CN113411765B - 一种基于多传感器协同感知的移动智能终端能耗优化方法 - Google Patents
一种基于多传感器协同感知的移动智能终端能耗优化方法 Download PDFInfo
- Publication number
- CN113411765B CN113411765B CN202110561576.5A CN202110561576A CN113411765B CN 113411765 B CN113411765 B CN 113411765B CN 202110561576 A CN202110561576 A CN 202110561576A CN 113411765 B CN113411765 B CN 113411765B
- Authority
- CN
- China
- Prior art keywords
- sensor
- energy consumption
- data
- intelligent terminal
- heterogeneous
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
- H04W28/0221—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices power availability or consumption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- 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)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephone Function (AREA)
Abstract
为了实现降低移动智能终端在感知活动中的能量消耗,本发明提出了一种基于多传感器协同感知的移动智能终端能耗优化方法。该方法基于云边端协同计算模式,将感知任务的数据处理任务交由云端进行,进而优化移动智能终端的感知数据采集能耗。为了实现在能量资源消耗受限型终端中实现需要多种异构传感器设备参与的感知任务,该方法首先分析了移动智能终端中搭载的多种异构传感器之间潜在的相关关系,然后再对这些异构传感器在工作过程中所产生的能量消耗进行量级刻画,最后基于传感器的能耗模型以及潜在的相关关系提出了多传感器协同感知框架,最终实现在感知任务执行过程中有效降低传感器的能量消耗。
Description
技术领域
本发明属于多种异构传感器协同感知和能耗优化领域,涉及一种基于多传感器协同感知的移动智能终端能耗优化方法。
背景技术
近年来,随着物联网和人工智能技术的快速发展使得越来越多的移动智能终端不断涌现,比较有代表性的有智能手机和无人驾驶汽车等。这类移动智能终端通常由自身所携带的电源进行供电,同时也具备了数据采集、环境感知、计算处理以及网络通信的功能。其中,环境感知的功能是通过自身搭载的众多异构传感器来实现的,这些异构传感器通常用于对移动智能终端的自身或者周围环境的信息进行感知,由于异构传感器不同的工作机制导致对移动智能设备本身的能量资源造成不同的消耗。但是通常情况下的移动智能终端都是属于能量资源受限型设备,其所配备的电池在有限的容量下还需要完成终端自身的众多工作。所以对于基于移动智能终端的感知任务来说,应尽量节省对设备本身能量资源的消耗。因此需要研究用于优化移动智能终端在执行感知任务过程中能量消耗的方法。
多传感器协同感知是指使用多种异构传感器共同完成某一种感知任务的情况。由于多种异构传感器组合起来所具备的感知能力也是非常强大的,这些强大的感知能力已经被应用到无人驾驶汽车、公共卫生监测以及历史遗迹保护等不同领域中。文献“Sato Y,Kurihara S,Fukuda S,et al.Height Estimation based on Sensor Data onSmartphone[C].Proceedings of the 15th International Conference on Advances inMobile Computing and Multimedia.2017:102-106.”利用机器学习的技术来对用户在行走过程中使用智能手机中三轴加速度传感器所产生的数据来进行预测,进而可以判断用户的身高是高还是低。但是该文献并没有针对使用多种异构传感器可能造成的能量资源的大量消耗进行优化,导致大量能量资源被消耗。
