CN116227363A - 一种传感分布优化的洪灾预警方法 - Google Patents

一种传感分布优化的洪灾预警方法 Download PDF

Info

Publication number
CN116227363A
CN116227363A CN202310451062.3A CN202310451062A CN116227363A CN 116227363 A CN116227363 A CN 116227363A CN 202310451062 A CN202310451062 A CN 202310451062A CN 116227363 A CN116227363 A CN 116227363A
Authority
CN
China
Prior art keywords
sensor
deployed
probability
dynamic
fault
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.)
Granted
Application number
CN202310451062.3A
Other languages
English (en)
Other versions
CN116227363B (zh
Inventor
林鸣
秦强
桑雷
赵艳
张俊
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.)
Hunan Water Planning And Design Institute Co ltd
Original Assignee
Hunan Water Planning And Design Institute Co ltd
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 Hunan Water Planning And Design Institute Co ltd filed Critical Hunan Water Planning And Design Institute Co ltd
Priority to CN202310451062.3A priority Critical patent/CN116227363B/zh
Publication of CN116227363A publication Critical patent/CN116227363A/zh
Application granted granted Critical
Publication of CN116227363B publication Critical patent/CN116227363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Geology (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geometry (AREA)
  • Food Science & Technology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及洪灾预警的技术领域，揭露了一种传感分布优化的洪灾预警方法，所述方法包括：基于洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，并基于传感器位置备选集合形成的传感网络系统构建动态故障分析模型；将所构建的传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型；根据动态位置推理网络模型进行传感器位置调整，确定可靠的传感器部署位置。本发明结合传感器位置信息以及所采集时序数据信息对传感器的距离进行度量，在实现待预警区域覆盖率最大化的基础上得到传感器备选位置，并动态计算传感器发生故障的概率，对传感器进行动态调整，确定可靠的传感器部署位置，有效对洪灾情况进行实时监测预警。

Description

一种传感分布优化的洪灾预警方法
技术领域
本发明涉及洪灾预警的技术领域，尤其涉及一种传感分布优化的洪灾预警方法。
背景技术
提高流域整体防洪能力主要是通过工程措施和非工程措施，但是防洪工程措施建设周期长，投资多，难度大，难于短时间奏效，而通过传感器进行洪灾预警建设周期短，投资少，见效快，是减少洪灾损失有效的方式。但是现有洪灾传感器部署存在传感器部署数量多，数据采集冗余度高，系统可靠性差的问题，针对该问题，本发明提出一种传感分布优化的洪灾预警方法，实现低成本，低数据冗余且系统可靠的洪灾预警。
发明内容
有鉴于此，本发明提供一种传感分布优化的洪灾预警方法，目的在于：1）以传感器所采集时序数据的误差积分值最小为目标，求解得到时序数据的积分差值，并将积分差值构建为时序数据的距离，并以传感器位置坐标距离为权重，得到传感器之间的相似距离，其中传感器位置越近，所采集时序数据的距离越近，对应传感器之间相似距离越小，进而将传感器进行聚类，得到满足传感器数量约束且实现待预警区域覆盖率最大化目标的传感器部署位置备选集合；2）通过基于传感器所采集数据的变化率以及传输时延，计算得到传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，表征传感器出现硬件故障、通信故障的概率，并结合邻居传感器发生各种故障的当前概率和历史概率，对所计算得到的概率进行动态调整，并基于调整后的概率值判断传感器的故障情况，选择更换传感器或者调整传感器位置，确定可靠的传感器部署位置，有效且实时对洪灾情况进行监测预警。
实现上述目的，本发明提供的一种传感分布优化的洪灾预警方法，包括以下步骤：
S1：构建洪灾预警传感部署模型，所构建模型以待部署传感器当前坐标集合以及传感器感知的时序数据为输入，以满足传感器数量约束条件下的待预警区域覆盖率最大化为目标；
S2：根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，并基于传感器位置备选集合形成的传感网络系统构建动态故障分析模型；
S3：将所构建的传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型；
S4：对非完全信息条件下的动态位置推理网络模型进行参数求解；
S5：根据求解得到的动态位置推理网络模型进行传感器位置调整，确定可靠的传感器部署位置。
作为本发明的进一步改进方法：
可选地，所述S1步骤中获取待部署传感器当前坐标集合以及传感器感知的时序数据，包括：
获取待部署传感器当前坐标集合：
Figure SMS_1
；
其中：
Figure SMS_2
表示第n个待部署传感器的当前坐标，/>
Figure SMS_3
表示二维坐标；
N表示当前待部署传感器的总数；
