CN115396981B - 一种基于大数据技术的智能监测系统 - Google Patents
一种基于大数据技术的智能监测系统 Download PDFInfo
- Publication number
- CN115396981B CN115396981B CN202211331420.9A CN202211331420A CN115396981B CN 115396981 B CN115396981 B CN 115396981B CN 202211331420 A CN202211331420 A CN 202211331420A CN 115396981 B CN115396981 B CN 115396981B
- Authority
- CN
- China
- Prior art keywords
- cluster head
- node
- internet
- things
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于监测领域,公开了一种基于大数据技术的智能监测系统,包括无线传感器网络和大数据分析平台;无线传感器网络包括物联网节点和汇集装置;汇集装置用于采用先计算自适应距离,然后计算分簇系数,接着基于分簇系数获取簇头节点的方式将物联网节点分成成员节点和簇头节点,成员节点用于获取自身所处位置的监测数据;簇头节点用于接收成员节点发送来的监测数据,并将监测数据发送至汇集装置;汇集装置还用于将簇头节点发送来的监测数据转发至大数据分析平台;大数据分析平台用于将监测数据输入到大数据分析模型中,判断监测区域是否正常。本发明实现了簇头节点的有效分布,从而提高了监测数据的传输效率。
Description
技术领域
本发明涉及监测领域,尤其涉及一种基于大数据技术的智能监测系统。
背景技术
大数据监测就是通过大数据技术手段获取、收集、分析数据,并能够准确分析数据,有效监测事物的动态。
在对监测区域进行监测的过程中,往往需要将监测数据统一传输到监测平台之后,再由监测平台进行大数据分析,判断监测区域的相关状态是否正常。为了覆盖检测区域,现有技术通常是采用无线传感器网络来进行监测数据的获取,而在对无线传感器网络进行分簇的过程中,现有技术一般采用的是随机选取簇头的方式进行分簇处理,这也就使得簇头随机散布,不利于监测数据的及时传输。
发明内容
本发明的目的在于公开一种基于大数据技术的智能监测系统,解决现有的监测系统采用无线传感器网络对监测区域进行监测的过程中,采用随机选取簇头的方式进行分簇处理,不利于监测数据的及时传输的问题。
为了达到上述目的,本发明采用如下技术方案:
一种基于大数据技术的智能监测系统,包括无线传感器网络和大数据分析平台;
无线传感器网络包括物联网节点和汇集装置;
汇集装置用于采用如下方式将物联网节点分成成员节点和簇头节点:
第一次分簇:
第n次分簇,n≥2:
成员节点用于获取自身所处位置的监测数据,以及用于将监测数据发送自身所在的簇的簇头节点;
簇头节点用于接收成员节点发送来的监测数据,并将监测数据发送至汇集装置;
汇集装置还用于将簇头节点发送来的监测数据转发至大数据分析平台;
大数据分析平台用于将监测数据输入到大数据分析模型中,判断监测区域是否正常。
优选地,所述分簇系数采用以下公式计算得到:
其中,表示物联网节点i的分簇系数,表示预设的权重因子,表示物联网节点i与汇集装置之间的通信距离,表示物联网节点i的电量剩余,表示物联网节点i的满电电量,表示预设的数量,表示物联网节点i的通信范围内的簇头节点的数量,表示常数系数,用于防止分母为0。
第1个簇头节点的获取:
第q个簇头节点的获取,q≥2:
优选地,所述簇头参数采用如下公式计算:
其中,表示物联网节点r的簇头参数,表示物联网节点r的分簇系数,表示中的物联网节点的分簇系数的最大值,和表示比例参数,表示中包含的簇头节点的总数,表示中的簇头节点s和物联网节点r之间的距离,表示预设的平均距离参考值。
优选地,所述大数据分析平台包括数据库模块、模型训练模块、预测模块和监测模块;
数据库模块用于存储监测数据和训练数据;
模型训练模块用于基于训练数据对预测模型进行训练,得到训练好的预测模型;
预测模块用于将监测数据输入到训练好的预测模型中,获得检测数据的预测值;
监测模块用于判断预测值是否处于设定的数值范围内,若是,则表示监测区域正常,若否,则表示监测区域不正常。
本发明的智能监测系统,在对无线传感器节点进行分簇的过程中,采用的不是随机选取簇头节点的方式。而是采用从距离汇集装置近到远的顺序来依次获取簇头节点,实现了簇头节点的有效分布,从而提高了监测数据的传输效率。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明一种基于大数据技术的智能监测系统的一种实施例图。
图2为本发明一种基于大数据技术的智能监测系统的另一种实施例图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示的一种实施例,本发明提供了一种基于大数据技术的智能监测系统,包括无线传感器网络和大数据分析平台;
无线传感器网络包括物联网节点和汇集装置;
汇集装置用于采用如下方式将物联网节点分成成员节点和簇头节点:
第一次分簇:
第n次分簇,n≥2:
成员节点用于获取自身所处位置的监测数据,以及用于将监测数据发送自身所在的簇的簇头节点;