文献“Du R,Gkatzikis L,Fischione C,et al.Energy efficient sensoractivation for water distribution networks based on compressive sensing[J].IEEE Journal on Selected Areas in Communications,2015,33(12):2997-3010.”提出了一种基于压缩感知技术的移动智能终端节能感知调度方案,该方案通过在每个时隙中仅激活传感器节点的一部门来执行感知任务,从而在节约能量资源的基础上实现了监控城市的供水网络信息。这种方式属于通过优化传感器的数据通信量从而实现优化整体感知活动的能量消耗,但是对于需要多种异构传感器共同实现协同感知的场景下,这种方式针对异构数据进行多维压缩的话会导致数据的丰富度下降,无法完成感知任务的数据要求。
文献“Pan M S,Li K Y.Precise Trajectories Derivation Using SmartphoneSensors[C].Proceedings of the 11th International Conference on ComputerModeling and Simulation.2019:196-199.”提出了一种使用智能手机中的惯性传感器来预测智能手机用户的行动轨迹的解决方案。并且通过实验结果表明,该方案不仅能够准确的预测用户的行动轨迹,同时还可以仅通过惯性传感器而不是位置传感器来预测用户的位置信息,从而有效的节省了智能手机设备的能量资源。这种方式通过其他传感器来代替感知活动所需要的传感器,虽然可以满足整体能耗的降低,但是却会造成额外的传感器能量消耗。
上述文献对现有的机遇移动智能终端的多传感器协同感知以及对应的能耗优化技术进行了简单介绍。现有的针对移动智能终端感知能耗的优化方法并没有考虑到感知任务自身所需要的这些异构传感器之间潜在的相关性,利用这种潜在的相关性可以实现基于多传感器协同感知的移动智能终端能耗优化技术。
发明内容
要解决的技术问题
为了实现降低移动智能终端在感知活动中的能量消耗,本发明提出了一种基于多传感器协同感知的移动智能终端能耗优化方法。
技术方案
一种基于多传感器协同感知的移动智能终端能耗优化方法,其特征在于步骤如下:
步骤1:使用传感器采集终端设备中所有异构传感器的感知数据;
步骤2:将采集到的传感器的感知数据进行保存并预处理;
步骤3:对异构传感器数据文件执行数据填充任务;
步骤4:将执行数据填充任务之后的多种异构传感器数据流作为多传感器协同感知***的输入数据,多传感器协同感知***的输出数据为所有异构传感器的完整感知数据;所述的多传感器协同感知***学习多种异构传感器设备之间潜在的关联关系,采用的是异构传感器隐式关联学习模型ATT-TCN;
步骤5:多传感器协同感知***接下来会对移动智能终端中的多种异构传感器的能量消耗情况进行刻画,采用的是异构传感器能量消耗刻画模型;
步骤6:多传感器协同感知***最后会针对移动智能终端中的高能量消耗传感器进行降低能量消耗的优化操作:具体来说是利用异构传感器数据估计模型来利用与高能量消耗传感器具有一定相关性的低能量消耗传感器的数据来估计高能量消耗传感器的数据;所采用的异构传感器数据估计模型包括四个组件:一个Transformer Encoder编码器和三个Transformer Decoder解码器;在该模型中实现多任务Transformer模型的方式选择的是共享模型的隐藏层,通过这种方法可以将Transformer Encoder编码器中学习到的数据的隐层表示共享到三个Transformer Decoder解码器中;三个Transformer Decoder解码器则负责执行具体传感器x轴、y轴以及z轴三个不同轴上的数据估计任务;对于模型中的Transformer Encoder编码器来说,输入的数据是经过预处理操作之后的多个异构传感器时序序列数据流,其中包括与所要估计的高能量消耗传感器具有潜在相关性的低能量消耗传感器的数据以及降低采样频率之后的高能量消耗传感器数据两部分数据的混合数据,用X表示;其中,引入参数λ∈[0,1]来控制输入X中包含的来自高能量消耗传感器的样本数量;当λ=0时,意味着从X中排除了所有来自高能量消耗传感器的样本,仅仅只包含与该高能量消耗传感器具有相关性的低能量消耗传感器的数据;λ越高,则从高能量消耗传感器中采集的样本越多,同时也将增加移动智能终端的整体感知能量消耗;
步骤7:最终,多传感器协同感知***会利用参数λ来控制从移动智能终端中采集数据中高能量消耗传感器的数据占比,即用来调节高能量消耗传感器的数据采样频率,通过这种方式来优化移动智能终端的能量消耗情况。
优选地:步骤1中所述的终端为智能手机。
优选地:步骤1中所述的传感器为陀螺仪传感器、重力传感器或方向传感器。
优选地:步骤2中所述保存的传感器数据的文件类型为CSV文件。
