CN105898765A - 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 - Google Patents
一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 Download PDFInfo
- Publication number
- CN105898765A CN105898765A CN201610397383.XA CN201610397383A CN105898765A CN 105898765 A CN105898765 A CN 105898765A CN 201610397383 A CN201610397383 A CN 201610397383A CN 105898765 A CN105898765 A CN 105898765A
- Authority
- CN
- China
- Prior art keywords
- region
- sensor node
- sensor
- node
- network
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法,通过提取视频传感器节点的感知方向、感知半径、坐标位置等参数建立有向型传感器节点的数学模型;对网络的监控区域进行网格化后,建立监控区域模型;基于传感器节点的感知范围有限的特点,建立传感器节点感知区域模型。所建立的区域覆盖模型以提高网络覆盖率为优化目标,采用粒子群算法对问题进行求解。本发明针对感知方向可调的视频传感器网络提出一种基于粒子群算法的区域覆盖优化方法,实现最大化区域覆盖率,从而有效提高视频传感器网路的资源利用率和服务质量。
Description
技术领域
本发明属于多媒体传感器网络领域,特别涉及一种适用于感知方向可调的视频传感器网络区域覆盖优化方法。
背景技术
视频监控***越来越受到人们的关注,也成为当前学术领域研究的热点。覆盖问题是视频传感器研究中最重要的问题之一,覆盖率在很大程度上影响着监控网络的性能和质量,已经发展成为一个研究热点并得到大量关注。
但是目前视频传感器网络中仍存在问题。视频传感器网络的部署大都采用随机部署的方式,随机部署无法形成有效的覆盖,因为传感器节点的位置和感知方向无法预知,往往存在大量重叠覆盖区域和覆盖盲区,造成资源浪费,影响了网络的服务质量。
传感器按照感知区域的形状的特点可以分为有向感知型传感器节点、全向感知型传感器节点和三维感知模型,传统传感器节点大都是全向感知模型,该类节点感知角度为360°。有向感知模型具有方向特性,该类型传感器的感知方向可以调整,感知角度小于360°,感知区域范围是一个扇形区域。属于三维感知模型的传感器节点的感知范围为球形。视频传感器节点属于有向感知型。视频传感器节点属于有向感知型,目前有关传感器网络区域覆盖优化问题的研究大都针对全向感知型传感器,因此并不适用于视频传感器网络。针对视频传感器网络区域覆盖优化问题,典型的方法是基于虚拟势场和泰森多边形的方法,但这些方法在传感器节点数目多时的作用并不明显。
综上,目前针对通过调整视频传感器节点的感知方向来提高网络覆盖率的问题研究较少,而随着视频传感器网络规模的不断扩大,节点数目的增多,需要一种可扩展性良好的优化方法。
发明内容
本发明针对现有技术不足,提供一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法,对网络中的区域覆盖问题进行优化,对于提高视频传感器网络区域覆盖率,提高资源利用率和网络服务质量具有重要意义。
实现本发明上述目的所采用的技术方案为:
一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法,包括以下步骤:
1)根据视频传感器节点的特征和网络监控区域的特征建立区域覆盖模型,具体包括:
(1-1)根据传感器节点的感知方向、感知半径以及坐标位置这些特征参数建立有向型视频传感器节点的数学模型;其中所述的传感器节点为有向感知型传感器节点,节点的感知区域是一个以自身坐标位置为圆心,感知半径为半径的扇形区域,实际的感知区域由感知方向决定,而且节点的感知方向可以调整;
(1-2)对视频传感器网络的监控区域进行网格化,网格化后的监控区域可以看作是一系列点的集合,传感器节点的坐标位置是集合中的一个点,将监控区域视为众多点的集合,每个传感器节点覆盖的区域是集合的一个子集,从而建立视频传感器网络中的监控区域模型;
(1-3)以传感器节点的自身坐标位置为圆心,以传感器节点的感知半径为半径,创建一个圆形区域,此区域即为传感器节点的感知区域模型,计算出每个传感器节点所对应圆形区域的上下边界和左右边界,并判断该点是否被传感器节点覆盖,并更新该点的状态值;
2)根据所建立的区域覆盖模型,以区域覆盖率为优化目标,建立优化模型;所述视频传感器网络的区域覆盖率是被传感器节点覆盖的区域面积与监控区域总的面积的比值,在对监控区域网格化后,区域覆盖率转化为被传感器节点覆盖的点的数目与点的总数目的比值;
3)结合监控区域中的点的状态检验算法,采用粒子群算法求解区域覆盖优化问题;
4)根据求得的解调整视频传感器网络中各个传感器节点的感知方向,使得区域覆盖率最大化。
步骤2)中所述区域覆盖率的计算方法如下:
其中n表示监控区域内视频传感器节点的总数,Parea满足0<Parea≤1,Si为任一传感器节点监控区域的面积,且Si=αR2,α是传感器节点的扇形监控区域的边界线与中轴线的夹角,R表示传感器节点的感知半径,为各个传感器节点覆盖面积的并集,即为所有传感器节点覆盖的总面积,S为监控区域的总面积。
步骤3)中所述的粒子群算法具体步骤为:a、设粒子群中的粒子数为num,粒子的空间维度与传感器节点个数相同为n,每个粒子的位置用一个n维向量βi=(βi1,βi2,...,βin)表示微粒i的位置向量,1≤i≤num,每一维表示网络中的一个传感器的感知方向,粒子的速度向量即视频传感器网络中传感器节点的感知方向每次改变的角度大小向量记为εi=(εi1,εi2,...,εin);
b、粒子群中各粒子的速度和位置的迭代更新计算方法如下所示:
εid(t+1)=ω·εid(t)+c1·r1·(Pbestid-βid(t))+c2·r2·(Gbestd-βid(t))
βid(t+1)=βid(t)+εid(t+1)
其中:0≤j1≤m1,0≤j2≤m2;εid表示粒子i在第d维空间的速度,即是传感器节点Vd感知方向角度调整的大小;c1和c2是学习因子,r1=r2=rand(1);ω为惯性权重系数;Pbestid为粒子i个体极值中的第d维元素,即个体极值中传感器节点Vd的感知方向大小,Gbestd为全局极值的第d维元素,即全局极值中传感器节点Vd的感知方向大小;
c、定义粒子i的适应度,用函数fi表示,fi代表传感器节点按照向量βi调整感知方向时所得到的监控区域的覆盖率,fi由下式确定:
其中,0≤j1≤m1,0≤j2≤m2;C[j1][j2]记录了表示点坐标为(j1,j2)的点Aj是否在传感器节点的监控范围内的状态,是用来统计所有处于传感器节点覆盖范围的点的数目,而监控区域的点的总数目为(m1+1)·(m2+1);
d、粒子群算法最终求得的全局最优解即是一个n维向量,当视频传感器网络中的传感器节点分别按照这个向量布置各自的感知方向时,整个网络的区域覆盖率达到最大值。
与现有技术相比,本发明所具有的有益效果为:本发明将覆盖率的面积求解公式转化为了点求解公式,简单易行;本发明的区域覆盖模型中包括根据视频传感器节点的感知区域模型,针对每个传感器节点只验证在其感知区域内的点的状态,降低了求解覆盖率过程中的时间复杂度,对传感器节点个数没有限制,具有良好的可扩充性;采用粒子群算法求解视频传感器网络中的区域覆盖问题,根据求得的解来调整传感器节点的感知方向,具有通用性,并具有良好的可扩展性。本发明对于提高视频传感器网络区域覆盖率,提高资源利用率和网络服务质量具有重要意义。
附图说明
图1是本发明提供的优化方法的步骤图;
图2是视频传感器节点示意图;
