TWI395151B - 無線感測器網路與其資料感測方法 - Google Patents
無線感測器網路與其資料感測方法 Download PDFInfo
- Publication number
- TWI395151B TWI395151B TW097147533A TW97147533A TWI395151B TW I395151 B TWI395151 B TW I395151B TW 097147533 A TW097147533 A TW 097147533A TW 97147533 A TW97147533 A TW 97147533A TW I395151 B TWI395151 B TW I395151B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- sensing
- original data
- module
- wireless sensor
- Prior art date
Links
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Description
本發明是有關於一種無線感測器網路,且特別是有關於一種根據感測值的週期特性,動態調整感測器的偵測行為的無線感測器網路。
無線感測器網路(WSN,wireless sensor network)可應用於如森林生態監測,工廠二氧化碳濃度的偵測,室內監測等。在無線感測器網路中,無線感測器扮演重要角度,其用以感測資料、收集資料並回傳。
在傳統技術中,根據管理者所指定的感測頻率(感測間隔),無線感測器偵測環境變數並且回傳資料。當感測間隔較長(感測次數較少),則較節省能源但得到較少的感測資料;而感測間隔較短(感測次數較多),可得到較多感測資料,但是卻很耗電。這是因為,當無線感測器在進行感測或是資料收發時,其耗電量非常大。而且,無線感測器通常使用電池當作它的電源,受限於所處環境,使得它們難以被充電。
故而,如何節省無線感測器的耗電量便成為相當重要的議題。以目前而言,無線感測器的省電機制著重於節省傳輸或感測的耗電量。但其成效不彰。
有鑑於此,本案提出一個對無線感測器所收集到的資料進行趨勢分析,並利用所找出的資料週期特性,來
動態調整無線感測器的探測行為(亦即,要不要進行感測),以降低感測次數或資料傳輸次數,以節省無線感測器的耗電量。
本發明有關於一種無線感測器網路與其方法,根據所感測的資料來建立預測模型,在使用者允許的誤差範圍及信心水準下,以過去資料的統計數值來回報給使用者,或者,以實際感測資料來回報給使用者。
根據本發明的一例提出一種無線感測器網路,包括:一訊息處理模組,發出一感測指令;以及一訊息收集模組,接收由該訊息處理模組所傳來的該感測指令,以收集一原始資料並回傳給該訊息處理模組。該訊息處理模組找出該原始資料的一趨勢以建立一預測模型。根據所建立出的該預測模型,該訊息處理模組更新該感測指令並傳給該訊息收集模組。該訊息收集模組根據該感測指令,以決定在一感測時間點是否要進行資料收集。如果要,則該訊息收集模組收集該原始資料並回傳給該訊息處理模組。如果不要,則該訊息處理模組根據過去的該原始資料以得到一預估值。
根據本發明的另一例提出一種無線感測器網路之資料感測方法,包括:發出一感測指令;根據該感測指令,感測一原始資料;找出該原始資料的一趨勢,以建立一預測模型;根據所建立出的該預測模型,更新該感測指令;
根據該更新後感測指令,以決定在一感測時間點是否要感測資料;如果要,則感測該原始資料並回報給一使用者;以及如果不要,則根據過去的該原始資料以得到一預估值,並回報給該使用者。
為讓本發明之上述內容能更明顯易懂,下文特舉實施例,並配合所附圖式,作詳細說明如下:
在本發明實施例中,收集資料並計算其週期性。接著,根據此週期性,將所收集的資料疊合一起,以分析資料趨勢,以決定在未來,哪些時間點要收集(感測)資料,哪些時間不需要收集資料。
第1圖顯示根據本發明實施例的無線感測器網路的示意圖。如第1圖所示,本發明實施例的無線感測器網路100包括訊息收集模組110與訊息處理模組120。訊息收集模組110包括:處理單元111、無線感測器112、執行模組113與射頻(RF)模組114。訊息處理模組120包括:處理單元121、預測模組122、資料庫123與射頻(RF)模組124。
訊息收集模組110會根據訊息處理模組120所傳來的指令來收集資料並回傳給訊息處理模組120。訊息處理模組120接收到由訊息收集模組110所回傳的資料後,找出此資料的趨勢,以建立預測模型並動態調整預測模型。根據所建立出的預測模型,訊息處理模組120決定在未來,哪些時間點,訊息收集模組110要收集資料,哪些時間
訊息收集模組110不需要收集資料。訊息收集模組110據以進行資料收集。
處理單元111用以執行區域計算(local computing),比如,分析指令等。處理單元111具有基本運算能力,可決定感測週期,並控制無線感測器112將感測結果透過射頻模組114送回訊息處理模組120。
