协作的大数据管理和分析复杂系统的优势
把这个特殊的问题一个>研究文章|开放获取
有效的数据收集方法在传感器网络
文摘
无线传感器网络广泛应用于许多领域,如医疗卫生、军事监控、目标跟踪,和人们的生活,因为他们的优点,方便部署、低成本、和良好的隐蔽。然而,由于传感器节点的电池容量低和环境变化,节点的能量消耗严重和数据收集的准确性较低。在多个随机路径的数据收集方法,由于节点之间地理上分布不均和环境的影响,很容易造成阻塞节点之间的通信和随机路径的建设失败。本文提出了一种有效的数据收集算法这一问题。算法改进的基础上随机节点选择算法。这种方法可以有效地避免失败的随机路径节点选择,提高无线传感器网络节点随机的选择路径。然后,分析了传感器网络在动态环境中基于静态环境。一个高效的基于位置的数据收集算法预测提出了极端的学习机器。这种方法使用极端的学习机器节点进行轨迹预测方法在动态环境中。
1。介绍
近年来,随着无线通信技术的发展,传感器技术和嵌入式技术、无线传感器网络(网络)被广泛关注<一个href="#B1">1一个>]。无线传感器网络可以依靠传感器节点感知各种物理或环境条件下,广泛应用于医疗、军事、科学观察、应急监测、和商业应用。无线传感器网络的一个重要功能是完成数据收集。传感器节点收集传感器数据和发送它通过多次反射到水槽节点无线通信。有效的数据收集是无线传感器网络的各种应用程序的关键,比如战场监控、监测、习惯基础设施监测和环境监测。
在目前的研究和开发过程,香农采样定理通常被用作主要的无线传感器网络数据收集方法的信号。然而,因为它需要收集大量的原始数据,进行数据传输,它会导致节点能量消耗和数据冗余。作为一种新技术,压缩传感压缩和项目使用低速采样收集到的原始数据,然后使用非线性重建算法重建压缩信号。压缩传感避免收集大量的原始数据,已成为广泛研究的发展方向。
在无线传感器网络数据收集,传统的压缩传感方法使用密集的随机矩阵(<一个href="#B2">2一个>]随着观测矩阵压缩和收集数据。然而,密集的测量矩阵带来密集的观察问题;也就是说,每个投影值需要网络中的所有节点参与操作(<一个href="#B3">3一个>]。因此,投影值的集合需要伟大的通信开销和计算量巨大的重建信号时。提出的稀疏随机矩阵无线传感器网络中的数据收集和措施(<一个href="#B4">4一个>),收集一些网络中节点的测量数据来构造投影值,减少了节点之间的沟通成本和计算当构造投影值的数量。它在促进中扮演一定的角色压缩传感的发展。
的过程中构建基于稀疏随机矩阵随机路径,随机初始化节点作为初始节点的随机路径,然后随机游走策略是用于收集节点的数据。每次随机路径达到指定的长度时,收集的数据的投影可以完成。然后,收集到的数据预计将水槽节点,如图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig1/" target="_blank">1一个>。最后,项目数据解压缩和重构水槽节点。同时,观察矩阵时生成的随机路径构造;构造稀疏随机矩阵。观测矩阵填充矩阵的参数值根据不同节点的随机路径行走,这通常是0或1。非零元素的数量观测矩阵的每一行对应的随机路径的长度是一致的。在达到指定的随机路径的长度,数据重建可以在水槽节点完成。然而,由于外部环境的不确定性,在随机的建设路径,不达到当前节点的邻居节点,导致失败的随机路径建设施工和观测矩阵。因此,它是特别重要的,提出一种更有效的算法。
基于上述问题,本文提出了一种有效的数据收集方法在静态和移动环境下的无线传感器网络,可有效避免这些问题的过程中随机道路建设。本文的主要贡献如下:<年代p一个ncl一个年代年代="list">(1)年代p一个n>我们提出一个有效的数据收集算法在静态环境。通过统计分析当前节点的邻居节点,选择合适的阈值来过滤你的邻居节点满足阈值,选择适当的组的邻居节点,并选择下一跳节点,提高传统随机选择算法在静态环境。年代p一个n>(2)年代p一个n>我们提出一个有效的数据收集算法基于榆树位置预测。通过使用极限学习机方法预测节点的地理位置在下次时间,选择适当的节点作为下一跳节点的当前时间根据预测位置,和改善建筑的随机路径的长度。年代p一个n>(3)年代p一个n>随机路径在静态网络环境建设和移动网络环境模拟原型系统的设计有效的无线传感器网络数据收集方法。对比传统的数据收集算法和高效的数据收集算法实现,并验证算法的正确性和有效性在多个测试,验证和系统的鲁棒性和准确性。年代p一个n>
2。相关工作
本部分从两个方面介绍了现有的研究成果:无线传感器网络和压缩传感。
2.1。无线传感器网络
无线传感器网络是通信领域的一个新的发展方向,它也收敛的集成和发展传统学科和新兴学科。无线传感器网络在1990年代起源于美国。在接下来的几年里(10年以上),无线传感器网络技术已经被行业广泛关注,学术界和政府。它也成为竞争的焦点在军事发展,环境、和许多其他领域。美国《商业周刊》选择的十大新兴技术,对未来有很大的影响,无线传感器网络是第一。一旦无线传感器网络技术被释放时,它已经吸引了广泛关注的军事部门、学术界和工业在世界上许多国家,已成为一个研究热点。美国计算机协会(ACM)专门从事事务在传感器网络的创建,用于研究最先进的无线传感器网络的结果。无线传感器网络的应用需求是实现目标的最佳监测下有限的能源供应。因此,无线传感器网络在这方面经历了多个设计和优化。
近年来,无线传感器网络技术取得了快速发展。Rebai等人提出了一种传感器部署无线传感器网络覆盖优化方法和连接(<一个href="#B5">5一个>),胺等人提出了一个高效和安全的移动无线传感器网络加权聚类算法(<一个href="#B6">6一个>],Diallo等人提出了一个分布式数据库管理技术在无线传感器网络<一个href="#B7">7一个>]。下榻的饭店等人研究了移动目标跟踪基于局域预测在无线传感器网络<一个href="#B8">8一个>]。艾耶等人提出STCP传感器传输控制协议(<一个href="#B9">9一个>]。为了保证无线传感器网络的数据安全,任等人提出了一个端到端安全性框架位置传感,这保证了传感器数据的安全(<一个href="#B10">10一个>]。林等人提出了一个自适应传输功率控制算法对无线传感器网络<一个href="#B11">11一个>]。所有这些科学研究促进了无线传感器网络的发展。
在中国,针对无线传感器网络的发展在世界上,中国对传感器网络计算机协会技术委员会成立于2006年10月,这导致了无线传感器网络的研究和发展在中国。近年来,国内研究机构作出了重要贡献,无线传感器网络的发展。在[<一个href="#B12">12一个>),提出了一种改进的DV-Hop算法实现传感器节点的准确定位。文献[<一个href="#B13">13一个>)总结了无线传感器网络的隐私保护技术。在[<一个href="#B14">14一个>),OSNC方法提出了减少聚合节点周围的过载。无线传感器网络被广泛应用于军事、环境、农业、医疗、智能交通等领域。这些将大力推动好和无线网络行业的快速发展<一个href="#B15">15一个>]。
2.2。压缩传感
压缩传感起源于Mistretta教授(<一个href="#B16">16一个>威斯康辛大学的和别人的问题:我们可以重建原始图像与少量的MRI采样数据。为了解决这个问题,教授Mistretta使用经典图像重建理论进行仿真实验。结果表明,分辨率较低,边缘模糊。同时,萤石教授的研究团队意识到精确重建原始图像的有限数据通过使用罚函数和证明,从图像的傅里叶变换系数,随机选择不少于2<我>k我>系数可以准确、独特的重建原始信号,<我>k我>非零的数傅里叶系数(<一个href="#B17">17一个>]。
Donoho et al。<一个href="#B18">18一个>- - - - - -<一个href="#B21">21一个>)提出了一种基于压缩感知的理论框架和信号稀疏分解的思想复苏。在此基础上,Donoho正式提出“压缩传感”的概念<一个href="#B18">18一个>]。核心思想是首先获得非适应的线性投影信号然后重建原始信号的测量值根据相应的重建算法。参考文献(<一个href="#B17">17一个>,<一个href="#B18">18一个>,<一个href="#B21">21一个>,<一个href="#B22">22一个>)进行了深入研究和分析准确的信号重构,信号稳定性维护和优化稀疏分解在不完整的测量和取得良好的发展。压缩传感已经吸引了许多学者和专家的注意,他等,在压缩传感网络数据进行了广泛的研究。2008年,贾维斯Haupt提出了一个特定的网络压缩方法在网络分布,即视为分布式压缩感知的原型。学者d男爵等人提出了一种新的分布式压缩感知理论,得到了广泛的应用。
近年来,一种新的压缩传感理论已诞生了。对于稀疏信号或可压缩信号,这种方法可以实现数据压缩的收购而获得信号,和它的频率远低于奈奎斯特采样频率(<一个href="#B23">23一个>];它的优势是,它可以减少采样数据,节省存储空间,包含足够的信号信息。数据重建的过程中,根据压缩足够的数据可以恢复数据。压缩传感结合了传统的数据收集和数据压缩,但它不需要复杂的数据编码算法。压缩传感已成为信号处理领域的一个新的研究方向(<一个href="#B24">24一个>]。
