和5号传感器节点通信)；按照同6号传感器节点相类似的通信关系设置方法，继续选取编号为7和8的传感器节点，例如设置7号传感器节点可与3、5和6号传感器节点通信，设置8号传感器节点可与1、4和7号传感器节点通信。通过以上步骤，将所有8个无线传感器节点全部添加至通信拓扑中，最终得到的8个无线传感器节点构成的无线传感器网络，如图2所示。
为描述方便，本实施例用二元组G＝(V，E)表示该通信网络，其中V＝{1，2，…，8}表示8个所述传感器节点的集合，
Figure GDA0003450293480000061
表示通信链路。具体地(i，j)∈E表示传感器节点i可以向传感器节点j发送信息，记传感器节点i的出邻居为
Figure GDA0003450293480000062
(其中，
Figure GDA0003450293480000063
表示传感器节点i向邻居传感器节点发送自身估计数据)，记传感器节点i的入邻居为
Figure GDA0003450293480000064
Figure GDA0003450293480000071
(其中，
Figure GDA0003450293480000072
表示邻居传感器节点j向传感器节点i发送邻居估计数据)。在本发明实施例中，V＝{1，2，…，8}，E＝{(1，2)，(1，3)，(1，4)，(1，5)，(1，8)，(2，1)，(2，3)，(2，4)，(2，5)，(2，6)，(3，1)，(3，2)，(3，4)，(3，5)，(3，6)，(3，7)，(4，1)，(4，2)，(4，3)，(4，5)，(4，8)，(5，1)，(5，2)，(5，3)，(5，4)，(5，6)，(5，7)，(6，1)，(6，2)，(6，5)，(6，7)，(7，8)，(8，1)}。
通过以上无线传感器网络中传感器节点的通信关系的设置方法，可使其中每个传感器节点仅需分别获取邻居估计数据即可，而不需要将所有传感器节点的估计数据全部获取，此种方式大大降低了能量消耗。
其次，收集每个传感器节点在第k步测得的传感器节点的自身节点估计数据，用如下公式表示：
ei(k)＝x+wi
其中，在本实施例中，x表示传感器节点i所测得的真实温度数据为25℃，wi取均值为0且标准差为1的高斯白噪声，i为大于等于1的整数，k为大于等于0的整数。
再次，对上述无线传感器网络引入极端值删除机制，当邻居传感器节点为受到欺骗攻击时，传感器节点i接收到的邻居估计数据为27℃，具体步骤如下。
将邻居估计数据
Figure GDA0003450293480000073
和自身估计数据
Figure GDA0003450293480000074
按照由大到小的顺序进行排序，得到第一排序集合。若邻居估计数据大于自身估计数据的个数P大于F，则删除第一排序集合中前F个邻居估计数据，得到邻居估计数据集合。例如，P为3，F为2(由于P大于F)，故删除第一排序集合中前两个邻居估计数据，得到邻居估计数据集合。
将邻居估计数据
Figure GDA0003450293480000075
和自身估计数据
Figure GDA0003450293480000076