簇头节点用于接收成员节点发送来的监测数据,并将监测数据发送至汇集装置;
汇集装置还用于将簇头节点发送来的监测数据转发至大数据分析平台;
大数据分析平台用于将监测数据输入到大数据分析模型中,判断监测区域是否正常。
本发明的智能监测系统,在对无线传感器节点进行分簇的过程中,采用的不是随机选取簇头节点的方式。而是采用从距离汇集装置近到远的顺序来依次获取簇头节点,实现了簇头节点的有效分布,从而提高了监测数据的传输效率。
若随机选取簇头节点,则簇头节点负责转发监测数据时,需要进行多跳信息传输的概率将会大幅度提高,这就导致监测数据需要经过更多的物联网节点的中转才能到达汇集装置,传输效率受到了影响,不利于及时发现监测区域的异常。
在一种实施例中,本发明的智能监测系统用于对水域的水质进行检测,此时,监测数据包括pH、温度、溶解氧、电导率和浊度。
优选地,汇集装置设置在物联网节点的散布区域的中央。
具体的,自适应距离在设置时,会随着物联网节点与汇集装置之间的距离的增大而增大,这也就使得距离汇集装置越远,簇头节点的密度也就相应地越低,这种设置方式,能够避免传统的先分区,然后再选择每个区域中的簇头节点的方式中,存在的,距离汇集装置距离较近的节点需要负责更多的监测数据的转发任务而导致能量消耗过快的问题的出现。由于分区时一般是将区域分成面积相同的多个区域,则簇头节点的分布密度在各个区域基本一致,也就使得距离汇集装置越近的簇头节点的电量消耗速度越快。
优选地,所述分簇系数采用以下公式计算得到:
其中,表示物联网节点i的分簇系数,表示预设的权重因子,表示物联网节点i与汇集装置之间的通信距离,表示物联网节点i的电量剩余,表示物联网节点i的满电电量,表示预设的数量,表示物联网节点i的通信范围内的簇头节点的数量,表示常数系数,用于防止分母为0。
分簇系数主要是从通信距离,剩余电量、簇头节点的数量这3个方面进行综合考虑。与汇集装置之间的通信距离越大,剩余电量越多,通信范围内的簇头节点的数量越小,则分簇系数越大,这也就使得选出的簇头节点彼此之间距离尽可能地远,即单个簇头节点能够覆盖更多的范围。
第1个簇头节点的获取:
第q个簇头节点的获取,q≥2:
在每次的分簇过程中,采用的是基于簇头参数进行分簇的方式。由于中的物联网节点与汇集装置之间的距离差不多,此时,更需要考虑的是选出的簇头节点之间的距离,因此,每选出一个簇头节点后,便将簇头节点从集合中删除。
优选地,所述簇头参数采用如下公式计算:
其中,表示物联网节点r的簇头参数,表示物联网节点r的分簇系数,表示中的物联网节点的分簇系数的最大值,和表示比例参数,表示中包含的簇头节点的总数,表示中的簇头节点s和物联网节点r之间的距离,表示预设的平均距离参考值。
簇头参数从分簇系数和与之前选出的簇头节点之间的平均距离这两方面进行考虑,分簇系数越大,平均距离越大,则簇头参数越大。当物联网节点环绕汇集装置设置时,对进行簇头节点的选取时,相当于顺时针或逆时针环绕汇集装置选取簇头节点。
优选地,如图2所示,所述大数据分析平台包括数据库模块、模型训练模块、预测模块和监测模块;
数据库模块用于存储监测数据和训练数据;
模型训练模块用于基于训练数据对预测模型进行训练,得到训练好的预测模型;
预测模块用于将监测数据输入到训练好的预测模型中,获得检测数据的预测值;
监测模块用于判断预测值是否处于设定的数值范围内,若是,则表示监测区域正常,若否,则表示监测区域不正常。
优选地,预测模型可以是基于马尔可夫预测的模型。
训练数据在训练时被分成了训练集和测试集,训练集用于训练预测模型,而测试集则是用于对训练出来的预测模型进行测试,判断预测准确率是否满足要求,若不满足则不断地调整模型的参数。
在训练时,采用大数据技术中的分布式并行运算的方式进行训练,将训练集分配到不同的模型中同时进行训练,从而实现节约训练时间的目的。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于大数据技术的智能监测系统,其特征在于,包括无线传感器网络和大数据分析平台;
无线传感器网络包括物联网节点和汇集装置;
汇集装置用于采用如下方式将物联网节点分成成员节点和簇头节点:
第一次分簇:
计算第一次分簇的自适应距离adpdist1;
将与汇集装置之间的距离在区间[adpdist1,madist]中的物联网节点存入集合cluS1中,madist表示物联网节点的最大通信距离;
分别计算cluS1中的每个物联网节点的分簇系数;
基于分簇系数获取cluS1中的簇头节点;
第n次分簇,n≥2:
计算第n次分簇的自适应距离adpdistn;
将与汇集装置之间的距离在区间[(n-1)×madist+adpdistn,n×madist]中的物联网节点存入集合cluSn中;
分别计算cluSn中的每个物联网节点的分簇系数;
基于分簇系数获取cluSn中的簇头节点;
成员节点用于获取自身所处位置的监测数据,以及用于将监测数据发送自身所在的簇的簇头节点;
簇头节点用于接收成员节点发送来的监测数据,并将监测数据发送至汇集装置;
汇集装置还用于将簇头节点发送来的监测数据转发至大数据分析平台;
大数据分析平台用于将监测数据输入到大数据分析模型中,判断监测区域是否正常;
所述第一次分簇的自适应距离adpdist1采用以下公式计算得到:
其中,hdist表示物联网节点和汇集装置之间的距离的最大值,Θ表示预设的距离长度;
