CN108055685B - 无线传感器网络中的簇头节点和传感器节点 - Google Patents
无线传感器网络中的簇头节点和传感器节点 Download PDFInfo
- Publication number
- CN108055685B CN108055685B CN201711477396.9A CN201711477396A CN108055685B CN 108055685 B CN108055685 B CN 108055685B CN 201711477396 A CN201711477396 A CN 201711477396A CN 108055685 B CN108055685 B CN 108055685B
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- node
- sensor
- collected data
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种无线传感器网络的簇头节点和传感器节点,所述无线传感器网络为分簇型的层级结构,每个簇网络包括簇头节点和若干个传感器节点,所述簇头节点用于:根据该簇网络内各传感器节点的信号强度,通过蚂蚁群聚类算法对各传感器节点进行分群;将每个群中剩余能量最多的传感器节点作为该群的中继节点,以使得该中继节点接收群内其他传感器节点的采集数据后生成数据包并上报至所述簇头节点。本方面实施例的簇头节点在现有的网络节点部署数量和位置的情况下,通过分析环境相关性,通过减少数据传输距离减少能量消耗,并减少网内数据碰撞引起的干扰。
Description
技术领域
本发明涉及无线传感器网络技术领域,更具体地,涉及无线传感器网络中的簇头节点和传感器节点。
背景技术
无线传感器网络由于具有自组织,低能耗,配置方便,成本低廉等特点,广泛应用于各类信息收集的场景。无线传感器网络的数据融合通常是指将传感器节点的采集数据发送到簇头再进行融合,对于大数据的融合,整体求解是相对复杂的,且距离较远的传感器节点传输到簇头能量消耗较快,目前较多的融合算法忽略了由于空间相近的且环境相似的节点引起的数据相关性的问题,单纯分析数据间的相关性进行融合。
在数据收集过程中,各传感器节点的采集数据单独传送到簇头节点后进行数据融合的方法是比较低效的,主要体现在:
浪费通信带宽和能量,簇内每个传感器节点单独传送数据到簇头节点,传输大量数据会使得整个网络消耗过多的能量,缩短网络的生存时间,同时距离簇头节点较远的传感器节点传输消耗的能量较多,会过快死亡。
降低信息收集的效率,传感器节点都在2.4GHz频段收发数据,非常容易造成数据的碰撞。多个传感器节点同时传送采集数据会增加数据链路层的调度难度,造成频繁的冲突碰撞,降低了通信效率,从而影响了信息收集的及时性;同时,频繁的冲突碰撞和数据重发也增加了数据传输量和消耗了整个网络的能量。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的无线传感器网络中的簇头节点和传感器节点。
根据本发明的一个方面,提供一种无线传感器网络的簇头节点,所述无线传感器网络为分簇型的层级结构,每个簇网络包括簇头节点和若干个传感器节点,所述簇头节点用于:
根据该簇网络内各传感器节点的信号强度,通过蚂蚁群聚类算法对各传感器节点进行分群;
将每个群中剩余能量最多的传感器节点作为该群的中继节点,以使得该中继节点接收群内其他传感器节点的采集数据后生成数据包并上报至所述簇头节点。
优选地,所述的簇头节点还用于:
根据各传感器节点的采集数据的差值以及每种采集数据的出现次数,对各采集数据进行聚类,以使得每个聚类中包含数值相近的采集数据;
对聚类中的任意一个采集数据,根据该采集数据的出现次数以及该采集数据与聚类中出现次数最多的采集数据,获得该采集数据的权重,根据聚类中每个采集数据与自身的权重的乘积,获得聚类的采集结果。
优选地,每个群中的所有传感器节点的采集数据具有同一个标识信息,不同群的传感器节点的采集数据具有不同标识信息;
相应地,所述根据各传感器节点间的采集数据的差值以及每种采集数据的出现次数,对各采集数据进行聚类的步骤,具体包括:
根据采集数据的种类以及每种采集数据的出现次数构建直方图,所述直方图的横坐标为采集数据,纵坐标为采集数据的出现次数;
从所述直方图中获取所有峰值以组成峰值集合,根据预设条件对峰值集合中的峰值进行筛选,将筛选后的峰值作为聚类中心,将每个采集数据分配至距离直方图中横坐标距离最近的峰值所属的聚类;
若聚类中具有一个标识信息的任意一个采集数据与具有另一个标识信息的任意一个采集数据的差值不小于预设阈值,则将所述具有一个标识信息的所有采集数据作为一个新的聚类。
优选地,所述获得该采集数据的权重的步骤,具体包括:
根据以下公式获得采集数据与聚类中出现次数最多的采集数据的距离:
其中,dl为聚类中第l种采集数据与聚类中出现次数最多的采集数据的距离;ml为聚类中第l种采集数据;nl为第l种采集数据的出现次数;m表示聚类中出现次数最多的采集数据;n为聚类中出现次数最多的采集数据的出现次数;