图3是有向感知型传感器感知方向示意图;
图4是传感器节点感知区域界定示意图;
图5是粒子群算法的流程图;
图6是采用粒子群算法优化前后区域覆盖情况示意图;
图7是覆盖率曲线的收敛过程示意图。
具体实施方式
下面结合附图及具体实施例对本发明做详细具体的说明,但是本发明的保护范围并不局限于以下实施例。
本实施例所提供的适用于感知方向可调的视频传感器网络区域覆盖优化的方法,其步骤图如图1所示,第一步,需要根据视频传感器网络中的感知节点特点、监控区域特点等建立区域感知模型。
首先建立传感器节点的数学模型,视频传感器有向感知模型如图2所示。V(x,y)表示节点V的二维坐标,R表示视频传感器的感知半径,节点感知范围即是以R为半径的扇形感知区域,向量为传感方向,表示该传感器节点感知区域的中轴线方向,α是扇形区域的边界线与中轴线的夹角,θ=2α的表示节点监控区域的边界线的夹角即感知视角,0<α≤π。视频传感器节点V能够覆盖的监控区域为αR2。
监控区域中任意一点A被点V覆盖的条件是:
(1)点A和传感器节点V之间的距离|PA|≤R,两点之间没有障碍物或阻隔;
(2)点A和传感器节点V的连线与中轴线向量的夹角不超过α,即向量和向量的夹角在[-α,α]之间;
即且此外,如果区域s能够被视频传感节点V覆盖,其充分必要条件是s中的所有点都能被节点V覆盖。
设监控区域内部署有n个视频传感器节点,用六元组1≤i≤n来表示节点,xi,yi表示在二维平面内节点Vi的横纵坐标,参数R表示节点的感知半径,参数为节点的感知方向,参数αi为节点感知视角大小的一半。Si此时表示当节点的感知方向为时能够被该节点覆盖和监测的点的集合,Si随的变化而变化。
用极坐标的形式表示传感器节点的感知方向, 表示传感器节点Vi的感知方向角,如图3所示,且Aj与Vi之间的距离Disij为
Aj如果被Vi监测到则必须满足下列条件,即其充分必要条件是:
然后建立监控区域模型。监控区域记为S。进行网格化后,监控区域可以看作是一系列点的集合。监控区域记为m1×m2的长方形区域,记为S=m1×m2,监控区域上的任意一点的坐标记为Aj=(j1,j2),0≤j1≤m1,0≤j2≤m2。监控区域内点的总数是m=(m1+1)×(m2+1),定义(m1+1)×(m2+1)维数组C代表点被传感器节点覆盖的状态,定义如下:
其中0≤j≤m,m为监控区域网格化后得到的网格的数量,Aj能被传感器节点监测到的条件是两者之间关系满足式(2),不满足则点Aj不在该传感器节点的监控范围内。
最后,根据视频传感器感知区域特点和监控区域模型特点建立传感器节点感知区域模型,节点感知区域模型如图4所示。监控区域内共有(m1+1)×(m2+1)个点,坐标为V(x,y)的传感器节点其所有可能的感知范围的是图中虚线圆形区域,可以采用一个矩形区域对该范围进行说明。
四个顶点分别是圆形区域四条相互垂直的切线的相交点,四个点的坐标分别是(x-R,y-R),(x+R,y-R),(x-R,y+R),(x+R,y+R),传感器节点V所有可能覆盖的点都在以这四个点为顶点的矩形区域内,对于传感器节点V,只需要检验这个矩形区域内的点被其覆盖的情况。
j1l和j1h分别表示传感器节点V=(xi,yi)所能覆盖的矩形区域的左边界和右边界。
j1l=max{xi-R,0} (4)
j1h=min{m1,xi+R} (5)
其中j2l和j2h分别表示矩形区域的下边界和上边界。
j2l=max{yi-R,0} (6)
j2h=min{yi+R,m2} (7)
第二步,根据已经建立的区域覆盖模型,建立优化目标函数。
监控区域内每个点都只能有一个状态,被覆盖或者未被覆盖,数组C[j1][j2]中存储了各个节点的状态,因此二维数组C[j1][j2]应满足其中m=(m1+1)×(m2+1),此外是用来统计被传感器节点覆盖的点的数目。监控区域被极限网格化后,区域可以用点的集合得形式进行描述,此时的覆盖率也近似为被传感器节点覆盖的点的数目与点的总数目的比值,如式(8)。
覆盖优化问题形式化定义为如下优化问题
max Parea (9)
s.t.