国内外的理论和实践应用压缩感知近年来已成为一个热门的研究方向。在[<一个href="#B25">25一个>),核磁共振图像重建的算法基于传统联合提出了正规化和压缩传感压缩传感MRI图像重建。在[<一个href="#B26">26一个>),基于能量平衡的一种自适应压缩感知算法,提出了解决问题的处理能力有限,传统无线传感器网络的能源短缺。在[<一个href="#B27">27一个>),一个能源贫瘠的贝叶斯压缩感知算法。文献[<一个href="#B28">28一个>]分析了无线传感器网络的性能和延迟分析。在[<一个href="#B29">29日一个>),随机漫步路径算法,提出了基于非均匀采样压缩和收集数据。在[<一个href="#B30">30.一个>),提出了一种数据模型的随机投影估计算法来实现压缩比测量。在[<一个href="#B31">31日一个>提出了],EDAL数据收集协议。在[<一个href="#B32">32一个>),提出了一种连续的滑动窗口处理框架。压缩传感理论的不断深化,对压缩传感的研究已在各个领域取得了很大的进步。在[<一个href="#B33">33一个>),一种新颖的分布式压缩估计方案稀疏信号与系统理论的基础上提出了压缩传感。在[<一个href="#B34">34一个>),一个压缩传感方法,提出了基于高斯混合模型。在[<一个href="#B35">35一个>),CSPR方法动态无线传感器网络路径提出了基于压缩传感重建。在[<一个href="#B36">36一个>),压缩传感应用于图像恢复。
3所示。有效的数据收集方法在静态传感器网络
3.1。问题描述
本节首先给出无向图的定义和建立基于无向图的随机路径的过程,然后给出了观测矩阵由随机路径,最后给出了节点选择方法在建设的过程中观察矩阵。本章中使用的符号和随后的章节和他们的解释如表所示<一个href="//www.newsama.com/journals/complexity/2020/6467891/tab1/" target="_blank">1一个>。
|
||||||||||||||||||||||||||||||||||||||||||||
定义1。我>(无向图)。一个图表<年代vg height="8.8423pt" id="M16" style="vertical-align:-0.2064009pt" version="1.1" viewbox="-0.0498162 -8.6359 9.02496 8.8423" width="9.02496pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
定义2。我>(邻居节点)。为节点<我>u我>,如果节点<年代vg height="6.04987pt" id="M20" style="vertical-align:-0.2325001pt" version="1.1" viewbox="-0.0498162 -5.81737 5.98461 6.04987" width="5.98461pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
定义3。我>(随机路径)。在无线传感器网络中,如果有任何连续的路径包括邻居节点和路径长度<我>t我>
o我>(<我>n我>/<我>k我>)满意,路径被称为随机路径。
对于无向图<年代vg height="8.8423pt" id="M26" style="vertical-align:-0.2064009pt" version="1.1" viewbox="-0.0498162 -8.6359 9.02496 8.8423" width="9.02496pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
例如,在数据收集过程图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig2/" target="_blank">2一个>首先,随机选择节点<年代vg height="6.04987pt" id="M32" style="vertical-align:-0.2325001pt" version="1.1" viewbox="-0.0498162 -5.81737 5.98461 6.04987" width="5.98461pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
在图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig2/" target="_blank">2一个>,如果随机路径随机选择下一跳节点,当它到达的节点,由于节点的邻居节点集只是节点和已经到达时,路径不满足需求随机路径的长度,所以观测矩阵施工失败和感知数据的收集是不完整的。为了避免这种情况,每个随机路径的建设期间,传统的节点随机选择算法进行了分析和有效的数据收集算法。在构建的随机路径,一个邻居节点集构造为当前节点,每个节点的邻居节点集对邻居节点的数目分别计算,然后总数中的所有节点的邻居节点的邻居节点集计算;然后设置一个合理的阈值过滤中的节点的邻居节点集,,最后,选择合适的随机选择邻居节点。年代p一个n>
3.2。属性分析
因为当前节点在每个随机路径的选择可能会影响下一个节点的选择,分析了无线传感器网络的本质,然后在当前网络存在的问题进行了分析根据传感器网络的属性。改进方法的缺点,提出了新的解决方案。
定义4。我>(可及节点)。在无线传感器网络中,如果节点<我>u我>可以达到节点<年代vg height="6.04987pt" id="M34" style="vertical-align:-0.2325001pt" version="1.1" viewbox="-0.0498162 -5.81737 5.98461 6.04987" width="5.98461pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
定义5。我>(可获得的路径)。在无线传感器网络中,如果有一个路径形成的<我>n我>(<我>n我> 2)连续从节点的邻居节点<我>u我>和结束节点<年代p一个ncl一个年代年代="nowrap"> ,年代p一个n>然后它被称为访问路径和作为来标示<我>R我>(<我>u我>,<年代p一个ncl一个年代年代="nowrap"> )。年代p一个n>
推论1。我>两个可及节点之间形成的路径称为访问路径。年代p一个n>
定义6。我>(可获得的路径长度)。如果有一个可访问的路径<我>R我>(<我>u我>,<年代p一个ncl一个年代年代="nowrap">
)年代p一个n>从节点<我>u我>和结束节点<年代p一个ncl一个年代年代="nowrap">
,年代p一个n>节点之间的连接数量<我>u我>和<年代vg height="6.04987pt" id="M42" style="vertical-align:-0.2325001pt" version="1.1" viewbox="-0.0498162 -5.81737 5.98461 6.04987" width="5.98461pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
在图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig3/" target="_blank">3一个>、节点<年代vg height="6.04987pt" id="M44" style="vertical-align:-0.2325001pt" version="1.1" viewbox="-0.0498162 -5.81737 5.98461 6.04987" width="5.98461pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
定理1。年代p一个n>如果节点<我>b我>一个邻居节点<我>一个我>,然后<我>b我>必须是一个可及节点的<我>一个我>。我>
证明。我>节点<我>b我>一个邻居节点<我>一个我>。可获得的路径<我>R我>(<我>一个我>,<我>b我>)可以在节点之间形成<我>b我>和节点<我>一个我>通过定义<一个href="#deff5">5一个>。也就是说,节点<我>一个我>可以达到的邻居节点<我>b我>符合定义<一个href="#deff4">4一个>;节点<我>b我>被称为可及节点的节点<我>一个我>。从图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig3/" target="_blank">3一个>和定义<一个href="#deff4">4一个>,我们知道<我>x我>是一个可及节点的<我>u我>,但<我>x我>不是一个邻居节点的<我>u我>。年代p一个n>