根据以下公式获得采集数据的权重:
其中,cl表示聚类中第l个采集数据的权重。
优选地,根据以下公式获得聚类的采集结果:
其中,si表示第i个聚类的采集结果;q表示第i个聚类中采集数据的种类数。
优选地,所述的簇头节点还用于:
根据在接收到的采集数据中,不属于采集范围内的采集数据个数大于预设阈值,则向中继节点发送更新采集范围的指令,以使得所述中继节点向簇头节点上报符合所述采集范围的采集数据。
根据本发明的另一个方面,还提供一种无线传感器网络中的传感器节点,所述无线传感器网络为分簇型的层级结构,每个簇网络包括若干个传感器节点和簇头节点,所述传感器节点用于:
根据簇头节点发送的分群信息,获知自身所在群以及自身为群内的中继节点,以接收群内其他传感器节点采集的采集数据;
根据预设条件对接收到的采集数据进行筛选,获得最优观测集,根据质数映射表将所述最优观测集中的不同数值的采集数据一一离散化为质数;
将获得的所有质数相乘获得乘积值,将所述乘积值以及每种采集数据的出现次数封装为数据包;
将所述数据包发送至所述簇头节点,以使得所述簇头节点根据质因数唯一分解定理和所述质数映射表获得簇网络中的所有采集数据;
其中,所述质数映射表中记录每个采集数据与质数的对应关系。
所述根据预设条件对接收到的采集数据进行筛选,获得最优观测集的步骤,包括:
对群内的任意一个传感器节点,将该传感器节点的采集数据与其他传感器节点的采集数据的差值平均值,作为该传感器节点的特征值;
将所有传感器节点的特征值由小到大进行排序,删除大于预设数值百分位数的传感器节点的采集数据,将保留的采集数据作为最优观测集。
优选地,所述分群信息中还包括采集数据的采集范围;
相应地,所述质数映射表的获取方法为:
将所述采集范围按照预设条件进行扩大,获得扩大后的采集范围;
将所述扩大后的采集范围离散化处理,获得若干个区间,将每个区间映射到一一对应的质数。
优选地,当传感器节点为中继节点时,若接收到簇网络内其他中继节点发送的数据包,则转发所述数据包至簇头节点。
本发明提出的簇头节点,通过分析传感器节点传输信号的强弱,对传感器节点根据蚂蚁群聚类算法,对簇内节点进行分群,将处于同一连通区域、通风状况等条件相似的节点归为一群,群内数据具有更高的相似性。本实施例的簇头节点在现有的网络节点部署数量和位置的情况下,通过分析环境相关性,通过减少数据传输距离减少能量消耗,并减少网内数据碰撞引起的干扰。
附图说明
图1为根据本发明实施例的簇头节点对传感器节点进行聚类的流程示意图;
图2为根据本发明实施例的中继节点将接收到的各采集数据进行融合的流程示意图;
图3为根据本发明实施例的无线传感器网络的两级数据融合的流程图示意图;
图4为根据本发明实施例的中继节点进行第一级数据融合的流程图;
图5为根据本发明实施例的簇头节点进行第二级数据融合的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在本发明实施例所涉及的场景中,无线传感器网络中包括三种节点:汇聚节点、簇头节点以及传感器节点,汇聚节点用于将无线传感器网络划分为多个簇网络,并指定每个簇网络中的簇头节点,簇网络中的传感器节点向簇头节点上报采集数据,例如温度、湿度等等,簇网络将接收到的各种采集数据进行融合,发送至汇聚节点。无线传感器网络具有以下性质:1无线传感器网络中各节点部署后不再移动;2汇聚节点唯一,且部署在监测区域外固定位置;3簇内各传感器节点由电池供电,初始能量相同且不能补充,发射功率有限;汇聚节点能量充足,能进行复杂的运算并实现与外部网络的链接;4簇内各传感器节点同构且在地理位置上邻近;5每隔一定时间进行一次重新组网。
为了克服现有技术的上述缺陷,本发明实施例提供一种无线传感器网络的簇头节点,簇头节点用于:
(1)根据簇网络内各传感器节点的信号强度,通过蚂蚁群聚类算法对各传感器节点进行分群。
需要说明的是,由于农作物多按照一定的行距、株距合理栽种,小范围内温度、湿度等环境因子受地形分布、作物种植密度、不同生长期叶片遮挡等影响表现出一定的差异性,相同的作物生长情况所处的连通区域内的环境温湿度等环境参数也相近,而这些因素对簇头节点通信信号传递也引起不用程度的衰减,传感器节点的传输信号强度会有所不同。因此,可以通过分析传感器节点传输信号的强弱,对传感器节点根据蚂蚁群聚类算法,对簇内节点进行分群,将处于同一连通区域、通风状况等条件相似的节点归为一群,群内数据具有更高的相似性。本实施例的簇头节点在现有的网络节点部署数量和位置的情况下,通过分析环境相关性,通过减少数据传输距离减少能量消耗,并减少网内数据碰撞引起的干扰。
(2)将每个群中剩余能量最多的传感器节点作为该群的中继节点,以使得该中继节点接收群内其他传感器节点的采集数据后生成数据包并上报至簇头节点。
需要说明的是,本发明实施例将群内剩余能量最多的传感器节点作为中继节点,待群内其他传感器节点将数据上传到该节点后,将所有数据压缩成一个数据包,上传到簇头节点进行处理。本发明实施例的簇头节点由于考虑了节点环境区域的相关性和尽量保留原始数据上传到簇头节点进行融合,进一步提高了数据的精确度,也降低了能量消耗。
