CN1889486A - 无线传感器网络中的动态能量管理方法与装置 - Google Patents

Abstract

本发明涉及一种在无线传感器网络(WirelessSensor Networks)中基于自组织图(SOM)的动态能量管理方法与实现该方法的装置，主结点接收多个从属结点发送的数据，利用所述接收的多个数据采用SOM算法确定典型数据；主结点依据确定的典型数据，选取与典型数据个数相同的从属结点作为代表结点继续工作，通知其它从属结点进入休眠状态，从属结点休眠时间结束后，主节点重新选取代表结点。

Description

无线传感器网络中的动态能量管理方法与装置

技术领域

本发明涉及一种在无线传感器网络(Wireless Sensor Networks)中基于自组织图(SOM)的动态能量管理方法与装置。

背景技术

无线传感器网络的特点是网络的规模大，网络中传感器的密度很高，并且对于数据检测型的应用而言，传感器都是周期性的向控制台发送检测数据。因此，无线传感器网络中通信的数据量是巨大的。通常，无线传感器网络是基于群簇(Cluster)结构的，即整个网络被划分成很多的群簇，每个群簇中有一个主结点，其他均为从属结点，从属结点只向主结点汇报数据，主结点负责将收到的数据进行处理后转发到控制台结点。在无线传感器网络中，由于位于同一个小区域内的传感器所检测到的数据信息(如温度，湿度及压力等)具有很大的相关性，因此，它们所发送的数据具有很高的数据冗余度。此外，由于传感器设备的电池电量有限，如何节省有限的能量是无线传感器网络中重点要解决的问题。数据聚合与动态能量管理是两种用来减少无线传感器网络中能量损耗的重要技术。

数据聚合通过在数据处理/转发中心对原始数据进行处理(比如，去除噪音与干扰、压缩数据，提取典型数据等)来减少通信的数据量，以达到减少通信能量损耗的目的。在现有的数据聚合技术中，有些通过波束成型(Beamforming)对信号进行相关性处理，该技术可以参考文献Anna Hac，Wireless Sensor Network Designs.New York：Wiley，2003，这样的处理无法去除冗余的数据信息，并且也需要传感器配备多天线。一些技术通过对原始数据进行压缩来降低数据通信量，该技术可以参考文献T.Arici，B.Gedik，Y.Altunbasak and L.Liu，“PINCO：a pipelined in-network compression scheme fordata collection in wireless sensor networks，”in Proc.12th InternationalConference on Computer Communications and Networks(ICCCN 2003)，pp.539-544，Oct.2003；这同样也没有能够去除冗余的数据信息。其他的一类技术如文献S.S.Pradhan，J.Kusuma，and K.Ramachandran，“Distributed compressionin a dense mircosensor network，”IEEE Signal Processing Mag.，pp.51-60，Mar.2002.提出了数据提取的概念，即通过某种方法去除冗余的数据信息，但是，该文献没有具体讨论如何实现数据提取。此外，上述所有的数据聚合技术都没有考虑聚合处理本身所带来的计算能量消耗，对于计算量较大的处理来说，消耗的能量是不可忽略的。

动态能量管理的原理是让网络中的传感器轮流工作，即让某些传感器进入休眠状态并在需要的时候唤醒这些传感器。处于休眠的传感器不检测或发送数据，因此可以节省传感器的能量损耗。目前，动态能量管理的重点集中在对不同层次休眠状态的定义以及在这些状态间进行转换的标准，该技术在文献Ren C.Luo，Liang Chao Tu and Ogst Chen，“An Efficient Dynamic PowerManagement Policy on Sensor Network，”in Proc.IEEE AINA 2005，vol.2，pp.341-344，Mar.2005.和A.Sinha and A.Chandrakasan，“Dynamic powermanagement in wireless sensor networks，”IEEE Design & Test of Computers，vol.18，issue.2，pp.62-74，March-April 2001.有较详细的描述。但是动态能量管理的策略，即应该选择哪些传感器进入休眠状态，则没有被提及。