优选地:步骤3中数据填充任务具体为:选择采样频率最高的传感器S1的感知时间节点作为时间基准,将其他的传感器按照该传感器的时间节点进行数据时间对齐操作;数据时间对齐的过程可以分为时间对齐以及数据填充两部分:首先是时间对齐,按照S1的采样时间节点作为基准时间将其他传感器的感知数据表示在不同的时间节点上;在时间对齐操作之后,所有的异构传感器的数据都已经按照统一的时间节点进行了对齐;接下来进行数据填充操作,具体的填充逻辑是使用该传感器最近一次的感知数据进行填充;最后经过数据预处理之后所有的传感器都具有了相同的数据长度。
优选地:步骤4中异构传感器隐式关联学习模型ATT-TCN包含四个组成部分:因果卷积,扩张卷积,残差连接和注意力机制。
优选地:步骤5中异构传感器能量消耗刻画模型将影响异构传感器设备能量消耗情况的多种因素概括如下:激活唤醒能耗、数据处理能耗、网络通信能耗以及状态控制能耗这四部分,每部分都是一个单独的因素来影响整体异构传感器的能量消耗,这四部分的能量消耗因素交替运行并最终影响着异构传感器设备总体的能量消耗。
有益效果
本发明提出的一种基于多传感器协同感知的移动智能终端能耗优化方法,首先对移动智能终端上搭载的传感器数据进行收集,这里需要使用相同的采样频率来进行采集。其次对采集到的数据进行数据填充操作,使不同异构传感器的数据采集时间一致,保证在相同的时间点上所有的传感器都有数据。然后,使用所采集到的这些异构传感器的感知数据流来执行本发明所提出的多传感器协同感知***,该***首先利用异构传感器隐式关联学习移动智能终端中搭载的多种异构传感器设备之间潜在的相关关联关系。其次,该***使用异构传感器能量消耗刻画模型来对移动智能终端中的多种异构传感器的能量消耗情况进行刻画。最后,该***会利用参数λ来控制从移动智能终端中采集数据中高能量消耗传感器的数据占比,即用来调节高能量消耗传感器的数据采样频率,通过这种方式来优化移动智能终端的能量消耗情况。最终实现在移动智能终端执行感知任务的过程中降低其感知能量消耗的目的。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实例中基于多传感器协同感知的移动智能终端能耗优化方法框架图。
图2为本发明实例中在数据预处理阶段执行数据填充任务的流程图。
图3为本发明实例中构建的异构传感器隐式关联学习模型结构图。
图4为本发明实例中构建的异构传感器能量消耗刻画模型结构图。
图5为本发明实例中构建的异构传感器能量消耗刻画模型结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出了一种基于多传感器协同感知的移动智能终端能耗优化方法。该方法基于云边端协同计算模式,将感知任务的数据处理任务交由云端进行,进而优化移动智能终端的感知数据采集能耗。为了实现在能量资源消耗受限型终端中实现需要多种异构传感器设备参与的感知任务,该方法首先分析了移动智能终端中搭载的多种异构传感器之间潜在的相关关系,然后再对这些异构传感器在工作过程中所产生的能量消耗进行量级刻画,最后基于传感器的能耗模型以及潜在的相关关系提出了效能驱动多传感器协同感知***,最终实现在感知任务执行过程中有效降低传感器的能量消耗。
本发明为了对移动智能终端中搭载的多种异构传感器的能量消耗情况进行详细刻画提出了一种基于多因素的异构传感器能耗评估模型。为了实现对传感器生命周期内的能量消耗情况进行详细刻画,同时也能根据传感器的能量消耗状态对传感器进行高低能耗划分,设计并构建了异构传感器多因素能效刻画方法。该方法可以根据传感器生命周期过程中的不同状态来推断出当前传感器的能量消耗情况,并且按照异构传感器的不同能耗状态将当前移动智能终端中的传感器划分为高能量消耗传感器以及低能量消耗传感器等不同的类别。针对实验设备进行了异构传感器能耗分析实例,实验结果表明,该方法可以实现细粒度的刻画异构传感器的能耗情况。
本发明为了实现降低移动智能终端中搭载的高能量消耗传感器的能量消耗提出了异构传感器数据估计方法。该方法基于降低高能耗传感器的采样频率可以有效降低移动智能终端感知能耗的原理,利用与高能耗传感器具有相关关系的低能耗传感器估计高能耗传感器缺失的数据,从而实现在准确完成感知任务的同时降低感知任务的能量消耗。实现了能量资源消耗和感知数据精度之间的平衡,符合当前能量资源受限型设备执行高耗能感知任务场景下的能耗优化要求。
为实现上述任务,本发明采用以下技术方案:基于多传感器协同感知的移动智能终端能耗优化方法包括以下步骤:
步骤一、获取移动智能终端设备中所有异构传感器的感知数据,使用安装在移动智能终端上的传感器数据采集应用程序来完成。