需要注意的是,由于对农田情况未知,用一般的聚类算法,需要提前知道聚簇中心个数,而蚂蚁群聚类算法通过模拟蚂蚁堆尸的行为,自适应将数据分为几类。本发明实施例根据蚂蚁群聚类算法,按照节点的地理位置分布情况分配蚂蚁的随机行走路线,以每个节点向簇头节点发射信号所需要消耗的能量作为该节点的数据,蚂蚁通过分析两个节点数据的相似性,判断“拾起”与“放下”该数据。
蚁群模型由Deneubourg J L等提出,是一种较新且效率较高的聚类算法。在蚁群蚁穴清理行为中,蚁群会将蚁穴中分布的蚂蚁尸体堆积成相对集中的几个大堆。在聚类分析中,将这些分散分布的蚂蚁尸体视为待分析的数据集合,而最终堆积而成的大堆则对应于最终的聚类结果。这种模型主要是基于对单只蚂蚁“拾起”、“放下”物体的行为方式进行建模。如果一个地方已经有一些尸体的聚集,那么它将吸引蚂蚁将其余的尸体放在这里,越聚越多,最终形成几个较大的尸体的聚集堆。一只随机移动的无负载蚂蚁在遇到一个物体时,周围与这个物体相同的物体越少,则拾起这个物体的概率越大;一只随机移动的有负载蚂蚁如果周围的与所背负物体相同的物体越多,则放下这个物体的概率越大。这样可以保证不破坏大堆的物体,并且能够收集小堆的物体。
基于蚂蚁堆的组网步骤如下:
S1、初始化蚁群中蚂蚁个数、最大迭代次数及相关参数;
S2、提取象元值矩阵,每个象元即为一个数据对象,每个象元对应一对坐标值;
S3、将每只蚂蚁初始化为有负载,并随机的选择一个对象;
S4、每只蚂蚁根据局部区域内与当前目标的相似性计算拾起和放下概率,以判断是选择目标还是拾起、移动和放下目标;
S5、根据分群结果,每个群内选取剩余能量最大的节点为中继节点,其他节点将数据传输到中继节点进行第一级融合。
在上述实施例的基础上,簇头节点还用于:
根据各传感器节点的采集数据的差值以及每种采集数据的出现次数,对各采集数据进行聚类,以使得每个聚类中包含数值相近的采集数据。
以采集数据为温度为例,簇头节点接收到的采集数据具体为22.1℃、22.2℃、22.3℃、22.4℃、22.5℃、22.6℃、22.7℃、每一个温度都出现过一次或多次,采集数据的种类即为7种。
需要说明的是,现有技术通常会考虑运行时间和准确度的因素,选择k均值聚类算法在簇头节点对数据进行聚类融合,但是该算法需要预先给定聚类中心个数,聚类中心个数的选择不仅影响算法的复杂度,还会影响聚类的质量。
而在本发明实施例中,由于簇头节点已经将不同环境区域的数据进行了分群,本发明实施例的簇头节点采用一种简单有效的采集数据的融合方法,该方法通过各传感器节点的采集数据的差值以及每种采集数据的出现次数进行聚类,具有不需要采集数据的先验信息、计算量小,性能稳定的优点。
本发明实施例的簇头节点对聚类中的任意一个采集数据,根据该采集数据的出现次数以及该采集数据与聚类中出现次数最多的采集数据,获得该采集数据的权重,根据聚类中每个采集数据与自身的权重的乘积,获得聚类的采集结果。
在上述各实施例的基础上,每个群中的所有传感器节点具有同一个标识信息,不同群的传感器节点具有不同标识信息。
需要说明的是,本发明实施例中每个群的传感器节点可以认为是位置相近,同时采集数据也近似,因此将同一个群中的所有传感器节点的采集数据设置统一的标识信息,簇头节点在数据融合时,可以用标识信息进行监督指导优化。
相应地,根据各采集数据间的差值以及每种采集数据的出现次数,对各采集数据进行聚类的步骤,参见图1,具体包括:
101、根据采集数据的种类以及每种采集数据的出现次数构建直方图,直方图的横坐标为采集数据,纵坐标为采集数据的出现次数;
用以下公式表示直方图:
t(i)=xi,Tmin≤i≤Tmax
其中,t(i)表示直方图,其中横坐标为温度值,纵坐标为该温度值的个数,xi为t(i)中第i个分量xi对应的采集数据的个数,Tmin和Tmax分别表示最优观测集合的采集数据的最大值和最小值。
进一步地,对直方图进行平滑处理:利用高斯平滑滤波器对温度直方图进行平滑,根据可接受的误差,定义滤波器窗口的大小,如可接受温度误差为e,则k表示刻度大小,取n=e/k,那么滤波器大小选择1*n。平滑结果取决于高斯标准协方差σ,σ越大,直方图越平滑,平滑处理后的直方图为Tr(i)。
102、从直方图中获取所有峰值以组成峰值集合,根据预设条件对峰值集合中的峰值进行筛选,将筛选后的峰值作为聚类中心,将每个采集数据分配至距离直方图中横坐标距离最近的峰值所属的聚类;
根据预设条件对峰值集合中的峰值进行筛选的步骤具体包括:首先从直方图中找出初始峰值:
P1={(i,Tr(i))|Tr(i)>Tr(i-1)&Tr(i)>Tr(i+1)},1≤i≤99
其中,P1表示初始峰值的集合。
然后从初始峰值的集合中去掉小峰值,即当峰值小于一定阈值T1时,将该峰值从P1中去除,得到新的峰值集合P2。
最后合并相邻的峰值:如果P2中有两个峰值很接近,则认为两个峰值代表的温度,判断两个峰值如果间隔小于T2时,去除相对较小的峰值,合并生成一个峰值P3。
103、若聚类中具有一个标识信息的任意一个采集数据与具有另一个标识信息的任意一个采集数据的差值不小于预设阈值,则将所述具有一个标识信息的所有采集数据作为一个新的聚类。
需要说明的是,由于同一个群中的采集数据具有相同的标识信息,并且同一个群中的采集数据也相似,因此,如果聚类中具有一个标识信息的任意一个采集数据与具有另一个标识信息的任意一个采集数据的差值小于预设阈值,那么就认为这两个具有不同标识信息对应的群是近似的,而如果不小于预设阈值,说明这两个群还是有明显区别的,需要进行区分,就将两个群各自的采集数据分属在不同的聚类中。在实际应用时,可以通过调整预设阈值的方式改变聚类的个数。
通过上述分类方法,处于相同环境区域内的数值相近的采集数据被划分为一类,由于测量精度等的影响,采集数据必然有一定的误差,为减少误差,考虑每个聚类中心采集数据的集中度,计算每个采集数据的权重。
在上述实施例的基础上,获得该采集数据的权重的步骤,具体包括:
根据以下公式获得采集数据与聚类中出现次数最多的采集数据的距离(即采集数据的集中度):
其中,dl为聚类中第l种采集数据与聚类中出现次数最多的采集数据的距离;ml为聚类中第l种采集数据;nl为第l种采集数据的出现次数;m表示聚类中出现次数最多的采集数据;n为聚类中出现次数最多的采集数据的出现次数;
将采集数据的集中度进行归一化处理,映射到[0,1]区间,获得采集数据的权重,具体根据以下公式获得采集数据的权重:
其中,cl表示聚类中第l个采集数据的权重。
在上述实施例的基础上,根据以下公式获得聚类的采集结果:
其中,si表示第i个聚类的采集结果;q表示第i个聚类中采集数据的种类数。簇头节点将所有聚类的融合结果上传到汇聚节点完成数据采集和融合。
在上述实施例的基础上,簇头节点还用于:
根据在接收到的采集数据中,不属于采集范围内的采集数据个数大于预设阈值,则向中继节点发送更新采集范围的指令,以使得中继节点向簇头节点上报符合采集范围的采集数据。
具体地,簇头节点在收到各中继节点上传的数据后,每个数据都可以根据质因数唯一分解定理进行分解,得出的所有质因子,通过映射表反查,就得到上传的温度数据,还可以读到不在给定温度范围内的温度最大值Tmax及其个数、最小值Tmin及其个数,如果不在温度范围内的最小值和最大值个数满足任何一个不小于5,则重新向中继节点更新温度阈值[T'min,T'max]。
其中,Tmin和Tmax分别为上次广播中温度最小值和最大值,t'min和t'max分别为本轮簇头节点所收集数据包中最小值字段和最大值字段的采集数据。
本发明还提供一种无线传感器网络中的传感器节点,传感器节点根据簇头节点发送的分群信息,获知自身所在群以及自身为群内的中继节点,以接收群内其他传感器节点采集的采集数据。
也就是说,本发明实施例中的传感器节点在受簇头节点指定为中继节点后,需要接收群内的其他传感器节点上报的采集数据。由上述实施例可知,中继节点也就是群内剩余能量最大的传感器节点,在实际应用时,在簇头节点每轮收集数据时,传感器节点会向簇头节点上报自身的剩余电量,以方便簇头节点挑选中继节点。
需要注意的是,如果采集数据不经过处理,直接由中继节点进行上传,必然随着传输数据量的增多,引起数据传输能耗的增加,而如果将传感器节点传输来的采集数据在中继节点进行有损融合,之后再由簇头节点进行进一步融合,必然会造成更大的误差。
为了克服上述问题,图2示出了本发明实施例的中继节点将接收到的各采集数据进行融合的方法,如图所示,该方法包括:
201、根据预设条件对接收到的采集数据进行筛选,获得最优观测集,根据质数映射表将最优观测集中的不同数值的采集数据一一离散化为质数;
需要说明的是,由于每个群中的传感器节点在地理位置上存在差异,同时存在测不准的几率,因此中继节点获得所有采集数据中会有部分较离散的数据,因此,本发明实施例的中继节点根据预设条件进行扇区,获得较为集中的采集数据,组成最优观测集。将采集数据直接作为数据包上报存在数据包存储量太大,增加传输能量消耗的问题,因此,本发明实施例的中继节点将每个采集数据映射为质数,使数据包存储量大幅降低。
202、将获得的所有质数相乘获得乘积值,将乘积值封装为数据包;
进一步地,本发明实施例的中继节点将所有质数相乘获得乘积值,将乘积值封装为数据包。中继节点将采集数据进行离散化成质数,用数据包合并的方式将所有质数的乘积进行压缩。质因数唯一分解定理是这样的:如果温度经过映射表映射出2,2,2,3,5,5,则直接相乘,2*2*2*3*5*5,簇头节点收到的是一个乘积,该乘积可分解出3个2,1个3,2个5。由于在无线传感器中数据字段较短,而控制字段相对较长,数据包合并能够有效的降低包头的开销,且在数据包合并中利用质数唯一分解定理,通过映射表,将各个传感器采集数据映射为质数,并将传到该节点的所有质数进行相乘,在8bit数据字段所能表达的范围内,只用一个数据的大小记录了较多数据,更节省了内存开销。
203、将数据包发送至簇头节点,以使得簇头节点根据质因数唯一分解定理和质数映射表获得簇网络中的所有采集数据;其中,质数映射表中记录每个采集数据与质数的对应关系。根据质因数唯一分解定理,簇头节点在分解乘积后获得的质数将是唯一解,这样就实现了真是无损的传输数据的目的。
在上述实施例的基础上,根据预设条件对接收到的采集数据进行筛选,获得最优观测集的步骤,包括:
对群内的任意一个传感器节点,将该传感器节点的采集数据与其他传感器节点的采集数据的差值平均值,作为该传感器节点的特征值;
具体地,根据以下公式获得传感器节点的特征值:
其中,di表示群内第i个传感器节点的特征值,Dij表示群内第i个传感器节点的采集数据与第j个传感器的采集数据的差值,n表示群内传感器节点的总数。
将所有传感器节点的特征值由小到大进行排序,删除大于预设数值百分位数(例如为75百分位数)的传感器节点的采集数据,将保留的采集数据作为最优观测集。
在上述实施例的基础上,分群信息中还包括采集数据的采集范围;
相应地,质数映射表的获取方法为:
将采集范围按照预设条件进行扩大,获得扩大后的采集范围;
将扩大后的采集范围离散化处理,获得若干个区间,将每个区间映射到一一对应的质数。
具体地,采集范围为采集数据的最大值Tmax和最小值Tmin,为了减小由于传感器参数等条件的影响引起的采集数据误差,根据传感器精度,如0.1,则中继节点将Tmax加0.2,得T'max,将Tmin减0.2,得到T'max。将[T'max,T'max]区间做离散化,每区间长度0.1,[D1,D2,……,Dm]并将每一个区间映射到一个质数上,该质数从2开始递增,如表1所示
区间 | D<sub>1</sub> | D<sub>2</sub> | D<sub>3</sub> | D<sub>4</sub> | D<sub>5</sub> | D<sub>6</sub> | D<sub>7</sub> | |
质数 | 2 | 3 | 5 | 7 | 11 | 13 | 17 | …… |
表1质数-区间对应表
若质数超出了8位16进制数值上限,就增加8位用于记录新的十六进制数值,并在2个bit的十六进制个数标记位加1,且将是否为非叶子节点标记位置为1。
需要说明的是,本发明实施例的中继节点在传输数据包时采用多跳路由协议,簇内的中继节点将自身的数据包发送至距离簇头节点更近的中继节点,直至将数据包传递至簇头节点,因此,本发明实施例的中继节点在接收到其他中继节点发送的数据包后,并不需要对数据包进行分解(因为不同数据包中的采样数据是不同区域的,如果进行分级会导致数据的混乱),而是直接进行转发。
图3示出了本发明实施例的无线传感器网络的两级数据融合的流程图,如图所示,本发明的两级数据融合包括中继节点对传感器节点上报的采集数据映射为质数的第一级数据融合,以及簇头节点对接收到的每个群的采集数据进行聚类和权重计算,以完成第二级数据融合。具体地,在本实施例中传感器节点上报的采集数据为温度值,中继节点从接收到传感器节点上报的采集数据中筛选出最优融合集,然后将集合内的所有采集数据转换为质数,将所有质数相乘,获得乘积值,再将乘积值打包为数据包。
图4示出了本发明实施例的中继节点进行第一级数据融合的流程图,如图所示,中继节点接收传感器节点的采集数据(温度值),计算每个采集数据与其他采集数据的差值平均值,然后根据差值平均值对每个采集数据进行排序,删除差值平均值大于75%的采集数据,得到最优融合集,将最优融合集中的所有观测值通过数据库映射为质数,将质数和时间戳等封装为数据包,传输至簇头节点。
图5示出了本发明实施例的簇头节点进行第二级数据融合的流程图,如图所示,簇头节点接收中继节点的数据包后,根据质因数分解定理将数据包中的值分解为多个质数,设置flag=0,flag是判断是否更新温度范围的标记位,若flag=0,则不更新采集范围,若flag=1,则更新温度范围,例如中午时温度普遍高,到晚上温度下降了,则需要更新温度范围,以便于减少质数的大小。若分解出的质数对应的采集数据满足条件:超过采集范围的最小值的个数大于等于5个,则将采集范围的最小值更新为数据包中记录的最小采集数据,将flag标记为1,否则flag=0不变,之后判断分解出的质数对应的采集数据满足条件:超过采集范围的最大值的个数大于等于5个,则将采集范围的最小值更新为数据包中记录的最大采集数据,将flag标记为1。之后判断是否更新采集范围,若flag=1,簇头节点广播更新采集范围,若flag=0则构造横坐标为采集数据,纵坐标为出现次数的直方图,根据预设条件筛选出直方图的峰值,再根据距离(即两个采集数据间的差值)进行分区,通过计算每个采集数据的权重,最终获得每个分区的融合值,并上报汇聚节点。
本发明的有益效果在于:
1、根据蚂蚁算法和相同区域内传感器节点受环境影响发射信号强度不同,将簇内的传感器节点进行分群,将处于连通区域且所处环境相似的传感器节点归为一群,群内的传感器节点往往环境因子数值也相近,且由于具有相邻连通区域,更利于融合精度的提高,减少了数据碰撞引起的干扰。
2、根据质因数唯一分解定理,尽可能真实无损的传输数据,通过将采集数据进行离散化成质数,用数据包合并的方式将所有质数的乘积进行压缩。由于在WSN中,数据字段较短,而控制字段相对较长,数据包合并能够有效的降低包头的开销,且在数据包合并中利用质数唯一分解定理,通过映射表,将各个采集数据映射为质数,并将传到中继节点的所有质数进行相乘,在8bit数据字段所能表达的范围内,只用一个数据的大小记录了较多数据,更节省了内存开销。
3、簇头节点收集到的数据形式为不同采集数据和采集数据对应的数据个数,且相同或相近采集数据来自于同一个连通区域,根据颜色直方图阈值分割技术原理,将所有数据进行直方图排列,通过寻找直方图峰值进行数据区域划分,根据每个采集数据对该区域集中度的支持度计算该采集数据的权重,完成数据的融合。有效避免了需要事先确定聚类中心个数和初始聚类中心的选择对分类结果产生较大影响的弊端。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种无线传感器网络的簇头节点,其特征在于,所述无线传感器网络为分簇型的层级结构,每个簇网络包括簇头节点和若干个传感器节点,所述簇头节点用于:
根据该簇网络内各传感器节点的信号强度,通过蚂蚁群聚类算法对各传感器节点进行分群;
将每个群中剩余能量最多的传感器节点作为该群的中继节点,以使得该中继节点接收群内其他传感器节点的采集数据后生成数据包并上报至所述簇头节点;
其中,所述簇头节点还用于:
根据各传感器节点的采集数据的差值以及每种采集数据的出现次数,对各采集数据进行聚类,以使得每个聚类中包含数值相近的采集数据;
对聚类中的任意一个采集数据,根据该采集数据的出现次数以及该采集数据与聚类中出现次数最多的采集数据,获得该采集数据的权重,根据聚类中每个采集数据与自身的权重的乘积,获得聚类的采集结果;
每个群中的所有传感器节点的采集数据具有同一个标识信息,不同群的传感器节点的采集数据具有不同标识信息;
相应地,所述根据各传感器节点的采集数据间的差值以及每种采集数据的出现次数,对各采集数据进行聚类的步骤,具体包括:
根据采集数据的种类以及每种采集数据的出现次数构建直方图,所述直方图的横坐标为采集数据,纵坐标为采集数据的出现次数;
从所述直方图中获取所有峰值以组成峰值集合,根据预设条件对峰值集合中的峰值进行筛选,将筛选后的峰值作为聚类中心,将每个采集数据分配至距离直方图中横坐标距离最近的峰值所属的聚类;
若聚类中具有一个标识信息的任意一个采集数据与具有另一个标识信息的任意一个采集数据的差值不小于预设阈值,则将所述具有一个标识信息的所有采集数据作为一个新的聚类。
4.如权利要求1所述的簇头节点,其特征在于,还用于:
根据在接收到的采集数据中,不属于采集范围内的采集数据个数大于预设阈值,则向中继节点发送更新采集范围的指令,以使得所述中继节点向簇头节点上报符合所述采集范围的采集数据。
5.一种无线传感器网络中的传感器节点,其特征在于,所述无线传感器网络为分簇型的层级结构,每个簇网络包括若干个传感器节点和簇头节点,所述传感器节点用于:
根据簇头节点发送的分群信息,获知自身所在群以及自身为群内的中继节点,以接收群内其他传感器节点采集的采集数据;
根据预设条件对接收到的采集数据进行筛选,获得最优观测集,根据质数映射表将所述最优观测集中的不同数值的采集数据一一离散化为质数;
将获得的所有质数相乘获得乘积值,将所述乘积值封装为数据包;
将所述数据包发送至所述簇头节点,以使得所述簇头节点根据质因数唯一分解定理和所述质数映射表获得簇网络中的所有采集数据;
其中,所述质数映射表中记录每个采集数据与质数的对应关系。
6.如权利要求5所述的传感器节点,其特征在于,所述根据预设条件对接收到的采集数据进行筛选,获得最优观测集的步骤,包括:
对群内的任意一个传感器节点,将该传感器节点的采集数据与其他传感器节点的采集数据的差值平均值,作为该传感器节点的特征值;
将所有传感器节点的特征值由小到大进行排序,删除大于预设数值百分位数的传感器节点的采集数据,将保留的采集数据作为最优观测集。
7.如权利要求5所述的传感器节点,其特征在于,所述分群信息中还包括采集数据的采集范围;
相应地,所述质数映射表的获取方法为:
将所述采集范围按照预设条件进行扩大,获得扩大后的采集范围;
将所述扩大后的采集范围离散化处理,获得若干个区间,将每个区间映射到一一对应的质数。
8.如权利要求7所述的传感器节点,其特征在于,当自身为中继节点时,若接收到簇网络内其他中继节点发送的数据包,则转发所述数据包至簇头节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711477396.9A CN108055685B (zh) | 2017-12-29 | 2017-12-29 | 无线传感器网络中的簇头节点和传感器节点 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711477396.9A CN108055685B (zh) | 2017-12-29 | 2017-12-29 | 无线传感器网络中的簇头节点和传感器节点 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108055685A CN108055685A (zh) | 2018-05-18 |
CN108055685B true CN108055685B (zh) | 2020-06-09 |
Family