定理2。年代p一个n>如果有一个随机路径,这个路径必须是可访问的路径。我>
证明。我>有一个随机的路径。随机路径长度<我>t我> o我>(<我>n / k我>)是通过定义<一个href="#deff3">3一个>。如果<我>k我>和<我>n我>是已知的,那么<我>n我>/<我>k我>> 2的存在。通过定义<一个href="#deff5">5一个>,可获得的路径长度要求是满足。因此,随机路径长度满足可访问的路径长度要求;也就是说,随机路径必须是可以达到的路径。年代p一个n>
定义7。我>(<我>P我>函数设置)。为节点<我>一个我>的邻居节点集<年代ub>一个我>T我>、节点<我>0我>的邻居节点集<我>T我>b我>和满足节点<我>b我>
T我>一个我>;然后函数<我>p我>(<我>一个我>,<我>b我>)<年代vg height="5.65839pt" id="M51" style="vertical-align:-0.04980993pt" version="1.1" viewbox="-0.0498162 -5.60858 7.75925 5.65839" width="7.75925pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
定义<一个href="#deff7">7一个>清楚地表明设置当前节点的通信范围内的节点和其邻近节点提供了必要的组节点为下一个有效的数据收集算法。如图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig4/" target="_blank">4一个>,假设的初始节点路径网络<我>b我>,在其通信范围内,其邻居节点集,<我>T我>b我>= {<我>一个c y我>},然后在每个节点<我>T我>b我>集是分开计算和他们<我>P我>函数集选择建设选择下一跳节点的域。后获得<我>P我>函数的每个节点,一个合理的阈值可以设置过滤相应的下一跳节点的邻居节点的选择。<年代p一个ncl一个年代年代="list">为<我>一个我>,<我>T我>一个我>= {<我>b我>},<我>P我>(<我>b我>,<我>一个我>)=<我>T我>b我>U<我>T我>一个我>−{<我>b我>}= {<我>一个我>,<我>c我>,<我>y我>};年代p一个n>为<我>c我>,<我>T我>c我>= {<我>b我>,<我>p我>,<我>y我>,<我>年代我>,<我>d我>},<我>P我>(<我>b我>,<我>c我>)=<我>T我>b我>U<我>T我>c我>−{<我>b我>}= {<我>c我>,<我>p我>,<我>y我>,<我>年代我>,<我>d我>,<我>一个我>};年代p一个n>为<我>y我>,<我>T我>y我>= {<我>b我>,<我>c我>,<我>d我>,<我>年代我>,<我>t我>,<我>x我>},<我>P我>(<我>b我>,<我>y我>)=<我>T我>b我>U<我>T我>y我>−{<我>b我>}= {<我>一个我>,<我>c我>,<我>d我>,<我>y我>,<我>年代我>,<我>t我>,<我>x我>}。年代p一个n>在获得每个节点的函数集,一个合理的阈值可以设置为屏幕适合选择下一跳节点的邻居节点。年代p一个n>
3.3。算法描述
我们可以看到在图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig2/" target="_blank">2一个>当前节点在任何可获得的路径,如果随机选择下一个节点,它可能发生,下一个节点的邻居节点集可能是空的或邻居节点的数量少,导致随机道路建设的失败和不完整的数据收集。根据定义<一个href="#deff7">7一个>在当前节点的前提下,合理设定的阈值计算的数量<我>P我>当前节点的函数集和每个邻居节点,在此基础上,合理的选择下一个节点进行,以便随机路径达到一个合理的长度,和感知的投影数据。
基于当前节点,这个部分比较传统的节点随机选择算法在静态网络(国家管制当局方面)和提出有效的数据收集算法在静态网络(EDCAS),使合理的描述两个算法,分别。
在无线传感器网络数据收集,首先,<我>米我>节点随机选择初始节点<我>米我>随机路径。在数据收集的过程中每个随机路径,选择合适的节点通过不同节点选择方法获取数据。最后,获得的数据聚集在年底的路径形成投影值感知数据,发送到水槽节点数据重建。
定义8。我>(选择邻居节点的数据集)。连接访问路径的任何节点在无线传感器网络中,字母范围内的邻居节点集称为选择邻居节点的数据集,表示为社交。首先,选择初始节点。水槽节点选择<我>米我>从初始节点<我>N我>节点通过自己的计算节点开始,每个从节点作为每个随机路径的起点,和具体过程算法所示<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg1/" target="_blank">1一个>在下面。
所示的算法<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg1/" target="_blank">1一个>,首先,无线传感器网络中的节点是随机生成的<我>n我>元素由兰德(1∗向量<我>n我>)函数,节点的顺序是1,2,…(步骤1);其次,1∗<我>n我>元素是按排序(排序<我>n我>)函数(步骤2);然后,一个节点<我>k我>从节点随机选择通过randSelect (<我>p我>,<我>n我>)函数(步骤4)。如果当前选择的节点已经存在于指数集<我>年代我>,初始节点重新计算,直到没有重复的节点(步骤5到7);最后,它被添加到初始节点索引集<我>年代我>(步骤8)并返回一组(10步)。
在无线传感器网络的节点选择算法,首先,分析了传统随机节点选择算法,并在此基础上,一个有效的数据收集算法。
所示的算法<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg2/" target="_blank">2一个>当前节点<年代p一个ncl一个年代年代="nowrap">
。年代p一个n>首先,你的邻居节点集<我>SNS我>(步骤1)<年代vg height="6.04987pt" id="M53" style="vertical-align:-0.2325001pt" version="1.1" viewbox="-0.0498162 -5.81737 5.98461 6.04987" width="5.98461pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
算法<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg2/" target="_blank">2一个>花图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig5/" target="_blank">5一个>作为一个例子。假设当前的初始节点<我>c我>收集到的数据<我>x c我>(<我>t我>),你的邻居节点的通信范围<我>c我>有五个节点<我>b我>,<我>p我>,<我>y我>,<我>年代我>,<我>d我>;然后你的邻居节点集SNS = {<我>b我>,<我>p我>,<我>y我>,<我>年代我>,<我>d我>};然后节点<我>d我>随机选择从SNS;下一个节点的<我>c我>是<我>d我>;也就是说,收集的数据节点<我>d我>是<我>x我>d我>(<我>t我>+ 1)=<我>x我>c我>(<我>t我>)+<我>x我>d我>(<我>t我>)。可及节点的通信范围内的节点<我>d我>是<我>c我>,<我>y我>,<我>k我>,即你的邻居节点集SNS = {<我>c我>,<我>y我>,<我>k我>}。如果节点<我>d我>随机选择下一跳节点<我>k我>,然后收集的数据节点<我>k我>是<我>x我>k我>(<我>t我>+ 1)=<我>x我>d我>(<我>t我>)+<我>x我>k我>(<我>t我>)(<我>t我>当前随机路径的长度是施工步骤)。
在图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig5/" target="_blank">5一个>,由于分布的边缘节点<我>k我>,<我>SNS我>的一组节点<我>k我>只是<我>d我>和节点<我>d我>已被访问。如果当前路径长度不符合<我>t我>≥<我>o我>(<我>n我>/<我>k我>),然后随机路径数据采集失败和投影的感知数据不能被完成。