所述第n次分簇的自适应距离adpdistn采用以下公式计算得到:
所述分簇系数采用以下公式计算得到:
其中,depclui表示物联网节点i的分簇系数,α、β、δ表示预设的权重因子,distchi表示物联网节点i与汇集装置之间的通信距离,Elfi表示物联网节点i的电量剩余,Efu表示物联网节点i的满电电量,stdnum表示预设的数量,numclui表示物联网节点i的通信范围内的簇头节点的数量,φ表示常数系数,用于防止分母为0。
2.根据权利要求1所述的一种基于大数据技术的智能监测系统,其特征在于,对于第j次分簇,j≥1,基于分簇系数获取cluSj中的簇头节点,包括:
第1个簇头节点的获取:
将cluSj中分簇系数最大的物联网节点作为第一个簇头节点clunud1存入集合clunudUj中;
将集合clunudUj中的元素从集合cluSj中删除,获得更新后的集合cluSj;
第q个簇头节点的获取,q≥2:
分别计算处于第q-1个簇头节点clunudq-1的通信范围内且处于集合cluSj中的每个物联网节点的簇头参数;
将簇头参数最大的物联网节点作为第q个簇头节点clunudq存入集合clunudUj中;
将集合clunudUj中的元素从集合cluSj中删除,获得更新后的集合cluSj;
若第q个簇头节点clunudq处于第一个簇头节点clunud1的通信范围内,则第j次分簇结束。
4.根据权利要求1所述的一种基于大数据技术的智能监测系统,其特征在于,所述大数据分析平台包括数据库模块、模型训练模块、预测模块和监测模块;
数据库模块用于存储监测数据和训练数据;
模型训练模块用于基于训练数据对预测模型进行训练,得到训练好的预测模型;
预测模块用于将监测数据输入到训练好的预测模型中,获得检测数据的预测值;
监测模块用于判断预测值是否处于设定的数值范围内,若是,则表示监测区域正常,若否,则表示监测区域不正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331420.9A CN115396981B (zh) | 2022-10-28 | 2022-10-28 | 一种基于大数据技术的智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331420.9A CN115396981B (zh) | 2022-10-28 | 2022-10-28 | 一种基于大数据技术的智能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115396981A CN115396981A (zh) | 2022-11-25 |
CN115396981B true CN115396981B (zh) | 2023-01-17 |
Family
ID=84115137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211331420.9A Active CN115396981B (zh) | 2022-10-28 | 2022-10-28 | 一种基于大数据技术的智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115396981B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115866554B (zh) * | 2023-03-02 | 2023-05-12 | 吉林省信息技术研究所 | 一种物联网信息安全传输系统 |
CN116679024B (zh) * | 2023-06-16 | 2023-12-22 | 西藏净源环保工程有限公司 | 一种污水处理系统 |
CN117395273B (zh) * | 2023-09-25 | 2024-05-17 | 湖北华中电力科技开发有限责任公司 | 一种基于云数据对比的安全检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7035240B1 (en) * | 2000-12-27 | 2006-04-25 | Massachusetts Institute Of Technology | Method for low-energy adaptive clustering hierarchy |
CN105744566A (zh) * | 2016-01-28 | 2016-07-06 | 北京邮电大学 | 一种基于感知器的自适应按需加权分簇方法 |
CN106413031A (zh) * | 2016-09-13 | 2017-02-15 | 中国人民解放军后勤工程学院 | 基于节点等级的异构网络自适应分簇算法 |
CN113965948A (zh) * | 2021-12-02 | 2022-01-21 | 辽宁铭钉科技有限公司 | 一种基于自适应分簇网络的传感器数据采集方法 |
US11296963B1 (en) * | 2020-11-09 | 2022-04-05 | Beijing University Of Posts And Telecommunications | System and method of traffic prediction for IoT nodes |