0≤j1≤m1 (10)
0≤j2≤m2 (11)
第三步,采用粒子群算法对问题进行求解。
当监控区域里面随机部署了n个视频传感器时,粒子群中的粒子数为num,粒子的空间维度应与传感器节点个数相同为n,每个粒子的位置用一个n维向量βi=(βi1,βi2,...,βin)表示微粒i的位置向量,1≤i≤num,每一维表示网络中的一个传感器的感知方向,例如βi2表示粒子i的中传感器节点V2的感知方向,βi1,βi2,...,βin依次表示传感器节点V1到Vn的感知方向。粒子的速度向量,即网络中传感器节点感知方向每次改变的角度大小向量记为εi=(εi1,εi2,...,εin)。
粒子群中各粒子的速度和位置的迭代更新公式如式(12)和(13)所示,其中1≤i≤num,1≤d≤n。
εid(t+1)=ω·εid(t)+c1·r1·(Pbestid-βid(t))+c2·r2·(Gbestd-βid(t)) (12)
βid(t+1)=βid(t)+εid(t+1) (13)
其中:1≤i≤num,1≤d≤n;εid表示粒子i在第d维空间的速度,即是传感器节点Vd感知方向角度调整的大小;c1和c2是学习因子,r1=r2=rand(1);ω为惯性权重系数;Pbestid为粒子i个体极值中的第d维元素,即个体极值中传感器节点Vd的感知方向大小,Gbestd为全局极值的第d维元素,即全局极值中传感器节点Vd的感知方向大小;
定义粒子i的适应度,用函数fi表示,fi代表传感器节点按照向量βi调整感知方向时所得到的监控区域的覆盖率,fi由下式确定:
其中,0≤j1≤m1,0≤j2≤m2;C[j1][j2]记录了表示点坐标为(j1,j2)的点Aj是否在传感器节点的监控范围内的状态,是用来统计所有处于传感器节点覆盖范围的点的数目,而监控区域的点的总数目为(m1+1)·(m2+1)。
粒子群算法的流程图如图5所示,f(x)为目标函数即适应值函数。粒子群算法最终求得的全局最优解即是一个n维向量,当视频传感器网络中的传感器节点按照这个向量各自的感知方向时,整个网络的覆盖率达到最大值。
第四步,根据第三步求得的最优解来调整网络中传感器节点的感知方向。
区域覆盖中,覆盖率的求解问题可以归纳为求解一组使得当传感器网络中各节点的感知方向按此调整时,网络的覆盖率Parea能够达到最大值。在第三步中求得的全局最优解即是网络覆盖率最大时各传感器节点感知方向的取值。
实施例
本实施例中所有仿真实验均在Matlab软件环境下进行。仿真实验中设置监测区域的形状大小为边长250×200的矩形区域,传感器节点个数为n=200,节点感知视角为θ=2α=60°,感知半径为R=20。传感器节点的坐标分布满足随机正态分布,模拟传感器节点的随机部署,横轴坐标之间不关联,彼此相互独立,横坐标的均值为监控区域长的一半,纵坐标的均值为监控区域纵坐标的一半。传感器节点随机部署后的初始感知方向是在[0,2π]之间随机均匀分布。
粒子群算法中的参数设置为粒子个数为100,粒子速度最大值为εmax=2π,最大迭代次数为Maxnumber=1600。c1和c2取值为c1=c2=1.494,r1=r2=rand(1);惯性权重系数ω取值为0.5+rand(1)/2。
从图6中可以看到经过对节点感知方向进行调整后,区域的覆盖率明显提高不少,主要因为对节点感知方向进行调整后,网络中的覆盖重叠区和覆盖盲区都显著减少,区域覆盖率增大。
图7为采用粒子群算法的仿真曲线图,表现了覆盖率随迭代次数变化情况。由图可知算法在迭代到600次左右的时候已经开始收敛,而且曲线平滑,覆盖率优化前为0.56,优化后变为0.71,区域覆盖率得到了明显的提高,结果表明基于粒子群算法的区域覆盖优化方法能够有效地提高视频传感器网络的区域覆盖率。
由实验结果可知采用粒子群算法覆盖优化方法能够效减少区域中的重叠覆盖区域,提高覆盖率,而且算法的收敛性能良好。
Claims (3)
1.一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法,其特征在于包括以下步骤:1)根据视频传感器节点的特征和网络监控区域的特征建立区域覆盖模型,具体包括:
(1-1)根据传感器节点的感知方向、感知半径以及坐标位置这些特征参数建立有向型视频传感器节点的数学模型;其中所述的传感器节点为有向感知型传感器节点,节点的感知区域是一个以自身坐标位置为圆心,感知半径为半径的扇形区域,实际的感知区域由感知方向决定,而且节点的感知方向可以调整;
(1-2)对视频传感器网络的监控区域进行网格化,网格化后的监控区域可以看作是一系列点的集合,传感器节点的坐标位置是集合中的一个点,将监控区域视为众多点的集合,每个传感器节点覆盖的区域是集合的一个子集,从而建立视频传感器网络中的监控区域模型;
