CN113784361B - 一种传感器节点动态调节方法、设备及存储介质 - Google Patents

一种传感器节点动态调节方法、设备及存储介质 Download PDF

Info

Publication number
CN113784361B
CN113784361B CN202110525886.1A CN202110525886A CN113784361B CN 113784361 B CN113784361 B CN 113784361B CN 202110525886 A CN202110525886 A CN 202110525886A CN 113784361 B CN113784361 B CN 113784361B
Authority
CN
China
Prior art keywords
node
target
monitoring
sensor
area
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.)
Expired - Fee Related
Application number
CN202110525886.1A
Other languages
English (en)
Other versions
CN113784361A (zh
Inventor
张旭帆
王典洪
王勇
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110525886.1A priority Critical patent/CN113784361B/zh
Publication of CN113784361A publication Critical patent/CN113784361A/zh
Application granted granted Critical
Publication of CN113784361B publication Critical patent/CN113784361B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种传感器节点动态调节方法、设备及存储介质，基于人工鱼群算法实现。采用固定位置部署方式部署监测区内传感器节点，在覆盖冗余率相对较低的情况下实现监控区全覆盖。节点部署后，采用基于人工鱼群算法的传感器监测方向初始调整策略调节各节点。各节点通过寻找最大私有覆盖面积调整监测方向，实现监测网络覆盖面积最大限度地扩张。当目标出现在监测区时，传感器节点进行感知方向优化调节，达到对目标的最大监测，获取最佳的监测视觉效果。在所有参与目标监控的节点中，根据节点的剩余能量和监测效果选取最佳节点对目标进行监测，以平衡节点间的能量消耗。该策略能获得更大的覆盖率，更好的监测效果，还能延长传感器网络的寿命。

Description

一种传感器节点动态调节方法、设备及存储介质
技术领域
本发明属于信息技术领域，具体涉及一种传感器节点动态调节方法。其适用于传感器监测网络的部署及动态调节。
背景技术
随着无线通信技术和半导体技术的飞速发展，无线视频传感器网络已经广泛应用在各种领域，例如环境资源监控、智能家居、国防军事、交通运输等领域。覆盖是传感器网络正常工作的基本条件，网络覆盖效果的好坏直接影响了无线传感器网络监测性能的高低，而且网络的覆盖率是衡量无线传感器监测网络性能的重要指标。因此，越来越多的学者和专家对无线传感器网络的覆盖问题进行大量深入研究，提出很多无线传感器网络覆盖策略。
移动节点部署是通过网络中部分节点的移动调整和优化部署方案，最终达到最佳的网络覆盖度和连通性的部署方法。包括增量式节点部署算法，基于人工势场(或虚拟力)的算法，基于网格划分的算法和基于概率检测模型的算法。基于网格覆盖的方法已被用于模拟传感器区域覆盖问题。网格的每个顶点在网格表示在监视区域的一个点。该网格分辨率显示了监控区域的细分情况，增加网格分辨率会导致算法运行时间增加。Krishnendu等人提出一种新的网格覆盖策略用于分布式传感器网络中的实时监控和目标定位。研究者提出了一个整数线性规划解决方案，可以在最小化传感器成本的情况下对整个监测区域进行全覆盖。Cheng Weifang等人通过减少阻碍区和重叠覆盖区域来扩大覆盖区域，作者将有向感知型传感器网络被划分成多个感知连接子图，把一个集中的问题变成分布式问题进行解决，降低了时间的复杂度。另一方面，引入虚拟区域和虚拟传感器节点的概念也是覆盖优化的方法之一。Yi Zou等人也将虚拟力算法引入到无线传感网覆盖问题的研究中，提出一种虚拟力算法作为传感器的二维部署策略。