此外，就目前的研究进展而言，数据聚合与动态能量管理是两种被独立考虑的技术，还没有任何方案将二者进行融合。

发明内容

本发明的目的是提出一种能有效融合数据聚合技术与动态能量管理技术的技术方案，使得数据聚合与动态能量管理有机融合起来，大大降低无线传感器网络的能量损耗。

本发明的第一个方面是一种无线传感器网络的动态能量管理方法，其中该网络至少包括一个主结点和与该主结点相应的K个从属结点，其中K为整数，其特征在于包括如下步骤：

a)典型数据确定步骤，主结点接收从K个从属结点发送的K个数据，确定输出典型数据的个数N_out，利用所述K个数据确定N_out个典型数据；其中N_out为整数，且N_out＜K或N_out＜＜K；

b)反馈步骤，主结点依据从所述典型数据确定步骤中确定的N_out个典型数据，选取N_out个从属结点作为代表结点继续工作，通知其它从属结点进入休眠状态和休眠时间；

c)进入休眠的从属结点休眠时间结束后，重复步骤a)～步骤b)。

所述典型数据确定步骤采用SOM算法利用所述K个数据确定所述N_out个典型数据。所述SOM算法包括如下步骤：

1)初始化步骤，随机产生N_out个互不相等的值作为N_out个典型数据的初始值，其中N_out为预先确定的典型数据的个数；

2)取样步骤，从输入向量集合中取样输入向量；

3)相似匹配步骤，使用最小欧几里得距离的准则为每个取样的输入向量X寻找最匹配的典型数据；

4)更新步骤，利用更新公式调整典型数据；

5)循环步骤，重复步骤2)～步骤4)直到所有输入向量都处理过，如果输入向量个数小于U，则需要重复输入直到循环次数大于U次，其中U是一个预先设定的需要循环的次数。

所述最小欧几里得距离由下式决定： $\underset{i}{\min }\left|\right|x-w_i\left|\right|=\underset{i}{\min }\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(d_j-w_{\mathrm{ij}})}^2},$ 其中x为输入向量，w_i为典型数据，d_j为m维输入向量x的第j个分重，w_ij为m维典型数据w_i的第j个分量，i为1，2…N_out，j，m均为整数。

所述调整典型数据的更新公式为：w′_i＝w_i+α(u)N_c(u)×(x-w_i)，其中w_i为当前典型数据的值，w’_i为更新后的值，α(u)是学习率参数，N_c(u)是匹配的典型数据的邻域函数，其中0＜α(u)＜1，x为输入向量。

所述N_c(u)为Gauss(高斯)邻域函数。所述学习率参数α(u)的更新公式为 $\mathrm{\α}\left(u\right)=\mathrm{\α}\left(0\right)\·(1-\frac{u}{U}),$ 其中，α(0)为学习率初始值，u为当前的循环次数。

选取N_out个从属结点作为代表结点采用如下步骤：

a)针对N_out个典型数据，从输入数据中选择N_out个数据集，每个数据集对应相关的一个典型数据；

b)从每个数据集中选取一个最佳输入数据，该最佳输入数据对应的结点曾经被选择作为代表结点的次数最少，从而选定发送该最佳输入数据的结点作为代表结点。

所述N_out和休眠时间的确定采用如下步骤：

I)确定N_out的初始值，同时确定一个休眠时间的初始值；

II)计算在相同时间内当前N_out个从属结点工作的情况下的总的能量损耗E_Tot[2]和全部从属结点均工作的情况下的总能量损耗E_Tot[1]；

III)如果E_Tot[2]＜E_Tot[1]，则当前N_out的值即为确定的N_out的值，当前的休眠时间即为确定的休眠时间；

否则，在预定范围内减小N_out的值和/或增加休眠时间，重复步骤I)至步骤III)，如果在预定范围的所有N_out值和所有休眠时间都不能使得E_Tot[2]＜E_Tot[1]，则采用全部从属结点工作。

所述主结点还转发典型数据给控制无线传感器网络的控制台。

本发明的另一方面是一种传感器设备，包括数据感应组件，数据处理组件和通信组件，数据感应组件用于感应特定的信息数据，将信息数据发送到数据处理组件进行数据处理，通信组件用于收发数据，与数据处理组件连接，其特征在于，所述数据处理组件包括SOM运算模块、反馈模块，所述通信组件包括休眠通知模块，其中，当所述传感器设备用作主结点时，接收从K个从属结点发送的K个数据，所述SOM运算模块首先确定典型数据个数N_out和休眠时间，然后利用从K个从属结点接收的K个数据，确定N_out个典型数据；其中K、N_out为整数，且N_out＜K，所述反馈模块利用确定的所述N_out个典型数据，选取N_out个从属结点作为继续工作的代表结点，选取其它结点作为进入休眠的结点，所述休眠通知模块用于通知所述其它从属结点进入休眠状态以及休眠时间。

所述传感器设备还包括休眠时间计时模块，当传感器设备用作从属结点，并且接收到休眠消息后，所述休眠时间计时模块开始计时，一旦休眠时间结束，休眠时间计时模块立刻唤醒传感器设备。