無線感測器112受控於處理單元111與執行模組113。無線感測器112會進行資料的收集、感測等。無線感測器112所收集到的資料會透過射頻模組114而傳給訊息處理模組120。無線感測器112可為多屬性感測器,其可用於感測:溫度、溼度、光度、壓力、氣體濃度等各類型環境變數。
執行模組113用以分析由訊息處理模組120所傳來的指令,以決定無線感測器112是否要執行資料的收集。
射頻模組114用以接收及傳送資料於訊息收集模組110與訊息處理模組120之間。
處理單元121用以執行區域計算,及進行資料之分析。預測模組122會根據訊息收集模組110所收集的資料進行預測模型的建立。資料庫123用以儲存訊息收集模組110所收集的資料。射頻模組124用以接收及傳送資料於訊息收集模組110與訊息處理模組120之間。
現將說明預測模組122的操作,包括如何根據訊息收集模組110所收集的資料來建立預測模型及如何動態更新預測模型。
請參考第2圖,其顯示根據本發明實施例的預測模組122的操作流程圖。如第2圖所示,首先,訊息收集模組110會根據訊息處理模組120所傳來的指令來收集資料並回傳給訊息處理模組120,如步驟210所示。
接著,要得知原始資料的週期,如步驟220所示。如果資料的週期可預先知道的話,則可事先輸入至預測模組122,而且,所收集的資料長度至少為週期之兩倍。如果資料的週期無法預先知道的話,則在訊息收集模組110收集一段適當長度的原始資料後,預測模組122會預測此原始資料的週期。預測資料的週期如後所述。原始資料T的長度為n。將原始資料T移位i,得到資料T’,其中i從1~n/2(週期長度最大為資料長度之一半)。利用相似度(SIM,Similarity)函數比較T和T’的相似度,算出的值越小,則表示越相似。假設原始資料T的週期為P,原始資料T與移位P之資料T’的相似度最高(SIM函數值最低)。由於T’共有n/2個版本,故共可得到n/2個SIM函數值。找出n/2個SIM函數值中的第二個低點所對應的移位值,其當成週期p的預測值。n/2個SIM函數值中的最低點所對應的移位值可能是起點(i=0),所以將之排除。此外,如果發現所找出的週期p無法滿足時,可再收集更多的資料以進行週期的預測。
在得知此原始資料的週期後,可根據此週期,將原始資料分段,如步驟230所示。如何將資料分段可參考第3A圖,其顯示具有週期P的原始資料T的一個例子。如
第3A圖所示,可根據此週期P,將原始資料T分成4段資料T1~T4,其中,原始資料代表溫度,縱軸是溫度,橫軸則是感測時間點。
接著,將各段資料疊合,如步驟240所示。如何將各段資料疊合可參考第3B圖,其顯示將各分段資料T1~T4疊合的一個例子,其中,縱軸是溫度,橫軸則是時間點。
接著,找出此原始資料的趨勢,如步驟250所示。在找出此原始資料的趨勢時,可以算出各分段資料在每個時間點的統計值,本實施例以平均值與變異數為例子說明。以第3B圖為例,算出各分段資料T1~T4在時間點1的平均值(為19.34)與變異數(為0.53)。如果變異數小於臨界值的話,則平均值必然滿足使用者所定義的信心水準與誤差容忍,亦即,訊息處理模組120可將平均值回傳給使用者。相反地,如果變異數大於臨界值的話,則平均值無法滿足使用者所定義的信心水準與誤差容忍,如此,訊息處理模組120需令訊息收集模組110收集資料並將所收集的資料回傳給使用者。
接著,建立預測模型,如步驟260所示。在預測模型中,會指定預測點、感測點、檢查點與感測機率。如果在此時間點的變異數小於臨界值,則將此時間點設為預測點,其中,如果此時間點被設為預測點,則在此時間點下,不需要進行感測,而是將平均值回傳給使用者。反之,如果在此時間點的變異數大於臨界值,則將此時間點設為感測點,其中,如果此時間點被設為感測點,則在此時間點
下,需要進行感測。
第3C圖顯示預測點與感測點。請同時參考第3B圖與第3C圖,由於在時間點2、7與8的變數異小於臨界點,所以,將時間點2、7與8設為預測點310,如第3C圖所示。相似地,由於在時間點1、3~6的變數異大於臨界點,所以,將時間點1、3~6設為感測點320,如第3C圖所示。
然而,為了檢查資料趨勢是否改變以及對異常資料的偵測,在預測模型中,對各預測點指定其感測機率,使其依感測機率而可能成為檢查點。利用檢查點,可檢查資料趨勢是否改變,以避免回報太多的錯誤估計值。比如,當感測機率為50%時,代表此預測點有50%的機率會成為檢查點。當預測點成為檢查點時,訊息收集中心在此時間點(檢查點)仍要進行資料的實際收集。在本實施例中,當某一時間點的資料趨勢改變時,如果仍以估計值(亦即過去資料的平均值)給使用者,則容易出錯。為了保持資料回報的高正確性,透過檢查點可得知異常資料產生或資料趨勢改變的情況。
現請參考第3D圖,其顯示預測點、感測點與檢查點。請同時參考第3C圖與第3D圖。假設根據感測機率,在時間點7的預測點成為檢查點330。所以,如第3D圖所示,在時間點2與8(其為預測點)時,訊息處理模組120將平均值回傳給使用者;在時間點1與3~7(其為感測點或檢查點)時,根據訊息處理模組120的指令,訊息收集模組110收集資料並回傳給訊息處理模組120,而訊息處理
模組120將實際資料回傳給使用者。由此可看在,由於在某些時間點(其為預測點時),訊息收集模組110不需要進行資料的收集(感測)與傳送,所以,可節省無線感測器112的耗電量。
接著,動態更新預測模型,如步驟270所示。由於訊息收集模組110會在感測點與檢查點回傳實際資料,所以,在本實施例中,可根據所接收到的實際資料來動態更新預測模型,使其能更接近目前資料趨勢。如此,可根據實際資料,來決定是否將預測點更改為感測點,或者將感測點更改為預測點,此即所謂預測模型的更新。
當動態更新預測模型時,有兩種方式。第1種方式是,根據舊平均值、舊變異數、資料個數與新資料(實際回傳的資料),預測模組122計算出新的平均值與新的變異數,並據以決定是否更新預測模型。另一種方式則是,預測模組122根據最新的數筆資料來計算新的平均值與新的變異數,並據以決定是否更新預測模型。
接下來說明訊息收集模組110與訊息處理模組120的操作。請參考第4圖,其顯示訊息收集模組110與訊息處理模組120的操作流程。剛開始時,訊息收集模組110接收由訊息處理模組120所傳來的感測指令(比如,令無線感測器112每5分感測一次);訊息收集模組110內的無線感測器112據以進行資料並回傳資料;訊息處理模組120建立預測模型,如步驟410所示。
更甚者,在訊息處理模組120建立預測模型時,其可
根據所接收到的資料來預測資料的週期(其細節如上述),並計算出此預測模型的可預測度(PD,Predictable Degree)。如果此預測模型的可預測度是不可接受的話,則訊息處理模組120會繼續接收由訊息收集模組110所傳來的資料,以建立更好的預測模型。此外,如上述,在建立預測模型時,更可參考使用者參數。更甚者,每個時間點的使用者參數可彼此不同。當訊息處理模組120建立出足夠好的預測模型時,訊息處理模組120會根據使用者參數與預測模型再次得到新的感測指令(其包括:預測點的位置、感測點的位置、感測機率等),以再次傳送感測指令給訊息收集模組110。
接著,執行模組判斷目前的時間點是否為週期內的最後一個時間點,如步驟420所示。如果是的話,則流程接續至步驟425,否則,流程接續至步驟430。
在步驟425中,執行模組將時間點設回到週期內的第一個時間點。或者,執行模組根據所接收到的感測指令,判斷目前的時間點是否為預測點,如步驟430所示。如果是的話,則流程接續至步驟440,否則,流程接續至步驟435。
如果目前的時間點不是預測點,則代表目前的時間點為感測點,所以,如步驟435所示,執行模組113會令無線感測器112進行資料的感測、收集,並回傳給訊息處理模組120;而且訊息處理模組120會根據所接收到的實際感測資料來動態更新預測模組(如果需要的話);以及,訊
息處理模組120將實際感測資料回報給使用者。
更甚者,如果需要的話,根據更新的預測模組,訊息處理模組120會更新感測指令,並將新的感測指令傳送給訊息收集模組110,以控制其資料收集操作。
如果目前的時間點是預測點,根據感測機率,執行模組判斷是否將預測點設為檢查點,如步驟440所示。如果是的話,則流程接續至步驟435,否則,流程接續至步驟445。
因為目前的時間點雖為預測點但不是檢查點,所以,無線感測器112不需進行感測;訊息處理模組120將過去的感測資料的平均值回報給使用者,如步驟445所示。
由第4圖流程可知,在本發明實施例中,如果目前的時間點雖為預測點但不是檢查點,則無線感測器112不需進行感測;所以,可以降低無線感測器112的資料傳輸與資料感測的次數與耗電量。此外,如果資料的週期性愈明顯,則預測點會愈多,更可省下愈多耗電量。此外,在本實施例中,檢查點的導入可用以更新預測模型,使其適應於資料趨勢變動的環境。當更新預測模型時,其會越來越準確。
在本發明實施例中,要得知原始資料的週期,除前文所述方法外,亦可採取其他方式,例如資料收集模組收集一段時間資料後,預測模組將時域(Time Domain)資料(如第5A圖所示)以傅立葉轉換至頻域(Frequency Domain)資料(如第5B圖所示)。之後,將頻域資料的低頻部份濾
掉,並將高頻數值取倒數即為所求之資料週期。
在本發明實施例中,資料的收集可以滑動視窗(Sliding Window)進行,亦即保留最近k(k為正整數)筆資料數值以計算估計值,k值表示資料的新鮮度。估計值不限定為平均值,亦可以為中位數、眾數、去偏值(Outlier)後的平均值等統計數值代替,等等。
在本發明實施例中,檢查點的設立方式除了用既定機率決定外,亦可以其他方式實施,例如非參數模型(Non-Parametric Models)方式。非參數模型方式是指,當新資料加進預測模型時,會檢查此模型內的對應時間點上的其他資料數值與新資料數值的差距。當差距小於一定範圍內的其他資料個數過於稀少時,則此新資料被判定為一偏點。若在某時間點上的偏點過多,則可將此時間點設為檢查點。
綜上所述,在本發明實施例中,訊息收集模組110與訊息處理模組120的架構不對稱,亦即,訊息收集模組110的運算能力較弱,而訊息處理模組120的運算能力較強。如此,複雜的預測運算(如趨勢運算、動態調整預測模型等)由訊息處理模組120進行。此外,更可針對據資料特性或使用者參數,基於機率理論來自動決定感測間隔(亦即,在哪些時間點,要真正感測資料,在哪些時間點不需要感測資料)。此外,更可適應性動態的改變預測模型。如此,可達到延長無線感測器的電池壽命。
綜上所述,雖然本發明已以一實施例揭露如上,然其
並非用以限定本發明。本發明所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾。因此,本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100‧‧‧無線感測器網路
110‧‧‧訊息收集模組
120‧‧‧訊息處理模組
111‧‧‧處理單元
112‧‧‧無線感測器
113‧‧‧執行模組
114‧‧‧射頻(RF)模組
121‧‧‧處理單元
122‧‧‧預測模組
123‧‧‧資料庫
124‧‧‧射頻(RF)模組
210~270、410~445‧‧‧步驟
P‧‧‧週期
T‧‧‧原始資料
T1~T4‧‧‧分段資料
310‧‧‧預測點
320‧‧‧感測點
330‧‧‧檢查點
第1圖顯示根據本發明實施例的無線感測器網路的示意圖。
第2圖顯示根據本發明實施例的預測模組122的操作流程圖。
第3A圖顯示將具有週期P的原始資料T進行分段的一個例子。
第3B圖顯示將第3A圖的原始資料T進行分段後的結果。
第3C圖顯示預測點與感測點的一例。
第3D圖顯示預測點、感測點與檢查點的一例。
第4圖顯示訊息收集模組110與訊息處理模組120的操作流程。
第5A圖顯示時域資料,而第5B圖則顯示頻域資料。
100‧‧‧無線感測器網路
110‧‧‧訊息收集模組
120‧‧‧訊息處理模組
111‧‧‧處理單元
112‧‧‧無線感測器
113‧‧‧執行模組
114‧‧‧射頻(RF)模組
121‧‧‧處理單元
122‧‧‧預測模組
123‧‧‧資料庫
124‧‧‧射頻(RF)模組
Claims (18)
- 一種無線感測器網路,包括:一訊息處理模組,發出一感測指令;以及一訊息收集模組,接收由該訊息處理模組所傳來的該感測指令,以收集一原始資料並回傳給該訊息處理模組;其中,該訊息處理模組根據該原始資料的一週期,將該原始資料分段,並將該原始資料的各分段資料疊合,計算出各分段資料在一感測時間點的一統計數值,找出該原始資料的一趨勢以建立一預測模型;根據所建立出的該預測模型,該訊息處理模組更新該感測指令並傳給該訊息收集模組;該訊息收集模組根據該感測指令,以決定在該感測時間點是否要進行資料收集;如果要,則該訊息收集模組收集該原始資料並回傳給該訊息處理模組;以及如果不要,則該訊息處理模組根據過去的該原始資料以得到一預估值。
- 如申請專利範圍第1項所示之無線感測器網路,其中該訊息處理模組包括:一第一訊息收發模組,用以在該訊息收集模組與該訊息處理模組之間進行該原始資料與該感測指令的收發;一資料庫,耦接於該第一訊息收發模組,用以儲存由該第一訊息收發模組所接收的該原始資料; 一第一處理單元,耦接於該資料庫,對該原始資料進行分析;以及一預測模組,耦接於該第一處理單元,其找出該原始資料的該趨勢,以建立與動態更新該預測模型。
- 如申請專利範圍第2項所示之無線感測器網路,其中該訊息收集模組包括:一第二訊息收發模組,用以在該訊息收集模組與該訊息處理模組之間進行該原始資料與該感測指令的收發;一無線感測器,耦接至該第二訊息收發模組,根據由該第二訊息收發模組所收到的該感測指令而感測該原始資料;一第二處理單元,控制該無線感測器,以將該原始資料透過該第二訊息收發模組回傳至該訊息處理模組;以及一執行模組,接收由該第二訊息收發模組所收到的該感測指令,以決定在該感測時間點,該無線感測器是否要進行資料收集。
- 如申請專利範圍第3項所示之無線感測器網路,其中,如果該原始資料的該週期為已知,則將該原始資料的該週期輸入至該預測模組;以及如果該原始資料的該週期為未知,則根據該訊息收集模組所接收的該原始資料,該預測模組預測該原始資料的該週期。
- 如申請專利範圍第4項所示之無線感測器網路, 其中,該預測模組將該原始資料移位以得到一移位後資料,該預測模組比較該原始資料與該移位後資料間的相似度,以得知該原始資料的該週期;或者該預測模組將該原始資料從一時域轉換至一頻域,將轉換後的該原始資料的一低頻部份濾掉,並將轉換後的該原始資料的一高頻數值取倒數,以得到該原始資料的該週期。
- 如申請專利範圍第5項所示之無線感測器網路,其中,該統計數值包括一平均值與一變異數,如果該變異數大於一臨界值,則該訊息收集模組收集該原始資料並回傳給該訊息處理模組;以及如果該變異數小於該臨界值,該訊息處理模組將該平均值當成該預估值。
- 如申請專利範圍第6項所示之無線感測器網路,其中,在該預測模型中,該預測模組定義一預測點、一感測點、一檢查點與一感測機率;如果在該感測時間點的該變異數大於該臨界值,則將該感測時間點設為該感測點,在該感測點時,該無線感測器要進行資料的感測;依據該感測機率或一非參數模型,該執行模組設定該預測點成為該檢查點,在該檢查點時,該無線感測器要進行資料的感測。
- 如申請專利範圍第7項所示之無線感測器網路,其中,根據該訊息收集模組所回傳的該原始資料,該預測模型動態更新該預測模型。
- 如申請專利範圍第8項所示之無線感測器網路,其中,當動態更新該預測模型時,該預測模型根據過去的該原始資料的該平均值、該變異數、一資料個數與新的該原始資料,以計算出新的該平均值與新的該變異數,並據以決定是否更新該預測模型。
- 如申請專利範圍第8項所示之無線感測器網路,其中,當動態更新該預測模型時,該預測模型根據新的該原始資料來計算新的該平均值與新的該變異數,並據以決定是否更新該預測模型。
- 一種無線感測器網路之資料感測方法,包括:發出一感測指令;根據該感測指令,感測一原始資料;根據該原始資料的一週期,將該原始資料分段;將該原始資料的各分段資料疊合;計算出各分段資料在一感測時間點的一統計數值,找出該原始資料的一趨勢,以建立一預測模型;根據所建立出的該預測模型,更新該感測指令;根據該更新後感測指令,以決定在該感測時間點是否要感測資料;如果要,則感測該原始資料並回報給一使用者;以及如果不要,則根據過去的該原始資料以得到一預估 值,並回報給該使用者。
- 如申請專利範圍第11項所示之無線感測器網路之資料感測方法,更包括:儲存所感測的該原始資料;對該原始資料進行分析;以及找出該原始資料的該趨勢後,動態更新該預測模型。
- 如申請專利範圍第12項所示之無線感測器網路之資料感測方法,更包括:如果該原始資料的該週期為已知,則輸入該原始資料的該週期;以及如果該原始資料的該週期為未知,則根據所感測的該原始資料,預測該原始資料的該週期。
- 如申請專利範圍第13項所示之無線感測器網路之資料感測方法,其中,預測該原始資料的該週期之該步驟包括:將該原始資料移位以得到一移位後資料,比較該原始資料與該移位後資料間的相似度,以得知該原始資料的該週期;或者將該原始資料從一時域轉換至一頻域,將轉換後的該原始資料的一低頻部份濾掉,並將轉換後的該原始資料的一高頻數值取倒數,以得到該原始資料的該週期。
- 如申請專利範圍第14項所示之無線感測器網路之資料感測方法,其中,該統計數值包括一平均值與一變異值, 如果該變異數大於一臨界值,則在該感測時間點,感測該原始資料並回報給該使用者;以及如果該變異數小於該臨界值,則在該感測時間點,以該原始資料的該平均值回報給該使用者。
- 如申請專利範圍第15項所示之無線感測器網路之資料感測方法,更包括:在該預測模型中,定義一預測點、一感測點、一檢查點與一感測機率;如果在該感測時間點的該變異數大於該臨界值,則將該感測時間點設為該感測點,在該感測點時,要進行資料的感測;依據該感測機率或一非參數模型,設定該預測點成為該檢查點,在該檢查點時,要進行資料的感測。
- 如申請專利範圍第16項所示之無線感測器網路之資料感測方法,其中,動態更新該預測模型之該步驟包括:根據過去的該原始資料的該平均值、該變異數、一資料個數與新的該原始資料,以計算出新的該平均值與新的該變異數,並據以決定是否更新該預測模型。
- 如申請專利範圍第16項所示之無線感測器網路之資料感測方法,其中,動態更新該預測模型之該步驟包括:根據新的該原始資料來計算新的該平均值與新的該變異數,並據以決定是否更新該預測模型。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW097147533A TWI395151B (zh) | 2008-12-05 | 2008-12-05 | 無線感測器網路與其資料感測方法 |
US12/430,987 US8289150B2 (en) | 2008-12-05 | 2009-04-28 | Wireless sensor network and data sensing method thereof |
JP2009149970A JP5422270B2 (ja) | 2008-12-05 | 2009-06-24 | 無線センサネットワークおよびそのデータ検知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW097147533A TWI395151B (zh) | 2008-12-05 | 2008-12-05 | 無線感測器網路與其資料感測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201023087A TW201023087A (en) | 2010-06-16 |
TWI395151B true TWI395151B (zh) | 2013-05-01 |
Family
ID=42347105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW097147533A TWI395151B (zh) | 2008-12-05 | 2008-12-05 | 無線感測器網路與其資料感測方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP5422270B2 (zh) |
TW (1) | TWI395151B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8519867B2 (en) * | 2010-12-23 | 2013-08-27 | General Electric Company | Method and system for reducing transmitter power consumption while avoiding delay of displayed information |
