文摘

在大多数无线传感器网络(WSN)应用中,传感器节点(SNs)电池供电的,网络中节点的能量消耗的决定了网络的寿命。未来的物联网(物联网)应用程序,降低能耗的SNs已经成为强制性的。在本文中,一种超低功耗nRF24L01无线传感器网络协议是一辆自行车。移动节点的功耗周期轨道上修改通过结合可调数据速率,睡眠/唤醒,传输功率控制(TPC)基于两个算法。第一个算法是TPC-based距离估计,采用一种新颖的混合粒子群optimization-artificial神经网络(PSO-ANN)使用接收信号强度指示(RSSI),而第二个算法是一种新颖的TPC-based加速度计使用自行车在周期轨道的倾角。基于第二种算法,移动和主节点的功耗相比第一季度可以提高算法和不断的发射功率水平。此外,一个分析模型推导出关联移动节点的能耗和数据速率。结果表明,基于两种算法优于传统的电能节约操作(即。,没有功率降低算法)78%。

1。介绍

无线传感器网络(网络)组成的几个无线节点部署在一个广大的地区有能力意义不同的事件或参数根据应用程序的类型。使用传感器节点感知参数确定(SNs)和传播直接或通过路由器节点到协调器节点。进步党,称为微粒在传感器网络应用中,通常以低功耗、小型化的大小,和低成本1]。在网络,社交网络是随机部署到收集数据从一个感兴趣的区域2,3]。这些节点的射频单元的节点之间建立通信网络和通信网络与外部世界。无线电频率和处理单元消耗最多的能源(4]。因此,减少电力消耗在这些节点通信部队被认为是一个重大的挑战在轮5]。在某些情况下,一个字节的传输消耗更多的能量比执行一千条指令所需的功率(6,7]。

SNs限制资源,即能量,内存大小,通信范围和计算能力。SNs需要能源供应电池作为一种替代能源。然而,电池是有限的。因此,降低功耗并延长电池寿命是强制性的,因为SNs使用电池作为主要能源来源。SNs成为低效和失去传感和通信能力当他们的电池能量耗尽。因此,一些策略和技术已经被用于节约能源网络。几项研究已经提出了解决能源消耗和网络SNs的电池寿命问题。这些策略,如减少数据通信中,睡眠/唤醒(S / W)调度8- - - - - -10),数据聚合(11),选择的水槽节点的最优位置12),分销网络中的传感器之间的工作负载(13),数据驱动技术,减少样本数据,迁移率(14,数据压缩15[],拓扑控制16),和传输功率控制(TPC),采用不同的方法。

网络体育应用程序很重要。特别是网络用于跟踪自行车运动监测运动员的表现。然而,自行车网络不同于其他类型的网络。例如,(我)无线电连接对自行车的位置在跑道上高度敏感,因为骑自行车和教练之间的距离的差异。因此,tpc必须根据自行车位置调整传输功率在跑道上。(2)能源资源是有限的(即。,they must be small to reduce the size and weight of the bicycle). Hence, the nRF24L01 can be used because it has a small size, namely, a size of 29 × 15 mm²和是轻量级的,2.0克(17]。蚂蚁无线协议是用于监控的生物力学和生理参数的自行车和自行车,分别。(3)所有SNs移动自行车和battery-constrained设备。更换或充电电池当自行车赛道上是不可能的;因此,能源管理是至关重要的。(iv)内存大小是有限的传感器节点的最小大小。在这种情况下,通过主节点负载部门技术可以用来避免在SNs密集的计算。最后,(v)收集能源作为替代电源不能由于增加了额外的重量或使用气动或滚动阻力,从而减少自行车的速度和诱发疲劳在自行车运动员。这两个方面是至关重要的在竞争激烈的事件。

几个因素,如发射功率(我),(2)职责循环(传感器节点之间的交替活动和睡眠时间在他们的寿命来节约能源。它可以通过睡眠/唤醒策略)(18),(iii)的数据率,(iv)调制技术,(v)自适应抽样,(vi)的数据聚合,(七)数据压缩,(八)网络拓扑,和(ix)合作沟通,直接影响了网络的能耗。在我们的建议应用程序中,自行车运动的轨道周期和携带几个SNs。SN的电池不能更换或起诉。因此,这些移动节点的功耗可以减少相结合(即前三个技术。发射功率,骑自行车,和数据速率),这并没有被认为是在先前的研究。移动节点安装在一辆自行车搬到预定义的位置(不是随机的)周期轨道。因此,自行车移动节点之间的估计距离和教练(主节点位于中心的跟踪字段)可以获得基于提出的混合粒子群optimization-artificial神经网络(PSO-ANN)算法。ANN算法使用接收信号强度指示(RSSI)值(由移动节点接收)培训和测试过程。RSSI值可以获得从实际测量或生成路径损耗模型。在我们的应用程序中,这些值生成一个日志normal-shadowing模型(LNSM)。

移动节点的功耗降低了采用两种算法。第一个算法是TPC-based距离估计,这主要取决于距离估计和基于PSO-ANN算法提供了一个精确的距离。移动节点发射功率和数据速率可以调整根据主节点和移动节点之间的距离时,自行车在轨道上移动。第二个算法,它使用TPC-based加速度计,代表了一种新颖的自适应传输功率的方法和数据率为移动节点。发射功率和数据率可以控制基于ADXL 335加速计传感器、传输功率和数据速率可以确定基于倾角(加速度计的输出)的自行车,因为它在轨道上移动。上述两种算法,在三个功率降低技术可以被认为是。这些技术(i) TPC技术,(2)S / W策略,(3)调整数据速率的蚂蚁。此外,TPC技术可以结合的S / W策略(TPC / W),进一步降低能耗。本文的贡献如下:(我)主节点和移动节点的功耗建模对蚂蚁数据速率。(2)这部小说PSO-ANN算法可以准确地估计移动节点和主节点之间的距离。(3)移动节点的电能节约户外和室内室内赛车场以外都是改进的基于提出TPC-based距离估计算法相对于不断的发射功率。(iv)最后,一个新颖的方法,即使用TPC-based加速度计的一个算法,可以显著降低功耗的移动节点和所有的蚂蚁了WSN的模块。

2。相关研究

在众多解决方案降低了网络能耗是TPC技术。TPC已经强调了在先前的研究。一项研究[19]调查TPC使用分离功率的影响网络寿命和带宽需求。作者开发了数学规划模型来确定传输功率的影响,比较不同的离散传动功率策略的表现。网络寿命延长20%相比,使用一个单一的传播力量。在他们的研究(20.),作者提出了一种功率控制技术的介质访问控制(MAC)层ZigBee无线协议。最佳的发射功率是根据节点之间的距离来计算的。Bhuvaneswari et al。2)提出了一个锚节点发射功率控制下SN本地化。定位是基于RSSI的ZigBee无线协议。

Ramakrishnan和克里希纳(21)检查SNs基于模糊逻辑的自适应传输功率控制方法)开环和闭环方法配置。节能40.62%和38.6%是通过实现开环和闭环FLC-based TPC,分别相对于一个固定的发射功率(即。,没有TPC技术)。的研究(22提出了一个高效的TPC。使用测量温度的控制分组开销减少控制SNs的传播力量。作者提出了一种新的TPC技术,维护质量为温度变化的联系。相结合的S / W工作周期和介绍了TPC [23,24]。在一项研究24),能量采集状态和剩余能量水平是用来控制SNs的传播力量。因此,延长整个传感器网络的寿命,能源使用是平衡的。相比之下,(23)计算RSSI最后装置来控制其发射功率,当通信链路断了。节能26%,相对于一个固定的发射功率政策获得通过采用S / W和TPC技术。金等。25)利用RSSI和链接质量指标(LQI)的无线个域网的身体区域网络控制SNs的发射功率水平。拟议的技术,即RSSI / LQI-based TPC,有效区分信号衰减和干扰。当干扰是不可用链接时,该方法控制了基于RSSI SN传输功率。否则,该方法改变目前的通道,以避免干扰。该方法显示,高达51.63%的能源效率改进的干扰。

在[26],RSSI和包接收率(PRR)通信链路估计是用来实现自适应多通道传输功率控制(AMC-TPC)。拟议的技术应用于工业应用降低功耗的无线个域网网络,适应不断变化的环境的情况下,调整传输功率来克服信道衰落。该技术可以减少SN能源需求超过了50%。最后,在[27),介绍了两种TPC技术提高能源消费移动节点在不同距离的室外和室内环境。两种技术被应用在实践中使用ZigBee无线协议显示了WSN的效率。节省57%的权力得到相对于一个固定的发射功率。以上六方面的最先进的方法可以比较可以节省电能,总结如表1。所有这些研究利用TPC技术作为功率降低技术减少了网络中的传感器节点能耗。

与现有研究TPC单独使用或结合TPC和SNs的另一个技术降低功耗,本文提出三个功耗减少移动节点的功耗的技术。我们所知,这三种技术的结合并没有采用先前的研究。本文提出一种TPC-based距离估计算法,可以结合三种技术(我)TPC技术,(2)S / W策略,(iii)的数据率。最先进的基于RSSI TPC技术。当RSSI值超过目标阈值水平,通信链路质量是好的。在这种情况下,目标降低它的发射功率。相比之下,如果RSSI值低于目标阈值水平,目标增加其发射功率,因为通信链路质量很差。否则,目标保持其传输功率。然而,根据RSSI值,距离估计仍然贫困的室内环境,信道干扰的存在(25,28]。在这个研究中,为了克服这个问题,三个锚节点被部署在轨道自行车领域,和这些锚节点的RSSI值被用来训练和测试安准确确定之间的距离自行车运动的周期轨道和教练。现有的TPC技术的主要问题是更多的控制数据包的传输。因此,在本文中,一种新颖的算法(即。,a TPC-based accelerometer) is adopted to reduce data communication by dispensing the beacon signals, thereby minimizing the data overhead. Consequently, the mobile and master node power consumption can be significantly reduced. Moreover, both TPC-based distance and TPC-based accelerometer algorithms are adopted for outdoor and indoor velodromes.