基于传统的随机节点选择算法,本节提出了一种有效的数据收集算法在静态环境下,与具体的实现算法<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg3/" target="_blank">3一个>。首先,你的邻居节点集SNS(步骤1)为当前节点被选中,标记节点的数量在当前SNS设置记录,和节点的总数<我>P我>初始化函数集(步骤2 - 3);然后,<我>P我>函数计算出每组节点标记节点<我>SNS我>分别的节点数据<我>P我>函数集添加到节点总数水分(步骤4 - 9日)。最后,计算出平均阈值和使用下一跳节点选择(步骤10)。对于每一个标记节点SNS,的长度<我>P我>函数集是分开计算的。如果长度超过或等于平均阈值,当前节点的邻居节点集添加到缓存<我>tempSNS我>(11 - 15号的步骤)。然后,该函数<我>randSelect我>(<我>tempSNS我>)用于随机选择节点<我>u我>从<我>tempSNS我>设置为下一跳节点(步骤16)。最后,将当前节点采集的数据添加到路径,添加一个到当前路径长度(步骤17 - 18),标志着当前节点(步骤19),并返回到下一跳节点<我>u我>(步骤20)。
把图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig6/" target="_blank">6一个>作为一个例子来描述详细有效的数据收集算法。假设当前的初始节点<我>b我>,首先获得邻居节点集SNS = {<我>一个我>,<我>c我>,<我>y我>}的节点<我>b我>选择,标记节点数据集长度= 3,和水分被初始化为0:那么<我>p我>计算函数集<我>getPSet我>(<我>p我>)函数中的每个值<我>SNS我>分别设置。<年代p一个ncl一个年代年代="list">为节点<我>一个我>,<我>p我>(<我>b我>,<我>一个我>)= {<我>c我>,<我>y我>,<我>一个我>},<我>p我>(<我>b我>,<我>一个我>)长度= 3,水分= 3;年代p一个n>为节点<我>c我>,<我>p我>(<我>b我>,<我>c我>)= {<我>p我>,<我>y我>,<我>年代我>,<我>d我>,<我>一个我>,<我>c我>},<我>p我>(<我>b我>,<我>c我>)长度= 6,水分= 3 + 6 = 9;年代p一个n>为节点<我>y我>,<我>p我>(<我>b我>,<我>y我>)= (<我>一个我>,<我>c我>,<我>d我>,<我>年代我>,<我>t我>,<我>x我>,<我>y我>),<我>p我>(<我>b我>,<我>y我>)长度= 7,水分= 9 + 7 = 16。年代p一个n>然后,计算平均阈值平均=水分/长度= 16/3,然后每个标记节点<我>SNS我>再次遍历。对于每个节点,<我>P我>函数集是分开计算的。如果的长度<我>P我>函数集超过或等于平均阈值,该节点被添加到缓存的邻居节点集<我>tempSNS我>。<年代p一个ncl一个年代年代="list">为节点<我>一个我>,<我>P我>(<我>b我>,<我>一个我>)= 3 <长度平均值,不添加<我>tempSNS我>;年代p一个n>为节点<我>c我>,<我>P我>(<我>b我>,<我>c我>)= 6 >平均长度,增加<我>tempSNS我>;年代p一个n>为节点<我>y我>,<我>P我>(<我>b我>,<我>y我>)= 7 >平均长度,增加<我>tempSNS我>。年代p一个n>在一组<我>tempSNS我>= {<我>c我>,<我>y我>}、节点<我>c我>是随机选择的<我>tempSNS我>作为下一跳节点,节点数据叠加;那么当前随机路径长度增加1,和节点<我>c我>被标记为在同一时间访问。
有效的数据收集算法可以避免失败的节点选择的过程中收集数据的随机路径在某种程度上。如图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig6/" target="_blank">6一个>、算法<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg3/" target="_blank">3一个>过滤器的邻居节点<我>一个我>在一组<我>SNS我>。从图中,可以观察到如果节点<我>一个我>选择当前节点的下一跳节点,然后自数据集节点的邻居节点被选中<我>一个我>SNS = {<我>b我>},节点<我>b我>已经访问标记,它可能会导致节点<我>一个我>无法继续为这条路选择节点。如果随机路径长度没有达到所需的长度在节点<我>一个我>,传感器传感数据收集将会失败。年代p一个n>
|
|
|
4所示。高效的移动传感器网络的数据收集方法
4.1。问题描述
本节将介绍无线传感器节点位置的变化在移动网络环境和随机路径中节点选择数据收集的方法。在一个静态的环境中,一个节点可以与节点通信半径之内。然而,在移动网络环境中,节点的位置可能会改变,由于外部环境的变化。节点可以沟通由于失去联系,距离的变化,然后随机路径的建设有影响。
如图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig7/" target="_blank">7一个>假设三个随机路径是必需的,包括5个传感器节点。图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig7/" target="_blank">7(一)一个>显示了节点位置在时间<我>t我>=<我>t我>1年代ub>。首先,三个初始节点<我>一个我>,<我>f我>,<我>米我>随机选择。然后,每个节点的通信半径内,节点随机选择邻居节点形式<我>一个我>⟶<我>b我>⟶<我>c我>⟶<我>d我>⟶<我>e我>,<我>f我>⟶<年代vg height="9.39034pt" id="M62" style="vertical-align:-3.42943pt" version="1.1" viewbox="-0.0498162 -5.96091 7.52435 9.39034" width="7.52435pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
(一)年代trong>
(b)年代trong>
(一)年代trong>
(b)年代trong>
在上述示例中,如果路径<我>f我>⟶<年代vg height="9.39034pt" id="M74" style="vertical-align:-3.42943pt" version="1.1" viewbox="-0.0498162 -5.96091 7.52435 9.39034" width="7.52435pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
因此,它是一个重要的部分能够执行位置预测节点随机路径。本章使用极限学习机方法预测节点位置。极端学习机是一种简单而有效的单隐层前馈神经网络学习算法。极端的学习机器只需要设置网络的隐层的节点数量,和算法不需要调整网络的输入重量和隐藏元素的偏移量来生成最优的解决方案。极端学习机具有人工干预少,学习速度快,等等,这是不容易在学习过程中产生局部最优解,因此广泛应用于文本分类、图像识别、生物医学等领域。
4.2。属性分析
在移动网络环境中,随机路径的建设可能会失败,由于节点位置的变化。因此,本节首先分析属性在此基础上,提出新的解决方案。
定义10。我>(prenode和postnode)。在无线传感器网络中,如果有一个连接节点的路径<我>一个我>直接向节点<我>b我>,那么节点<我>一个我>被称为prenode节点<我>b我>和节点<我>b我>被称为postnode节点<我>一个我>。年代p一个n>
定理3。年代p一个n>如果节点<我>一个我>是前任的节点(或postnode)<我>b我>,那么节点<我>一个我>必须是一个邻居节点<我>b我>。我>
证明。我>如果节点<我>一个我>是节点的前任(或postnode)<我>b我>,必须有<我>r我>(<我>一个我>,<我>b我>)≤<我>R我>(<我>R我>是通信半径);然后从邻居节点的定义可以发现。年代p一个n>
定义11。我>(历史上的位置)。在移动网络环境中,存在节点ν是记录<年代vg height="13.7721pt" id="M77" style="vertical-align:-3.94357pt" version="1.1" viewbox="-0.0498162 -9.82853 12.0924 13.7721" width="12.0924pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
定义12。我>(历史轨迹和未来的轨迹)。在移动网络环境中,如果有一组节点的位置<我>u我>在连续的时间单位<年代vg height="8.8423pt" id="M84" style="vertical-align:-0.2064009pt" version="1.1" viewbox="-0.0498162 -8.6359 11.0475 8.8423" width="11.0475pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
定义13。我>(历史路径和未来的路径)。在移动网络环境中,如果有一个可访问的路径<年代p一个ncl一个年代年代="inline_break">
和一个节点<年代p一个ncl一个年代年代="inline_break">
存在,可获得的路径分为两个部分<年代p一个ncl一个年代年代="inline_break">
和<年代p一个ncl一个年代年代="inline_break">
;年代p一个n>然后,路径<年代p一个ncl一个年代年代="inline_break">
被称为历史的道路<年代p一个ncl一个年代年代="inline_break">
,年代p一个n>和路径<年代p一个ncl一个年代年代="inline_break">
未来的道路吗<年代p一个ncl一个年代年代="inline_break">
。年代p一个n>
如图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig7/" target="_blank">7(一)一个>的随机路径<我>一个我>⟶<我>b我>⟶<我>c我>⟶<我>d我>⟶<我>e我>、节点<我>c我>叫的前身<我>d我>,<我>d我>的postnode<我>c。我>节点<我>c我>和节点<我>d我>互为邻居节点。节点<我>d我>和<我>h我>是邻居彼此的通信范围,但因为没有路径两个节点之间的连接,他们不能被称为prenodes或postnodes:在随机路径<我>f我>⟶<年代vg height="9.39034pt" id="M104" style="vertical-align:-3.42943pt" version="1.1" viewbox="-0.0498162 -5.96091 7.52435 9.39034" width="7.52435pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
4.3。算法描述
基于分析的节点随机选择算法在移动网络(NRSAM)在传统的移动无线传感器网络中,本节提出了一个大学的数据收集算法(ELM)基于极限学习机的位置预测在移动无线传感器网络高效的数据收集算法在移动网络(EEDCM)和动态选择下一跳节点,这样最可以避免的路径可以达到相应的长度,从而实现数据收集的目的。
如图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig8/" target="_blank">8一个>首先,水槽节点随机选择<我>米我>不同的节点<我>n我>传感器网络的节点作为初始节点(图中阴影节点)通过自己的操作,然后将它们发送给选中的<我>米我>节点通过广播并开始建设的随机路径。所示的过程的算法<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg4/" target="_blank">4一个>。
|
本部分首先分析了节点随机选择算法在传统的移动网络环境。节点随机算法在移动环境中所示的算法<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg5/" target="_blank">5一个>。的过程节点随机选择算法在移动网络如图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig9/" target="_blank">9一个>,黑色箭头表示下一跳节点的数据采集节点。如图(一),网络节点的初始分布<年代p一个ncl一个年代年代="nowrap">
,年代p一个n>节点<我>一个我>是初始节点和它的邻居节点集{<我>b我>,<我>d我>,<年代p一个ncl一个年代年代="nowrap">
,年代p一个n>l我>},然后节点<我>b我>随机选择的路径。对于单节点,在时间<年代p一个ncl一个年代年代="nowrap">
,年代p一个n>节点位置的变化,和邻居节点的节点集<我>b我>是{<我>一个我>,<我>d我>,<我>p我>,<我>l我>,<我>o我>},然后节点<我>p我>是随机选择下一跳节点。在时间<年代p一个ncl一个年代年代="nowrap">
,年代p一个n>节点的位置<年代vg height="9.39034pt" id="M131" style="vertical-align:-3.42943pt" version="1.1" viewbox="-0.0498162 -5.96091 7.52435 9.39034" width="7.52435pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
|
(一)年代trong>
(b)年代trong>
(c)年代trong>
(d)年代trong>
(一)年代trong>
(b)年代trong>
(c)年代trong>
(d)年代trong>
在传统的随机路径数据收集过程中,节点的位置变化由于移动网络环境的变化和随机路径建设失败。因此,本节提出了一种高效的基于榆树位置预测的数据收集算法在移动网络。在当前节点的情况下,网络节点预测和选择适当的值来选择下一跳节点,确保施工的随机路径的长度。
在节点选择过程的随机路径,榆树是用来预测传感器网络中的每个节点的位置。首先,每个节点的历史轨迹是发送到汇聚节点,节点是根据节点的轨迹参数训练。参数后,他们被发送到网络中的节点通过水槽广播,然后,根据训练参数,网络中的节点可以获得预测的轨迹。
榆树训练参数的算法算法所示<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg4/" target="_blank">4一个>。首先,历史轨迹向量<我>F我>和未来轨迹向量<我>T我>的节点和隐层节点的数量<我>l我>在动态环境中。隐层节点参数<年代vg height="9.25202pt" id="M147" style="vertical-align:-3.29111pt" version="1.1" viewbox="-0.0498162 -5.96091 12.1198 9.25202" width="12.1198pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
训练后参数的极端的学习机器,它可以预测未来无线传感器网络中的每个节点的位置,如算法所示<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg5/" target="_blank">5一个>。首先,使用节点的历史轨迹<我>F我>和训练节点参数计算隐层输出矩阵<我>H我>(1号线)(<一个href="#EEq1">1一个>);然后使用<年代vg height="12.7178pt" id="M151" style="vertical-align:-3.42947pt" version="1.1" viewbox="-0.0498162 -9.28833 53.1948 12.7178" width="53.1948pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
接下来,分析了有效的数据收集算法在移动传感器网络环境,如算法所示<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg6/" target="_blank">6一个>。首先,对当前节点<年代p一个ncl一个年代年代="nowrap">
,年代p一个n>当前节点的预测位置(1号线)是极端的学习机器获得的预测函数<年代vg height="12.7178pt" id="M154" style="vertical-align:-3.42947pt" version="1.1" viewbox="-0.0498162 -9.28833 99.7528 12.7178" width="99.7528pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
|
节点集<年代vg height="8.8423pt" id="M191" style="vertical-align:-0.2064009pt" version="1.1" viewbox="-0.0498162 -8.6359 22.8436 8.8423" width="22.8436pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
的所有算法的时间复杂度的分析,执行死刑的数量基本操作的算法的时间复杂度的算法。的算法<一个href="//www.newsama.com/journals/complexity/2020/6467891/alg6/" target="_blank">6一个>,它的大小<我>N我>;然后循环的数量确定。的时间复杂度<我>T我>(<我>n我>)=<我>O我>(<我>f我>(<我>n我>),增长最快的一项或一项因素)。可以确定算法的时间复杂度<我>O我>(<我>N我>)。
5。实验
在本节中,变量下的仿真实验进行稀疏信号和通信半径等参数变量。节点的随机选择方法在静态环境和有效的数据收集算法实现。最后,两种算法的性能进行比较和分析。在实验中,随机选择路径通过合成数据和传感器节点的数据IntelLab实验室。
