本文關(guān)鍵詞：無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中考慮節(jié)能和精度的數(shù)據(jù)收集理論與方法

  更多相關(guān)文章： 無(wú)線(xiàn)傳感器網(wǎng)絡(luò) 最小均方誤差 主成分分析 時(shí)間和空間冗余度 結(jié)構(gòu)保真度

【摘要】：無(wú)線(xiàn)傳感器網(wǎng)絡(luò)技術(shù)長(zhǎng)期以來(lái)受到世界范圍廣泛的關(guān)注,并被應(yīng)用在環(huán)境科學(xué)、智能家居、醫(yī)療保健、工程監(jiān)測(cè)和災(zāi)害預(yù)警等人類(lèi)生活的各個(gè)方面。尤其是傳感器技術(shù)、嵌入式計(jì)算和無(wú)線(xiàn)通信技術(shù)在智能傳感器領(lǐng)域的巨大發(fā)展更加激發(fā)了各國(guó)學(xué)者不斷高漲的研究熱情。無(wú)線(xiàn)傳感器網(wǎng)絡(luò)具有自身獨(dú)特的特點(diǎn),它不需要搭建復(fù)雜的基礎(chǔ)設(shè)施,通常由大量的傳感器節(jié)點(diǎn)通過(guò)自組織的方式協(xié)同工作,對(duì)目標(biāo)區(qū)域?qū)嵤┍O(jiān)測(cè)獲取參數(shù)和數(shù)據(jù),并將獲得的數(shù)據(jù)發(fā)送給用戶(hù),為用戶(hù)決策提供支持。因此,對(duì)數(shù)據(jù)的收集是無(wú)線(xiàn)傳感器網(wǎng)絡(luò)最主要的工作之一。根據(jù)用戶(hù)的服務(wù)需求不同,無(wú)線(xiàn)傳感器網(wǎng)絡(luò)數(shù)據(jù)收集方式可分為基于事件驅(qū)動(dòng)、基于查詢(xún)驅(qū)動(dòng)和基于時(shí)間驅(qū)動(dòng)(周期性)數(shù)據(jù)收集三種,其中基于時(shí)間驅(qū)動(dòng)數(shù)據(jù)收集方式應(yīng)用范圍最廣受到應(yīng)用的環(huán)境和傳感器節(jié)點(diǎn)的用途等方面的限制,減少能量消耗、延長(zhǎng)網(wǎng)絡(luò)壽命是無(wú)線(xiàn)傳感器網(wǎng)絡(luò)研究中最重要的課題之一。論文主要考察的角度是在周期性數(shù)據(jù)收集應(yīng)用中的能量節(jié)省和數(shù)據(jù)精度,具有一定的普遍性,因此實(shí)際應(yīng)用價(jià)值較高。在具體實(shí)現(xiàn)過(guò)程中,分別重點(diǎn)從改善預(yù)測(cè)精度、降低冗余度和維護(hù)數(shù)據(jù)保真度三個(gè)方面減少由于頻繁的數(shù)據(jù)通信而產(chǎn)生的不必要的能量消耗,達(dá)到節(jié)能的目的。本文的主要?jiǎng)?chuàng)新點(diǎn)包括：(1)在傳統(tǒng)的最小均方誤差算法(Least Mean Square, LMS)基礎(chǔ)上,設(shè)計(jì)了分層的最小均方誤差(hierarchical Least Mean Square, HLMS)預(yù)測(cè)算法,利用周期性數(shù)據(jù)的時(shí)間相關(guān)性確定了期望信號(hào)的取值,在提高數(shù)據(jù)預(yù)測(cè)的精度和收斂速度,以及保持算法穩(wěn)定性方面取得了明顯的改進(jìn)。(2)結(jié)合具有廣泛應(yīng)用基礎(chǔ)的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)分簇體系,建立了集預(yù)測(cè)、壓縮與恢復(fù)為一體的數(shù)據(jù)收集框架,很好的吻合了分簇的網(wǎng)絡(luò)架構(gòu),降低了數(shù)據(jù)的時(shí)間冗余和節(jié)點(diǎn)的空間冗余,在保證用戶(hù)對(duì)數(shù)據(jù)誤差精度需求和降低數(shù)據(jù)通信量方面取得滿(mǎn)意效果。(3)將圖像質(zhì)量評(píng)估標(biāo)準(zhǔn)中的結(jié)構(gòu)相似度(structural similarity, SSIM)概念引入到傳感器節(jié)點(diǎn)的工作/睡眠調(diào)度機(jī)制中,提出了結(jié)構(gòu)保真度的數(shù)據(jù)收集框架(structure fidelity data collection, SFDC),在保證用戶(hù)對(duì)數(shù)據(jù)的結(jié)構(gòu)化精度需求的同時(shí)減少了處于工作狀態(tài)節(jié)點(diǎn)的數(shù)量,降低了能量消耗。本文的主要工作可概括如下：(1)詳細(xì)描述了HLMS的工作機(jī)制,分析了兩層HLMS的最優(yōu)權(quán)值解以及均方誤差,設(shè)計(jì)了在終端和源端分別執(zhí)行HLMS的雙向預(yù)測(cè)算法以及在它們之間進(jìn)行交互的數(shù)據(jù)傳輸協(xié)議。在理論分析的基礎(chǔ)上,利用真實(shí)實(shí)驗(yàn)室的溫度數(shù)據(jù)進(jìn)行了大量的實(shí)驗(yàn)評(píng)估,從預(yù)測(cè)精度、收斂速度以及穩(wěn)定性等多個(gè)角度對(duì)算法性能進(jìn)行了驗(yàn)證。(2)提出了基于分簇?zé)o線(xiàn)傳感器網(wǎng)絡(luò)的最優(yōu)步長(zhǎng)LMS (optimal step size least meansquare, OSSLMS)預(yù)測(cè)算法,設(shè)計(jì)了在簇頭和成員節(jié)點(diǎn)之間的雙向預(yù)測(cè)協(xié)議,并使用主成分分析技術(shù)實(shí)現(xiàn)了簇頭和終端之間的數(shù)據(jù)壓縮與恢復(fù),分析了在數(shù)據(jù)傳輸過(guò)程中的通信成本以及均方誤差。分別從預(yù)測(cè)精度、收斂速度、通信成本節(jié)省、均方誤差以及重建后的真實(shí)誤差等角度進(jìn)行了性能評(píng)估,證實(shí)了被提出的數(shù)據(jù)收集框架是切實(shí)可行的。(3)基于結(jié)構(gòu)相似度概念,并結(jié)合無(wú)線(xiàn)傳感器網(wǎng)絡(luò)特點(diǎn)設(shè)計(jì)了一套完整的包含創(chuàng)建簇和選擇簇頭的分簇算法,提出了在學(xué)習(xí)期選擇活動(dòng)狀態(tài)節(jié)點(diǎn)的原則和方法,采取了自動(dòng)調(diào)節(jié)數(shù)據(jù)收集期的策略。同時(shí)利用了真實(shí)數(shù)據(jù)和合成數(shù)據(jù)對(duì)SFDC進(jìn)行了性能評(píng)估,對(duì)于大規(guī)模稠密的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)能效果明顯,并且滿(mǎn)足了用戶(hù)對(duì)結(jié)構(gòu)保真度的需求。
【關(guān)鍵詞】：無(wú)線(xiàn)傳感器網(wǎng)絡(luò) 最小均方誤差 主成分分析 時(shí)間和空間冗余度 結(jié)構(gòu)保真度
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP212.9;TN929.5
【目錄】：

• 摘要5-7
• Abstract7-11
• 1 緒論11-33
• 1.1 研究背景與意義11-17
• 1.1.1 無(wú)線(xiàn)傳感器網(wǎng)絡(luò)概述11-12
• 1.1.2 無(wú)線(xiàn)傳感器網(wǎng)絡(luò)特點(diǎn)12-14
• 1.1.3 無(wú)線(xiàn)傳感器網(wǎng)絡(luò)應(yīng)用14-16
• 1.1.4 無(wú)線(xiàn)傳感器網(wǎng)絡(luò)周期性數(shù)據(jù)收集16-17
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀17-31
• 1.2.1 無(wú)線(xiàn)傳感器網(wǎng)絡(luò)路由協(xié)議17-19
• 1.2.2 幾類(lèi)基于數(shù)據(jù)傳輸?shù)臒o(wú)線(xiàn)傳感器網(wǎng)絡(luò)路由協(xié)議19-23
• 1.2.3 無(wú)線(xiàn)傳感器網(wǎng)絡(luò)節(jié)能策略23-28
• 1.2.4 周期性數(shù)據(jù)收集節(jié)能技術(shù)28-31
• 1.3 主要工作31-32
• 1.4 論文結(jié)構(gòu)32-33
• 2 分層的最小均方誤差算法和數(shù)據(jù)傳輸協(xié)議33-55
• 2.1 引言33-34
• 2.2 LMS預(yù)測(cè)算法34-39
• 2.2.1 LMS濾波算法34-38
• 2.2.2 LMS預(yù)測(cè)算法38-39
• 2.3 HLMS預(yù)測(cè)算法39-41
• 2.4 HLMS雙向預(yù)測(cè)協(xié)議41-45
• 2.5 最優(yōu)解分析45-47
• 2.6 HLMS預(yù)測(cè)算法的誤差分析47-49
• 2.7 仿真實(shí)驗(yàn)49-53
• 2.8 本章小結(jié)53-55
• 3 基于分簇網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測(cè)、壓縮與恢復(fù)55-76
• 3.1 引言55-56
• 3.2 預(yù)測(cè)算法描述56-61
• 3.2.1 網(wǎng)絡(luò)模型56-57
• 3.2.2 OSSLMS預(yù)測(cè)算法57-61
• 3.3 采用主成分分析的數(shù)據(jù)壓縮與恢復(fù)61-65
• 3.4 通信成本與誤差分析65-67
• 3.4.1 通信成本分析65-66
• 3.4.2 誤差分析66-67
• 3.5 仿真實(shí)驗(yàn)67-74
• 3.5.1 仿真數(shù)據(jù)集67-68
• 3.5.2 預(yù)測(cè)評(píng)估68-71
• 3.5.3 通信成本71-74
• 3.5.4 重建誤差74
• 3.6 本章小結(jié)74-76
• 4 基于結(jié)構(gòu)保真度的周期性數(shù)據(jù)收集76-97
• 4.1 引言76-78
• 4.2 結(jié)構(gòu)相似度指標(biāo)78-79
• 4.3 SFDC數(shù)據(jù)收集框架79-86
• 4.3.1 簇的創(chuàng)建79-81
• 4.3.2 選擇簇頭81-82
• 4.3.3 基于SSIM的節(jié)點(diǎn)調(diào)度機(jī)制82-84
• 4.3.4 數(shù)據(jù)收集84-85
• 4.3.5 能量消耗85-86
• 4.4 性能評(píng)估86-95
• 4.4.1 真實(shí)數(shù)據(jù)集86-92
• 4.4.2 合成數(shù)據(jù)集92-95
• 4.5 本章小結(jié)95-97
• 5 結(jié)論與展望97-99
• 參考文獻(xiàn)99-108
• 在校期間發(fā)表的論文、科研成果等108-109
• 致謝109

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前4條

1 魏春娟;楊俊杰;張志美;;一種分布式能量有效的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)分簇路由協(xié)議[J];傳感技術(shù)學(xué)報(bào);2013年07期

2 劉偉強(qiáng);蔣華;王鑫;;無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中PEGASIS協(xié)議的研究與改進(jìn)[J];傳感技術(shù)學(xué)報(bào);2013年12期

3 劉洲洲;王福豹;;能量有效的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)無(wú)標(biāo)度拓?fù)淠Ｐ蚚J];北京郵電大學(xué)學(xué)報(bào);2015年01期

4 康一梅;李志軍;胡江;董吉昌;;一種低能耗層次型無(wú)線(xiàn)傳感器網(wǎng)絡(luò)拓?fù)淇刂扑惴╗J];自動(dòng)化學(xué)報(bào);2010年04期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 黃丹;無(wú)線(xiàn)傳感器網(wǎng)絡(luò)分簇路由協(xié)議研究[D];大連海事大學(xué);2013年

2 樂(lè)俊;無(wú)線(xiàn)傳感器網(wǎng)絡(luò)周期性數(shù)據(jù)收集算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

，

本文編號(hào)：562904