本发明利用了数据挖掘技术来提取典型数据，并且把提取的结果反馈作为动态能量管理的依据，动态能量管理的结果又反过来使得数据提取不必要执行，数据提取与动态能量管理之间的这种互动实现了数据聚合与动态能量管理的有机融合，使得整个网络的能量消耗大大减少。而SOM算法自身的特点保证了本发明中数据提取过程有足够高的数据精确度。

附图说明

下面结合附图对本新发明机制进一步说明。

图1是本发明的无线传感器网络分布图。

图2是SOM算法的结构图以及流程图。

图3是本发明中数据提取过程的流程图。

图4是本发明中反馈过程的概念图。

图5是本发明中反馈过程的流程图。

图6是本发明数据提取与反馈过程循环示意图。

图7是传统方法和本发明中通信过程的比较。

图8是本发明的传感器设备结构图。

图9是本发明能量损耗模型。

图10是本发明实施标准的流程图。

图11是传统方案和本发明总能量损耗的比较。

图12A为本发明量化误差分布图。

图12B为本发明平均量化误差分布图。

具体实施方式

本发明确定采用数据提取作为进行数据聚合的技术，这是因为数据提取摒弃了大量的冗余信息，可以更有效的减少通信的数据量。在本发明中，主体部分由两个过程构成。1)基于自组织图(SOM：Self-Organizing Map)的数据提取过程；2)反馈过程。首先，在某个数据报告周期，当群簇的主结点收到来自所有从属结点的数据后，把这些数据转换成SOM算法的输入向量，并设定需要输出的典型向量个数以及SOM所需的其它参数，利用SOM对输入数据进行提取，去除大量的冗余信息。(SOM是在数据挖掘中广泛使用的经典算法，SOM可以在大量的输入向量中，把相似的向量进行分组，并从分组中提取具有代表性的一些向量。)经过数据提取过程后，假设输入的数据集合为SI＝{x₁，x₂，...，x_K}，输出的典型数据集合则为ST＝{w₁，w₂，...，w_Nout}，N_out＜K或N_out＜＜K，主结点只需把这些典型数据转发给控制台结点。其中，K是输入数据的个数，也即是这个群簇中从属结点的总数，每个输入x_i对应一个发送x_i的从属结点N(x_i)。然后，进入反馈过程：主结点把上面数据提取过程中输出的典型数据作为动态能量管理的依据，让大部分从属结点进入休眠状态，只保留一些从属结点作为代表结点继续工作。从属结点被选择为代表结点的条件是a)该从属结点发送的数据与数据提取的一个典型数据非常近似；b)该从属结点以前曾经被选择为代表结点的次数最少。反馈过程所选出的代表结点数目为N_out，即典型数据的个数决定了代表结点的数目。反馈过程结束后，在接下来的一段时间内，只有代表结点向主结点发送数据，此时，主结点不需要执行数据提取和反馈过程。只有休眠时间结束，所有从属结点向主结点发送数据时，上述两个过程才再次被执行。

参考图1，本发明的无线传感器网络具备四个特点：A)网络的规模比较大；B)网络中结点的密度比较高；C)无线传感器网络是基于“群簇”结构，群簇具有一个稳定周期t_cs，当稳定周期过后，群簇会被重组；群簇中有一个主结点，K个从属结点。其中，不同群簇中的K值不同；D)网络任务是时间驱动的，即群簇中K个从属结点周期性向主结点发送数据，数据报告周期为t_rp。t_rp和t_cs的关系为t_cs＝t_rp*n_s，这里n_s为整数，表示一个群簇稳定周期中数据报告周期的个数。

图2中的附图标记21指示的是SOM算法结构图。SOM算法结构分为上下两层，下层为输入层，上层为输出层。输出层单元构成一维或二维格形(图中输出单元在空间中构成二维矩阵格形)，格形确定了单元在空间中的邻域关系；且输出层单元与每个输入结点都有连接。若输入为m维向量，每个输入x_i由d₁，d₂...d_m等m个分量构成，则每个输出单元对应一个m维典型数据w_i。w_i由w_i1，w_i2...w_im分量构成，附图标记22表示的是SOM算法的流程图。SOM的运行过程如下所述：