ID=62129482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711477396.9A Active CN108055685B (zh) | 2017-12-29 | 2017-12-29 | 无线传感器网络中的簇头节点和传感器节点 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108055685B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108914985A (zh) * | 2018-07-03 | 2018-11-30 | 深圳大图科创技术开发有限公司 | 建筑基坑沉降智能监测*** |
CN108900994A (zh) * | 2018-07-03 | 2018-11-27 | 梧州市兴能农业科技有限公司 | 水域有机污染物连续智能监测*** |
CN108827387B (zh) * | 2018-07-03 | 2019-10-29 | 怀来斯达铭数据有限公司 | 机械设备智能实时监测*** |
CN108989417A (zh) * | 2018-07-09 | 2018-12-11 | 梧州井儿铺贸易有限公司 | 海洋有机污染物浓度智能监测*** |
CN108871448A (zh) * | 2018-07-12 | 2018-11-23 | 江苏慧学堂***工程有限公司 | 一种环境数据采集***及方法 |
CN109618285B (zh) * | 2019-02-27 | 2020-09-11 | 广东工业大学 | 一种基于覆盖树的基站控制方法、装置及设备 |
CN110225493B (zh) * | 2019-06-05 | 2022-04-15 | 山东师范大学 | 基于改进蚁群的d2d路由选择方法、***、设备及介质 |
CN110602757B (zh) * | 2019-09-18 | 2023-05-12 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
CN111339111A (zh) * | 2020-02-26 | 2020-06-26 | 北京邮电大学 | 一种高精度地图数据的更新方法及*** |
CN111242145B (zh) * | 2020-04-28 | 2020-08-18 | 南京芯视界微电子科技有限公司 | 一种直方图统计方法及*** |
CN113993199B (zh) * | 2020-07-27 | 2024-05-14 | 北京小米移动软件有限公司 | 天线辐射功率的调节方法及装置、电子设备 |
CN112492607B (zh) * | 2020-11-26 | 2022-04-26 | 厦门大学 | 一种水声传感网多从节点协作辅助决策安全机制 |
CN115174638B (zh) * | 2022-09-06 | 2022-12-23 | 广东邦盛新能源科技发展有限公司 | 光伏板数据采集设备的组网方法及*** |
CN115334552B (zh) * | 2022-10-17 | 2022-12-20 | 南京智轩诚网络科技有限公司 | 一种分布式数据快速传输方法及传输平台 |
CN116828560B (zh) * | 2023-08-28 | 2023-10-27 | 国网四川省电力公司电力应急中心 | 一种基于无线传感器网络的变电站抗震状态监测*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8345693B1 (en) * | 2005-04-19 | 2013-01-01 | Iowa State University Research Foundation, Inc. | Cooperative spatial multiplexing |
CN102665171B (zh) * | 2012-05-25 | 2014-10-29 | 重庆大学 | 基于大规模wsn突发事件监测的路由控制方法 |
CN104768124A (zh) * | 2015-04-17 | 2015-07-08 | 长春理工大学 | 基于双簇头聚类分簇和数据融合的无线传感器网络路由算法 |
CN105813158A (zh) * | 2014-12-29 | 2016-07-27 | 中国民用航空总局第二研究所 | 一种基于素数集合的低占空比传感网邻居发现方法 |
CN107277889A (zh) * | 2017-08-03 | 2017-10-20 | 扬州大学 | 一种基于k‑means的无线传感器网络分簇方法 |
CN107360612A (zh) * | 2017-06-30 | 2017-11-17 | 内蒙古大学 | 一种基于蚁群多路径的无线传感器网络的数据传输方法 |
-
2017