所述每个传感器的感知半径为R，则第n个待部署传感器的感知区域为
Figure SMS_4
，/>
Figure SMS_5
表示以/>
Figure SMS_6
为圆心，R为半径的圆形感知区域；
获取待部署传感器感知的时序数据：
Figure SMS_7
；
其中：
Figure SMS_8
表示第n个待部署传感器在感知区域内感知到的土壤湿度时序数据；
Figure SMS_9
表示第n个待部署传感器在/>
Figure SMS_10
时刻感知到的土壤湿度数据，/>
Figure SMS_11
表示传感器感知土壤湿度数据的时间范围。
可选地，所述S1步骤中构建洪灾预警传感部署模型，包括：
构建洪灾预警传感部署模型，所构建模型以待部署传感器当前坐标集合以及传感器感知的时序数据为输入，以满足传感器数量约束条件下的待预警区域覆盖率最大化为目标；
所述传感器数量约束为预设置的传感器数目
Figure SMS_12
，待预警区域覆盖率为：
Figure SMS_13
；
其中：
P表示待预警区域覆盖率；
Figure SMS_14
表示传感器部署后的传感器感知区域重合面积；
S表示待预警区域面积。
可选地，所述S2步骤中根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，包括：
根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，所述传感器部署位置的备选集合确定流程为：
S21：获取待部署传感器当前坐标集合以及传感器感知的时序数据；
S22：对于任意第n个待部署传感器感知的时序数据
Figure SMS_15
，采用三次样条插值方法得到/>
Figure SMS_16
的感知时序连续函数/>
Figure SMS_17
，其中t表示感知时序连续函数的自变量；
S23：计算任意两个感知时序连续函数之间的距离：
Figure SMS_18
；/>
Figure SMS_19
；
其中：
Figure SMS_20
表示感知时序连续函数/>
Figure SMS_21
与/>
Figure SMS_22
之间的积分差值；
Figure SMS_23
表示感知时序连续函数/>
Figure SMS_24
与/>
Figure SMS_25
之间的距离；
S24：基于任意两个感知时序连续函数之间的距离，确定所对应传感器的相似距离：
Figure SMS_26
；
其中：
Figure SMS_27
表示第n个待部署传感器与第/>
Figure SMS_28
个待部署传感器之间的相似距离；
Figure SMS_29
表示待部署传感器当前坐标集合中第n个待部署传感器当前坐标与第
Figure SMS_30
个待部署传感器当前坐标之间的欧式距离；
Figure SMS_31
表示欧式距离阈值，将其设置为待预警区域内两个坐标点的欧式距离最大值；
S25：获取传感器数量约束
Figure SMS_32
，计算每个待部署传感器的密度，其中第n个待部署传感器的密度/>
Figure SMS_33
为：
Figure SMS_34
；
选取密度最小的
Figure SMS_35
个待部署传感器加入传感器备选集合，并将传感器初始备选集合中的待部署传感器作为聚类中心，其中每个聚类中心对应一个聚类簇；
S26：以聚类中心对应的待部署传感器当前坐标部署传感器，并记录待预警区域覆盖率；
S27：基于非聚类中心的待部署传感器与聚类中心的相似距离，将非聚类中心的待部署传感器分配到相似距离最近的聚类簇中；
S28：选择聚类簇内与其余待部署传感器相似距离之和最小的待部署传感器作为该聚类簇的聚类中心，并返回步骤S26；
S29：重复步骤S26至步骤S28，得到若干组聚类中心集合与对应的待预警区域覆盖率，选取其中待预警区域覆盖率最大的聚类中心集合作为传感器备选集合，将传感器备选集合中的待部署传感器当前坐标构成待预警区域传感器部署位置备选集合。
可选地，所述S2步骤中基于传感器位置备选集合形成的传感网络系统构建动态故障分析模型，包括：
基于传感器位置备选集合形成传感网络系统，所形成传感网络系统中包含
Figure SMS_36
个传感器节点以及一个中枢节点，中枢节点负责接收传感器的感知信息，所形成传感网络系统为图网络结构/>
Figure SMS_37
，V包括传感网络系统中的节点集合，包括传感器节点以及中枢节点，E包括传感网络系统中的通信路径集合，中枢节点同所有传感器节点均具有可靠的通信路径，相距在一跳的相邻传感器节点具有可靠的通信路径；
基于传感网络系统在中枢节点构建动态故障分析模型，动态分析得到不同传感器是否存在故障，以及对应的动态故障类型，动态故障包括底层故障以及中间故障，其中底层故障包括传感器硬件故障，传感器硬件故障导致传感器所传输感知信息为虚假信息，中间故障包括传感器通信故障，传感器通信故障导致传感器传输感知信息的时延过长。
可选地，所述S3步骤中将传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型，包括：
将传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型，所述非完全信息条件下的动态位置推理网络模型的待求解参数包括传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率；
基于动态位置推理网络模型的传感器位置调整流程为：
S31：获取当前传感器位置，中枢节点接收传感器所感知信息；
S32：计算得到传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，则对于任意传感器v，在当前时刻T发生底层故障的概率为
Figure SMS_38
，发生中间故障的概率/>
Figure SMS_39
以及未发生故障的概率/>
Figure SMS_40
；
S33：基于非完全信息条件对所计算概率进行动态调整，其中动态调整公式为：
Figure SMS_41
；
Figure SMS_42
；
Figure SMS_43
；
其中：
Figure SMS_44
表示距离传感器v一跳的邻居传感器，在本发明实施例中，其中邻居传感器/>
Figure SMS_45
可能包含多个传感器；
Figure SMS_46
分别为动态调整后的发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，在本发明实施例中，/>
Figure SMS_47
表示动态调整后概率的标识；
S34：对动态调整后的概率进行归一化处理，得到不同故障发生情况的归一化概率
Figure SMS_48
；
S35：若
Figure SMS_49
大于预设置的安全阈值，则表示传感器v在当前时刻T不存在故障，对传感器v的位置不进行调整，返回步骤S32，对其余传感器进行评估；