1)初始化。对初始典型数据w_i(0)选择随机值。这里唯一的限制是：

$w_1\left(0\right)\≠w_2\left(0\right)\≠...\≠w_{N_{\mathrm{out}}}\left(0\right).$

2)取样。随机从输入向量集合中取样向量X，向量X的维数等于m。

3)相似匹配。使用最小Euclidean(欧几里得)距离的准则寻找最匹配的输出单元即获胜单元winner： $\mathrm{winner}=\underset{i}{\min }\left|\right|x-w_i\left|\right|=\underset{i}{\min }\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(d_j-w_{\mathrm{ij}})}^2},$ i为1，2…N_out，j，m均为整数。

4)更新。使用更新公式调整获胜单元的典型数据：w′_i＝w_i+α(u)N_c(u)×(x-w_i)，w_i为当前典型数据的值，w’_i为更新后的值，{α(u)：0＜α(u)＜1}是学习率参数，N_c(u)是匹配的典型数据的邻域函数(通常取Gauss(高斯)邻域函数，它是两点间距离的单减函数)；为了最好的结果，α(u)和N_c(u)在学习过程中都是随次数u动态变化的。

5)循环。重复步骤2～4直到所有输入向量都处理过。如果输入向量个数小于U，其中U是一个预先设定的需要循环的次数，则需要重复输入直到循环次数大于U次。多次循环可以增加SOM算法输出的精确性。

从SOM的算法过程看，输出单元的典型数据w_i逐渐向输入集中的某些向量(这些向量总是相对于该典型数据为获胜单元，即这些向量与所有典型数据相比较，距离w_i最近)靠近；典型数据集{w_i|i＝1，2，...，N_out}是对输入集中所有向量的描述，而单个典型数据可看作是相对于它为获胜单元的所有向量的聚类中心。

图3是本发明中数据提取过程的流程图。在图3中，主结点收到K个从属结点发送的数据，典型数据个数生成模块确定N_out，N_out＜＜K或者N_out＜K，这一过程参考图10中101。确定N_out后，执行SOM算法来实施数据提取。在本发明的技术方案中，为了减少计算的复杂度，SOM算法中参数U取值为500；邻域函数N_c(u)初始值为1并不随循环次数变化；学习率初始值α(0)为0.9，更新公式为 $\mathrm{\α}\left(u\right)=\mathrm{\α}\left(0\right)\·(1-\frac{u}{U}),$ 这里u是当前的循环次数。SOM算法运行结束后，主结点把计算后得到的N_out个典型数据转发给控制台，并且把典型数据提供给反馈过程，作为动态能量管理的依据。图3中的附图标记33表示一个温度监测应用中数据提取过程的实例。输入的数据是从属结点发送给主结点的温度值，在SOM算法的循环过程中，相似的数据被分组。SOM算法运行结束后，每一组数据都生成一个典型数据。比如，输入温度值7.3，7.5，7.8和7.9被分为一组，最后，生成的典型数据是7.6度。

图4是本发明中反馈过程的概念图。在时刻t(i)，群簇中所有从属结点都保持工作状态；当典型数据生成后，典型数据被输入到动态能量管理策略模块41，根据代表结点选择模块(见图5的51)的决策结果，在时刻t(j)，一些从属结点成为代表结点，而非代表结点进入休眠状态。

图5是本发明中反馈过程的流程图。在图中，针对数据提取过程产生的每一个典型数据w_i，在输入数据集合SI中选择与w_i相似(距离在一定范围内)的数据集合S_m，S_m是SI的一个子集合。S_m的定义为：S_m＝{x_m｜‖x_m-w_i‖≤ε}，这里，ε是一个很小的实数，其值可以根据不同的应用要求而变化。在集合S_m中，最佳的一个输入数据x_j被决定。x_j必须满足：MC[x_j]＝Min(MC[x_m])，这里，MC[x_j]是结点N(j)曾经被选择作为代表结点的次数。举例来说，在温度监测应用中，产生的一个典型数据为10.5度，ε设定为0.2度，S_m＝{10.3，10.4，10.5，10.6}，MC[10.3]＝0，MC[10.4]＝1，MC[10.5]＝2，MC[10.6]＝1。根据反馈原理，发送数据10.3的传感器结点被选择为代表结点。显然，上述选择方法的优点是避免了某个从属结点过多地被选择为代表结点，使其能量过多损耗，从而达到均衡群簇内从属结点能量损耗的目的。当N_out个代表结点都被决定以后，所有非代表结点进入休眠状态，休眠的时间为t_slp＝γ·t_rp，这里t_rp是数据报告周期，γ是位于1和n_s-1之间的整数。反馈过程完成后，在接下来的γ个数据报告周期中，只有N_out个从属结点发送数据给群簇中的主结点。