算法初始时，传感器随机分布在监测区域，然后利用节点间的吸引力和排斥力合力来确定节点的虚拟运动路径和节点移动速率，并更新节点位置，传感器被重新部署到这些位置。通过虚拟力算法显著提高了网络覆盖率。清华大学的王雪等人结合虚拟力和微粒群算法，提出一种针对无线传感网覆盖优化的虚拟力导向微粒群优化算法。该算法将虚拟力算法与粒子群优化相结合，在该算法中，虚拟力算法利用具有吸引力和斥力的合力组合来确定虚拟运动路径，而传感器和微粒群的运动速率则适用于在连续空间中求解多维函数优化。结合两种算法的优点，结合虚拟力算法改进微粒群算法的速度更新过程，指导微粒群进化方向，有效缩短了算法计算时间。改进后的算法与单一的微粒群算法和虚拟力算法相比，不仅可以有效地提高网络覆盖率，且收敛速度更快、耗时更少。Tao Dan等人将运动机器人路径规划中的虚拟势场方法引入到传感器网络的覆盖增强问题中。蒋一波等人则针对监控区域存在障碍物的情况，从无线视频传感节点的有向感知特性出发，讨论了视频传感器网络覆盖效果与监控区域之间的相互关系，定义了一个视频传感器网络的无盲区覆盖模型，并基于虚拟势场的工作原理，提出了一种适用于无盲区覆盖模型的覆盖率动态优化算法(Potential Field based Occlusion-Free SurveillanceAlgorithm，简称PFOFSA)，通过虚拟引力和虚拟斥力的相互作用，优化视频传感器网络的覆盖率。该算法的性能依赖于传感器节点的数目，当传感器节点数目小时，该算法能够有效地提高覆盖率，然而当传感器数目众多存在大量冗余时它的作用并不明显。
但是，现有的针对区域覆盖的传感器网络覆盖算法依然存在着以下几个问题。首先，这些方法很难做到在利用尽可能少的节点来实现待监测区域的全覆盖。其一般都是通过增加节点的数量，加大网络覆盖的冗余率，从而提升网络的覆盖率。但这种做法通常会加大网络的组建成本，过多的重复监测会导致大量的资源浪费。其次，这些算法缺乏针对监测区域中目标物体的传感器节点感知方向的动态调节方法。导致当网络中出现目标时，网络中的节点未能有效、全面的对目标区域进行监测，降低了传感器网络的整体监测性能。最后，缺乏对网络中各个节点在工作期间内能耗不同的考虑，没有制定出一种能够根据节点自身剩余能量大小与监测质量高低而自动选取工作节点的策略，导致某些具有较好监测视角的节点一直处于工作状态，从而使其能量过早耗尽，最终降低了整个传感器网络的寿命。
发明内容
有鉴于此，本发明提供了一种传感器节点动态调节方法，该方法计算复杂度较低、步骤简单、基于人工鱼群算法实现，具体包括以下步骤：
S1、在待监测区域采用固定位置部署的方式部署多个传感器节点；
S2、采用基于人工鱼群算法的传感器监测方向初步调节策略对各个传感器节点的感知方向进行调节，寻找局部每个节点的最大覆盖面积，来实现整体监测网络具有最大的覆盖面积；
S3、判断待监测区域内是否出现目标，若是，采用监测方向优化调节策略对各传感器节点进行局部调节，使所述目标周边的传感器节点都能朝向所述目标，实现对目标区域监测面积的最大化；否则，返回步骤S2；
S4、在所有参与目标监测的传感器节点中，依据节点的剩余能量和监测效果，选择出最佳节点，用于对目标区域进行监测，平衡节点间的能量消耗；
S5、判断待监测区域内的目标是否移动，若是，根据UKF方法预测所述目标的运动轨迹，选出下一时刻待调节的节点，返回步骤S3，直至目标移出监测区域；否则，在固定的时间间隔后，返回步骤S4，对目标进行持续监测。
优选地，所述S1具体包括以下步骤：
S11、根据传感器节点摄像头的感知半径和感知角度，得到每个传感器节点对应的感知圆，即理想状态下对应的监测范围，进而根据所述感知圆，得到对应的内接正方形；
S12、根据所述内接正方形填充待监测区域，然后在每个内接正方形的中心放置传感器节点；
S13、若待监测区域的周边出现空白区域，将空白区域按照所述内接正方形的边长分割成一个个小矩形，然后在每个小矩形的中心位置放置传感器节点，以实现在覆盖冗余率相对较小的情况下，完成待监测区域的全覆盖。
优选地，S2中，所述采用基于人工鱼群算法的传感器监测方向初步调节策略对各个传感器节点的感知方向进行调节的步骤，包括：
S21、调节待监测区域边界的传感器节点，根据传感器节点的坐标位置进行初步调节，使传感器节点的感知方向都指向待监测区域内；
S22、将每个传感器节点的感知扇形的质心对应每条人工鱼，感知方向的旋转调节对应于感知扇形的质心的移动；
S23、依次对每个传感器节点的感知环境进行分析，采取相应调节策略：当一个节点的感知圆与其周围节点的感知扇形都存在相交时，该节点应采取“觅食”行为；对于某个传感器节点，如果其周边存在一个感知扇形与该节点的感知圆不相交的节点时，该节点应采取“跟随”的行为。
优选地，S3中，所述采用监测方向优化调节策略对各传感器节点进行局部调节的步骤，包括：
S31、当初步调节好的传感器监测网络中出现目标物体时，根据监测到目标节点的感知方向信息推断出下一阶段待调节的节点；
S32、所有待调节的节点都采取“觅食”行为，即各节点在现有感知方向位置周边寻找新的方向，如果新的方向对应的“对目标物体的监测面积”更大，则节点的质心向新位置移动，以实现整体监测网络具有最大的覆盖面积。
优选地，S4中，所述在所有参与目标监测的传感器节点中，依据节点的剩余能量和监测效果，选择出最佳节点的步骤，包括：
S41、选出能够监测到目标的节点；
S42、获取这些节点此时的剩余能量E；
S43、获取这些节点对目标物体的显著性识别图，并计算出显著性识别图中目标面积M与目标离图像中心的距离D；
S44、根据如下公式计算出每个节点对应的置信度值Y：
Figure GDA0003337048090000041
其中，σ是权重值，E是进行归一化后的结果，取值大小为0-1之间；
S45、根据每个节点的置信度值Y，选取出具备最大Y值的节点作为最佳节点。
优选地，S5中，所述根据UKF方法预测所述目标的运动轨迹的步骤，包括：
S51、目标在t时刻的状态，用一个状态向量x(t)＝[xt,yt,xst,yst]T来表示，其中，(xt,yt)和(xst,yst)分别表示目标在t时刻的速度和位置；
S52、根据如下公式计算得到下一时刻物体的状态向量：
Figure GDA0003337048090000042
其中，I2×2是二维的单位矩阵，w(t)是满足高斯零均值分布的噪声，Δt是时间间隔；
S53、根据如下公式计算得到目标在地平面上的坐标：
Figure GDA0003337048090000043
其中，λ是缩放参数；H是传感器节点相机图像坐标到地平面坐标的投影矩阵，ut和vt分别表示地平面的横纵坐标；
S54、根据如下公式得到目标的预测坐标：
Figure GDA0003337048090000044
Figure GDA0003337048090000045
其中，Hij(i＝i,2,3,j＝1,2,3)为矩阵H中的参数。
此外，为了实现上述目的，本发明还提供了一种传感器节点动态调节设备，所述传感器节点动态调节设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传感器节点动态调节程序，所述传感器节点动态调节程序被所述处理器执行时实现所述的传感器节点动态调节方法的步骤。
此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有传感器节点动态调节程序，所述传感器节点动态调节程序被处理器执行时实现所述的传感器节点动态调节方法的步骤。
与现有技术相比，本发明具有以下有益效果：本发明提供了一种传感器节点动态调节方法，基于人工鱼群算法来实现。通过该方法可以实现在传感器节点相对少、无监测盲点的条件下，尽量降低网络的覆盖冗余率。而且，该方法使网络中的节点在监测区域中出现目标物体时，能自适应地调节感知视角，获取更好地监测效果。并且，网络中的节点能自适应选取最佳节点用来处理、传输监控数据，起到平衡节点能耗，延长网络寿命的作用。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明一种基于人工鱼群算法的传感器节点动态调节方法的流程图；
图2是本发明传感器节点部署结果示意图；
其中图2(a)特定大小监测区域，图2(b)一般监测区域；
图3是本发明节点的旋转调节效果图；
其中图3(a)觅食，图3(b)跟随；
图4是本发明节点感知方向初步调节结果图；
其中图4(a)初始网络覆盖效果图；
图4(b)边界节点调节后网络覆盖效果图；
图4(c)迭代10次的网络覆盖效果图；
图4(d)迭代20次的网络覆盖效果图；
图5是本发明节点感知方向优化调节结果图；
其中图5(a)调节前网络覆盖效果图；图5(b)调节后网络覆盖效果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1，本发明具体实施例提供了一种基于人工鱼群算法的传感器节点动态调节方法，具体包括以下步骤：
S1、采用固定位置部署的方式来完成待监测区域内传感器节点的部署。
参考图2，S1的具体实现过程为：
S11、首先根据传感器节点摄像头的相关参数，如感知半径和感知角度等，得到每个节点对应感知圆形，即其理想状态下对应的监测范围。进而根据该感知圆，得到其对应的内接正方形。
S12、利用该感知圆的内接正方形来填充待监测区域，然后在每个内接正方形的中心放置传感器节点。
S13、假定待监测区域的周边出现空白区域。此时，再将空白区域按照内接正方形的边长分割，分割成一个个小矩形，然后在每个小矩形的中心位置处放置传感器节点。从而可以实现在覆盖冗余率相对较小的情况下，完成待监测区域的全覆盖。
S2、利用基于人工鱼群算法的传感器监测方向初步调节策略对各个传感器节点的感知方向进行调节，通过寻找局部每个节点的最大覆盖面积，来实现整体监测网络具有最大的覆盖面积。
参考图3和图4，S2的具体实现过程为：
S21、调节监测区域边界的节点，根据节点的坐标位置进行初步调节，使节点的感知方向都指向监测区域内；
S22、将每个传感器节点的感知扇形的质心对应每条人工鱼，感知方向的旋转调节对应于感知扇形的质心的移动；
S23、依次对每个节点的感知环境进行分析，采取相应调节策略：当一个节点的感知圆与其周围节点的感知扇形都存在相交时，该节点应采取“觅食”行为；对于某个传感器节点，如果其周边存在一个感知扇形与该节点的感知圆不相交的节点时，该节点应采取“跟随”的行为。
S3、判断是否出现目标物体，若是，网络中的传感器节点依照监测方向优化调节策略来进行局部调节，使目标物体周边的传感器节点都能朝向该目标，实现对目标区域监测面积的最大化；否则，返回步骤S2。
参考图5，S3的具体实现过程为：
S31、当初步调节好的传感器监测网络中出现目标物体时，根据监测到目标节点的感知方向信息推断出下一阶段待调节的节点，动态调节的目标是为了获取节点的最大“对目标物体的监测面积”；
S32、所有待调节的节点都采取“觅食”行为，即各节点在现有感知方向位置周边寻找新的方向，如果新的方向对应的“对目标物体的监测面积”更大，则节点的质心向新位置移动，以实现整体监测网络具有最大的覆盖面积。
S4、在所有参与目标监测的节点中，依据节点的剩余能量和监测效果，选择出最佳节点，用于对目标区域进行监测，平衡节点间的能量消耗。
S4的具体实现过程为：
S41、选出能够监测到目标的节点；
S42、获取这些节点此时的剩余能量E；
S43、获取这些节点对目标物体的显著性识别图，并计算出显著性识别图中目标面积M与目标离图像中心的距离D；
S44、根据如下公式计算出每个节点对应的置信度值Y：
Figure GDA0003337048090000071
其中，σ是权重值，E是进行归一化后的结果，取值大小为0-1之间；
S45、根据每个节点的置信度值Y，选取出具备最大Y值的节点作为最佳节点。
S5、判断监测区域内目标是否移动，若是，根据UKF方法预测目标运动轨迹，选出下一时刻需要进行调节的节点，返回步骤S3，直至目标移出监测区域；否则，在固定的时间间隔后，返回步骤S4，对目标进行持续监测。
S5的具体实现过程为：
S51、目标在t时刻的状态，用一个状态向量x(t)＝[xt,yt,xst,yst]T来表示，其中，(xt,yt)和(xst,yst)分别表示目标在t时刻的速度和位置；
S52、根据如下公式计算得到下一时刻物体的状态向量：
Figure GDA0003337048090000072
其中，I2×2是二维的单位矩阵，w(t)是满足高斯零均值分布的噪声，Δt是时间间隔；
S53、根据如下公式计算得到目标在地平面上的坐标：
Figure GDA0003337048090000081
其中，λ是缩放参数；H是传感器节点相机图像坐标到地平面坐标的投影矩阵，ut和vt分别表示地平面的横纵坐标；
S54、根据如下公式得到目标的预测坐标：
Figure GDA0003337048090000082
Figure GDA0003337048090000083
其中，Hij(i＝i,2,3,j＝1,2,3)为矩阵H中的参数。
作为可选地实施方式，本发明实施例还提供了一种传感器节点动态调节设备，所述传感器节点动态调节设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传感器节点动态调节程序，所述传感器节点动态调节程序被所述处理器执行时实现所述的传感器节点动态调节方法的步骤。
作为可选地实施方式，本发明实施例还提供了一种存储介质，所述存储介质上存储有传感器节点动态调节程序，所述传感器节点动态调节程序被处理器执行时实现所述的传感器节点动态调节方法的步骤。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (7)

1.一种传感器节点动态调节方法，其特征在于，所述传感器节点动态调节方法包括以下步骤：
S1、在待监测区域采用固定位置部署的方式部署多个传感器节点；
S2、采用基于人工鱼群算法的传感器监测方向初步调节策略对各个传感器节点的感知方向进行调节，寻找局部每个节点的最大覆盖面积，来实现整体监测网络具有最大的覆盖面积；
S3、判断待监测区域内是否出现目标，若是，采用监测方向优化调节策略对各传感器节点进行局部调节，使所述目标周边的传感器节点都能朝向所述目标，实现对目标区域监测面积的最大化；否则，返回步骤S2；
S4、在所有参与目标监测的传感器节点中，依据节点的剩余能量和监测效果，选择出最佳节点，用于对目标区域进行监测，平衡节点间的能量消耗；
S4中，所述在所有参与目标监测的传感器节点中，依据节点的剩余能量和监测效果，选择出最佳节点的步骤，包括：
S41、选出能够监测到目标的节点；
S42、获取这些节点此时的剩余能量E；
S43、获取这些节点对目标物体的显著性识别图，并计算出显著性识别图中目标面积M与目标离图像中心的距离D；
S44、根据如下公式计算出每个节点对应的置信度值Y：
Figure FDA0003630573840000011
其中，σ是权重值，E是进行归一化后的结果，取值大小为0-1之间；
S45、根据每个节点的置信度值Y，选取出具备最大Y值的节点作为最佳节点；
S5、判断待监测区域内的目标是否移动，若是，根据UKF方法预测所述目标的运动轨迹，选出下一时刻待调节的节点，返回步骤S3，直至目标移出监测区域；否则，在固定的时间间隔后，返回步骤S4，对目标进行持续监测。
2.根据权利要求1所述的传感器节点动态调节方法，其特征在于，所述S1具体包括以下步骤：
S11、根据传感器节点摄像头的感知半径和感知角度，得到每个传感器节点对应的感知圆，即理想状态下对应的监测范围，进而根据所述感知圆，得到对应的内接正方形；
S12、根据所述内接正方形填充待监测区域，然后在每个内接正方形的中心放置传感器节点；
S13、若待监测区域的周边出现空白区域，将空白区域按照所述内接正方形的边长分割成一个个小矩形，然后在每个小矩形的中心位置放置传感器节点，以实现在覆盖冗余率相对较小的情况下，完成待监测区域的全覆盖。
3.根据权利要求1所述的传感器节点动态调节方法，其特征在于，S2中，所述采用基于人工鱼群算法的传感器监测方向初步调节策略对各个传感器节点的感知方向进行调节的步骤，包括：
S21、调节待监测区域边界的传感器节点，根据传感器节点的坐标位置进行初步调节，使传感器节点的感知方向都指向待监测区域内；
S22、将每个传感器节点的感知扇形的质心对应每条人工鱼，感知方向的旋转调节对应于感知扇形的质心的移动；
S23、依次对每个传感器节点的感知环境进行分析，采取相应调节策略：当一个节点的感知圆与其周围节点的感知扇形都存在相交时，该节点应采取“觅食”行为；对于某个传感器节点，如果其周边存在一个感知扇形与该节点的感知圆不相交的节点时，该节点应采取“跟随”的行为。
4.根据权利要求1所述的传感器节点动态调节方法，其特征在于，S3中，所述采用监测方向优化调节策略对各传感器节点进行局部调节的步骤，包括：
S31、当初步调节好的传感器监测网络中出现目标物体时，根据监测到目标节点的感知方向信息推断出下一阶段待调节的节点；
S32、所有待调节的节点都采取“觅食”行为，即各节点在现有感知方向位置周边寻找新的方向，如果新的方向对应的“对目标物体的监测面积”更大，则节点的质心向新位置移动，以实现整体监测网络具有最大的覆盖面积。
5.根据权利要求1所述的传感器节点动态调节方法，其特征在于，S5中，所述根据UKF方法预测所述目标的运动轨迹的步骤，包括：
S51、目标在t时刻的状态，用一个状态向量x(t)＝[xt,yt,xst,yst]T来表示，其中，(xt,yt)和(xst,yst)分别表示目标在t时刻的速度和位置；
S52、根据如下公式计算得到下一时刻物体的状态向量：
Figure FDA0003630573840000031
其中，I2×2是二维的单位矩阵，w(t)是满足高斯零均值分布的噪声，Δt是时间间隔；
S53、根据如下公式计算得到目标在地平面上的坐标：
Figure FDA0003630573840000032
其中，λ是缩放参数；H是传感器节点相机图像坐标到地平面坐标的投影矩阵，ut和vt分别表示地平面的横纵坐标；
S54、根据如下公式得到目标的预测坐标：
Figure FDA0003630573840000033
Figure FDA0003630573840000034
其中，Hij(i＝i,2,3,j＝1,2,3)为矩阵H中的参数。
6.一种传感器节点动态调节设备，其特征在于，所述传感器节点动态调节设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传感器节点动态调节程序，所述传感器节点动态调节程序被所述处理器执行时实现如权利要求1至5中任一项所述的传感器节点动态调节方法的步骤。
7.一种存储介质，其特征在于，所述存储介质上存储有传感器节点动态调节程序，所述传感器节点动态调节程序被处理器执行时实现如权利要求1至5中任一项所述的传感器节点动态调节方法的步骤。