S36：若
Figure SMS_50
大于预设置的危险阈值，则表示传感器v在当前时刻T存在硬件故障，并更换传感器v；
S37：若
Figure SMS_51
大于预设置的危险阈值，则表示传感器v在当前时刻T存在通信故障，则需调整传感器v的位置，传感器v的位置调整流程为：在待预警区域内找到使得待预警区域覆盖率达到最大的位置作为传感器v的调整位置，其中调整位置与原始位置之间的距离大于2R，R表示传感器的感知半径。
可选地，所述S4步骤中对动态位置推理网络模型进行参数求解，包括：
对非完全信息条件下的动态位置推理网络模型进行参数求解，得到传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，其中传感器v在当前时刻T发生底层故障的概率
Figure SMS_52
为：
Figure SMS_53
；
其中：
Figure SMS_54
表示传感器v在当前时刻T所感知信息的变化率，
Figure SMS_55
，/>
Figure SMS_56
表示传感器v在当前时刻T所感知信息；
Figure SMS_57
表示距离传感器v一跳的邻居传感器/>
Figure SMS_58
，在当前时刻T所感知信息的平均变化率；
Figure SMS_59
表示预设置的变化率阈值；
传感器v在当前时刻T发生中间故障的概率
Figure SMS_60
为：
Figure SMS_61
；
其中：
Figure SMS_62
表示中枢节点接收到传感器v在当前时刻T所发出感知信息的时延；
Figure SMS_63
表示中枢节点接收邻居传感器/>
Figure SMS_64
在当前时刻T所发出感知信息的最小时延；
Figure SMS_65
为预设置的时延阈值；
Figure SMS_66
为预设置的较小正数；
传感器v在当前时刻T未发生故障的概率为
Figure SMS_67
。
可选地，所述S5步骤中根据求解得到的动态位置推理网络模型进行传感器位置调整，包括：
根据求解得到的动态位置推理网络模型进行传感器位置调整，得到当前可靠的传感器部署位置，并进行传感器部署；
利用所部署的传感器感知土壤湿度信息，并将所感知的土壤湿度信息传输到中枢节点，若土壤湿度信息的变化率超过阈值，且当前土壤湿度信息超过阈值，则进行洪灾预警处理。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及处理器，执行所述存储器中存储的指令以实现上述所述的传感分布优化的洪灾预警方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的传感分布优化的洪灾预警方法。
相对于现有技术，本发明提出一种传感分布优化的洪灾预警方法，该技术具有以下优势：首先，本方案提出一种洪灾预警传感部署模型，所构建模型以待部署传感器当前坐标集合以及传感器感知的时序数据为输入，以满足传感器数量约束条件下的待预警区域覆盖率最大化为目标；根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，所述传感器部署位置的备选集合确定流程为：获取待部署传感器当前坐标集合以及传感器感知的时序数据；对于任意第n个待部署传感器感知的时序数据
Figure SMS_68
，采用三次样条插值方法得到/>
Figure SMS_69
的感知时序连续函数/>
Figure SMS_70
，其中t表示感知时序连续函数的自变量；计算任意两个感知时序连续函数之间的距离：
Figure SMS_71
;
Figure SMS_72
；
其中：
Figure SMS_73
表示感知时序连续函数/>
Figure SMS_74
与/>
Figure SMS_75
之间的积分差值；/>
Figure SMS_76
表示感知时序连续函数/>
Figure SMS_77
与/>
Figure SMS_78
之间的距离；基于任意两个感知时序连续函数之间的距离，确定所对应传感器的相似距离：
Figure SMS_79
；
其中：
Figure SMS_80
表示第n个待部署传感器与第/>
Figure SMS_81
个待部署传感器之间的相似距离；
Figure SMS_82
表示待部署传感器当前坐标集合中第n个待部署传感器当前坐标与第/>
Figure SMS_83
个待部署传感器当前坐标之间的欧式距离；/>
Figure SMS_84
表示欧式距离阈值，将其设置为待预警区域内两个坐标点的欧式距离最大值；获取传感器数量约束/>
Figure SMS_85
，计算每个待部署传感器的密度，其中第n个待部署传感器的密度/>
Figure SMS_86
为：
Figure SMS_87
；
选取密度最小的
Figure SMS_88
个待部署传感器加入传感器备选集合，并将传感器初始备选集合中的待部署传感器作为聚类中心，其中每个聚类中心对应一个聚类簇；以聚类中心对应的待部署传感器当前坐标部署传感器，并记录待预警区域覆盖率，基于非聚类中心的待部署传感器与聚类中心的相似距离，将非聚类中心的待部署传感器分配到相似距离最近的聚类簇中，选择聚类簇内与其余待部署传感器相似距离之和最小的待部署传感器作为该聚类簇的聚类中心，并重复当前步骤，得到若干组聚类中心集合与对应的待预警区域覆盖率，选取其中待预警区域覆盖率最大的聚类中心集合作为传感器备选集合，将传感器备选集合中的待部署传感器当前坐标构成待预警区域传感器部署位置备选集合。本方案以传感器所采集时序数据的误差积分值最小为目标，求解得到时序数据的积分差值，并将积分差值构建为时序数据的距离，并以传感器位置坐标距离为权重，得到传感器之间的相似距离，其中传感器位置越近，所采集时序数据的距离越近，对应传感器之间相似距离越小，进而将传感器进行聚类，得到满足传感器数量约束且实现待预警区域覆盖率最大化目标的传感器部署位置备选集合。
同时，本方案提出一种传感器动态调整策略，将传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型，基于动态位置推理网络模型的传感器位置调整流程为：获取当前传感器位置，中枢节点接收传感器所感知信息；计算得到传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，则对于任意传感器v，在当前时刻T发生底层故障的概率为
Figure SMS_89
，发生中间故障的概率/>
Figure SMS_90
以及未发生故障的概率
Figure SMS_91
；基于非完全信息条件对所计算概率进行动态调整，其中动态调整公式为：
Figure SMS_92
；
Figure SMS_93
；
Figure SMS_94
；
其中：
Figure SMS_95
表示距离传感器v一跳的邻居传感器；