CN114339652A (zh) * | 2021-12-31 | 2022-04-12 | 中工创智信息科技(江苏)有限公司 | 一种基于物联网的生产管理系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135752B (zh) * | 2014-07-31 | 2017-07-11 | 南京邮电大学 | 一种无线传感器网络簇头节点选择方法及分簇方法 |
-
2022
- 2022-10-28 CN CN202211331420.9A patent/CN115396981B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7035240B1 (en) * | 2000-12-27 | 2006-04-25 | Massachusetts Institute Of Technology | Method for low-energy adaptive clustering hierarchy |
CN105744566A (zh) * | 2016-01-28 | 2016-07-06 | 北京邮电大学 | 一种基于感知器的自适应按需加权分簇方法 |
CN106413031A (zh) * | 2016-09-13 | 2017-02-15 | 中国人民解放军后勤工程学院 | 基于节点等级的异构网络自适应分簇算法 |
US11296963B1 (en) * | 2020-11-09 | 2022-04-05 | Beijing University Of Posts And Telecommunications | System and method of traffic prediction for IoT nodes |
CN113965948A (zh) * | 2021-12-02 | 2022-01-21 | 辽宁铭钉科技有限公司 | 一种基于自适应分簇网络的传感器数据采集方法 |
CN114339652A (zh) * | 2021-12-31 | 2022-04-12 | 中工创智信息科技(江苏)有限公司 | 一种基于物联网的生产管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115396981A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115396981B (zh) | 一种基于大数据技术的智能监测系统 | |
CN109359385B (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN113242526B (zh) | 一种云计算服务器机房实时监控系统 | |
CN111417178B (zh) | 基于机器学习与边缘计算的工业互联网节能系统及方法 | |
CN101953287A (zh) | 基于多数据的作物需水检测系统及检测方法 | |
CN112213962A (zh) | 一种基于生长模型与声呐反馈的智能投饲系统及方法 | |
CN111314473A (zh) | 一种基于人工智能的环境监测系统 | |
CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
CN108924057A (zh) | 一种云上系统的端口流量智能控制系统 | |
WO2021007845A1 (zh) | 一种氧化铝生产指标的云-边协同预报系统及方法 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN116029435B (zh) | 一种生猪设施养殖环境舒适度预警系统 | |
CN102186241A (zh) | 基于并行分布式粒子滤波的无线传感器网络目标跟踪方法 | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
CN103617447A (zh) | 智能变电站的评价系统及评价方法 | |
CN101815317A (zh) | 一种传感器节点和传感器网络的测量方法及系统 | |
CN114419494A (zh) | 一种数据中心机房实时监测模块 | |
CN111190072A (zh) | 集抄系统诊断模型建立方法、故障诊断方法及装置 | |
CN108055154B (zh) | 一种基于雾运算结构的车联网异常数据检测系统 | |
CN107714000A (zh) | 一种奶牛健康状况检测方法及装置 | |
CN110447560A (zh) | 基于筑窝行为的母猪分娩智能检测方法以及系统 | |
CN114638465A (zh) | 一种基于二次评分的采集终端网络信号质量评价方法 | |
CN113610358A (zh) | 基于云平台的远程水质风险预警系统 | |
CN112531679A (zh) | 一种测负荷特征大数据监测设备及监测方法 | |
CN112330003B (zh) | 基于双向循环神经网络的周期型容量数据预测方法、系统及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |