低能耗和低时延的无线传感器网络数据融合算法 Network, 无线网络, 传感器, 成本, 国际

yuyang911220

无线传感器网络(Wireless Sensor Network，WSN)是由分布在检测区域内大量的静止或移动的传感器组成，它们是通过自组织和多跳的方式形成的无线网络，可以协作地感知、采集和处理检测区内的各种信息，并把信息传送给用户终端，是一种新兴的信息获取和处理技术。WSN可应用于恶劣环境和无人环境下信息的采集和传送，同时，它还具有布设灵活、成本低、范围大等特点，日益受到人们的关注，是当前国际备受关注的研究热点之一。　　在无线传感器网络中，若各个节点在采集信息时，采用单独传送信息到汇聚节点的方法，则会造成网络过多能量的消耗和传输信息的频繁冲突碰撞。因此，使用数据融合的方法来减少网络中信息传输的总量，从而达到节能和提高信息传输效率的目的。它不但可以采用一定的算法将传感器节点采集到的大量原始数据进行网内处理，去除其中的冗余信息，而且还可以在融合前减少汇聚节点等待非汇聚节点信息
　　传输的时间，减少网络中数据融合的延时时间。
　　1 无线传感器网络的数据融合算法
　　1.1 数据融合概念的描述
　　在无线传感器网络中，数据融合是在一定的准则下对按时间顺序获得的若干传感器节点的检测信息进行自动分析、融合，以完成所需要的估计任务和决策进行的信息处理过程。
　　1.2 节点剩余能量的计算
　　假定节点的初始能量为Er，并且在T1时刻之前，网络分别进行了n1次、n2次的信息发送和接收，则节点i存T1时刻的剩余能量可用公式(1)表示
　　2 低功耗无线传感器网络数据融合算法
　　2.1 节点数据结构
　　传感器节点i需要维护的信息包括：1)簇头节点Pi;2)节点的剩余能量标志位Hi：设置能量阈值ST，若节点i剩余能量值为Si，当Si
　　2.2 算法描述
　　假设在检测区域内存在多个传感器节点，我们将其分为多个簇。而后根据各个传感器节点的传输距离，对每个簇内的节点进行均匀布置，如图1所示。
　　首先，根据网络中每个节点的自身信息来决定各个簇头节点，而后由它们来启动数据融合算法。由于网络中各个簇头节点的选取都取决于自身的信息，因而会导致网络的结构和每个节点的位置处于不断变化之中，若选取几个固定的节点势必会造成较大时间延时和能量消耗。基于上述原因，为了保证每次选取的初始节点不同，应该选择距离基站最远的节点作为初始节点，由它们启动融合算法，从而最短化簇头节点到基站的距离，降低数据融合的延时和能耗，最大化网络的生存周期。
　　每个簇中数据传输的过程为：首先，簇头节点检测自身的剩余能量Si，若Si>ST，置Hi=1，并向所有可到达的传感器节点发布自己的位置信，否则簇头节点广播信息使得其他节点进入休眠状态。我们假设簇头节点的剩余能量Si>ST，则簇头节点向非簇头节点广播自己的位置信息，非簇头节点i在接收到这一信息后，判断自己到簇头节点的最小跳数和距离其最近的节点i的剩余能量，若其剩余能量Si大于能量阀值ST，且到簇头节点的跳数小于节点i到簇头的跳数，则节点i选择节点j作为父节点，并向父节点j发送加入请求，否则置Hj=0、Fj=0，告诉邻近的节点不要再向j发送信息，并使自己进入长期休眠状态，而后节点i重复上述过程，直到选出父节点为止。
　　如图1，簇头节点9首先启动运算并检测自身的剩余能量值S9，若S9ST，则置H9=1，而后簇头节点9把自己所在的位置告诉邻近的非簇头节点，由它们自己判断到簇头节点9的最小跳数和剩余能量，并把信息反馈给簇头节点9，由其选择那些非簇头节点可以加入其为簇头节点的簇内。图1中，节点1判断自己到簇头节点9的跳数为4跳，且距离其最近的非簇头节点4的剩余能量为S4，虽然节点4距簇头节点最小跳数为3跳小于节点1到簇头节点的跳数，但是由于S4小于ST，节点4仍不能作为节点1的父节点，而后继续判断距离簇头节点9较远但到簇头节点9的跳数仍为3跳的节点5的剩余能量，由于S5大于ST，所以节点1选择节点5作为父节点，同理，5的父节点为7，7的父节点点为8，8的父节点为簇头节点9，至此一个簇建立完毕。
　　2.3 时隙分配方案
　　节点在信息传输的过程中，可能存在空闲侦听、传输碰撞等现象，从而导致传感器网络在进行信道访问时存在较大的时延和能量消耗，因此设计了一种新的TDMA调度方案，并运用基于微粒群的Pareto(简称PAPSO)优化方法，使得无线传感器网络在完成规定的信息传输任务时每个节点的平均时隙和平均能耗最优。
　　2.3.1 优化目标
　　把初始节点传送的信息在经过单跳或多跳通信方式到簇头节点的过程，称为一个事件，信息每次跳转传输的过程称为一个子事件，一个子事件对应一个执行节点，并占用一个时隙，则无线传感器网络完成指定任务每个节点的平均时隙和平均能耗分别以f1和f2表达，如下所示。
　　完成此次传输事件时的总接收时间。通过公式(2)和(3)可知，通过减少网络中各个环节的切换能量和时隙的个数，就可以最大化网络的生存周期。
　　2.3.2 个体的编码与解码规则
　　要优化TDMA分配，首先应找到事件与问题间的对应关系，而后在解的空间内搜索最优解，由2.3.1节可知，把信息传输的过程看作是由一系列子事件组成的，因此一个事件可被记为(事件编号，顺序号)，其中，事件编号是指该子事件属于那个事件，顺序号则指信息传输过程中每一个子事件执行的顺序编号。
　　综上，可以将每个无冲突的事件按一个顺序进行编码，继而按顺序给它们分配时隙。这就是由编码规则得到的个体与TDMA调度方案之间的映射关系的解码规则。
　　2.3.3 基本粒子群算法
　　粒子群算法最早是由Kenney和Eberhart在1995年提出的，是一种新的模仿鸟类群体行动的自能优化方法，缩写为“PSO”，它与遗传算法一样，是从随机解出发的，可通过适度评价解的好坏，并通过迭代的方法寻找最优解。PSO迭代方程如下：
　　其中：“i”表示微粒：“d”表示微粒的第d维;“t”表示第t代;Vid表示微粒i的速度;Xid表示微粒i的位置id表示微粒i的个体极值(p_best)，Pgl表示所有微粒i全局极值(g_best);W表示惯性权重;C1、C2表示学习因子;r1、r2表示介于(0，1)之间的随机数。