按照由小到大的顺序进行排序，得到第二排序集合。若邻居估计数据大于自身估计数据的个数P小于F，则删除第二排序集合中的大于自身估计数据的邻居估计数据，得到邻居估计数据集合。例如P为3，F为4(由于P小于F)，故删除第二排序集合中所有的大于自身估计数据的邻居估计数据(此处所有的大于自身估计数据的邻居估计数据为P＝3个)，得到邻居估计数据集合。
将邻居估计数据
Figure GDA0003450293480000077
和自身估计数据
Figure GDA0003450293480000078
按照由小到大的顺序进行排序，得到第三排序集合。若邻居估计数据小于自身估计数据的个数Q大于F，则删除所述第三排序集合中前F个所述邻居估计数据，得到邻居估计数据集合。例如，Q为3，F为2(由于Q大于F)，故删除第三排序集合中前两个邻居估计数据，得到邻居估计数据集合。
将邻居估计数据
Figure GDA0003450293480000081
和自身估计数据
Figure GDA0003450293480000082
按照由小到大的顺序或由大到小的顺序进行排序，得到第四排序集合。若邻居估计数据小于自身估计数据的个数Q小于F，则删除所述第四排序集合中小于所述自身估计数据的所述邻居估计数据，得到邻居估计数据集合。例如，Q为3，F为4(由于Q小于F)，故删除第四排序集合中所有的小于自身估计数据的邻居估计数据(此处所有的小于自身估计数据的邻居估计数据为Q＝3个)，得到邻居估计数据集合。
最后，根据所述邻居估计数据集合更新自身估计数据，得到传感器节点更新后的自身节点估计数据：
Figure GDA0003450293480000083
其中，ei(k+1)为传感器节点i于更新后的自身节点估计数据，
Figure GDA0003450293480000084
为传感器节点i接收到的邻居传感器节点j的估计数据，Ri(k)为与所述传感器节点i具有通信关系的传感器节点j的集合。
重复引入上述极端值删除机制操作，直至无线传感器网络中每个传感器节点的自身估计数据收敛并趋于一致，停止操作。此种方法，大大增强了无线传感器网络对欺骗攻击的抵御能力，尽可能地降低了欺骗攻击对最终估计结果的影响，使无线传感器网络具有较强的鲁棒性。
上述更新方式只依赖邻居估计数据，具有较好的可扩展性和自组织性，此种更新方式的容错性和可靠性较高。
基于上述步骤，本公开实施例中所有传感器节点可测得室内的温度，如图3所示。图3是公开实施例中所有传感器节点在60步迭代内自身估计数据演化曲线图，可以看出，所有传感器节点的自身估计数据不会被欺骗攻击信号影响而收敛到27℃附近，而是收敛到真实室温25℃附近。
综上述，本公开中无线传感器网络的分布式融合估计方法不需要融合中心，只要求每个传感器节点与其邻居传感器节点进行通信并根据邻居传感器节点的信息进行本地状态估计，多次迭代进行信息融合以得到最终的估计结果，所得的结果不收欺骗攻击信号影响，测得的估计数据准确且接近真实值。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (9)