步骤二、将采集到的异构传感器的感知数据通过网络传输的方式发送到服务端进行保存,传感器数据保存为CSV文件格式。所有文件上传完成之后,移动智能终端的数据采集任务便到此结束。
步骤三、对采集到的异构传感器数据文件进行数据预处理操作,减少无效数据的影响。数据预处理将没有采集到数据的传感器文件删除,只留下采集到数据的传感器数据文件。
步骤四、对异构传感器数据文件执行数据填充任务,数据填充任务的执行流程图如图2。选择采样频率最高的传感器S1的感知时间节点作为时间基准,将其他的传感器按照该传感器的时间节点进行数据时间对齐操作。数据时间对齐的过程可以分为时间对齐以及数据填充两部分。首先是时间对齐,按照S1的采样时间节点作为基准时间将其他传感器的感知数据表示在不同的时间节点上。在时间对齐操作之后,所有的异构传感器的数据都已经按照统一的时间节点进行了对齐。接下来进行数据填充操作,具体的填充逻辑是使用该传感器最近一次的感知数据进行填充。最后经过数据预处理之后所有的传感器都具有了相同的数据长度。
步骤五、将执行数据填充任务之后的多种异构传感器数据流作为本发明所提出的一种基于多传感器协同感知的移动智能终端能耗优化方法中的多传感器协同感知***的输入数据,多传感器协同感知***的输出数据为所有异构传感器的完整感知数据。
步骤六、多传感器协同感知***会首先学习多种异构传感器设备之间潜在的关联关系,使用的是异构传感器隐式关联学习模型ATT-TCN,该模型的结构图如图3。该模型包含四个组成部分:因果卷积,扩张卷积,残差连接和注意力机制。由两层组成:时间卷积网络层、注意力层。
步骤七、多传感器协同感知***接下来会对移动智能终端中的多种异构传感器的能量消耗情况进行刻画,使用的是异构传感器能量消耗刻画模型,模型的机构图如图4。该模型将影响异构传感器设备能量消耗情况的多种因素概括如下:激活唤醒能耗、数据处理能耗、网络通信能耗以及状态控制能耗这四部分,每部分都是一个单独的因素来影响整体异构传感器的能量消耗。这四部分的能量消耗因素交替运行并最终影响着异构传感器设备总体的能量消耗。
步骤八、多传感器协同感知***最后会针对移动智能终端中的高能量消耗传感器进行降低能量消耗的优化操作。具体来说是利用异构传感器数据估计模型来利用与高能量消耗传感器具有一定相关性的低能量消耗传感器的数据来估计高能量消耗传感器的数据。所使用的异构传感器数据估计模型如图5所示,异构传感器数据估计模型包括四个组件:一个Transformer Encoder编码器和三个Transformer Decoder解码器。在该模型中实现多任务Transformer模型的方式选择的是共享模型的隐藏层,通过这种方法可以将TransformerEncoder编码器中学习到的数据的隐层表示共享到三个Transformer Decoder解码器中。三个Transformer Decoder解码器则负责执行具体传感器x轴、y轴以及z轴三个不同轴上的数据估计任务。对于模型中的Transformer Encoder编码器来说,输入的数据是经过预处理操作之后的多个异构传感器时序序列数据流,其中包括与所要估计的高能量消耗传感器具有潜在相关性的低能量消耗传感器的数据以及降低采样频率之后的高能量消耗传感器数据两部分数据的混合数据,用X表示。其中,引入参数λ∈[0,1]来控制输入X中包含的来自高能量消耗传感器的样本数量。当λ=0时,意味着从X中排除了所有来自高能量消耗传感器的样本,仅仅只包含与该高能量消耗传感器具有相关性的低能量消耗传感器的数据。λ越高,则从高能量消耗传感器中采集的样本越多,同时也将增加移动智能终端的整体感知能量消耗。
最终,多传感器协同感知***会利用参数λ来控制从移动智能终端中采集数据中高能量消耗传感器的数据占比,即用来调节高能量消耗传感器的数据采样频率,通过这种方式来优化移动智能终端的能量消耗情况。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明公开的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于多传感器协同感知的移动智能终端能耗优化方法,其特征在于步骤如下:
步骤1:使用传感器采集终端设备中所有异构传感器的感知数据;
步骤2:将采集到的传感器的感知数据进行保存并预处理;
步骤3:对异构传感器数据文件执行数据填充任务;
步骤4:将执行数据填充任务之后的多种异构传感器数据流作为多传感器协同感知***的输入数据,多传感器协同感知***的输出数据为所有异构传感器的完整感知数据;所述的多传感器协同感知***学习多种异构传感器设备之间潜在的关联关系,采用的是异构传感器隐式关联学习模型ATT-TCN;
步骤5:多传感器协同感知***接下来会对移动智能终端中的多种异构传感器的能量消耗情况进行刻画,采用的是异构传感器能量消耗刻画模型;