Figure SMS_96
分别为动态调整后的发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，/>
Figure SMS_97
表示动态调整后概率的标识；对动态调整后的概率进行归一化处理，得到不同故障发生情况的归一化概率/>
Figure SMS_98
；若/>
Figure SMS_99
大于预设置的安全阈值，则表示传感器v在当前时刻T不存在故障，对传感器v的位置不进行调整；若/>
Figure SMS_100
大于预设置的危险阈值，则表示传感器v在当前时刻T存在硬件故障，并更换传感器v；若/>
Figure SMS_101
大于预设置的危险阈值，则表示传感器v在当前时刻T存在通信故障，则需调整传感器v的位置，传感器v的位置调整流程为：在待预警区域内找到使得待预警区域覆盖率达到最大的位置作为传感器v的调整位置，其中调整位置与原始位置之间的距离大于2R，R表示传感器的感知半径。根据求解得到的动态位置推理网络模型进行传感器位置调整，得到当前可靠的传感器部署位置，并进行传感器部署；利用所部署的传感器感知土壤湿度信息，并将所感知的土壤湿度信息传输到中枢节点，若土壤湿度信息的变化率超过阈值，且当前土壤湿度信息超过阈值，则进行洪灾预警处理。本方案通过基于传感器所采集数据的变化率以及传输时延，计算得到传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，表征传感器出现硬件故障、通信故障的概率，并结合邻居传感器发生各种故障的当前概率和历史概率，对所计算得到的概率进行动态调整，并基于调整后的概率值判断传感器的故障情况，选择更换传感器或者调整传感器位置，确定可靠的传感器部署位置，有效且实时对洪灾情况进行监测预警。
附图说明
图1为本发明一实施例提供的一种传感分布优化的洪灾预警方法的流程示意图；
图2为本发明一实施例提供的实现传感分布优化的洪灾预警方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种传感分布优化的洪灾预警方法。所述传感分布优化的洪灾预警方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述传感分布优化的洪灾预警方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1：构建洪灾预警传感部署模型，所构建模型以待部署传感器当前坐标集合以及传感器感知的时序数据为输入，以满足传感器数量约束条件下的待预警区域覆盖率最大化为目标。
所述S1步骤中获取待部署传感器当前坐标集合以及传感器感知的时序数据，包括：
获取待部署传感器当前坐标集合：
Figure SMS_102
；
其中：
Figure SMS_103
表示第n个待部署传感器的当前坐标，/>
Figure SMS_104
表示二维坐标；
N表示当前待部署传感器的总数；
所述每个传感器的感知半径为R，则第n个待部署传感器的感知区域为
Figure SMS_105
，/>
Figure SMS_106
表示以/>
Figure SMS_107
为圆心，R为半径的圆形感知区域；
获取待部署传感器感知的时序数据：
Figure SMS_108
；
其中：
Figure SMS_109
表示第n个待部署传感器在感知区域内感知到的土壤湿度时序数据；
Figure SMS_110
表示第n个待部署传感器在/>
Figure SMS_111
时刻感知到的土壤湿度数据，/>
Figure SMS_112
表示传感器感知土壤湿度数据的时间范围。
所述S1步骤中构建洪灾预警传感部署模型，包括：
构建洪灾预警传感部署模型，所构建模型以待部署传感器当前坐标集合以及传感器感知的时序数据为输入，以满足传感器数量约束条件下的待预警区域覆盖率最大化为目标；
所述传感器数量约束为预设置的传感器数目
Figure SMS_113
，待预警区域覆盖率为：
Figure SMS_114
；
其中：
P表示待预警区域覆盖率；
Figure SMS_115
表示传感器部署后的传感器感知区域重合面积；
S表示待预警区域面积。
S2：根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，并基于传感器位置备选集合形成的传感网络系统构建动态故障分析模型。
所述S2步骤中根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，包括：
根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，所述传感器部署位置的备选集合确定流程为：
S21：获取待部署传感器当前坐标集合以及传感器感知的时序数据；
S22：对于任意第n个待部署传感器感知的时序数据
Figure SMS_116
，采用三次样条插值方法得到/>
Figure SMS_117
的感知时序连续函数/>
Figure SMS_118
，其中t表示感知时序连续函数的自变量；
S23：计算任意两个感知时序连续函数之间的距离：
Figure SMS_119
；
Figure SMS_120
；
其中：
Figure SMS_121
表示感知时序连续函数/>
Figure SMS_122
与/>
Figure SMS_123
之间的积分差值；/>
Figure SMS_124
表示感知时序连续函数/>
Figure SMS_125
与/>
Figure SMS_126
之间的距离；
S24：基于任意两个感知时序连续函数之间的距离，确定所对应传感器的相似距离：
Figure SMS_127
；
其中：
Figure SMS_128
表示第n个待部署传感器与第/>
Figure SMS_129
个待部署传感器之间的相似距离；
Figure SMS_130
表示待部署传感器当前坐标集合中第n个待部署传感器当前坐标与第
Figure SMS_131
个待部署传感器当前坐标之间的欧式距离；
Figure SMS_132
表示欧式距离阈值，将其设置为待预警区域内两个坐标点的欧式距离最大值；
S25：获取传感器数量约束
Figure SMS_133
，计算每个待部署传感器的密度，其中第n个待部署传感器的密度/>
Figure SMS_134
为：
Figure SMS_135
；
选取密度最小的
Figure SMS_136
个待部署传感器加入传感器备选集合，并将传感器初始备选集合中的待部署传感器作为聚类中心，其中每个聚类中心对应一个聚类簇；
S26：以聚类中心对应的待部署传感器当前坐标部署传感器，并记录待预警区域覆盖率；
S27：基于非聚类中心的待部署传感器与聚类中心的相似距离，将非聚类中心的待部署传感器分配到相似距离最近的聚类簇中；