3所示。系统模型

该传感器网络拓扑如图1。这个拓扑由静态和传感器节点组成。静态节点包括三个锚节点,即AN1 AN2, AN3。AN1,位于中心的轨道自行车领域,处理自行车和自行车参数的接收和发送信标信号的距离估计的SN自行车在跑道上。AN1所接收到的数据显示在教练的笔记本电脑允许教练监控骑自行车的性能。AN1与教练的笔记本电脑,因此不需要电池。锚节点AN2 AN3 AN1 27米的距离,和他们的能量是来自个人的电力供应。这意味着AN2和AN3可以从主交流源动力。AN2和AN3 AN1并不相连,但它们独立操作。AN2的功能和AN3信标信号发送到移动节点(自行车)距离估计的目的。

SN包括三个传感器:心率传感器用于测量自行车运动员的心率在骑自行车,自行车手的温度测量温度传感器在骑自行车,一个加速计传感器,用于测量倾角的自行车在跑道上。角的测量可以用来通知教练的倾角骑自行车在跑道上。这种方法会让教练知道部分站点的自行车骑自行车赛道上自行车领域。此外,角度测量提供了一个显著的优势控制的传输功率和数据率SN TPC-based时加速度计算法被认为是。SN的整个数据包结构基于nRF24L01无线协议如图2。图2(一)一般数据包nRF24L01无线协议的框架,而图2(b)是这项研究的详细版本。蚂蚁SN的数据包结构包含9个字节:识别节点地址ID(每个传感器三个字节一个字节),遥感数据(五个字节:心率两个字节,一个字节为温度、倾角和两个字节),和电池状态(一个字节)。

SN传送的数据包AN1结合传感器到一个数据包的数据帧。此外,SN接收信标帧组成的一个数据字节从AN1距离估计的目的。AN1叫做主节点,SN被称为移动节点因为SN的主节点收到的所有信息,而SN和运动自行车上安装在跑道上。

4所示。方法

4.1。无线信道模型

大多数无线信道模型推导基于实用的组合和分析方法。实用的方法是基于曲线拟合,而取决于测量数据的分析方法。这种方法的优点是能够考虑隐性传播因素的渠道实际实地测量(29日]。大多数无线模块支持RSSI,允许每个收到数据包的接收功率来计算。信号的能量或功率两个节点(即之间的旅行。,移动bicycle node and master node in our application) is a signal parameter that includes information reflecting the distance between those nodes. This parameter can be used along with LNSM and path loss for distance estimation [30.]。因此,给出LNSM [31日,32] 在哪里参考路径损耗在距离米在跑道上骑自行车是一个参考的路径损耗距离。的路径损耗可以通过实地测量或计算使用Friis方程,在哪里是一个路径损耗指数表明的速率RSSI和距离和减少吗主节点和移动节点之间的距离在米。的距离随自行车的位置跟踪,和是一个零均值高斯随机变量与一个标准偏差(分贝)(分贝)。

在移动节点RSSI可以从以下计算: 在哪里主节点发射机功率dBm。

然后,移动节点RSSI的可以从以下估计(33,34]:

在这部作品中,参数的值(3)被设置为dBm,从ANT Friis方程获得模块操作在2.4 GHz的ISM波段;米(19),是采用赛车场距离从32 m - 65 m;(32,35为户外赛车场);(36- - - - - -38为室内赛车场);和dB (19,39室外和室内环境。

方程(3)是用于生成RSSI值(1125个样本),可用于培训和测试安距离估计算法。因此,混合PSO-ANN距离估计算法,详细描述部分4.4。

4.2。蚂蚁当前消费和传输时间建模

平均电流消耗蚂蚁模块的移动节点可以计算使用 在哪里和蚂蚁有功电流和活跃的传输时间,分别;和分别蚂蚁睡眠电流和睡眠时间;和是一个周期的时间(即。,one second in this application).

;因此,(4可以重新安排 (在哪里)的工作周期是ANT协议。

活跃的传输时间(5)中扮演一个重要的角色在移动节点的功耗。可以减少功耗的主动传播,因为主动传输时间短的数据速率主要取决于ANT。因此,推导数学当前消费和数据速率之间的关系对于这个应用程序是至关重要的。活跃的传输时间增强ShockBurst ANT传输方式可以表示如下(40]: 在哪里蚂蚁数据速率,调整仅限于250 kbps, 1 Mbps,和2 Mbps的制造商,然后呢数据包的有效载荷。最大载荷是32个字节(41),包长度,如图所示2(a)。在这个工作中,心率的有效数据,温度,和倾角传播从移动节点到主节点由9个字节组成,如图2(b)。蚂蚁的有效载荷是可配置的(学会字节),如上面所提到的优点的蚂蚁。因此,只有9个字节是32个字节的有效载荷。在这种情况下,载荷的大小将只有9个字节。因此,蚂蚁的节能无线协议将改善。因此,有效负载(9×8位/字节= 72位);的数据速率,即10 Mbps,蚂蚁之间的SPI接口模块和单片机;是蚂蚁包长度,即19字节一些控制字段= 145位);中断时间,即6和8.2μ年代2 Mbps和1 Mbps的数据速率,分别;和是过渡时间从睡梦中活跃的模式。过渡时间从睡眠待机模式(150μ使用外部时钟),从备用活动模式(130年μ,如nRF24L01数据表(42]。因此,总时间从睡眠模式过渡到主动模式,反之亦然是280μ年代。

方程(7)可以通过替换前面的值(6): 根据(7),活动时间()是1.735毫秒,865.4μ年代,和720.4μ年代为250 kbps, 1 Mbps,分别和2 Mbps。图3(一个)说明了工作周期为250 kbps为移动节点在传输数据速率(Tx)模式和主节点接收器(Rx)模式。

因此,(7)替换成(5)。平均电流消耗(蚂蚁的移动节点Tx模式和主节点的处方模式可以表示为并根据以下计算: 方程(8)表明,移动节点的当前消费主要取决于蚂蚁数据率和总时间,在那里在这个工作(即是常数。采用1秒)。移动节点的当前消费降低数据率增加,反之亦然。的信标信号,Tx模式中的主节点和移动节点的处方模式,传输有效数据的一个字节是足以决定由移动节点RSSI信号。在这种情况下,活动时间和蚂蚁的平均电流消耗Tx模式中的主节点和移动节点的处方模式可以表示为和计算以下方程: 因此,活动时间()是937、451和370μ年代为250 kbps, 1 Mbps,分别和2 Mbps。图3 (b)说明了工作周期为250 kbps的主节点数据速率Tx模式和移动节点的处方模式。

4.3。蚂蚁当前消费测量

蚂蚁的活动和睡眠电流消耗模块可以使用数字万用表测量(侥幸15 b数字万用表电流测量精度为±1.5%),图所示4(一)。当前的消费是在传输过程中测量当蚂蚁移动节点与ANT主节点通信。为此,数字万用表连接在系列的补给线ANT模块和一个3.7 V / 1200 mAh脂肪可充电电池。万用表测量活动和睡眠电流消耗的ANT模块的毫安级和微安,分别。活动、睡眠和蚂蚁的平均电流消耗模块在Tx和Rx模式得到了在不同射频传输能力()和数据率,如表所示2和3。活动和睡眠电流消耗从实验测量得到,如图4 (b)。相比之下,平均电流消耗的蚂蚁Tx和Rx模式是基于计算(8)和(10)。表中的值2可以被认为是为移动节点和主节点Tx和Rx模式,分别,而主节点和移动节点的值在Tx和Rx模式可以在桌子上吗3,分别。

4.4。采用距离估计技术

人工神经网络(ann)可以表示复杂的输出和输入变量之间的相关性,和相应的关系可以直接从数据形成的。可以处理非线性数据来估计位置或距离的SNs网络。提出了人工神经网络在一些研究定位传感器网络的节点(43,44]。在当前的论文,一个前馈神经网络训练Levenberg-Marquardt (LM)算法被认为是估计移动节点和主节点之间的距离。LM算法训练被认为是在这个工作,因为它提供了一个最小距离误差,证明在[43),因为它的速度和效率。在三个锚节点RSSI值(AN1、AN2 AN3),接收到移动节点,安被用作输入矩阵,而安是实际的输出值之间的距离移动节点和主节点。与输入和输出集,安被训练和测试数据。粒子群优化(PSO)的性能改善的安在选择最优值的节点数量在每一个隐藏层和采用学习速率的安,如算法1(参见算法1在网上补充材料http://dx.doi.org/10.1155/2016/7314207)。提出的混合PSO-ANN算法减少了距离估计误差。在这篇文章中,自行车上的移动节点之间的距离跟踪和主节点在室外和室内室内赛车场以外估计。375的样本在每个锚节点RSSI值生成基于LNSM。总共1125个样本收集的三个锚节点的移动节点之间的距离来估计移动节点和主节点。