CN202110525886.1A 2021-05-13 2021-05-13 一种传感器节点动态调节方法、设备及存储介质 Expired - Fee Related CN113784361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110525886.1A CN113784361B (zh) 2021-05-13 2021-05-13 一种传感器节点动态调节方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110525886.1A CN113784361B (zh) 2021-05-13 2021-05-13 一种传感器节点动态调节方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113784361A CN113784361A (zh) 2021-12-10
CN113784361B true CN113784361B (zh) 2022-07-19

Family

ID=78835731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110525886.1A Expired - Fee Related CN113784361B (zh) 2021-05-13 2021-05-13 一种传感器节点动态调节方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113784361B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647726A (zh) * 2012-02-17 2012-08-22 无锡英臻科技有限公司 一种无线传感器网络覆盖能耗平衡优化策略
CN103188707A (zh) * 2013-03-12 2013-07-03 南京邮电大学 一种无线多媒体传感器网络的路径覆盖监控方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090150699A1 (en) * 2007-11-29 2009-06-11 Electronics And Telecommunications Research Institute Sleep scheduling method based on moving directions of target in sensor network
TWI469665B (zh) * 2010-12-22 2015-01-11 Nat Univ Tsing Hua 選擇感測節點之方法
CN103052128A (zh) * 2012-12-20 2013-04-17 华南理工大学 一种基于无线传感器网络能量有效的协同调度方法
CN104349356B (zh) * 2013-08-05 2018-10-30 江南大学 基于差分进化的视频传感器网络覆盖增强实现方法
CN103559725B (zh) * 2013-08-09 2016-01-06 中国地质大学（武汉） 一种面向视觉跟踪的无线传感器节点优化选择方法
JP6625932B2 (ja) * 2016-05-31 2019-12-25 株式会社東芝 監視装置及び監視システム
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
CN109600710B (zh) * 2018-12-10 2020-10-30 浙江工业大学 一种视频传感器网络中基于差分算法的多移动目标监测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647726A (zh) * 2012-02-17 2012-08-22 无锡英臻科技有限公司 一种无线传感器网络覆盖能耗平衡优化策略
CN103188707A (zh) * 2013-03-12 2013-07-03 南京邮电大学 一种无线多媒体传感器网络的路径覆盖监控方法

Also Published As

Publication number Publication date
CN113784361A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
Kümmerle et al. Monte carlo localization in outdoor terrains using multilevel surface maps