S28：选择聚类簇内与其余待部署传感器相似距离之和最小的待部署传感器作为该聚类簇的聚类中心，并返回步骤S26；
S29：重复步骤S26至步骤S28，得到若干组聚类中心集合与对应的待预警区域覆盖率，选取其中待预警区域覆盖率最大的聚类中心集合作为传感器备选集合，将传感器备选集合中的待部署传感器当前坐标构成待预警区域传感器部署位置备选集合。
所述S2步骤中基于传感器位置备选集合形成的传感网络系统构建动态故障分析模型，包括：
基于传感器位置备选集合形成传感网络系统，所形成传感网络系统中包含
Figure SMS_137
个传感器节点以及一个中枢节点，中枢节点负责接收传感器的感知信息，所形成传感网络系统为图网络结构/>
Figure SMS_138
，V包括传感网络系统中的节点集合，包括传感器节点以及中枢节点，E包括传感网络系统中的通信路径集合，中枢节点同所有传感器节点均具有可靠的通信路径，相距在一跳的相邻传感器节点具有可靠的通信路径；
基于传感网络系统在中枢节点构建动态故障分析模型，动态分析得到不同传感器是否存在故障，以及对应的动态故障类型，动态故障包括底层故障以及中间故障，其中底层故障包括传感器硬件故障，传感器硬件故障导致传感器所传输感知信息为虚假信息，中间故障包括传感器通信故障，传感器通信故障导致传感器传输感知信息的时延过长。
S3：将所构建的传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型。
所述S3步骤中将传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型，包括：
将传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型，所述非完全信息条件下的动态位置推理网络模型的待求解参数包括传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率；
基于动态位置推理网络模型的传感器位置调整流程为：
S31：获取当前传感器位置，中枢节点接收传感器所感知信息；
S32：计算得到传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，则对于任意传感器v，在当前时刻T发生底层故障的概率为
Figure SMS_139
，发生中间故障的概率/>
Figure SMS_140
以及未发生故障的概率/>
Figure SMS_141
；
S33：基于非完全信息条件对所计算概率进行动态调整，其中动态调整公式为：
Figure SMS_142
；
Figure SMS_143
；
Figure SMS_144
；
其中：
Figure SMS_145
表示距离传感器v一跳的邻居传感器，在本发明实施例中，其中邻居传感器/>
Figure SMS_146
可能包含多个传感器；
Figure SMS_147
分别为动态调整后的发生底层故障的概率，发生中间故障的概率以及未发生故障的概率；
S34：对动态调整后的概率进行归一化处理，得到不同故障发生情况的归一化概率
Figure SMS_148
；
S35：若
Figure SMS_149
大于预设置的安全阈值，则表示传感器v在当前时刻T不存在故障，对传感器v的位置不进行调整，返回步骤S32，对其余传感器进行评估；
S36：若
Figure SMS_150
大于预设置的危险阈值，则表示传感器v在当前时刻T存在硬件故障，并更换传感器v；/>
S37：若
Figure SMS_151
大于预设置的危险阈值，则表示传感器v在当前时刻T存在通信故障，则需调整传感器v的位置，传感器v的位置调整流程为：在待预警区域内找到使得待预警区域覆盖率达到最大的位置作为传感器v的调整位置，其中调整位置与原始位置之间的距离大于2R，R表示传感器的感知半径。
S4：对非完全信息条件下的动态位置推理网络模型进行参数求解。
所述S4步骤中对动态位置推理网络模型进行参数求解，包括：
对非完全信息条件下的动态位置推理网络模型进行参数求解，得到传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，其中传感器v在当前时刻T发生底层故障的概率
Figure SMS_152
为：
Figure SMS_153
；
其中：
Figure SMS_154
表示传感器v在当前时刻T所感知信息的变化率，
Figure SMS_155
，/>
Figure SMS_156
表示传感器v在当前时刻T所感知信息；
Figure SMS_157
表示距离传感器v一跳的邻居传感器/>
Figure SMS_158
，在当前时刻T所感知信息的平均变化率；
Figure SMS_159
表示预设置的变化率阈值；
传感器v在当前时刻T发生中间故障的概率
Figure SMS_160
为：
Figure SMS_161
；
其中：
Figure SMS_162
表示中枢节点接收到传感器v在当前时刻T所发出感知信息的时延；
Figure SMS_163
表示中枢节点接收邻居传感器/>
Figure SMS_164
在当前时刻T所发出感知信息的最小时延；
Figure SMS_165
为预设置的时延阈值；
Figure SMS_166
为预设置的较小正数；
传感器v在当前时刻T未发生故障的概率为
Figure SMS_167
。
S5：根据求解得到的动态位置推理网络模型进行传感器位置调整，确定可靠的传感器部署位置。
所述S5步骤中根据求解得到的动态位置推理网络模型进行传感器位置调整，包括：
根据求解得到的动态位置推理网络模型进行传感器位置调整，得到当前可靠的传感器部署位置，并进行传感器部署；
利用所部署的传感器感知土壤湿度信息，并将所感知的土壤湿度信息传输到中枢节点，若土壤湿度信息的变化率超过阈值，且当前土壤湿度信息超过阈值，则进行洪灾预警处理。
实施例2
如图2所示，是本发明一实施例提供的实现传感分布优化的洪灾预警方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现洪灾预警的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
构建洪灾预警传感部署模型；
根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，并基于传感器位置备选集合形成的传感网络系统构建动态故障分析模型；
将所构建的传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型；
对非完全信息条件下的动态位置推理网络模型进行参数求解；
根据求解得到的动态位置推理网络模型进行传感器位置调整，确定可靠的传感器部署位置。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种传感分布优化的洪灾预警方法，其特征在于，所述方法包括：
S1：构建洪灾预警传感部署模型，所构建模型以待部署传感器当前坐标集合以及传感器感知的时序数据为输入，以满足传感器数量约束条件下的待预警区域覆盖率最大化为目标；
S2：根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，并基于传感器位置备选集合形成的传感网络系统构建动态故障分析模型；
S3：将所构建的传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型；
S4：对非完全信息条件下的动态位置推理网络模型进行参数求解；
S5：根据求解得到的动态位置推理网络模型进行传感器位置调整，确定可靠的传感器部署位置。
2.如权利要求1所述的一种传感分布优化的洪灾预警方法，其特征在于，所述S1步骤中获取待部署传感器当前坐标集合以及传感器感知的时序数据，包括：
获取待部署传感器当前坐标集合：
Figure QLYQS_1
；
其中：
Figure QLYQS_2
表示第n个待部署传感器的当前坐标，/>
Figure QLYQS_3
表示二维坐标；N表示当前待部署传感器的总数；
每个传感器的感知半径为R，则第n个待部署传感器的感知区域为
Figure QLYQS_4
，
Figure QLYQS_5
表示以/>
Figure QLYQS_6
为圆心，R为半径的圆形感知区域；
获取待部署传感器感知的时序数据：
Figure QLYQS_7
；
其中：
Figure QLYQS_8
表示第n个待部署传感器在感知区域内感知到的土壤湿度时序数据；
Figure QLYQS_9
表示第n个待部署传感器在/>
Figure QLYQS_10
时刻感知到的土壤湿度数据，/>
Figure QLYQS_11
表示传感器感知土壤湿度数据的时间范围。
3.如权利要求2所述的一种传感分布优化的洪灾预警方法，其特征在于，所述S1步骤中构建洪灾预警传感部署模型，包括：
构建洪灾预警传感部署模型，所构建模型以待部署传感器当前坐标集合以及传感器感知的时序数据为输入，以满足传感器数量约束条件下的待预警区域覆盖率最大化为目标；
所述传感器数量约束为预设置的传感器数目
Figure QLYQS_12
，待预警区域覆盖率为：
Figure QLYQS_13
；
其中：
P表示待预警区域覆盖率；
Figure QLYQS_14
表示传感器部署后的感知区域重合面积；
S表示待预警区域面积。
4.如权利要求3所述的一种传感分布优化的洪灾预警方法，其特征在于，所述S2步骤中根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，包括：
根据构建的洪灾预警传感部署模型确定待预警区域传感器部署位置备选集合，所述传感器部署位置的备选集合确定流程为：
S21：获取待部署传感器当前坐标集合以及传感器感知的时序数据；
S22：对于任意第n个待部署传感器感知的时序数据
Figure QLYQS_15
，采用三次样条插值方法得到/>
Figure QLYQS_16
的感知时序连续函数/>
Figure QLYQS_17
，其中t表示感知时序连续函数的自变量；
S23：计算任意两个感知时序连续函数之间的距离：
Figure QLYQS_18
；
Figure QLYQS_19
；
其中：
Figure QLYQS_20
表示待部署传感器所感知时序数据的时刻数目；
Figure QLYQS_21
表示感知时序连续函数/>
Figure QLYQS_22
与/>
Figure QLYQS_23
之间的积分差值；
Figure QLYQS_24
表示感知时序连续函数/>
Figure QLYQS_25
与/>
Figure QLYQS_26
之间的距离；
S24：基于任意两个感知时序连续函数之间的距离，确定所对应传感器的相似距离：
Figure QLYQS_27
；
其中：
Figure QLYQS_28
表示第n个待部署传感器与第/>
Figure QLYQS_29
个待部署传感器之间的相似距离；
Figure QLYQS_30
表示待部署传感器当前坐标集合中第n个待部署传感器当前坐标与第/>
Figure QLYQS_31
个待部署传感器当前坐标之间的欧式距离；
Figure QLYQS_32
表示欧式距离阈值，将其设置为待预警区域内两个坐标点的欧式距离最大值；
S25：获取传感器数量约束
Figure QLYQS_33
，计算每个待部署传感器的密度，其中第n个待部署传感器的密度/>
Figure QLYQS_34
为：
Figure QLYQS_35
；
选取密度最小的
Figure QLYQS_36
个待部署传感器加入传感器备选集合，并将传感器初始备选集合中的待部署传感器作为聚类中心，其中每个聚类中心对应一个聚类簇；
S26：以聚类中心对应的待部署传感器当前坐标部署传感器，并记录待预警区域覆盖率；
S27：基于非聚类中心的待部署传感器与聚类中心的相似距离，将非聚类中心的待部署传感器分配到相似距离最近的聚类簇中；
S28：选择聚类簇内与其余待部署传感器相似距离之和最小的待部署传感器作为该聚类簇的聚类中心，并返回步骤S26；
S29：重复步骤S26至步骤S28，得到若干组聚类中心集合与对应的待预警区域覆盖率，选取其中待预警区域覆盖率最大的聚类中心集合作为传感器备选集合，将传感器备选集合中的待部署传感器当前坐标构成待预警区域传感器部署位置备选集合。
5.如权利要求4所述的一种传感分布优化的洪灾预警方法，其特征在于，所述S2步骤中基于传感器位置备选集合形成的传感网络系统构建动态故障分析模型，包括：
基于传感器位置备选集合形成传感网络系统，所形成传感网络系统中包含
Figure QLYQS_37
个传感器节点以及一个中枢节点，中枢节点负责接收传感器的感知信息，所形成传感网络系统为图网络结构/>
Figure QLYQS_38
，V包括传感网络系统中的节点集合，包括传感器节点以及中枢节点，E包括传感网络系统中的通信路径集合，中枢节点同所有传感器节点均具有可靠的通信路径，相距在一跳的相邻传感器节点具有可靠的通信路径；
基于传感网络系统在中枢节点构建动态故障分析模型，动态分析得到不同传感器是否存在故障，以及对应的动态故障类型，动态故障包括底层故障以及中间故障，其中底层故障包括传感器硬件故障，传感器硬件故障导致传感器所传输感知信息为虚假信息，中间故障包括传感器通信故障，传感器通信故障导致传感器传输感知信息的时延过长。
6.如权利要求5所述的一种传感分布优化的洪灾预警方法，其特征在于，所述S3步骤中将传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型，包括：