5.1。实验环境
本章的实验环境如下。<年代p一个ncl一个年代年代="list">(1)年代p一个n>涉及操作系统:64位操作系统年代p一个n>(2)年代p一个n>记忆:8 GB RAM年代p一个n>(3)年代p一个n>处理器:英特尔核心(TM) i5 (R)年代p一个n>(4)年代p一个n>算法语言:C + +年代p一个n>
本仿真实验中使用的数据是人工数据和IntelLab实验室数据:<年代p一个ncl一个年代年代="list">(1)年代p一个n>为了验证有效的数据收集算法的有效性,256个节点的位置数据信息合成和100×100建造在这个实验中传感器网络环境。由于传感器网络布局的随机性在实际的无线传感器网络环境下,256个节点的位置数据是随机生成的,然后程序删除重复的节点和节点生成新的位置。年代p一个n>(2)年代p一个n>在仿真实验中使用的数据的节点位置数据IntelLab实验室从2004年2月至4月。有54个传感器节点分布在35×45网络环境来验证有效的数据收集算法的有效性。年代p一个n>
表<一个href="//www.newsama.com/journals/complexity/2020/6467891/tab2/" target="_blank">2一个>列出了参数值变化范围和默认值的实验。在仿真实验中,主要的参数是信号稀疏<我>k我>传感器节点的数量<我>n我>和节点通信半径<我>r我>。长度变化的主要参数是可以达成的<我>米我>随机路径的多个参数的范围。在实验中,当一个参数变量的变化,其他两个引用变量设置为默认值。
|
|||||||||||||||||||||
当考虑节点的数量的影响<我>n我>两种算法的性能,本节仅比较了两种算法通过合成数据。
5.2。有效的数据收集方法在静态传感器网络的性能
图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig10/" target="_blank">10一个>显示的效果不同的信号稀疏随机漫步的总数路径节点。随着信号稀疏的变化,随机路径长度<我>t我>和随机路径的数量<我>米我>改变。根据不同的信号稀疏,每个测试用例统计总结15倍,平均节点计算长度。从图可以观察到,随着信号稀疏的增加,实际节点的总长度<我>米我>随机路径减少。可以看出,在相同的信号稀疏,有效的数据收集算法具有更好的性能比节点随机选择算法,及其性能优势更明显的信号稀疏时小。
(一)年代trong>
(b)年代trong>
(一)年代trong>
(b)年代trong>
图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig11/" target="_blank">11一个>显示两者之间的性能比较算法在网络中的不同节点。从图可以观察到,随着网络中节点的总数量,总数实际获得的随机路径节点随机选择算法和高效的数据收集算法显示了一个增加的趋势,因为,随着值的增加,随机行走路径和随机行走路径的长度增加。与相同的节点网络相比,高效的数据收集算法可以得到更多的随机路径节点比随机选择算法,而且,与节点的数量的增加,高效的数据收集算法的性能更加明显。
图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig12/" target="_blank">12一个>显示了一个比较两种算法的性能在不同的通信半径,剩下其他参数的默认值。因为节点的总数和稀疏的信号保持不变,随机行走路径的长度保持不变的理论。从图可以看出,传感器节点的通信半径的增加,随机路径上的节点总数显示了增加的趋势。通信半径达到一定值时,节点总数基本上是相同的。原因在于,随着节点的通信范围变得更大,你的邻居节点的数据集变得更大,和下一跳节点的数量,可以选择增加,随机漫步的建设路径可以完成。可以看出,在相同的通信半径下,有效的数据收集算法可以显示比节点随机选择算法更好的性能。
(一)年代trong>
(b)年代trong>
(一)年代trong>
(b)年代trong>
5.3。的性能高效的移动传感器网络的数据收集方法
如图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig13/" target="_blank">13一个>的影响,信号稀疏随机路径节点的总数在移动网络环境表明,通信半径等参数变量和保留默认值的节点总数。从图可以看出,随着信号稀疏<我>k我>度,节点随机选择算法的总数和有效的数据收集算法基于榆树位置预测是下降的。然后比较两种算法的性能在同样的信号稀疏。通过分析,我们可以看到,在相同的信号稀疏,有效的数据收集算法基于榆树位置预测可以得到比随机路径节点集合的算法。收集更多的数据,所以前者有更好的性能优势。与信号稀疏的增加,两种算法之间的差距逐渐缩小,因为,与信号稀疏的增加,所需的随机路径长度逐渐降低。当价值大,高效的数据收集算法的性能优势更明显。
(一)年代trong>
(b)年代trong>
(一)年代trong>
(b)年代trong>
如图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig14/" target="_blank">14一个>的影响,不同的节点总数的变化<我>n我>在网络的总人数<我>米我>随机路径节点是证明,其他参数保持默认值。从图可以看出,节点总数的变化<我>n我>的总数<我>米我>两种算法随机路径节点显示上升趋势,因为,与节点的数量的增加,所需的长度<我>t我>和随机路径的数量<我>米我>增加。可以看出,在相同节点数<我>n我>基于榆树的位置,有效的数据收集算法预测比节点随机路径集合算法更好的性能。另外,随着<我>n我>增加,该性能优势变得更加明显。
如图<一个href="//www.newsama.com/journals/complexity/2020/6467891/fig15/" target="_blank">15一个>、通信半径的变化的影响的随机路径节点总数。其他参数保持默认值。从图可以看出,节点的通信半径的增加,节点的总数,可以通过增加随机路径的两个算法。选择邻居节点的数量在数据收集中选择节点的增加,所以选择下一跳节点数量的增加,它提供了更多的可能性为当前节点选择下一跳节点。可以看出,在相同的通信半径范围,提出了有效的数据收集算法基于榆树比随机选择算法更好的性能在一定通信半径范围内。这表明基于榆树位置预测的有效的数据收集算法比随机选择算法有更好的性能。
(一)年代trong>
(b)年代trong>
(一)年代trong>
(b)年代trong>
6。结论
本文压缩感知在无线传感器网络的特性进行了分析,和随机漫步路径选择策略深入研究。本文提出了一种有效的数据收集算法在静态环境不确定环境的无线传感器网络和数据收集过程中出现的问题,一个复杂的布局。然后,它被扩展提出一种有效的基于榆树位置预测的数据收集算法在移动网络环境,使大量的仿真实验验证算法的正确性。最后,设计原型系统来验证算法的正确性和有效性。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究得到了国家自然科学基金(没有。61602323)、国家博士后基金(没有。2016 m591455),青年幼苗辽宁省(没有的基础。lnqn201913)和辽宁省自然科学基金(2019 ms264和20180550019号)。
引用
- j .活跃、b·穆克吉和d . Ghosal“无线传感器网络调查,”<我>计算机网络我>,52卷,不。12日,第2330 - 2292页,2008年。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1016/j.comnet.2008.04.002">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- j·罗、l .香和c·罗森博格”并压缩传感提高无线传感器网络的吞吐量,”<我>学报2010年IEEE国际会议交流我>,页1 - 6,开普敦,南非,2010年5月。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/icc.2010.5502565">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- 李,美国模式、m . Sathiamoorthy b . Krishnamachari和a·奥尔特加”Spatially-localized压缩传感和种传感器网络路由,”<我>GeoSensor网络我>卷。9日,11日至20日,2009页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1007/978-3-642-02903-5_2">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- m . w . Wang Garofalakis, k . Ramchandran“分布式refinable近似稀疏随机预测,”<我>学报第六届国际会议在传感器网络的信息处理我>ACM,页331 - 339年,剑桥,妈,美国,2007年4月。