Temel et al. On deployment of wireless sensors on 3-D terrains to maximize sensing coverage by utilizing cat swarm optimization with wavelet transform
Tang et al. A GWO-based multi-robot cooperation method for target searching in unknown environments
CN109275099B (zh) 水下无线传感器网络中基于voi的多auv高效数据收集方法
CN106792750B (zh) 一种基于导向粒子群算法的节点部署方法
US9001129B2 (en) Processing apparatus and method for creating avatar
CN112469050B (zh) 一种基于改进灰狼优化器的wsn三维覆盖增强方法
Salehizadeh et al. Coverage in wireless sensor networks based on individual particle optimization
Wang et al. Solving optimal camera placement problems in IoT using LH-RPSO
Wang et al. Virtual force-directed particle swarm optimization for dynamic deployment in wireless sensor networks
CN112405547B (zh) 未知环境下的群机器人多目标搜索方法
Han et al. Camera planning for area surveillance: A new method for coverage inference and optimization using location-based service data
Gu et al. Localization with incompletely paired data in complex wireless sensor network
Shao et al. Target detection for multi-UAVs via digital pheromones and navigation algorithm in unknown environments
CN113784361B (zh) 一种传感器节点动态调节方法、设备及存储介质
Kaushik et al. A grey wolf optimization based algorithm for optimum camera placement
Zhicai et al. A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm
Krishnanand et al. Glowworm swarm optimization for searching higher dimensional spaces
CN105072622B (zh) 一种二维入侵监测区域的可变k覆盖优化方法
CN116165893A (zh) 基于椭圆鲁棒性控制的多机器人协同追捕方法及系统
CN115793644A (zh) 一种面向多变作业需求壁面维护机器人的路径调整方法
Mou et al. Three-dimensional area coverage with uav swarm based on deep reinforcement learning
Mohsen et al. A robust harmony search algorithm based Markov model for node deployment in hybrid wireless sensor networks
Bendimerad et al. Coverage enhancement in wireless video-based sensor networks with rotating capabilities
Sung et al. Coverage improvement for directional sensor networks

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220719

CF01 Termination of patent right due to non-payment of annual fee