4.5。最优估计射频发射功率和数据率

室内赛车场以外都可以分为对称的四个季度;每个季度可以分为三个部分根据距离和倾角的自行车在跑道上。移动节点和主节点之间的距离可以分为三个部分,即,(i)部分1 (32-46 m),(2)部分2(46 - 54岁米),(3)部分3(54 - 65米),如图5。室内赛车场以外的部门是基于传动功率的度量值,数据速率,和移动节点的当前消费;这些值映射表(见表所示4)。这些值被选中获得最低能耗,确保移动节点和主节点之间的数据通信。通过MATLAB仿真,图6获得并显示在主节点接收功率的移动节点在每个部分。接收功率是由大于主节点接收灵敏度在每个部分,确保通信链路,如图6。户外室内赛车场以外的部分1、2和3,主节点的接收功率大于其灵敏度阈值(即。94年85年82年−−−dBm)。因此,移动节点的数据速率可以配置为2 Mbps降低功耗。相比之下,对于室内室内赛车场以外,主节点的接收功率灵敏度阈值(即低于主节点。,82年和85−−dBm)和大于94−dBm部分1、2和3。因此,移动节点的数据速率可以配置为250 kbps,确保与主节点数据通信。

类似地,自行车移动时的倾斜角度在跑道上可以分为三个部分,即,(i)部分1(0°5°),(2)部分2(5°-12°),和(3)部分3 (12°-45°)。这个部门是根据室内赛车场以外的本质:它是平的部分1,略有倾斜的部分2,它有一个高倾角部分3所示。因此,发射功率之间的关系,数据速率,可以建立和电流消耗,见一个映射表(见表5)。

AN2和AN3固定在北部和南部的轨道,分别以确保通信链路与移动节点的周期轨道。最远的距离移动节点成为65米。相比之下,AN2和AN3不能位于东部或西部由于移动节点的跟踪会在最远的距离(即。,130)。因此,通信链路将丢失。

4.6。TPC-Based距离估计算法

传输功率控制(TPC)是一个重要的问题在设计的节能方案。TPC被用于各种网络应用程序(18,19,23,26]。在网络,TPC可以用于移动SN节约能源和保持网络连接。在我们的应用程序中,发射功率,工作周期,和移动节点的数据速率,在轨道上移动的一个常规路径,研究了函数的估计移动节点和主节点之间的距离。准确的距离是决定混合PSO-ANN算法的基础上,提出了在部分4.4。

蚂蚁的TPC和数据率调整改善物理层的功耗。进一步降低功耗,睡眠/唤醒策略应用于媒体访问控制(MAC)层的射频模块安排睡眠。可以结合TPC睡眠/唤醒算法(TPC / W)和数据速率调整显著提高蚂蚁的电能节约。一旦移动节点方法主节点,移动节点在传输功率和数据率低。相比之下,移动节点在传输功率和数据率高时远离主节点位置保持通信连接。算法2(补充材料中给出)显示的调整条件TPC技术户外赛车场。室内赛车场,(即相同的算法。、算法)可以应用,但改变发射功率的值,数据速率,和当前的消费,如表中所示4。TPC技术有一个额外的优势降低干扰的风险沟通渠道;即干扰减少时,传动功率下降(45]。

4.7。TPC-Based加速度计的算法

传动功率和数据速率的蚂蚁移动节点可以调整基于一种新颖的算法,采用感应倾斜角度的自行车沿轨道移动时。为此,微机电系统ADXL 335加速度计被认为是。ADXL335是一个低功耗、三轴(,,)基于电容式加速度计转导的原则。它可以测量加速度范围全面的±3 g (46]。它有一个300 mV / g的敏感性,抵消波动小于±1毫克/°C,和高噪声性能,从而允许一个高质量的输出信号(47]。ADXL335是1600赫兹的带宽- - -相互重合和550赫兹设在(48]。加速度计是紧凑和轻49]。输出电压以及每个轴沿特定轴加速度成正比。ADXL335是1.8 - -3.6 V的电源电压。在这个应用程序中,加速度计可以提供+ 3.3 V的电源电压提供Atmega328p单片机的移动节点。使用这种电源电压,ADXL335消耗270μ在传感事件(通过测量侥幸15 b数字万用表)。

在这个应用程序中,一个三轴加速度计ADXL335将连接到车架测量倾斜角度的自行车沿着轨道移动。三个赛车场采用部分可以用于同样目的的TPC。然而,这里的部分划分根据测量的角度,而不是距离;这些章节中讨论部分4.5。TPC-based加速度计的算法,给出了参数的值,它在桌子上5,可以设置为使电能节约在移动节点。发射功率和数据率的值配置基于相同的三个部分的TPC-based距离估计算法。因此,算法3(补充材料中给出)可以应用于户外赛车场或环境。相同的算法可用于室内赛车场或环境,但不同的发射功率值,数据速率,和当前的消费,如表所示5。然而,TPC-based加速度计算法的主要优势之一是其能力来减少功耗的移动节点和主节点,从而减少总能耗的传感器网络。

TPC-based加速度计的其他优点算法在TPC-based距离估计算法如下。(我)TPC-based加速度计算法修改ANT的发射功率和数据率(修复)的移动节点当自行车运动员在跑道上。因此,从主节点频繁的信标信号的传输到移动节点不是必需的。因此,主节点和移动节点将获得减少能源消耗。相比之下,在TPC-based距离估计算法,主节点发送信标信号的最大功率(即。,0 dBm and a high data rate of 250 kbps) to ensure the communication connectivity between the two nodes, causing high dissipated power in the master and mobile nodes. (ii) The master node can enter sleep mode by scheduling sleep after the transmitted data of the mobile node are received to reduce its power consumption, thereby further reducing the total power consumption of the WSN. (iii) A smaller memory size is required in the mobile node relative to the memory requirement of the TPC-based distance estimation algorithm, where the ANN requires a considerable amount of working memory [50]。较小的内存需求TPC-based加速度计的算法也降低了移动节点的大小和复杂性。(iv) TPC-based加速度计算法降低处理器的计算能力的移动节点。相比之下,在安TPC-based距离估计算法,执行密集的计算产生的距离估计。因此,时间和功率要求减少TPC-based加速度计的算法。(v) TPC-based加速度计的算法比TPC-based距离估计算法更准确。距离估计的TPC-based距离估计算法是基于RSSI值。然而,RSSI路径损耗和受到信道环境中,随着时间的推移而变化;因此,距离测量精度会受影响的传播渠道。TPC-based加速度计的算法,但是,测量精度是基于加速度计传感器安装在自行车上。 (vi) Finally, the TPC-based accelerometer algorithm employs simplex communication, in which the mobile node functions as the transmitter and the master node functions as the receiver. By contrast, in TPC-based distance estimation algorithm, each of the mobile and master nodes functions as both transmitter and receiver, resulting in an increase in the overhead and consequently in the power that can be dissipated by both nodes.

5。仿真结果

5.1。混合PSO-ANN距离估计算法

的RSSI值三个锚节点,即AN1, AN2, AN3,室外和室内室内赛车场以外由移动节点接收,沿着轨道移动。375年季度样本收集的RSSI值为每个锚节点;总共1125个样本收集的三个锚节点的移动节点,如图7。这些RSSI值作为输入到安。PSO算法被用来确定最佳学习速率和最佳隐层神经元数量的每个采用改进的距离估计精度。PSO算法执行20群和500次迭代。因此,将获得适应度函数,如图8。图显示的粒子群优化算法的适应度函数281次迭代后大约0.031米。基于混合PSO-ANN算法的结果,列出了安参数表6。ANN算法的训练过程是重复多次使用1000次迭代,或时代,直到实际和估计距离之间的误差最小化。

安的性能计算的基础上,平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)。评估混合PSO-ANN算法的性能,梅,MSE,和RMSE策划户外和室内环境,如图9。获得的美、MSE和RMSE是0.0122,0.0012,和0.0348,分别对户外环境和0.0913,0.0411,和0.2028,分别基于混合PSO-ANN算法的室内环境。图10显示了该混合PSO-ANN算法的比较与其他人工智能算法用于户外和室内无线SN定位在其他的研究中。研究结果表明,使用混合PSO-ANN算法的位置估计的算法优于先前的研究[33,51- - - - - -65年的美。

5.2。TPC-Based距离估计算法

TPC-based距离估计算法(算法)部分中描述的结果5.2。1来5.2。3。本节包括三个主题:TPC技术,睡眠/唤醒策略,TPC和睡眠/唤醒策略的组合称为TPC / W的技术。这些部分的结果获得了使用MATLAB仿真软件和电能节约方面的调查和讨论的每个部分周期轨道在户外和室内室内赛车场以外。

5.2.1。TPC技术

当TPC技术只应用于ANT无线协议,传输功率和数据速率选择根据三个部分,映射表4。因此,当前的消费在每个部分将被确定。因此,数字(11日)和11 (b)分别获得了室外和室内室内赛车场以外。这两个数据显示,每个部分的电能节约室内赛车场以外相对于固定发射功率(即,= 0 dBm,数据率= 250 kbps,平均移动节点的当前消费Tx和Rx模式是10.34 mA)。

在户外赛车场,一旦移动节点和主节点之间的距离在于部分1,蚂蚁传递数据−6 dBm和高数据率的2 Mbps减少功耗。当主节点和移动节点之间的距离在于部分2和3,蚂蚁发送数据的高功率0 2 Mbps的dBm和高数据率,确保数据包交付。因此,可以节省更多的权力1比部分如图2和图3(11日)。电能节约的部分1是18%,而电力储蓄部分2和3是16.44%。

在室内赛车场,当移动节点区域内运动1和2,发射功率是−6 dBm,最低250 kbps的数据速率。这两个值中选择部分1和2因为这样导致最低功耗值,正如前面所示的表4。相比之下,移动节点传输在0 dBm和数据率250 kbps的部分3,保证移动节点的数据包传输到主节点。因此,电能节约的部分1和2节大于5.36%3(没有电能节约),如图11 (b)。

5.2.2。睡眠/唤醒策略

睡眠/唤醒策略可以应用于蚂蚁无线协议。在这项工作,1秒()之间的时间间隔连续传输的感觉信息。可以减少移动节点的功耗Tx和Rx模式。移动节点是清醒的一小部分时间和睡觉在剩余的总时间。它只是醒来来传输数据,或者从主节点接收数据。的平均移动节点的当前消费户外和室内室内赛车场以外计算使用(8为Tx)模式和使用(10)的处方模式。活跃和Tx的平均移动节点的当前消费模式分别为8.03和4.7μ分别,而活跃的和平均电流消耗分别为12.65和12.7μ分别在处方模式。因此,移动节点的电能节省99.816% Tx模式和99.9%的处方模式。因此,移动节点的平均功率的储蓄可以提高到99.858%相对于固定Tx模式(即电流消耗。,8.03 mA)和Rx模式(即。,12。65 mA) for both outdoor and indoor velodromes, as shown in Figure12。

5.2.3。tpc / W技术

当tpc / W技术应用,电能节约之间的户外赛车场稍微改变部分的99.9306%1,部分为99.9316%2和3相对于经典的功耗,如图(13日)。相比之下,在室内赛车场,电能节约不同部分的99.8575%1和2和99.8582%的部分3,如图13 (b)。图14提出了一种比较的三个采用节能技术,即TPC技术,睡眠/唤醒策略,tpc / W技术。TPC技术被认为是,平均ANT电能节约提高16.96%(从电力储蓄获得[部分1 +部分2 +部分3)/ 3)室外赛车场和室内赛车场略微提高3.57%相对于经典的功耗。睡眠/唤醒策略和tpc / W技术大大改善移动节点的平均电能节约99%以上的户外和室内室内赛车场以外,如条形图如图所示14。

结果表明,在户外移动节点的电能节约赛车场是高于室内赛车场。这样的差别是由于更大的传播路径损耗在室内赛车场,从而要求室内赛车场的移动节点传输数据在更高的功率和低数据率,特别是在部分3的赛车场,保证移动节点的数据包传输到主节点。此外,当TPCW / S技术应用,电能节约略提高相对于那些睡眠/唤醒策略时,相对于经典的功耗显著改善。因此,只有TPC和tpc / W技术讨论的后续部分,当TPC-based加速度计算法被认为是。

5.3。TPC-Based加速度计的算法

加速度计ADXL335可以用来控制蚂蚁的发射功率和数据速率无线协议基于自行车倾角在跑道上。当自行车在轨道上移动,自行车的倾角变化根据赛车场的性质,如仿真结果如图所示15。TPC-based加速度计的算法(算法),蚂蚁无线协议功能只是作为发射器,因为发射功率和数据速率控制基于倾角和不需要信标信号。因此,产生的电能节约TPC-based加速度计算法由TPC-based预计将比距离估计算法。因此,移动节点的能耗调查在以下小节。

5.3.1。TPC技术

当TPC技术只应用于ANT无线协议,传输功率和数据速率选择基于三个赛车场部分,映射表5。因此,当前的每个部分的消费决定。因此,数字(16日)和16 (b)将获得的室外和室内室内赛车场以外,分别。这两个数据展示的电能节约室内赛车场以外的每个部分相对于固定发射功率(即,= 0 dBm,数据率= 250 kbps,和当前消费= 8.03 mA)。在户外赛车场,储蓄的58.4%部分1,部分为54.42%如图2和图3(16日)。相比之下,在室内赛车场,节省13.82%的部分1和2,但没有权力储蓄记录部分3,如图16 (b)。结果表明,电能节约显著提高相对于那些当TPC-based距离估计算法。

5.3.2。tpc / W技术

当tpc / W应用技术,生成的电能节约户外赛车场的99.96%部分1,部分为99.957%如图2和图3(17日)。相比之下,在室内赛车场,电能节约不同部分的99.84%1和2和99.816%的部分3,如图17 (b)。