将传感网络动态故障分析模型转化为非完全信息条件下的动态位置推理网络模型，所述非完全信息条件下的动态位置推理网络模型的待求解参数包括传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率；
基于动态位置推理网络模型的传感器位置调整流程为：
S31：获取当前传感器位置，中枢节点接收传感器所感知信息；
S32：计算得到传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，则对于任意传感器v，在当前时刻T发生底层故障的概率为
Figure QLYQS_39
，发生中间故障的概率
Figure QLYQS_40
以及未发生故障的概率/>
Figure QLYQS_41
；
S33：基于非完全信息条件对所计算概率进行动态调整，其中动态调整公式为：
Figure QLYQS_42
；
Figure QLYQS_43
；
Figure QLYQS_44
；/>
其中：
Figure QLYQS_45
表示距离传感器v一跳的邻居传感器；
Figure QLYQS_46
分别为动态调整后的发生底层故障的概率，发生中间故障的概率以及未发生故障的概率；
S34：对动态调整后的概率进行归一化处理，得到不同故障发生情况的归一化概率
Figure QLYQS_47
；
S35：若
Figure QLYQS_48
大于预设置的安全阈值，则表示传感器v在当前时刻T不存在故障，对传感器v的位置不进行调整，返回步骤S32，对其余传感器进行评估；
S36：若
Figure QLYQS_49
大于预设置的危险阈值，则表示传感器v在当前时刻T存在硬件故障，并更换传感器v；
S37：若
Figure QLYQS_50
大于预设置的危险阈值，则表示传感器v在当前时刻T存在通信故障，则需调整传感器v的位置，传感器v的位置调整流程为：在待预警区域内找到使得待预警区域覆盖率达到最大的位置作为传感器v的调整位置，其中调整位置与原始位置之间的距离大于2R，R表示传感器的感知半径。
7.如权利要求6所述的一种传感分布优化的洪灾预警方法，其特征在于，所述S4步骤中对动态位置推理网络模型进行参数求解，包括：
对非完全信息条件下的动态位置推理网络模型进行参数求解，得到传感器发生底层故障的概率，发生中间故障的概率以及未发生故障的概率，其中传感器v在当前时刻T发生底层故障的概率
Figure QLYQS_51
为：
Figure QLYQS_52
；
其中：
Figure QLYQS_53
表示传感器v在当前时刻T所感知信息的变化率，
Figure QLYQS_54
，/>
Figure QLYQS_55
表示传感器v在当前时刻T所感知信息；
Figure QLYQS_56
表示距离传感器v一跳的邻居传感器/>
Figure QLYQS_57
，在当前时刻T所感知信息的平均变化率；
Figure QLYQS_58
表示预设置的变化率阈值；
传感器v在当前时刻T发生中间故障的概率
Figure QLYQS_59
为：
Figure QLYQS_60
；
其中：
Figure QLYQS_61
表示中枢节点接收到传感器v在当前时刻T所发出感知信息的时延；
Figure QLYQS_62
表示中枢节点接收邻居传感器/>
Figure QLYQS_63
在当前时刻T所发出感知信息的最小时延；
Figure QLYQS_64
为预设置的时延阈值；/>
Figure QLYQS_65
为预设置的较小正数；
传感器v在当前时刻T未发生故障的概率为
Figure QLYQS_66
。
8.如权利要求1所述的一种传感分布优化的洪灾预警方法，其特征在于，所述S5步骤中根据求解得到的动态位置推理网络模型进行传感器位置调整，包括：
根据求解得到的动态位置推理网络模型进行传感器位置调整，得到当前可靠的传感器部署位置，并进行传感器部署；
利用所部署的传感器感知土壤湿度信息，并将所感知的土壤湿度信息传输到中枢节点，若土壤湿度信息的变化率超过阈值，且当前土壤湿度信息超过阈值，则进行洪灾预警处理。
CN202310451062.3A 2023-04-25 2023-04-25 一种传感分布优化的洪灾预警方法 Active CN116227363B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310451062.3A CN116227363B (zh) 2023-04-25 2023-04-25 一种传感分布优化的洪灾预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310451062.3A CN116227363B (zh) 2023-04-25 2023-04-25 一种传感分布优化的洪灾预警方法

Publications (2)

Publication Number Publication Date
CN116227363A true CN116227363A (zh) 2023-06-06
CN116227363B CN116227363B (zh) 2023-08-15

Family

ID=86577167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310451062.3A Active CN116227363B (zh) 2023-04-25 2023-04-25 一种传感分布优化的洪灾预警方法

Country Status (1)

Country Link
CN (1) CN116227363B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113118A (zh) * 2023-10-19 2023-11-24 张家港长三角生物安全研究中心 一种生物气溶胶用智能监测方法及系统
CN117610972A (zh) * 2024-01-24 2024-02-27 荣泰建设集团有限公司 一种基于人工智能的绿色建筑数字化管理系统及方法
CN117807469A (zh) * 2024-02-29 2024-04-02 青岛道万科技有限公司 一种水下传感器数据采集方法、介质及系统
CN117807469B (zh) * 2024-02-29 2024-05-17 青岛道万科技有限公司 一种水下传感器数据采集方法、介质及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862834A (zh) * 2017-12-08 2018-03-30 梁金凤 一种基于云架构的山洪灾害监测预警系统
CN112468989A (zh) * 2020-11-27 2021-03-09 中国人民解放军火箭军工程大学 一种可燃气体泄漏无线监测传感器部署方法