(1-3)以传感器节点的自身坐标位置为圆心,以传感器节点的感知半径为半径,创建一个圆形区域,此区域即为传感器节点的感知区域模型,计算出每个传感器节点所对应圆形区域的上下边界和左右边界,并判断该点是否被传感器节点覆盖,并更新该点的状态值;
2)根据所建立的区域覆盖模型,以区域覆盖率为优化目标,建立优化模型;所述视频传感器网络的区域覆盖率是被传感器节点覆盖的区域面积与监控区域总的面积的比值,在对监控区域网格化后,区域覆盖率转化为被传感器节点覆盖的点的数目与点的总数目的比值;
3)结合监控区域中的点的状态检验算法,采用粒子群算法求解区域覆盖优化问题;
4)根据求得的解调整视频传感器网络中各个传感器节点的感知方向,使得区域覆盖率最大化。
2.根据权利要求1所述的视频传感器网络区域覆盖优化的方法,其特征在于:步骤2)中所述区域覆盖率的计算方法如下:
其中n表示监控区域内视频传感器节点的总数,Parea满足0<Parea≤1,Si为任一传感器节点监控区域的面积,且Si=αR2,α是传感器节点的扇形监控区域的边界线与中轴线的夹角,R表示传感器节点的感知半径,为各个传感器节点覆盖面积的并集,即为所有传感器节点覆盖的总面积,S为监控区域的总面积。
3.根据权利要求1所述的视频传感器网络区域覆盖优化的方法,其特征在于:步骤3)中所述的粒子群算法具体步骤为:a、设粒子群中的粒子数为num,粒子的空间维度与传感器节点个数相同为n,每个粒子的位置用一个n维向量βi=(βi1,βi2,...,βin)表示微粒i的位置向量,1≤i≤num,每一维表示视频传感器网络中的一个传感器的感知方向,粒子的速度向量即视频传感器网络中传感器节点的感知方向每次改变的角度大小向量记为εi=(εi1,εi2,...,εin);
b、粒子群中各粒子的速度和位置的迭代更新计算方法如下所示:
εid(t+1)=ω·εid(t)+c1·r1·(Pbestid-βid(t))+c2·r2·(Gbestd-βid(t))
βid(t+1)=βid(t)+εid(t+1)
其中:1≤i≤num,1≤d≤n;εid表示粒子i在第d维空间的速度,即是传感器节点Vd感知方向角度调整的大小;c1和c2是学习因子,r1=r2=rand(1);ω为惯性权重系数;Pbestid为粒子i个体极值中的第d维元素,即个体极值中传感器节点Vd的感知方向大小,Gbestd为全局极值的第d维元素,即全局极值中传感器节点Vd的感知方向大小;
c、定义粒子i的适应度,用函数fi表示,fi代表传感器节点按照向量βi调整感知方向时所得到的监控区域的覆盖率,fi由下式确定:
其中,0≤j1≤m1,0≤j2≤m2;C[j1][j2]记录了表示点坐标为(j1,j2)的点Aj是否在传感器节点的监控范围内的状态,是用来统计所有处于传感器节点覆盖范围的点的数目,而监控区域的点的总数目为(m1+1)·(m2+1);
d、粒子群算法最终求得的全局最优解即是一个n维向量,当视频传感器网络中的传感器节点分别按照这个向量布置各自的感知方向时,整个网络的区域覆盖率达到最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610397383.XA CN105898765A (zh) | 2016-06-07 | 2016-06-07 | 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610397383.XA CN105898765A (zh) | 2016-06-07 | 2016-06-07 | 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105898765A true CN105898765A (zh) | 2016-08-24 |
Family
ID=56710436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610397383.XA Pending CN105898765A (zh) | 2016-06-07 | 2016-06-07 | 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105898765A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108601032A (zh) * | 2018-04-10 | 2018-09-28 | 南京大学 | 一种连通约束下有向传感器任务监测的部署方法 |
CN110012474A (zh) * | 2019-02-18 | 2019-07-12 | 长江大学 | 三维锥体有向传感器网络覆盖方法及*** |
CN111132182A (zh) * | 2019-12-16 | 2020-05-08 | 北京农业信息技术研究中心 | 一种无线多媒体网络覆盖增强方法及*** |
CN111356144A (zh) * | 2020-04-16 | 2020-06-30 | 东南大学 | 一种用于农业物联网的传感器网络覆盖率计算及运行方法 |
CN113453183A (zh) * | 2021-05-31 | 2021-09-28 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 远程感知监测全局目标空间覆盖优化方法 |
CN113784361A (zh) * | 2021-05-13 | 2021-12-10 | 中国地质大学(武汉) | 一种传感器节点动态调节方法、设备及存储介质 |
CN115720383A (zh) * | 2022-10-08 | 2023-02-28 | 张子航 | 一种反恐无人机控制方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383736A (zh) * | 2008-10-15 | 2009-03-11 | 中国科学院上海微***与信息技术研究所 | 一种面向区域监测的无线传感器网络节点布设的优化方法 |
CN101448267A (zh) * | 2008-12-31 | 2009-06-03 | 中山大学 | 基于粒子群算法的无线传感器网络节点覆盖优化方法 |
CN102752761A (zh) * | 2012-06-19 | 2012-10-24 | 江苏科技大学 | 基于粒子群的无线传感器网络移动节点覆盖优化方法 |
CN105228159A (zh) * | 2014-06-18 | 2016-01-06 | 北京邮电大学 | 基于网格化及改进粒子群算法的无线传感网覆盖增强算法 |
-
2016
- 2016-06-07 CN CN201610397383.XA patent/CN105898765A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383736A (zh) * | 2008-10-15 | 2009-03-11 | 中国科学院上海微***与信息技术研究所 | 一种面向区域监测的无线传感器网络节点布设的优化方法 |
CN101448267A (zh) * | 2008-12-31 | 2009-06-03 | 中山大学 | 基于粒子群算法的无线传感器网络节点覆盖优化方法 |
CN102752761A (zh) * | 2012-06-19 | 2012-10-24 | 江苏科技大学 | 基于粒子群的无线传感器网络移动节点覆盖优化方法 |
CN105228159A (zh) * | 2014-06-18 | 2016-01-06 | 北京邮电大学 | 基于网格化及改进粒子群算法的无线传感网覆盖增强算法 |
Non-Patent Citations (2)
Title |
---|
范兴刚等: ""一种基于虚拟力导向微粒群的有向传感器网络覆盖增强策略"", 《传感技术学报》 * |
顾晓燕等: ""一种有向传感器网络改进粒子群覆盖增强算法"", 《重庆邮电大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108601032A (zh) * | 2018-04-10 | 2018-09-28 | 南京大学 | 一种连通约束下有向传感器任务监测的部署方法 |
CN108601032B (zh) * | 2018-04-10 | 2020-07-28 | 南京大学 | 一种连通约束下有向传感器任务监测的部署方法 |
CN110012474A (zh) * | 2019-02-18 | 2019-07-12 | 长江大学 | 三维锥体有向传感器网络覆盖方法及*** |
CN111132182A (zh) * | 2019-12-16 | 2020-05-08 | 北京农业信息技术研究中心 | 一种无线多媒体网络覆盖增强方法及*** |
CN111132182B (zh) * | 2019-12-16 | 2022-08-23 | 北京农业信息技术研究中心 | 一种无线多媒体网络覆盖增强方法及*** |