结果表明,在户外移动节点的电能节约赛车场是高于室内赛车场。这种差异是由于较高的传播路径损耗在室内赛车场。此外,权力被移动节点从TPC-based加速度计的使用算法时高于TPC-based距离估计算法是用于所有采用节能技术。

5.4。对比TPC-Based距离估计和TPC-Based加速度计算法

蚂蚁移动节点的能耗评估的两个算法,TPC和TPC / W技术比较而言,可以节省电能,如图18。图显示了蚂蚁的电能节约移动节点在户外和室内室内赛车场以外。比较结果表明,户外赛车场的平均功率储蓄大于室内赛车场两种算法。平均功率储蓄在室外和室内室内赛车场以外TPC-based加速度计的算法比TPC-based距离估计算法。户外赛车场,TPC-based加速度计算法产生更高的平均功率节省55.74%(从电力储蓄获得[部分1 +部分2 +部分3)/ 3)当TPC技术应用。TPC-based距离估计算法相比,TPC-based加速度计算法生成略高平均功率节省99.95%(从电力储蓄获得[部分1 +部分2 +部分3)/ 3)当tpc / W技术采用。

蚂蚁的平均电能节约整个传感器网络也可以追究TPC-based加速度计和TPC-based距离估计算法。平均电流消耗以前,如表中所示2和3。TPC-based加速度计的算法,移动节点只传送数据收集的传感器(即。、Tx模式)和主节点只接收数据包(即。,仅Rx模式)。因此,蚂蚁移动和主节点的当前消费平均为14.733和22.751μ分别一个。因此,平均总从端到端(即蚂蚁当前消费。,从主节点的移动节点)是37.484μ一个。

TPC-based距离估计算法,移动和主节点工作在Tx和Rx模式。平均ANT中的移动节点的当前消费Tx和Rx模式是14.733和12.652μ分别,而主节点的Tx和Rx模式是8.323和22.751μ分别一个。因此,平均总蚂蚁移动和主节点的当前消费27.385和31.074μ分别一个。因此,从端到端平均总蚂蚁当前消费是58.458μ答:平均总蚂蚁从端到端电流消耗值将用于比较储蓄力量。TPC-based加速度计的电能节约算法相对于TPC-based距离估计算法可以估计使用以下方程:

应用(11),电能节约46%、26%、35%,蚂蚁移动节点,主节点,和整个蚂蚁在WSN,分别可以通过使用TPC-based加速度计算法相比TPC-based距离估计算法。这一结果表明,TPC-based加速度计算法优于TPC-based距离估计算法。TPC-based加速度计算法时,电能节约99.6%相对于固定发射功率(即,= 0 dBm和数据率= 250 kbps,移动的平均电流消耗和主节点(Tx + Rx) / 2 = (8.03 + 12.65) = 10.34 mA)。

评估的总功耗移动节点,所有的活性成分,如传感器和单片机,必须纳入计算以及ANT无线协议。所有组件在移动节点的电流消耗如表所示7(通过测量侥幸15 b数字万用表)。平均总移动节点的当前消费将被用于比较的电能节约移动节点与其他先前的方法基于TPC技术,即,19,21,23,25- - - - - -27,66年),如图19。结果显示,TPC-based加速度计算法和TPC-based距离估计算法优于先前的研究的TPC技术,电能节约78%,相对于不断的发射功率。

6。结论

在这个工作中,一个移动节点的功耗沿着自行车轨道减少通过使用两个提议算法:TPC-based加速度计和TPC-based距离估计。两种算法采用了三个功率降低技术,即一种TPC技术,睡眠/唤醒策略,和一个可调的数据率,减少蚂蚁移动节点的功耗。此外,TPC技术结合睡眠/唤醒策略(TPC / W)进一步减少移动节点的功耗。传输功率和数据率被安排在一个映射表来选择最优传输功率和数据率,确保最低能耗和通信连接在室外和室内的每个部分室内赛车场以外。结果不仅表明传输功率的控制可以减少电力消耗,对能耗数据率有重要影响。三种技术的结合显著降低能耗99%以上。TPC-based加速度计算法优于TPC-based距离估计算法35%为整个蚂蚁WSN的权力的储蓄。TPC-based加速度计和TPC-based距离估计算法优于先前的研究工作而言,可以节省电能,这些算法实现节电78%(即相对常规操作。,没有功率降低算法)。蚂蚁之间的关系数据率和平均移动和主节点的当前消费Tx和Rx模式。这些关系促进了平均电流消耗的计算。 Our future work will focus on implementing the TPC-based accelerometer algorithm on the testbed.

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项工作是在马来西亚教育部的支持下,在体育工程与引用没有格兰特。PKT1/2013,马来西亚Kebangsaan大学授予引用没有。inovasi - 2014 - 015。

补充材料