图6是本发明数据提取与反馈过程循环示意图。在第一个数据报告周期，群簇中的所有从属结点发送数据给主结点，主结点根据本发明中的数据提取与反馈过程处理数据。处理结束后，K-N_out个从属结点进入休眠状态，休眠时间由参数γ决定，参数γ的取值决策参考图10中101。此后，在休眠时间段内，仅有N_out个从属结点向主结点发送数据，因此，主结点不需要执行数据提取与反馈过程。直到休眠结束，在第γ+2个数据报告周期，数据提取与反馈过程才被重复执行。

图7是传统方法和本发明通信过程的比较。图7中的71是传统方法的通信过程：在所有的数据报告周期，K个从属结点都向主结点发送数据；主结点进行噪声去除等基本处理后转发所有的K个数据。图7中的72是新发明机制的通信过程，该过程参照图6的描述。

图8是本发明的传感器设备结构图。图8中的81是休眠计时模块；82是休眠通知模块。当反馈过程结束后，主结点通过休眠通知模块发送休眠消息给非代表结点，通知其休眠参数γ。非代表结点接收到休眠消息后，进入休眠，并同时启动休眠计时模块开始计时。休眠时间结束，休眠计时模块立刻唤醒传感器设备。图8中的83是SOM运算与反馈模块，SOM运算模块用于确定典型数据个数、休眠时间以及执行SOM算法，反馈模块用于执行反馈操作。

图9是本发明能量损耗模型。图9中的91是感应能量损耗模型。当传感器感应数据时，所消耗的能量计算公式为：E_Sd(S)＝S·E_sd(1)，这里，S是感应的次数，E_Sd(1)是感应一次数据所消耗的能量。图9中的92是数据处理能量损耗模型。处理器处理数据所消耗的能量计算公式为 $E_{\mathrm{Prox}}=\mathrm{\ω}+\underset{i}{\mathrm{\Σ}}{\mathrm{\λ}}_i{\mathrm{\τ}}_i.$ 这里，ω是访问内存的能量损耗，λ_i是类型为i的指令数量，τ_i是执行一条类型为i的指令所需要的能量。图9中的93是发送数据时的能量损耗模型。当传感器设备发送1比特的数据时，消耗的数据发送能量为：E_Tx(l，d)＝l·(E_elec+e_fsd²)。这里，E_elec是运行发送机电路所需的能量，e_fs是放大器能量，d是数据被传输的距离。图9中的94是接收数据时的能量损耗模型。当传感器设备接收1比特的数据时，消耗的数据接收能量为：E_Rx(l)＝l·E_elec，这里，E_elec是运行接收机电路所需的能量。运行发送机电路与运行接收机电路所需的能量都为E_elec，利用上面的公式，可以很容易计算出传统方式下整个传感器群簇所消耗的总能量，以及在利用本发明方案下整个传感器群簇所消耗的总能量。

图10是本发明实施标准的流程图。在实际的网络应用中，在实施本发明之前必须确保传感器网络的能量消耗能够被节省。因此，必须根据图9的能量损耗模型提前计算不使用本发明时整个群簇在稳定周期t_cs内所消耗的总能量E_Tot[1]，以及在使用本发明时整个群簇在稳定周期t_cs内所消耗的总能量E_Tot[2]。本发明通过动态能量管理，即让某些从属结点进入睡眠状态，从而达到节省通信能量(包括发送和接收能量)和感应能量的目的。但是，本发明中数据提取过程使用的SOM算法会消耗一定的数据处理能量。如果本发明实施时选择的参数不合适，就会出现SOM进行数据处理消耗的能量大于所节省的通信和感应能量，即E_Tot[2]＞E_Tot[1]。

对一个已经部署完毕的无线传感器网络而言，大多数的网络参数(如E_elec，e_fs，t_cs，t_rp等)都是固定不变的。于是，影响本发明所消耗能量的可调参数仅为γ和N_out。当γ值越大，N_out越小时，在本发明中传感器网络消耗的能量越小，但同时，传感器网络所检测数据的精确度就越低。因此，γ和N_out的值应该被恰当的选择。本发明实施标准的判定步骤为：

1)主结点在[1，n_s-1]之间随机选择一个γ的初值，N_out初值可以选择为N_out＝[0.1×K]。

2)主结点计算出E_Tot[1]和E_Tot[2]。

3)如果E_Tot[2]＜E_Tot[1]，主结点决定实施本发明方案，判定结束；否则，进入步骤4。

4)主结点判断γ和N_out是否等于门限值γ₀和N₀，这里，γ₀＝n_s-1，N₀可以取N₀＝[0.05×K]。如果γ和N_out均等于门限值，进入步骤7，否则进入5。

5)主结点增加γ和/或减小N_out的值，这里γ的增加方式为：γ＝γ+l，N_out的减少方式为：N_out＝N_out-[0.01×K]。

6)重复步骤2～5。

7)主结点决定不采用本发明方案，判定结束。

图11是传统方案和本发明总能量损耗的比较。图中的h是从主结点到控制台之间数据转发的跳数。这里K的取值为500。可以观察到，随着h值的增加，传统方法能量消耗曲线急剧上升，而采用本发明的能量消耗曲线受h值变化的影响非常小。这是因为在本发明中，经过数据提取以及动态能量管理，主结点向控制台转发的数据量大大减少。此外，当γ变大时，本发明所消耗的能量也变得更少。在标记111标示的总能量损耗对比图中，当h＝3，γ＝3时，本发明所消耗的能量大约为传统方法的40％左右，而在标记112标示的总能量损耗对比图中，当h＝3，γ＝5时，本发明所消耗的能量甚至少于传统方法的30％。

我们利用计算机仿真来评测本发明的数据准确度。评估的参量是平均量化误差(AQE：Average Quantization Error)。量化误差(Quantization Error)的定义为： $\mathrm{QE}=\frac{\left|\right|x-w\left(x\right)\left|\right|}{\left|\right|x\left|\right|},$ 这里，w(x)表示与输入数据x最匹配的输出单元。于是，平均量化误差定义为： $\mathrm{AQE}=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\frac{\left|\right|x_i-w_c\left(x\right)\left|\right|}{\left|\right|x_i\left|\right|}.$ 这里K的取值为500；输入数据为一维向量，其值分布遵循均值为70，方差为5的高斯分布。图12A是一次仿真的结果。可以看到，绝大多数输入数据的量化误差在一个固定值上下浮动；此外，量化误差与N_out成反比例关系，比如，当N_out为20时，见例图标记1220所示，量化误差峰值为8.5％，当N_out减少到10时，见附图标记1210所示，量化误差峰值为10.3％。图12B显示了100次独立仿真的平均量化误差。可以看出，本发明的数据准确度是非常高的。当N_out为20时，见附图标记123表示的曲线，平均量化误差大约为1％；当N_out为15时，见附图标记122表示的曲线，平均量化误差大约为1.4％；当N_out为减少到10时，见附图标记121表示的曲线，平均量化误差也只有2.3％左右。

以上所述仅是本专利的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本专利原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本专利的保护范围。

Claims (27)

1.一种无线传感器网络的动态能量管理方法，其中该网络至少包括一个主结点和与该主结点相应的K个从属结点，其中K为整数，其特征在于包括如下步骤：

a)典型数据确定步骤，主结点接收从K个从属结点发送的K个数据，确定输出典型数据的个数N_out，利用所述K个数据确定N_out个典型数据；其中N_out为整数，且N_out＜K；

b)反馈步骤，主结点依据从所述典型数据确定步骤中确定的N_out个典型数据，选取N_out个从属结点作为代表结点继续工作，通知其它从属结点进入休眠状态和休眠时间；

c)进入休眠的从属结点休眠时间结束后，重复步骤a)～步骤b)。

2.根据权利要求1的动态能量管理方法，其特征在于，所述典型数据确定步骤采用SOM算法利用所述K个数据确定所述N_out个典型数据。

3.根据权利要求2的动态能量管理方法，其特征在于，所述K个数据组成输入向量集，所述SOM算法包括如下步骤：

1)初始化步骤，随机产生N_out个互不相等的值作为N_out个典型数据的初始值，其中N_out为预先确定的典型数据的个数；

2)取样步骤，从输入向量集合中取样输入向量；

3)相似匹配步骤，使用最小欧几里得距离的准则为每个取样的输入向量X寻找最匹配的典型数据；

4)更新步骤，利用更新公式调整典型数据；

5)循环步骤，重复步骤2)～步骤4)直到所有输入向量都处理过，如果输入向量个数小于U，则需要重复输入直到循环次数大于U次，其中U是一个预先设定的需要循环的次数。

4.根据权利要求3的动态能量管理方法，其特征在于，所述最小欧几里得距离由下式决定： $\underset{i}{\min }\left|\right|x-w_i\left|\right|=\underset{i}{\min }\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(d_j-w_{\mathrm{ij}})}^2},$ 其中x为输入向量，w_i为第i个典型数据，d_j为m维输入向量x的第j个分量，w_ij为m维典型数据w_i的第j个分量，i为1，2...N_OUT，j，m均为整数。

5.根据权利要求3的动态能量管理方法，其特征在于，所述调整典型数据的更新公式为：w′_i＝w_i+α(u)N_c(u)×(x-w_i)，其中w_i为当前典型数据的值，w’_i为更新后的值，α(u)是学习率参数，N_c(u)是匹配的典型数据的邻域函数，其中0＜α(u)＜1，x为输入向量。

6.根据权利要求5的动态能量管理方法，其特征在于，所述N_c(u)为高斯邻域函数。

7.根据权利要求5的动态能量管理方法，其特征在于，所述学习率参数α(u)的更新公式为 $\mathrm{\α}\left(u\right)=\mathrm{\α}\left(0\right)\·(1-\frac{u}{U}),$ 其中，α(0)为学习率初始值，u为当前的循环次数。

8.根据权利要求1至7中任一个的动态能量管理方法，其特征在于，N_out＜＜K。

9.根据权利要求1至7中任一个的动态能量管理方法，其特征在于，选取N_out个从属结点作为代表结点采用如下步骤：

a)针对N_out个典型数据，从输入数据中选择N_out个数据集，每个数据集对应相关的一个典型数据；

b)从每个数据集中选取一个最佳输入数据，该最佳输入数据对应的结点曾经被选择作为代表结点的次数最少，从而选定发送该最佳输入数据的结点作为代表结点。

10.根据权利要求1至7中任一个的动态能量管理方法，其特征在于，所述N_out和休眠时间的确定采用如下步骤：

I)确定N_out的初始值，同时确定一个休眠时间的初始值；

II)计算在相同时间内当前N_out个从属结点工作的情况下的总的能量损耗E_Tot[2]和全部从属结点均工作的情况下的总能量损耗E_Tot[1]；

III)如果E_Tot[2]＜E_Tot[1]，则当前N_out的值即为确定的N_out的值，当前的休眠时间即为确定的休眠时间；

否则，在预定范围内减小N_out的值和/或增加休眠时间，重复步骤I)至步骤III)，如果在预定范围的所有N_out值和所有休眠时间都不能使得E_Tot[2]＜E_Tot[1]，则采用全部从属结点工作。

11.根据权利要求1至7中任一个的动态能量管理方法，其特征在于，主结点还转发典型数据给控制无线传感器网络的控制台。

12.根据权利要求9的动态能量管理方法，其特征在于，利用公式S_m＝{x_m|‖x_m-w_i‖≤ε}从所述K个数据中选择N_out个数据集S_m，其中S_m是K个数据组成的集合中的一个子集合，w_i为典型数据，x_m为输入向量，ε为根据特定要求设定的一个特定值。

13.根据权利要求9的动态能量管理方法，其特征在于，N_out＜＜K。

14.根据权利要求10的动态能量管理方法，其特征在于，N_out＜＜K。

15.根据权利要求11的动态能量管理方法，其特征在于，N_out＜＜K。

16.根据权利要求12的动态能量管理方法，其特征在于，N_out＜＜K。

17.根据权利要求9的动态能量管理方法，其特征在于，所述N_out和休眠时间的确定采用如下步骤：

I)确定N_out的初始值，同时确定一个休眠时间的初始值；

II)计算在相同时间内当前N_out个从属结点工作的情况下的总的能量损耗E_Tot[2]和全部从属结点均工作的情况下的总能量损耗E_Tot[1]；

III)如果E_Tot[2]＜E_Tot[1]，则当前N_out的值即为确定的N_out的值，当前的休眠时间即为确定的休眠时间；

否则，在预定范围内减小N_out的值和/或增加休眠时间，重复步骤I)至步骤III)，如果在预定范围的所有N_out值和所有休眠时间都不能使得E_Tot[2]＜E_Tot[1]，则采用全部从属结点工作。

18.根据权利要求11的动态能量管理方法，其特征在于，所述N_out和休眠时间的确定采用如下步骤：

I)确定N_out的初始值，同时确定一个休眠时间的初始值；

II)计算在相同时间内当前N_out个从属结点工作的情况下的总的能量损耗E_Tot[2]和全部从属结点均工作的情况下的总能量损耗E_Tot[1]；

III)如果E_Tot[2]＜E_Tot[1]，则当前N_out的值即为确定的N_out的值，当前的休眠时间即为确定的休眠时间；

否则，在预定范围内减小N_out的值和/或增加休眠时间，重复步骤I)至步骤III)，如果在预定范围的所有N_out值和所有休眠时间都不能使得E_Tot[2]＜E_Tot[1]，则采用全部从属结点工作。