CN111356144A (zh) * | 2020-04-16 | 2020-06-30 | 东南大学 | 一种用于农业物联网的传感器网络覆盖率计算及运行方法 |
CN113784361A (zh) * | 2021-05-13 | 2021-12-10 | 中国地质大学(武汉) | 一种传感器节点动态调节方法、设备及存储介质 |
CN113453183A (zh) * | 2021-05-31 | 2021-09-28 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 远程感知监测全局目标空间覆盖优化方法 |
CN113453183B (zh) * | 2021-05-31 | 2023-03-21 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 远程感知监测全局目标空间覆盖优化方法 |
CN115720383A (zh) * | 2022-10-08 | 2023-02-28 | 张子航 | 一种反恐无人机控制方法及相关装置 |
CN115720383B (zh) * | 2022-10-08 | 2023-11-17 | 张子航 | 一种无人机控制方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105898765A (zh) | 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 | |
CN104349356B (zh) | 基于差分进化的视频传感器网络覆盖增强实现方法 | |
CN106021751B (zh) | 基于ca和sar的海岸带土地利用变化模拟方法 | |
CN102752761B (zh) | 基于粒子群的无线传感器网络移动节点覆盖优化方法 | |
CN103281704B (zh) | 基于三维感知的无线传感器网络确定性空间部署方法 | |
CN105392146A (zh) | 基于三维地形修正的wsn覆盖盲区检测方法 | |
Liu et al. | Dynamic path planning for mobile robot based on improved genetic algorithm | |
CN109743740A (zh) | 基于3D-Voronoi剖分的有向传感器网络目标监测方法 | |
CN104796915A (zh) | 一种二维有向性传感器网络覆盖的优化方法 | |
CN101902752A (zh) | 一种有向传感器网络覆盖控制方法 | |
CN107396374A (zh) | 一种基于虚拟力和泰森多边形的覆盖方法 | |
Wang et al. | Wireless sensor network deployment of 3D surface based on enhanced grey wolf optimizer | |
CN107292234A (zh) | 一种基于信息边缘和多模态特征的室内场景布局估计方法 | |
CN103997748B (zh) | 一种基于混合型传感器网络的差异覆盖方法 | |
CN108012276B (zh) | 基于加权Voronoi图的三维异构移动传感器网络自主部署方法 | |
CN107194338A (zh) | 基于人体树图模型的交通环境行人检测方法 | |
CN110347165A (zh) | 一种基于slam技术的多机器人编队控制方法 | |
CN107883954A (zh) | 用于生成旨在供飞行器遵循的最佳飞行路径的方法和设备 | |
CN103646278A (zh) | 基于自适应策略的粒子群算法在机器人路径规划中的应用 | |
CN105208569A (zh) | 复杂三维场景环境下有向传感器网络覆盖方法 | |
CN105912763A (zh) | 基于热传导路径拓扑优化的水下滑翔机巡航路径规划方法 | |
CN104933639A (zh) | 一种针对大规模电力***的小干扰稳定性快速分析方法 | |
CN105246005A (zh) | 基于混合引力搜索算法的立体传声器阵列优化设计方法 | |
CN105611555A (zh) | 一种基于虚拟力导向的传感器网络节能覆盖控制方法 | |
CN108416392A (zh) | 基于som神经网络的建筑物聚类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160824 |