- 2017-12-29 CN CN201711477396.9A patent/CN108055685B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8345693B1 (en) * | 2005-04-19 | 2013-01-01 | Iowa State University Research Foundation, Inc. | Cooperative spatial multiplexing |
CN102665171B (zh) * | 2012-05-25 | 2014-10-29 | 重庆大学 | 基于大规模wsn突发事件监测的路由控制方法 |
CN105813158A (zh) * | 2014-12-29 | 2016-07-27 | 中国民用航空总局第二研究所 | 一种基于素数集合的低占空比传感网邻居发现方法 |
CN104768124A (zh) * | 2015-04-17 | 2015-07-08 | 长春理工大学 | 基于双簇头聚类分簇和数据融合的无线传感器网络路由算法 |
CN107360612A (zh) * | 2017-06-30 | 2017-11-17 | 内蒙古大学 | 一种基于蚁群多路径的无线传感器网络的数据传输方法 |
CN107277889A (zh) * | 2017-08-03 | 2017-10-20 | 扬州大学 | 一种基于k‑means的无线传感器网络分簇方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108055685A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108055685B (zh) | 无线传感器网络中的簇头节点和传感器节点 | |
Kalaivani et al. | A survey on Zigbee based wireless sensor networks in agriculture | |
CN108810911B (zh) | 一种基于数据挖掘的低功耗广域网网络规划方法 | |
DE602005002268T2 (de) | Verfahren und system zur funkabbildungsfilterung über adaptives clustering | |
CN104618947B (zh) | 基于压缩感知的动态分簇无线传感网数据收集方法及装置 | |
CN105792110A (zh) | 一种多数据来源的数据融合、智能搜索的处理方法 | |
CN111355616B (zh) | 一种基于物理层数据的战术通信网关键节点识别方法 | |
US20110281602A1 (en) | Feature Extraction & Data Compression System & Method For Distributed Sensor Networks | |
CN104981002A (zh) | 一种无线传感器网络中汇聚节点的位置确定方法 | |
CN107332631A (zh) | 一种采用多属性群决策理论评价链路质量评估模型的方法 | |
CN110645988A (zh) | 一种基于最优寿命的无人机路径规划方法 | |
CN108289285B (zh) | 一种海洋无线传感器网络丢失数据恢复与重构方法 | |
CN110662232B (zh) | 一种采用多粒度级联森林评估链路质量的方法 | |
CN115623536B (zh) | 一种基于LoRa的传感器信号的高可靠数据传输方法 | |
Karaki et al. | An adaptive sampling technique for massive data collection in distributed sensor networks | |
CN116342063A (zh) | 应用于智慧农业的数据处理方法 | |
CN109688540A (zh) | 一种Ad Hoc网络物理拓扑非协作式推断*** | |
CN107969008B (zh) | 一种软件定义传感网集中式路由计算方法 | |
KR20170053193A (ko) | 무선 이미지 센서 네트워크를 위한 k-평균 클러스터링 기반의 데이터 압축 시스템 및 방법 | |
CN110191480B (zh) | 具有移动Sink节点的三维无线传感网数据收集方法 | |
CN116319437A (zh) | 一种网络连通性检测方法及装置 | |
CN113435825B (zh) | 一种基于土传病害防治的智能管理方法、***及存储介质 | |
CN105208120B (zh) | 农田无线传感器网络参数间动态耦合压缩矩阵构建方法 | |
CN111935797B (zh) | 一种用于低压开关柜无线通信网络的动态路由方法 | |
CN111371624B (zh) | 一种基于环境反馈的战术通信网关键节点识别方法 |
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 |