CN104683466B (zh) * | 2015-03-03 | 2018-01-09 | 友达光电股份有限公司 | 服务器及其运算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200605365A (en) * | 2004-04-26 | 2006-02-01 | Sensors For Med & Science Inc | Systems and methods for extending the useful life of optical sensors |
US20070211654A1 (en) * | 2006-03-07 | 2007-09-13 | Samsung Electronics Co., Ltd. | Power-saving method for wireless sensor network |
JP2008217055A (ja) * | 2007-02-28 | 2008-09-18 | Hitachi Ltd | マルチホップ無線システムの電力制御方法およびその電力制御システム |
JP2008234361A (ja) * | 2007-03-20 | 2008-10-02 | Kyowa Electron Instr Co Ltd | ひずみ計測システムおよび無線式ひずみアンプ |
US20080250301A1 (en) * | 2004-03-23 | 2008-10-09 | Shoubhik Mukhopadhyay | Apparatus and Method For Improving Reliability of Collected Sensor Data Over a Network |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07219623A (ja) * | 1994-02-02 | 1995-08-18 | Yaskawa Electric Corp | 計測器の異常検知装置 |
JP2008059302A (ja) * | 2006-08-31 | 2008-03-13 | Yamatake Corp | 無線センサ |
JP4843526B2 (ja) * | 2007-03-05 | 2011-12-21 | 株式会社東芝 | 無線型制御システム |
-
2008
- 2008-12-05 TW TW097147533A patent/TWI395151B/zh active
-
2009
- 2009-06-24 JP JP2009149970A patent/JP5422270B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080250301A1 (en) * | 2004-03-23 | 2008-10-09 | Shoubhik Mukhopadhyay | Apparatus and Method For Improving Reliability of Collected Sensor Data Over a Network |
TW200605365A (en) * | 2004-04-26 | 2006-02-01 | Sensors For Med & Science Inc | Systems and methods for extending the useful life of optical sensors |
US20070211654A1 (en) * | 2006-03-07 | 2007-09-13 | Samsung Electronics Co., Ltd. | Power-saving method for wireless sensor network |
JP2008217055A (ja) * | 2007-02-28 | 2008-09-18 | Hitachi Ltd | マルチホップ無線システムの電力制御方法およびその電力制御システム |
JP2008234361A (ja) * | 2007-03-20 | 2008-10-02 | Kyowa Electron Instr Co Ltd | ひずみ計測システムおよび無線式ひずみアンプ |
Also Published As
Publication number | Publication date |
---|---|
JP2010136321A (ja) | 2010-06-17 |
JP5422270B2 (ja) | 2014-02-19 |
TW201023087A (en) | 2010-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8289150B2 (en) | Wireless sensor network and data sensing method thereof | |