19.根据权利要求12的动态能量管理方法，其特征在于，所述N_out和休眠时间的确定采用如下步骤：

I)确定N_out的初始值，同时确定一个休眠时间的初始值；

II)计算在相同时间内当前N_out个从属结点工作的情况下的总的能量损耗E_Tot[2]和全部从属结点均工作的情况下的总能量损耗E_Tot[1]；

III)如果E_Tot[2]＜E_Tot[1]，则当前N_out的值即为确定的N_out的值，当前的休眠时间即为确定的休眠时间；

否则，在预定范围内减小N_out的值和/或增加休眠时间，重复步骤I)至步骤III)，如果在预定范围的所有N_out值和所有休眠时间都不能使得E_Tot[2]＜E_Tot[1]，则采用全部从属结点工作。

20.根据权利要求12的动态能量管理方法，其特征在于，主结点还转发典型数据给控制无线传感器网络的控制台。

21.一种在无线传感器网络中的传感器设备，包括数据感应组件，数据处理组件和通信组件，数据感应组件用于感应特定的信息数据，将信息数据发送到数据处理组件进行数据处理，通信组件用于收发数据，与数据处理组件连接，其特征在于，

所述数据处理组件包括SOM运算模块、反馈模块，所述通信组件包括休眠通知模块，其中，当所述传感器设备用作主结点时，接收从K个从属结点发送的K个数据，所述SOM运算模块首先确定典型数据个数N_out和休眠时间，然后利用从K个从属结点接收的K个数据，确定N_out个典型数据；其中K、N_out为整数，且N_out＜K，所述反馈模块利用确定的所述N_out个典型数据，选取N_out个从属结点作为继续工作的代表结点，选取其它从属结点作为进入休眠的结点，所述休眠通知模块用于通知所述其它从属结点进入休眠状态以及休眠时间。

22.根据权利要求21的传感器设备，其特征在于，还包括休眠时间计时模块，当传感器设备用作从属结点，并且接收到休眠消息后，所述休眠时间计时模块开始计时，一旦休眠时间结束，休眠时间计时模块立刻唤醒传感器设备。

23.根据权利要求21的传感器设备，其特征在于，N_out＜＜K。

24.根据权利要求22的传感器设备，其特征在于，N_out＜＜K。

25.根据权利要求21至24中任一个的传感器设备，其特征在于，所述K个数据组成输入向量集，所述SOM运算模块确定典型数据采用如下操作步骤：

1)初始化步骤，随机产生N_out个互不相等的值作为N_out个典型数据的初始值，其中N_out为预先确定的典型数据的个数；

2)取样步骤，从输入向量集合中取样输入向量；

3)相似匹配步骤，使用最小欧几里得距离的准则为每个取样的输入向量X寻找最匹配的典型数据；

4)更新步骤，利用更新公式调整典型数据；

5)循环步骤，重复步骤2)～步骤4)直到所有输入向量都处理过，如果输入向量个数小于U，则需要重复输入直到循环次数大于U次，其中U是一个预先设定的需要循环的次数。

26.根据权利要求21至24中任一个的传感器设备，其特征在于，所述所述SOM运算模块确定N_out和休眠时间采用如下步骤：

I)确定N_out的初始值，同时确定一个休眠时间的初始值；

II)计算在相同时间内当前N_out个从属结点工作的情况下的总的能量损耗E_Tot[2]和全部从属结点均工作的情况下的总能量损耗E_Tot[1]；

III)如果E_Tot[2]＜E_Tot[1]，则当前N_out的值即为确定的N_out的值，当前的休眠时间即为确定的休眠时间；

否则，在预定范围内减小N_out的值和/或增加休眠时间，重复步骤I)至步骤III)，如果在预定范围的所有N_out值和所有休眠时间都不能使得E_Tot[2]＜E_Tot[1]，则采用全部从属结点工作。

27.根据权利要求21至24中任一个的传感器设备，其特征在于，所述反馈模块选取代表结点采用如下步骤：

a)针对N_out个典型数据，从输入数据中选择N_out个数据集，每个数据集对应相关的一个典型数据；

b)从每个数据集中选取一个最佳输入数据，该最佳输入数据对应的结点曾经被选择作为代表结点的次数最少，从而选定发送该最佳输入数据的结点作为代表结点。

Images