论文部分内容阅读
由于节点能源受限,能耗控制是无线传感器网络(Wireless Sensor Networks,WSNs)的研究重点之一。大量已有的研究可归结为―正常采样,选择传输‖。但在大数据环境下,对于采样能耗比较高的传感器节点,必须考虑对其采样频率进行控制以达到节能的目的。WSNs由于密集部署,相邻的节点监测到的目标状态是相近的,可以利用节点的空间相关性,选择部分节点工作;对于单个节点,由于时间上的连续性,采集到的数据在一定时间段内呈现较强的时间关联性,可以利用时间相关性拉大采样间隔,减少不必要的采样。因此,本文针对状态较为平稳的目标监测网络,主要围绕如何较好地利用WSNs的空间相关性和时间相关性,在保持监测精度的同时进行采样能耗控制的研究,以达到节能的目的。论文的研究重点是:在目标状态较为平稳的融合监测系统中,研究非固定周期的采样频率对于网络能耗及性能的影响。基于无线传感器网络的空间相关性,首先设计了面向节能和容错的拓扑控制算法,选择部分骨干节点保持网络的连通性;其次,基于隐马尔科夫模型设计了采用状态分值维特比算法的簇内节点通信策略,协调簇首节点和子节点之间消息传输的时机;然后,基于时间序列预测模型,研究单个节点上的非均匀的采样频率控制算法;最后,综合考虑节点的时间关联性和空间关联性,设计了时空关联的自适应采样控制算法。论文的贡献概括如下:1.针对已有算法产生的骨干节点规模过大的问题,提出了采用分支约减框架规划连通骨干集的异构网络容错数据采集算法,可在有效减少工作节点数量的基础上保持网络能效。现有基于连通支配集的容错拓扑控制算法产生的活跃节点规模过大,本文提出采用分支约减框架构建最小连通支配集的方法;并改进容错拓扑控制的思想,在不需要节点位置信息的情况下,通过对活跃节点产生备份集来生成容错拓扑,减少处于工作状态的活跃节点数;在数据收集过程中,普通节点根据邻居支配节点的剩余能量、负载能力以及相互之间的路径能耗等因素选择数据发送的目标支配节点,从节点能量平衡角度对网络能耗进行优化。2.针对簇首节点能耗不易控制的问题,提出了采用状态分值维特比算法的簇内节点通信策略,减少子节点不必要的数据采样。对一个分簇内的节点,利用隐马尔科夫模型作为分类框架。每一个采样时刻,子节点依据接收到的信号做出一次分类判断,并将结果传送给簇首节点,由簇首节点判断给出监测区域内目标状态。基于隐马尔科夫模型对目标对象状态信息进行建模,进一步减少了假设状态的个数,通过对工作状态较差的节点进行调整以减少传输信息量,从而延长网络寿命。通过对各子节点工作状态打分,改进子节点维特比最大似然序列的计算状态,从而改进簇内节点通信策略,减少不必要的采样和传输。3.针对现有采样间隔控制算法对目标状态变化的反应滞后问题,提出了基于AIMD的快速采样间隔控制算法,使采样频率能快速地适应目标状态变化,进一步节省网络能耗。考虑单个节点上,基于时间序列预测算法计算下一个采样时刻,参考传输控制协议拥塞控制中加法增大乘法减小(Additive Increase Multiplicative Decrease,AIMD)的思想,使采样频率快速地适应目标状态变化。并采用指数加权平均方法进行事件检测反馈。与现有采样频率控制算法相比,基于AIMD的自适应采样算法能够根据目标信号的状态快速地调整采样频率,从而更有效地去除冗余的感知数据,达到节省能量的目的。4.针对现有WSNs分簇算法中参数设置的随机性及节点能耗大的问题,提出了基于K均值算法和自回归模型的时空关联数据收集算法。基于最小生成树算法在网络区域内选择初始汇聚顶点,利用K均值算法对网络内节点进行分簇;每个聚类内选举剩余能量最多的节点作为聚类中的簇头节点;簇内节点根据剩余能能量每次选择部分节点轮流工作,并通过单跳方式将数据发送给簇首节点;所有簇首节点构成最小生成树路由网络,并通过树内节点的多跳通信,最终将数据发送给汇聚节点。