1.一种无线传感器网络的分布式融合估计方法，其中，包括以下步骤：
操作S1：设置所述无线传感器网络中N个传感器节点之间的通信关系，其中，N为大于等于1的整数；
操作S2：测得每个所述传感器节点的自身估计数据，ei(k)为所述传感器节点i在第k步测得的自身节点估计数据，i为大于等于1的整数，k为大于等于0的整数；
操作S3：每个所述传感器节点分别获取邻居估计数据，所述邻居估计数据表征为每个所述传感器节点在所述无线传感器网络中具有通信关系的传感器节点的自身估计数据；
操作S4：根据所述无线传感器网络受欺骗攻击状态对每个所述传感器节点获取的邻居估计数据进行筛选，确定每个所述传感器节点的邻居估计数据集合；
操作S5：每个所述传感器节点根据所述邻居估计数据集合更新自身估计数据；其中，根据所述邻居估计数据集合更新所述自身估计数据，得到所述传感器节点更新后的自身节点估计数据：
Figure FDA0003473124550000011
其中，ei(k+1)为所述传感器节点i于更新后的自身节点估计数据，
Figure FDA0003473124550000012
为所述传感器节点i接收到的与所述传感器节点i具有通信关系的传感器节点j的估计数据，Ri(k)为与所述传感器节点i具有通信关系的传感器节点j的集合；
操作S6：重复操作S3至操作S5，所述无线传感器网络中每个所述传感器节点的所述自身估计数据收敛并趋于一致，停止操作。
2.根据权利要求1所述的无线传感器网络的分布式融合估计方法，其中，所述操作S1包括：
操作S11：在所述无线传感器网络中选取4F+1个第一无线传感器节点，设置4F+1个所述第一无线传感器节点之间的相互通信关系，构成第一通信拓扑；其中，F为所述无线传感器网络中每个所述传感器节点的最大受欺骗攻击通信关系的个数，4F+1≤N，F为大于等于0的整数；
操作S12：在所述第一通信拓扑上添加第二无线传感器节点；设置所述第一通信拓扑中至少有2F+1个所述第一无线传感器节点能够与所述第二无线传感器节点通信；
操作S13：重复操作S12，直至所述第二无线传感器节点的个数与所述第一无线传感器节点的个数之和为N。
3.根据权利要求1所述的无线传感器网络的分布式融合估计方法，其中，所述操作S2包括：
收集每个所述传感器节点测得的所述传感器节点的自身节点估计数据为：
ei(k)＝x+wi
其中，x为所述传感器节点i测得的真实数据，wi为所述传感器节点i测得的噪声数据。
4.根据权利要求2所述的无线传感器网络的分布式融合估计方法，其中，所述操作S4包括：
操作S41：将邻居估计数据和自身估计数据按照由大到小的顺序进行排序，得到第一排序集合；
操作S42：邻居估计数据大于自身估计数据的个数P大于F，则删除所述第一排序集合中前F个所述邻居估计数据，得到邻居估计数据集合。
5.根据权利要求2所述的无线传感器网络的分布式融合估计方法，其中，所述操作S4包括：
操作S43：将邻居估计数据和自身估计数据按照由小到大的顺序或由大到小的顺序进行排序，得到第二排序集合；
操作S44：邻居估计数据大于自身估计数据的个数P小于F，则删除所述第二排序集合中大于所述自身估计数据的所述邻居估计数据，得到邻居估计数据集合。
6.根据权利要求2所述的无线传感器网络的分布式融合估计方法，其中，所述操作S4包括：
操作S45：将邻居估计数据和自身估计数据按照由小到大的顺序进行排序，得到第三排序集合；
操作S46：邻居估计数据小于自身估计数据的个数Q大于F，则删除所述第三排序集合中前F个所述邻居估计数据，得到邻居估计数据集合。
7.根据权利要求2所述的无线传感器网络的分布式融合估计方法，其中，所述操作S4包括：
操作S47：将邻居估计数据和自身估计数据按照由小到大的顺序或由大到小的顺序进行排序，得到第四排序集合；
操作S48：邻居估计数据小于自身估计数据的个数Q小于F，则删除所述第四排序集合中小于所述自身估计数据的所述邻居估计数据，得到邻居估计数据集合。
8.根据权利要求1所述的无线传感器网络的分布式融合估计方法，其中，所述操作S6中还包括：设置操作S3至操作S5的重复次数。
9.根据权利要求1至8中任一项所述的无线传感器网络的分布式融合估计方法，其中，所述无线传感器网络选用二元组G＝(V，E)，其中V＝{1，2，…，N}表示N个所述传感器节点的集合，
Figure FDA0003473124550000031
表示通信链路。
CN202110354211.5A 2021-03-31 2021-03-31 无线传感器网络的分布式融合估计方法 Active CN112929880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110354211.5A CN112929880B (zh) 2021-03-31 2021-03-31 无线传感器网络的分布式融合估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110354211.5A CN112929880B (zh) 2021-03-31 2021-03-31 无线传感器网络的分布式融合估计方法