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/ipsn.2007.4379693">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- m . Rebai m . Le berre h . Snoussi f . Hnaien和l . Khoukhi”传感器部署优化方法来实现在无线传感器网络覆盖和连通性,”<我>电脑与行动研究我>卷,59号3、乳,2015页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1016/j.cor.2014.11.002">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- d .胺、b . Nassreddine和k . Bouabdellah“节能和安全的加权聚类算法对移动无线传感器网络,”<我>Procedia计算机科学我>34卷,第70 - 63页,2014年。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1016/j.procs.2014.07.040">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- o·迪亚洛,j·j·p·c·罗德里格斯m .先尼和j . Lloret“无线传感器网络分布式数据库管理技术,”<我>IEEE并行和分布式系统我>,26卷,不。2、604 - 620年,2015页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/tpds.2013.207">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- m z . a .下榻的饭店,g . Wang和a . v . Vasilakos”当地prediction-based移动无线传感器网络的目标跟踪,”<我>IEEE计算机我>,卷64,不。7,1968 - 1982年,2015页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/tc.2014.2346209">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- y . g .艾耶s Gandham,文卡特斯,“STCP:通用的无线传感器网络的传输层协议,”<我>计算机通信和网络的国际会议,2005。ICCCN 2005我>圣地亚哥,页449 - 454,美国2015年10月。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/icccn.2005.1523908">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- k . Ren w·卢,y,“led:提供位置感知的无线传感器网络的端到端数据安全,”<我>IEEE移动计算我>,7卷,不。5,585 - 598年,2008页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/tmc.2007.70753">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- 林,苗族,j . Zhang et al。”ATPC。”<我>Acm传感器网络交易我>,12卷,不。1日至31日,2016页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1145/2746342">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- 马x x和l .彭”改进DV-Hop定位算法对无线传感器网络来说,“<我>计算机工程与应用我>,51卷,不。21日,第101 - 97页,2015年。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=Improved%20DV-Hop%20positioning%20algorithm%20for%20wireless%20sensor%20networks&author=X. X. Ma &author=L. Peng&publication_year=2015" target="_blank">谷歌学术搜索一个>
- h, h . Chen x y . Zhang et al .,“位置隐私保护技术在无线传感器网络中,”<我>软件学报我>,26卷,不。3、617 - 639年,2015页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=Location%20privacy%20protection%20technology%20in%20wireless%20sensor%20networks&author=H. Peng&author=H. Chen&author=X. Y. Zhang et al.&publication_year=2015" target="_blank">谷歌学术搜索一个>
- x z田和s .杨”的生存时间优化策略瓶颈领域基于无线传感器网络的网络编码,“<我>中国电脑杂志我>,39卷,不。5,1039 - 1050年,2016页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=Optimization%20strategy%20for%20the%20survival%20time%20of%20bottleneck%20areas%20in%20wireless%20sensor%20networks%20based%20on%20network%20coding&author=X. Z. Tian &author=S. Yang&publication_year=2016" target="_blank">谷歌学术搜索一个>
- y .问:周和d . z谭”,无线传感器网络的应用和研究现状。”<我>传感器的世界我>5卷,35 - 40,2009页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=Application%20and%20research%20status%20of%20wireless%20sensor%20networks&author=Y. Q. Zhou &author=D. Z. Tan&publication_year=2009" target="_blank">谷歌学术搜索一个>
- s . l .玛<我>数字频谱分析:应用程序我>新世纪,恩格尔伍德悬崖,新泽西,美国,1987年。<年代p一个ncl一个年代年代="reflinks">
- e . j .萤石、j·伯格和t .道,“强大的不确定性原则:准确的信号重建的高度不完整的频率信息,“<我>IEEE信息理论我>,52卷,不。2、489 - 509年,2006页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/tit.2005.862083">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- d . l . Donoho“压缩传感,”<我>IEEE信息理论我>,52卷,不。4、1289 - 1306年,2006页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/tit.2006.871582">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- y Tsaig和d . l . Donoho“压缩传感的扩展”,<我>信号处理我>,卷86,不。3、549 - 571年,2006页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1016/j.sigpro.2005.05.029">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- e . j .萤石压缩采样,<我>国际数学家大会的程序我>,3卷,欧洲数学学会,2006年瑞士苏黎世。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.4171/022-3/69">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- e . j .