步骤6:多传感器协同感知***最后会针对移动智能终端中的高能量消耗传感器进行降低能量消耗的优化操作:具体来说是利用异构传感器数据估计模型来利用与高能量消耗传感器具有一定相关性的低能量消耗传感器的数据来估计高能量消耗传感器的数据;所采用的异构传感器数据估计模型包括四个组件:一个Transformer Encoder编码器和三个Transformer Decoder解码器;在该模型中实现多任务Transformer模型的方式选择的是共享模型的隐藏层,通过这种方法可以将Transformer Encoder编码器中学习到的数据的隐层表示共享到三个Transformer Decoder解码器中;三个Transformer Decoder解码器则负责执行具体传感器x轴、y轴以及z轴三个不同轴上的数据估计任务;对于模型中的Transformer Encoder编码器来说,输入的数据是经过预处理操作之后的多个异构传感器时序序列数据流,其中包括与所要估计的高能量消耗传感器具有潜在相关性的低能量消耗传感器的数据以及降低采样频率之后的高能量消耗传感器数据两部分数据的混合数据,用X表示;其中,引入参数λ∈[0,1]来控制输入X中包含的来自高能量消耗传感器的样本数量;当λ=0时,意味着从X中排除了所有来自高能量消耗传感器的样本,仅仅只包含与该高能量消耗传感器具有相关性的低能量消耗传感器的数据;λ越高,则从高能量消耗传感器中采集的样本越多,同时也将增加移动智能终端的整体感知能量消耗;
步骤7:最终,多传感器协同感知***会利用参数λ来控制从移动智能终端中采集数据中高能量消耗传感器的数据占比,即用来调节高能量消耗传感器的数据采样频率,通过这种方式来优化移动智能终端的能量消耗情况。
2.根据权利要求1所述的基于多传感器协同感知的移动智能终端能耗优化方法,其特征在于步骤1中所述的终端为智能手机。
3.根据权利要求1所述的基于多传感器协同感知的移动智能终端能耗优化方法,其特征在于步骤1中所述的传感器为陀螺仪传感器、重力传感器或方向传感器。
4.根据权利要求1所述的基于多传感器协同感知的移动智能终端能耗优化方法,其特征在于步骤2中所述保存的传感器数据的文件类型为CSV文件。
5.根据权利要求1所述的基于多传感器协同感知的移动智能终端能耗优化方法,其特征在于步骤3中数据填充任务具体为:选择采样频率最高的传感器S1的感知时间节点作为时间基准,将其他的传感器按照该传感器的时间节点进行数据时间对齐操作;数据时间对齐的过程可以分为时间对齐以及数据填充两部分:首先是时间对齐,按照S1的采样时间节点作为基准时间将其他传感器的感知数据表示在不同的时间节点上;在时间对齐操作之后,所有的异构传感器的数据都已经按照统一的时间节点进行了对齐;接下来进行数据填充操作,具体的填充逻辑是使用该传感器最近一次的感知数据进行填充;最后经过数据预处理之后所有的传感器都具有了相同的数据长度。
6.根据权利要求1所述的基于多传感器协同感知的移动智能终端能耗优化方法,其特征在于步骤4中异构传感器隐式关联学习模型ATT-TCN包含四个组成部分:因果卷积,扩张卷积,残差连接和注意力机制。
7.根据权利要求1所述的基于多传感器协同感知的移动智能终端能耗优化方法,其特征在于步骤5中异构传感器能量消耗刻画模型将影响异构传感器设备能量消耗情况的多种因素概括如下:激活唤醒能耗、数据处理能耗、网络通信能耗以及状态控制能耗这四部分,每部分都是一个单独的因素来影响整体异构传感器的能量消耗,这四部分的能量消耗因素交替运行并最终影响着异构传感器设备总体的能量消耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110561576.5A CN113411765B (zh) | 2021-05-22 | 2021-05-22 | 一种基于多传感器协同感知的移动智能终端能耗优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110561576.5A CN113411765B (zh) | 2021-05-22 | 2021-05-22 | 一种基于多传感器协同感知的移动智能终端能耗优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113411765A CN113411765A (zh) | 2021-09-17 |
CN113411765B true CN113411765B (zh) | 2022-07-26 |
Family
