CN103916941A - 面向数据收集的多媒体传感网能量有效节点选择方法 - Google Patents
面向数据收集的多媒体传感网能量有效节点选择方法 Download PDFInfo
- Publication number
- CN103916941A CN103916941A CN201410124333.5A CN201410124333A CN103916941A CN 103916941 A CN103916941 A CN 103916941A CN 201410124333 A CN201410124333 A CN 201410124333A CN 103916941 A CN103916941 A CN 103916941A
- Authority
- CN
- China
- Prior art keywords
- node
- energy
- nodes
- correlation
- energy consumption
- 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.)
- Pending
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)
Abstract
面向数据收集的多媒体传感网能量有效节点选择方法是一种用于无线多媒体传感器网络环境,基于空间映射相关和节点能量的多节点协同图像数据收集方案,以解决无线多媒体传感器网络中节点电源能量、计算、通信和存储能力受限问题。将协同处理方法应用于无线多媒体传感器网络的图像数据收集中,设计图像空间相关性模型,描述节点的相关特性;更进一步构建传感器能量消耗模型和信息熵框架,估计节点的能量剩余量和信息量,其中对于多个节点的联合熵计算,采用层次聚类的方法;最后设计了一种面向数据收集的多媒体传感网能量有效节点选择方法,该算法基于能量消耗和相关性模型,能够有效减少传感器节点数据传输量和能量消耗,延长网络的整体生存周期。
Description
技术领域
本发明是一种适用于无线多媒体传感器网络(WirelessMulti-media Sensor Networks,缩写为WMSNs)的节点选择方案,该方案基于传感器节点能量消耗模型和空间相关性原理,通过考虑传感器节点能量因素和消除节点间采集数据的空间信息冗余,实现多节点图像数据收集,以解决无线多媒体传感器网络节点能量和存储受限的问题,为无线多媒体传感器网络数据的高效传输奠定基础。本技术属于无线传感器网络领域。
背景技术
随着无线通信技术、微电子技术、微电机***与传感器技术等不断进步,无线传感器网络(Wireless Sensor Networks,WSNs)正成为传感器领域内一个新兴的研究方向。当前大部分无线传感器网络只局限于测量简单的环境数值信息,而人类感知外界信息的80%以上来自于人的视觉、听觉,迫切需要将信息量丰富的媒体引入到以传感器网络为基础的环境监测活动中来,实现精准信息的监测,同时能够捕获多媒体信息的廉价硬件也孕育了无线多媒体传感器网络的产生和发展。
无线多媒体传感器网络与无线传感器网络一样,也是一个无中心、自组织的网络。目前为止,多媒体传感器节点一般仍然采用电池供电,部署后很难再次进行能量补充。当某些节点因能量耗尽而失效无法工作时,将缩短无线多媒体传感器网络的生存时间,对应用造成不利的影响。一旦网络能耗较高时,将对信道接入与分配、拓扑管理、路由维护、覆盖控制等造成严重影响,甚至可能造成完全无法进行的情况。
作为传感器网络高级形式的多媒体传感器网络,具备标量数据和多媒体信息感知、采集、处理和传输能力。如何对多媒体数据进行有效感知、处理及传输是多媒体传感网节能的主要研究方向之一,多媒体传感网中的图像信息具有很大的冗余性和时空相关性,如何有效地对采集到的图像信息进行网络压缩减少网络流量,已成为多媒体传感网急需突破的关键技术之一。因而急需设计高效的图像压缩采集方法,以消除无线多媒体传感器节点数据的空间冗余信息,同时结合考虑节点的能量因素,从而有效提高网络资源利用率,延长无线多媒体传感器网络的生命周期。
发明内容
技术问题:本发明的目的是设计一种面向数据收集的多媒体传感网能量有效节点选择方法,以实现图像数据的收集和***的长时间运行。本方案采用协同处理方式,通过研究构建基于传感器能量消耗和相关性模型以评估多个相关多媒体传感器节点的联合作用,解决无线多媒体传感器网络中节点电源能量、计算、通信和存储能力受限等问题。通过使用本发明提出的方法可以有效延长网络***的整体生存周期,同时消除多媒体传感器节点数据的空间信息冗余。为无线多媒体传感器网络数据的高效采集和传输奠定基础。
技术方案:本发明是一种改进的无线多媒体传感器节点选择方案。基于协同处理方法,针对不同特定图像算法的差异性,设计一个图像空间相关性模型,描述相机节点的重叠视野所观察到的图像的相关特性;更进一步构建传感器能量消耗模型和信息熵框架,并据此估计传感器节点的能量剩余量和信息量,其中对于多个节点的联合熵计算,采用层次聚类的方法;最后设计实现了一种面向数据收集的多媒体传感网能量有效节点选择方法,该算法基于能量消耗和相关性模型,选择一组信息量尽可能最大的相关传感器节点,同时结合实际情况确保每个节点的能量不被耗尽,从而有效减少传感器节点数据传输量和能量消耗,延长网络的整体生存周期。
该方法包含在以下的具体步骤:
初始场景设置:
步骤1)设置观测区域及多媒体传感器节点:设置需要采用多媒体传感器网络监测的区域场景范围;设置***选择的节点集合的联合熵要求值;初始化每个传感器节点的能量值;初始化监测场景中无线多媒体传感器节点的数量、布撒位置坐标、主感知方向以及感知半径;
步骤2)由节点位置坐标计算传感方向和x轴的角度θ以及节点沿传感方向相对于目标区域中心的偏移距离r;
多媒体传感器节点相关性定义:
步骤3)定义空间相关性函数来描述通过多媒体传感器节点的重叠视野所观察到的图像的相关特性;
多节点的联合作用:
步骤4)实现如何在一个多媒体传感器网络中以最少的节点获得尽可能多的数据信息,节点所感知的数据信息必须和所观测图像的相关特性有关,并且各节点之间感知的数据相关性越小,其将提供更多信息给汇聚节点;
能量消耗模型和信息熵框架:
步骤5)构建出一个能量消耗模型以评估任意时刻每个节点的能量剩余量;
步骤6)基于步骤3中定义的节点相关性描述函数,构建出一个基于熵的框架以评估多节点提供的信息量;
基于能量消耗模型和相关性的节点选择:
步骤7)由人工设置或***默认设置传感器节点允许能量最低值;初始节点集合为空,首先选择汇聚节点作为起始点,并将其加入到初始选择节点集合中;
步骤8)综合考虑节点间相关性与节点能量值;从能量值高于允许能量最低值的所有非选择节点中选择一个与选择节点集合相关性最小的节点,将其加入至选择节点集合中,同时根据能量消耗模型对该节点的能量消耗进行计算;
步骤9)重复步骤8的操作,直至选择节点集合中所有的节点联合熵增加至***所设置要求值,或所有非选择节点的能量值均低于允许能量最低值时则***停止。
以上步骤中所涉及的一些关键操作定义如下:
描述节点相关性的函数定义:
我们为观测区域设定一个基坐标,其中原点是观测区域的中心,XOY平面是水平平面。在该模型中有七个参照点可以当做特征点或者关键点,它们是:O(0,0,0)T,A(1,0,0)T,B(-1,0,0)T,C(0,1,0)T,D(0,-1,0)T,E(0,0,1)T,F(0,0,-1)T。这些参考点形成在三维空间中沿着x、y、z轴方向的六个单位参考向量。示意图如附图1所示。
我们考虑当所有传感器节点放在水平平面且它们的传感方向也是在水平平面的情况下,传感器节点参考点的投影将会随着传感方向和节点位置的改变而改变。通过相同参考点在不同传感器节点投影面上投影点的比较,来比较理解不同传感器节点的相关特性。
传感器模型:
如附图2所示,无线多媒体传感器网络中的节点具有方向感知特性,其特性是方向性传感和三维到二维的投影,在计算机视觉中可以用针孔相机模型进行模拟。如附图2所示,p'(u,v)T为一个场景点P在某节点像平面上的投影点,其中u和v可由P点在该节点坐标系中的坐标(x,y,z)及相机节点焦距f求得。
基于上述传感器模型,我们可以得到参考点A、B、C、D、E、F在任意相机节点投影平面上投影点的坐标。于是设计了一个差别函数来表示不同相机之间参考向量的投影差别:
假设相机i和相机j是两个任意的在水平平面的可以观测同一个兴趣域的相机,差别函数可由以下步骤获得:
1)确定相机i和相机j的传感方向和位置。
2)基于之前的传感器模型,计算在每个相机参考向量的投影。
3)为每一对归一化向量和计算距离。例如,如果在相机i中的投影是oiai=(ui,vi)T,在相机j中是ojaj=(uj,vj)T,距离的计算是
4)相机i和相机j中的图像差别用δ表示,为四个向量的平均距离,设(di,ri,θi)和(dj,rj,θj)是相机i和相机j的位置参数,则δ为关于上述参数的函数。
当传感方向的差异增加时图像差别δ的值也随之增加。较大的δ值说明两幅图像存在很大差异,即图像相关性小。在上述情况下,当两个相机的传感方向是正交时,最大的差别值是1。
因此我们可以定义一个相关系数,它是图像差别δ的补:
ρ=1-δ
相关系数ρ越大两个图像就越相关,相关系数ρ越小两个图像就越不相关。
传感器能量模型:
将一个n-bit的信息传送距离d,传感器射频电路的发送耗能和接收耗能分别为
Etran=Eelecn+εampndk
Erece=Eelecn
公式中:Eelec表示发射电路(transmitelectronics,TE)和接收电路(receiveelectronics,RE)每发送或接收单位bit的耗能;εamp表示发射放大器将每bit传送单位平方米所耗的能量;k为传播衰减指数,2≤k≤5,取值由周围环境决定。
以相机节点作为一般意义上的多媒体感知节点为例,无线多媒体传感器网络在单跳传输下的情况,相机传感器节点之间进行传输时发送和接收能量分别为Etran和Erece。
因为上述模型中未提及传感器的拓扑形式,未确定路由选择算法,无法确定发送信息时需要传送的距离d的大小,故无法计算能量εampndk的值。下面理想化地只考虑相机传感器的发送接收装置的能量消耗作为传感器的能量消耗值,相机传感器节点每次传输信息的能量消耗为e,如下公式表示:
e=Etran≈Erece=Eelecn
相机i在传输一次能量后,能量值计算公式如下:
E=E-e
两个传感器的联合熵:
熵的概念是用来衡量一个随机信息源的信息量。
假设每个多媒体传感器可以捕获兴趣域的一幅图像,定义为图像A和图像B。图像A和图像B的联合熵是
H(A,B)=H(A)+H(B)-I(A;B)
I(A;B)为A、B间的互信息,模拟两幅图像的重叠视野。互信息的归一化形式,熵相关系数(ECC)为互信息的两倍与图像A、图像B的熵的和的比值。故图像A和B的联合熵可以表示为H(A),H(B)和ECC的一个函数:
熵相关系数(ECC)范围是0到1,0代表了源图像A和B是独立的,1代表了源图像A等于源图像B。ECC的值越大,两个源就越相关。相关系数ρ与熵相关系数ECC具有相同的内在含义。所以我们用相关系数ρ替换ECC,可以得到图像A和B联合熵的估算值:
多个节点的联合作用:
采用层次聚类的方法估算多个相机的联合熵:在{X1,X2,…,XN}中有N个单个元素,我们可以将其中任意两个元素合并,那么两个元素的联合熵可以通过两个相机联合熵计算方法来计算。然后我们把这合并的两个元素看成为一个新的单一的元素,那么这组元素的数量便减少为N-1。如果我们重复这一过程,最后这N个单个的传感器元素将会结合成一个单一的元素。如果沿着合并过程计算合并传感器的联合熵,当合并过程结束时就可以得到N个相机的联合熵。
综合能量消耗模型与相关性的节点选择:
优先考虑传感器节点剩余能量值,其次考虑节点间相关性,选择相关性最小且剩余能量值高于允许能量最低值的节点。具体操作如下:
计算每个非选择节点与选择节点集合中的每个节点的相关性,将其中的最大值作为每个非选择节点与选择节点集合的相关性;从能量值高于允许能量最低值的所有未选择节点中选择一个与选择节点集合相关性最小的节点,将其加入至选择节点集合中;同时根据能量消耗模型对该节点的能量值进行计算,更新被选择节点的能量值。若***内没有能量值高于允许能量最低值的未选择节点时,则***停止或忽略能量值,只考虑节点的相关性继续运行(***允许能量最低值较高时)。
有益效果:设计一种面向数据收集的多媒体传感网能量有效节点选择方法方案,对应方案有如下优点:
1.较好的适应性
通过通用的空间相关性模型模拟传感器节点的相关特性,只与传感方向、节点位置及偏移距离等物理参数有关,能量消耗模型适用于各种常见网络拓扑结构,为传感器节点现有的通用模型。而基于信息熵框架又与相关性直接有关,排除了传感器类型、区域场景等因素的影响,从而表现出较好的适应性。
2.方法简单易懂、计算速度快
本方案采用基于传感器的能量消耗模型和信息熵框架,通过构建空间相关性模型模拟表示出多媒体传感器节点间的相关特性,从而实现节点的优化选择,具有计算速度快、计算复杂度较小等优点,很好地解决了传统图像压缩算法效率低、计算复杂费时、能耗大的缺点。
3.可优化特性
方案可以通过相关模型参数的调整、能量模型的复杂具体化以及与其他方法的结合使用,应用在更广泛的领域。同时方案的一些算法思路可以深度发掘,提高方案的实用性与全面性使方案在应用价值上具有很大的上升潜力。如:可以适当调整选择算法、考虑多跳传输方式下的能量模型,实现多跳传输方式情况的节点选择;综合考虑相关特性以及能量模型,考虑引入权值,使算法更加优化以及考虑具体传输距离对节点选择的影响。
附图说明
图1是空间映射相关计算中的参考点选取图,
图2是图像成像模型图,
图3是方案流程图。
具体实施方式
面向数据收集的多媒体传感网能量有效节点选择方法实现方案的核心设计思想为:将协同处理方法应用于无线多媒体传感器网络的图像压缩中,针对不同特定图像算法的差异性,设计一个图像空间相关性模型,描述相机节点的重叠视野所观察到的图像的相关特性;更进一步构建传感器能量消耗模型和信息熵框架,并据此估计传感器节点的信息量和能量剩余量,其中对于多个节点的联合熵计算,采用层次聚类的方法;最后设计实现了一种面向数据收集的多媒体传感网能量有效节点选择方法,该算法基于能量消耗和相关性模型,选择一组信息量尽可能最大的相关传感器节点,同时结合实际情况确保每个节点的能量不被耗尽,从而有效减少传感器节点数据传输量和能量消耗,延长网络的整体生存周期。
因此,方案通过设置初始场景,并构建传感器能量消耗模型和信息熵框架来评估多个相关多媒体传感器节点的联合作用,同时综合考虑多媒体传感器节点之间的图像空间相关性等因素,实现节点的最优化选择。
具体步骤包括:
初始场景设置:
步骤1)设置观测区域及多媒体传感器节点:设置需要采用多媒体传感器网络监测的区域场景范围;设置***选择的节点集合的联合熵要求值;初始化每个传感器节点的能量值;初始化监测场景中无线多媒体传感器节点的数量、布撒位置坐标、主感知方向以及感知半径;
步骤2)由节点位置坐标计算传感方向和x轴的角度θ以及节点沿传感方向相对于目标区域中心的偏移距离r;
多媒体传感器节点相关性定义:
步骤3)定义空间相关性函数来描述通过多媒体传感器节点的重叠视野所观察到的图像的相关特性;
多节点的联合作用:
步骤4)实现如何在一个多媒体传感器网络中以最少的节点获得尽可能多的数据信息,节点所感知的数据信息必须和所观测图像的相关特性有关,并且各节点之间感知的数据相关性越小,其将提供更多信息给汇聚节点;
能量消耗模型和信息熵框架:
步骤5)构建出一个能量消耗模型以评估任意时刻每个节点的能量剩余量;
步骤6)基于步骤3中定义的节点相关性描述函数,构建出一个基于熵的框架以评估多节点提供的信息量;
基于能量消耗模型和相关性的节点选择:
步骤7)由人工设置或***默认设置传感器节点允许能量最低值;初始节点集合为空,首先选择汇聚节点作为起始点,并将其加入到初始选择节点集合中;
步骤8)综合考虑节点间相关性与节点能量值;从能量值高于允许能量最低值的所有非选择节点中选择一个与选择节点集合相关性最小的节点,将其加入至选择节点集合中,同时根据能量消耗模型对该节点的能量消耗进行计算;
步骤9)重复步骤8的操作,直至选择节点集合中所有的节点联合熵增加至***所设置要求值,或所有非选择节点的能量值均低于允许能量最低值时则***停止。
Claims (1)
1.一种面向数据收集的多媒体传感网能量有效节点选择方法,其特征在于该方法包含在以下的具体步骤:
初始场景设置:
步骤1)设置观测区域及多媒体传感器节点:设置需要采用多媒体传感器网络监测的区域场景范围;设置***选择的节点集合的联合熵要求值;初始化每个传感器节点的能量值;初始化监测场景中无线多媒体传感器节点的数量、布撒位置坐标、主感知方向以及感知半径;
步骤2)由节点位置坐标计算传感方向和x轴的角度θ以及节点沿传感方向相对于目标区域中心的偏移距离r;
多媒体传感器节点相关性定义:
步骤3)定义空间相关性函数来描述通过多媒体传感器节点的重叠视野所观察到的图像的相关特性;
多节点的联合作用:
步骤4)实现如何在一个多媒体传感器网络中以最少的节点获得尽可能多的数据信息,节点所感知的数据信息必须和所观测图像的相关特性有关,并且各节点之间感知的数据相关性越小,其将提供更多信息给汇聚节点;
能量消耗模型和信息熵框架:
步骤5)构建出一个能量消耗模型以评估任意时刻每个节点的能量剩余量;
步骤6)基于步骤3中定义的节点相关性描述函数,构建出一个基于熵的框架以评估多节点提供的信息量;
基于能量消耗模型和相关性的节点选择:
步骤7)由人工设置或***默认设置传感器节点允许能量最低值;初始节点集合为空,首先选择汇聚节点作为起始点,并将其加入到初始选择节点集合中;
步骤8)综合考虑节点间相关性与节点能量值;从能量值高于允许能量最低值的所有非选择节点中选择一个与选择节点集合相关性最小的节点,将其加入至选择节点集合中,同时根据能量消耗模型对该节点的能量消耗进行计算;
步骤9)重复步骤8的操作,直至选择节点集合中所有的节点联合熵增加至***所设置要求值,或所有非选择节点的能量值均低于允许能量最低值时则***停止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410124333.5A CN103916941A (zh) | 2014-03-28 | 2014-03-28 | 面向数据收集的多媒体传感网能量有效节点选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410124333.5A CN103916941A (zh) | 2014-03-28 | 2014-03-28 | 面向数据收集的多媒体传感网能量有效节点选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103916941A true CN103916941A (zh) | 2014-07-09 |
Family
ID=51042246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410124333.5A Pending CN103916941A (zh) | 2014-03-28 | 2014-03-28 | 面向数据收集的多媒体传感网能量有效节点选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103916941A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112968840A (zh) * | 2021-01-29 | 2021-06-15 | 河北科技大学 | 基于信息熵的无线传感器数据融合网络通信方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724681A (zh) * | 2012-06-27 | 2012-10-10 | 东北大学 | 一种结合能量有效性的传感器网络覆盖空洞检测方法 |
US20120300068A1 (en) * | 2011-05-25 | 2012-11-29 | Maneesh Kumar Singh | Method and System for Cooperative Diversity Visual Cognition in Wireless Video Sensor Networks |
CN103002537A (zh) * | 2012-12-14 | 2013-03-27 | 南京邮电大学 | 一种基于相关系数无线多媒体传感器网络节点分簇方法 |
CN103327562A (zh) * | 2013-06-28 | 2013-09-25 | 南京邮电大学 | 基于空间映射相关的无线多媒体传感器网络节点选择方法 |
-
2014
- 2014-03-28 CN CN201410124333.5A patent/CN103916941A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120300068A1 (en) * | 2011-05-25 | 2012-11-29 | Maneesh Kumar Singh | Method and System for Cooperative Diversity Visual Cognition in Wireless Video Sensor Networks |
CN102724681A (zh) * | 2012-06-27 | 2012-10-10 | 东北大学 | 一种结合能量有效性的传感器网络覆盖空洞检测方法 |
CN103002537A (zh) * | 2012-12-14 | 2013-03-27 | 南京邮电大学 | 一种基于相关系数无线多媒体传感器网络节点分簇方法 |
CN103327562A (zh) * | 2013-06-28 | 2013-09-25 | 南京邮电大学 | 基于空间映射相关的无线多媒体传感器网络节点选择方法 |
Non-Patent Citations (1)
Title |
---|
吴蓉: "无线多媒体传感器网络数据融合技术研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112968840A (zh) * | 2021-01-29 | 2021-06-15 | 河北科技大学 | 基于信息熵的无线传感器数据融合网络通信方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Cooperative offloading and resource management for UAV-enabled mobile edge computing in power IoT system | |
CN103414786B (zh) | 一种基于最小生成树的数据聚合方法 | |
Banerjee et al. | Comparative study of radio models for data gathering in wireless sensor network | |
CN103200598A (zh) | 一种基于粒子群优化的无线传感器网络分簇方法 | |
CN102833160A (zh) | 基于接触预测的大规模移动容迟网络分簇路由方法及其*** | |
CN103281704A (zh) | 基于三维感知的无线传感器网络确定性空间部署方法 | |
CN116865842B (zh) | 一种针对通信多址边缘计算服务器的资源分配***及方法 | |
Tang et al. | Three-dimensional Voronoi diagram–based self-deployment algorithm in IoT sensor networks | |
Salim et al. | Effective scheduling strategy in wireless multimedia sensor networks for critical surveillance applications | |
Sardouk et al. | Multi-agent system based wireless sensor network for crisis management | |
Guo et al. | Joint communication and sensing design in coal mine safety monitoring: 3-D phase beamforming for ris-assisted wireless networks | |
CN108271168B (zh) | 一种基于Dijkstra算法的无线传感器网络覆盖优化方法 | |
CN110225539A (zh) | 一种基于无线传感网络的分布式估计的节能方法 | |
Elhabyan et al. | A full area coverage guaranteed, energy efficient network configuration strategy for 3d wireless sensor networks | |
Shi et al. | Multi-UAV-assisted computation offloading in DT-based networks: A distributed deep reinforcement learning approach | |
CN106209261A (zh) | 基于概率邻域网格的三维UASNs的移动数据收集方法 | |
CN103916941A (zh) | 面向数据收集的多媒体传感网能量有效节点选择方法 | |
CN103327562B (zh) | 基于空间映射相关的无线多媒体传感器网络节点选择方法 | |
Tavakkolai et al. | Sensor selection wireless multimedia sensor network using gravitational search algorithm | |
Yadav et al. | Load balancing and position based adaptive clustering scheme for effective data communication in WBAN healthcare monitoring systems | |
Abdelhak et al. | Energy-aware distributed QR decomposition on wireless sensor nodes | |
Li et al. | RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks | |
Chadha et al. | 3 Dimensional WSN: An energy efficient network | |
Sun et al. | Optimal task offloading and trajectory planning algorithms for collaborative video analytics with UAV-assisted edge in disaster rescue | |
Kodavati et al. | Latency based Re-Enforcement Learning over Cognitive Software Defined 5G Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140709 |