Zois et al. | Energy-efficient, heterogeneous sensor selection for physical activity detection in wireless body area networks | |
Du et al. | Energy efficient sensor activation for water distribution networks based on compressive sensing | |
US20190178514A1 (en) | Air-conditioning control method and air-conditioning control device | |
Koushanfar et al. | Sleeping coordination for comprehensive sensing using isotonic regression and domatic partitions | |
Bagwari et al. | An Enhanced Energy Optimization Model for Industrial Wireless Sensor Networks Using Machine Learning | |
CN103249127B (zh) | 物联网节能数据传输方法 | |
JP5640341B2 (ja) | データ通信システム、データ通信方法、およびセンサ制御装置 | |
US10003502B1 (en) | Integrated wireless sensor network (WSN) and massively parallel processing database management system (MPP DBMS) | |
KR101178669B1 (ko) | 모션 센싱을 이용한 usn 기반의 자산 추적 장치 및 방법 | |
TWI395151B (zh) | 無線感測器網路與其資料感測方法 | |
Taleb et al. | VCAMS: Viterbi-based context aware mobile sensing to trade-off energy and delay | |
Lee et al. | An adaptive transmission power control algorithm for wearable healthcare systems based on variations in the body conditions | |
CN101765226B (zh) | 无线传感器网络与其数据感测方法 | |
Kim et al. | Ensuring data freshness in wireless monitoring networks: Age-of-information sensitive coverage and energy efficiency perspectives | |
Han et al. | A novel deep-learning-based robust data transmission period control framework in iot edge computing system | |
Wang et al. | Efficient event detection using self-learning threshold for wireless sensor networks | |
Kim-Hung et al. | User-driven adaptive sampling for massive internet of things | |
Joshi et al. | A dual synchronization prediction-based data aggregation model for an event monitoring IoT network | |
Cardinale | Occupant activity detection in smart buildings: A review | |
KR101693873B1 (ko) | 건물을 관리하는 통합관리 시스템 및 그 방법 | |
CN103391548A (zh) | 基于td强化学习的无线传感网络入侵检测模型 | |
De Paola et al. | Predictive models for energy saving in wireless sensor networks | |
Anagnostopoulos et al. | Context compression: using principal component analysis for efficient wireless communications | |
Zhang et al. | Unspecific event detection in wireless sensor networks |