ID=77679203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110561576.5A Active CN113411765B (zh) | 2021-05-22 | 2021-05-22 | 一种基于多传感器协同感知的移动智能终端能耗优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113411765B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110022541A (zh) * | 2019-05-22 | 2019-07-16 | 南开大学 | 一种基于NB-IoT和FPGA的WSN农作物生长环境信息稀疏采集与传输方法 |
CN111562972A (zh) * | 2020-04-24 | 2020-08-21 | 西北工业大学 | 一种面向群智感知的泛在操作*** |
CN111586615A (zh) * | 2020-05-13 | 2020-08-25 | 甘肃省农业工程技术研究院 | 一种农业无线传感网络的采样调度方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8493187B2 (en) * | 2007-03-15 | 2013-07-23 | Endotronix, Inc. | Wireless sensor reader |
US20120203491A1 (en) * | 2011-02-03 | 2012-08-09 | Nokia Corporation | Method and apparatus for providing context-aware control of sensors and sensor data |
EP3376446A1 (en) * | 2017-03-18 | 2018-09-19 | Tata Consultancy Services Limited | Method and system for anomaly detection, missing data imputation and consumption prediction in energy data |
CN107743302B (zh) * | 2017-10-27 | 2020-07-24 | 南京航空航天大学 | 基于压缩感知的速率分配和路由联合优化方法 |
CN108846384A (zh) * | 2018-07-09 | 2018-11-20 | 北京邮电大学 | 融合视频感知的多任务协同识别方法及*** |
-
2021
- 2021-05-22 CN CN202110561576.5A patent/CN113411765B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110022541A (zh) * | 2019-05-22 | 2019-07-16 | 南开大学 | 一种基于NB-IoT和FPGA的WSN农作物生长环境信息稀疏采集与传输方法 |
CN111562972A (zh) * | 2020-04-24 | 2020-08-21 | 西北工业大学 | 一种面向群智感知的泛在操作*** |
CN111586615A (zh) * | 2020-05-13 | 2020-08-25 | 甘肃省农业工程技术研究院 | 一种农业无线传感网络的采样调度方法及*** |
Non-Patent Citations (5)
Title |
---|
Fusion of heterogeneous attention mechanisms in multi-view convolutional neural network for text classification;Yunji Liang;《Information Sciences》;20201017;全文 * |
Text Sentiment Analysis based on Parallel TCN Model and Attention Model;Dong Cao;《International Academy of Computer Technology(IACT)》;20200711;全文 * |
一种基于时空相关性和异常检测的改进WSN节能策略;万叶晶等;《传感技术学报》;20170815(第08期);全文 * |
基于马尔科夫决策过程的高能效任务调度算法;龙浩等;《计算机应用与软件》;20200112(第01期);全文 * |