萤石和j·伯格定量健壮的不确定性原理和最优稀疏分解,”<我>计算数学基础我>》第六卷,没有。2、227 - 254年,2006页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1007/s10208-004-0162-x">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- e . j .萤石,j·k·伯格和t .道,“稳定复苏不完整和不准确的测量信号,”<我>通信在纯粹和应用数学我>卷,59号8,1207 - 1223年,2006页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1002/cpa.20124">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- r .问:Twiss,”尼奎斯特和戴维南定理为单向的线性广义网络,”<我>应用物理杂志我>,26卷,不。5,599 - 602年,1955页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1063/1.1722048">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- e . j .萤石和m . b . Wakin介绍压缩采样,”<我>IEEE信号处理杂志我>,25卷,不。2、21 - 30,2008页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/msp.2007.914731">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- 问:丽安,y . Wang和k·李,“核磁共振图像重建基于联合正则化和压缩传感、”<我>光学技术我>,36卷,不。3、350 - 355年,2010页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=MRI%20image%20reconstruction%20based%20on%20joint%20regularization%20and%20compressed%20sensing&author=Y. Wang&author=Q. S. Lian&author=&author=K. Li&publication_year=2010" target="_blank">谷歌学术搜索一个>
- l . Tang z, l .史H.-P。姚,j .张“WSN压缩感知算法,基于能量平衡”<我>电子与信息技术杂志》上我>,33卷,不。8,1919 - 1923年,2011页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.3724/sp.j.1146.2010.01388">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- c·h·赵和y l .徐“能源贫瘠的贝叶斯压缩传感检测算法,<我>杂志在通信我>,10卷,1 - 6,2012页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=Energy-constrained%20Bayesian%20compressed%20sensing%20detection%20algorithm&author=C. H. Zhao &author=Y. L. Xu&publication_year=2012" target="_blank">谷歌学术搜索一个>
- h .郑萧,x, x,和m . Guizani”能力和延迟分析数据采集与压缩感知在无线传感器网络中,“<我>IEEE无线通信我>,12卷,不。2、917 - 927年,2013页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/twc.2012.122212.121032">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- h .郑f·杨,x, x甘,x,和肖,”与压缩感知在无线传感器网络数据收集:基于随机游走的方法,”<我>IEEE并行和分布式系统我>,26卷,不。1,35-44,2015页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/tpds.2014.2308212">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- X.-Y。刘、朱y l .香港et al .,“压缩为无线传感器网络数据收集,”<我>IEEE并行和分布式系统我>,26卷,不。8,2188 - 2197年,2015页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/tpds.2014.2345257">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- y姚明,问:曹,a . v . Vasilakos”EDAL:节能、delay-aware lifetime-balancing异构无线传感器网络数据收集协议,”<我>IEEE / ACM交易网络(吨)我>,23卷,不。3、810 - 823年,2015页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/tnet.2014.2306592">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- m . Leinonen m . Codreanu和m . Juntti”顺序与进步的信号压缩传感重建在无线传感器网络中,“<我>IEEE无线通信我>,14卷,不。3、1622 - 1635年,2015页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/twc.2014.2371017">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- 徐,r . c . de Lamare和h诉穷,“分布式基于压缩传感压缩估计,”<我>IEEE信号处理信件我>,22卷,不。9日,第1315 - 1311页,2015年。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/lsp.2015.2400372">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- 廖j .杨x, x元et al .,“压缩传感通过学习从测量高斯混合模型,”<我>IEEE图像处理的IEEE出版社会信号处理我>,24卷,不。1,p。106年,2015。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=Compressive%20sensing%20by%20learning%20a%20Gaussian%20mixture%20model%20from%20measurements&author=J. Yang&author=X. Liao&author=X. Yuan et al.&publication_year=2015" target="_blank">谷歌学术搜索一个>
- 李z z . Liu, m . et al .,“路径使用压缩传感重建动态的无线传感器网络,”<我>IEEE / ACM交易网络我>,24卷,不。4、1948 - 1960年,2016页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/tnet.2015.2435805">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
- n Eslahi和a . Aghagolzadeh压缩传感图像恢复使用自适应曲波阈值和非局部稀疏正则化,“<我>IEEE图像处理我>,25卷,不。7,3126 - 3140年,2016页。<年代p一个ncl一个年代年代="reflinks">视图:<一个href="https://doi.org/10.1109/tip.2016.2562563">出版商的网站一个>|年代p一个n>谷歌学术搜索一个>
版权
版权©2020柯桥柯岩曹等。这是一个开放的分布式下文章<一个rel="license" href="http://creativecommons.org/licenses/by/4.0/">知识共享归属许可一个>,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。