Publications (2)

Publication Number Publication Date
CN112929880A CN112929880A (zh) 2021-06-08
CN112929880B true CN112929880B (zh) 2022-04-19

Family

ID=76173697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110354211.5A Active CN112929880B (zh) 2021-03-31 2021-03-31 无线传感器网络的分布式融合估计方法

Country Status (1)

Country Link
CN (1) CN112929880B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392141B (zh) * 2021-06-25 2023-10-20 中国科学技术大学 一种抗欺骗攻击的分布式数据多类别逻辑回归方法及装置
CN114741217B (zh) * 2022-05-06 2023-03-14 苏州大学 网络结构容错性确定方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100019739A (ko) * 2008-08-11 2010-02-19 성균관대학교산학협력단 이웃 노드의 신뢰도에 따라 여과 확률을 조절하는 센서 노드와 그 제어 방법
CN107273692A (zh) * 2017-06-21 2017-10-20 电子科技大学 一种传感器感知能力受限的随机集理论的分布式融合方法
CN110011969A (zh) * 2019-02-28 2019-07-12 浙江大学 基于信任评价机制的分布式检测数据错误化攻击防御方法
CN110049057A (zh) * 2019-04-25 2019-07-23 东南大学 虚假数据注入攻击下的传感器网络事件触发信息融合方法
CN110225539A (zh) * 2019-07-09 2019-09-10 浙江大学 一种基于无线传感网络的分布式估计的节能方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102067479B1 (ko) * 2013-01-03 2020-01-20 한국전자통신연구원 분산 시간 동기를 위한 기준 시간 보정 방법 및 그 장치
CN103686965B (zh) * 2013-12-27 2016-08-17 北京农业信息技术研究中心 一种无线传感器网络序列扇域拓扑控制方法
US10771531B2 (en) * 2017-06-15 2020-09-08 Cisco Technology, Inc. Intelligent walker agents in a network
CN110912843A (zh) * 2019-11-22 2020-03-24 中国科学技术大学 大规模无线传感器网络中的分布式盲估计方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100019739A (ko) * 2008-08-11 2010-02-19 성균관대학교산학협력단 이웃 노드의 신뢰도에 따라 여과 확률을 조절하는 센서 노드와 그 제어 방법
CN107273692A (zh) * 2017-06-21 2017-10-20 电子科技大学 一种传感器感知能力受限的随机集理论的分布式融合方法
CN110011969A (zh) * 2019-02-28 2019-07-12 浙江大学 基于信任评价机制的分布式检测数据错误化攻击防御方法
CN110049057A (zh) * 2019-04-25 2019-07-23 东南大学 虚假数据注入攻击下的传感器网络事件触发信息融合方法
CN110225539A (zh) * 2019-07-09 2019-09-10 浙江大学 一种基于无线传感网络的分布式估计的节能方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Distributed Clustering Algorithm in Sensor Networks via Normalized Information Measures;Jiahu Qin;《IEEE Transactions on Signal Processing》;20200519;全文 *
基于扩散方法的分布式随机变分推断算法;付维明;《自动化学报》;20200928;全文 *
面向分布式融合估计的快速一致性算法;石晓航;《电光与控制》;20140530;全文 *

Also Published As

Publication number Publication date
CN112929880A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN112929880B (zh) 无线传感器网络的分布式融合估计方法
Kannan et al. Simulated annealing based wireless sensor network localization.
Lavanya et al. Swarm intelligence based localization in wireless sensor networks
Zhang et al. Genetic algorithm based wireless sensor network localization
Boukerche et al. DV-Loc: a scalable localization protocol using Voronoi diagrams for wireless sensor networks
CN109039720A (zh) 一种针对二值传感器网络的参数估计方法
CN113411213B (zh) 基于物联网的自组网拓扑控制方法及协同监测方法
Chen et al. Localization-oriented network adjustment in wireless ad hoc and sensor networks
Morral et al. Distributed on-line multidimensional scaling for self-localization in wireless sensor networks
Dagdeviren et al. An energy-efficient distributed cut vertex detection algorithm for wireless sensor networks
CN110087306B (zh) 一种针对无线传感器网络的节点定位方法
CN113411766B (zh) 智慧物联网综合感知系统及方法
Sitanayah et al. Heuristic algorithm for finding boundary cycles in location-free low density wireless sensor networks
CN109560972A (zh) 一种Ad Hoc网络物理拓扑非协作式推断方法
Ahmed et al. Wired vs wireless deployment support for wireless sensor networks
Zhang et al. A new centralized localization algorithm for wireless sensor network
Zhang et al. Incompatibility networks as models of scale-free small-world graphs
Zhang et al. Localization algorithm for wireless sensor network based on genetic simulated annealing algorithm
Kim et al. Practical and robust geographic routing in wireless networks
CN112188518B (zh) 一种传感器节点通信优化方法、装置及可读存储介质
Pengwon et al. Solving asymmetric link problems in WSNs using site Link Quality Estimators and dual-tree topology
Yu et al. Physical topology discovery scheme for wireless sensor networks using random walk process
CN107241778B (zh) 基于数据溯源的wsn加权传输拓扑发现方法及系统
CN113078885A (zh) 一种抗脉冲干扰的分布式自适应估计方法
Pei et al. A multi-information localization algorithm in wireless sensor networks and its application in medical monitoring systems

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