物联网信息感知与交互技术;胡永利等;《计算机学报》;20120615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113411765A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109753751B (zh) | 一种基于机器学习的mec随机任务迁移方法 | |
Du et al. | Green deep reinforcement learning for radio resource management: Architecture, algorithm compression, and challenges | |
Wang et al. | ADDA: Adaptive distributed DNN inference acceleration in edge computing environment | |
CN114154558A (zh) | 基于图神经网络的分布式能源发电负荷预测***及方法 | |
Sun et al. | Edge learning with timeliness constraints: Challenges and solutions | |
Bai et al. | Joint optimization of computation offloading, data compression, energy harvesting, and application scenarios in fog computing | |
Shi et al. | Multiuser co-inference with batch processing capable edge server | |
CN113411765B (zh) | 一种基于多传感器协同感知的移动智能终端能耗优化方法 | |
Li et al. | DQN-based computation-intensive graph task offloading for internet of vehicles | |
Qin et al. | Computing networks enabled semantic communications | |
CN113939002A (zh) | 一种用于保障无线射频通信中能量正常供应的无线射频能量智能传输*** | |
Yuan et al. | FedTSE: Low-cost federated learning for privacy-preserved traffic state estimation in IoV | |
CN117521752A (zh) | 一种基于fpga的神经网络加速方法及*** | |
Zhang et al. | A locally distributed mobile computing framework for DNN based android applications | |
CN102209369B (zh) | 基于无线网络接口选择的增强智能手机用户体验的方法 | |
CN111770133A (zh) | 一种多体慧联云控平台 | |
CN116347522A (zh) | 云边协同下基于近似计算复用的任务卸载方法及装置 | |
KR102472585B1 (ko) | 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법 | |
CN114035671A (zh) | 一种面向多工作模式穿戴计算***的云+多端协同的节能任务卸载方法 | |
Li et al. | An electromagnetic situation calculation method based on edge computing and cloud computing | |
Du et al. | Distributed Foundation Models for Multi-Modal Learning in 6G Wireless Networks | |
Zeng et al. | Research on cloud side collaboration under Internet of vehicles | |
Huo et al. | DRL-based Federated Learning Node Selection Algorithm for Mobile Edge Networks | |
CN112492612B (zh) | 资源分配方法和装置 | |
CN113485718B (zh) | 面向边云协同***中的上下文感知AIoT应用程序部署方法 |
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 |