CN112580702A (zh) * 2020-12-10 2021-03-30 深圳技术大学 多传感器协同感知方法及装置
CN113176387A (zh) * 2021-04-19 2021-07-27 衢州学院 基于广域无线传感器网络的水质监测智能评估系统及方法
CN114329855A (zh) * 2020-11-06 2022-04-12 北京航空航天大学 一种无线视觉传感网络的传感器布局优化与快速部署方法
CN114781887A (zh) * 2022-04-24 2022-07-22 深圳市智汇奇策科技有限公司 一种结合当前环境变化的仓管管理智能预警方法
CN115048804A (zh) * 2022-06-30 2022-09-13 浙江树人学院 一种城市管网多传感器优化部署方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862834A (zh) * 2017-12-08 2018-03-30 梁金凤 一种基于云架构的山洪灾害监测预警系统
CN114329855A (zh) * 2020-11-06 2022-04-12 北京航空航天大学 一种无线视觉传感网络的传感器布局优化与快速部署方法
CN112468989A (zh) * 2020-11-27 2021-03-09 中国人民解放军火箭军工程大学 一种可燃气体泄漏无线监测传感器部署方法
CN112580702A (zh) * 2020-12-10 2021-03-30 深圳技术大学 多传感器协同感知方法及装置
CN113176387A (zh) * 2021-04-19 2021-07-27 衢州学院 基于广域无线传感器网络的水质监测智能评估系统及方法
CN114781887A (zh) * 2022-04-24 2022-07-22 深圳市智汇奇策科技有限公司 一种结合当前环境变化的仓管管理智能预警方法
CN115048804A (zh) * 2022-06-30 2022-09-13 浙江树人学院 一种城市管网多传感器优化部署方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ANIESSA RINNY ASNANING等: "Flood Early Warning System Using Cognitive Artificial Intelligence: The Design of AWLR Sensor", 《2018 INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY SYSTEMS AND INNOVATION (ICITSI)》, pages 165 - 170 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113118A (zh) * 2023-10-19 2023-11-24 张家港长三角生物安全研究中心 一种生物气溶胶用智能监测方法及系统
CN117113118B (zh) * 2023-10-19 2024-01-26 张家港长三角生物安全研究中心 一种生物气溶胶用智能监测方法及系统
CN117610972A (zh) * 2024-01-24 2024-02-27 荣泰建设集团有限公司 一种基于人工智能的绿色建筑数字化管理系统及方法
CN117610972B (zh) * 2024-01-24 2024-05-07 荣泰建设集团有限公司 一种基于人工智能的绿色建筑数字化管理系统及方法
CN117807469A (zh) * 2024-02-29 2024-04-02 青岛道万科技有限公司 一种水下传感器数据采集方法、介质及系统
CN117807469B (zh) * 2024-02-29 2024-05-17 青岛道万科技有限公司 一种水下传感器数据采集方法、介质及系统

Also Published As

Publication number Publication date
CN116227363B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN116227363B (zh) 一种传感分布优化的洪灾预警方法
CN110674019B (zh) 一种预测系统故障的方法、装置及电子设备
CN106055418A (zh) 电子系统和用于评估并且预测该电子系统的失效的方法
CN105243476B (zh) 一种用于高渗透分布式光伏的分层储能能量管理系统
US11396825B2 (en) Turbine diagnostic feature selection system
CN113286315B (zh) 负载均衡判断方法、装置、设备及存储介质
CN107510914A (zh) 一种面向园区的智慧消防远程监控系统及其方法
CN112513883A (zh) 异常检测方法和设备
CN115619005A (zh) 一种智能用电网络资源优化配置方法及系统
CN115915734A (zh) 风扇运行控制方法、装置、电子设备及存储介质
CN107687994A (zh) 空气检测系统及方法
CN110210774A (zh) 滑坡风险评价方法及系统
Liu A Bayesian deep learning network system based on edge computing
CN116597693A (zh) 一种内河航运监控系统及方法
CN114781766B (zh) 水文站点的水文信息预测方法、装置、设备及存储介质
CN110751055A (zh) 一种智能制造系统
CN113610402B (zh) 基于影像分析的土地生态承载力评估方法及相关设备
CN115175126A (zh) 一种基于物联网的智慧园区快速消防应急处理方法和系统
CN115551060A (zh) 低功耗数据监控方法
US20220207357A1 (en) Method of short-term load forecasting via active deep multi-task learning, and an apparatus for the same
CN112995290A (zh) 一种基于物联网的供水管网综合管理分析方法及系统
CN107705021A (zh) 一种基于序关系的配电网风险评估系统
KR20210076781A (ko) 로라 통신 기반의 태양광 발전 계측 및 관리를 위한 장치 및 이를 위한 방법
CN115442310B (zh) 基于物联网卡的应用程序流量消耗级别划分方法及装置
CN214652926U (zh) 一种自动扶梯维修策略生成系统

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