張聚偉,王 宇,楊 挺
(1.河南科技大學(xué)電氣工程學(xué)院,河南 洛陽 471003;2.西安交通大學(xué)系統(tǒng)工程研究所,西安 710049;3.河南科技大學(xué)電力電子裝置與系統(tǒng)河南省工程實(shí)驗(yàn)室,河南 洛陽 471023;4.天津大學(xué)電氣與自動化工程學(xué)院,天津 300072)
基于數(shù)據(jù)融合的有向傳感器網(wǎng)絡(luò)全覆蓋部署*
張聚偉1,2,3*,王 宇1,3,楊 挺4
(1.河南科技大學(xué)電氣工程學(xué)院,河南 洛陽 471003;2.西安交通大學(xué)系統(tǒng)工程研究所,西安 710049;3.河南科技大學(xué)電力電子裝置與系統(tǒng)河南省工程實(shí)驗(yàn)室,河南 洛陽 471023;4.天津大學(xué)電氣與自動化工程學(xué)院,天津 300072)
針對有向傳感器網(wǎng)絡(luò)全覆蓋問題,基于有向傳感器節(jié)點(diǎn)概率感知模型提出一種新的有向傳感器節(jié)點(diǎn)部署結(jié)構(gòu),通過理論推導(dǎo),證明了該結(jié)構(gòu)的最優(yōu)性,引入標(biāo)準(zhǔn)工作方向的概念,使用奈曼-皮爾森準(zhǔn)則數(shù)據(jù)融合方式,以最少的傳感器節(jié)點(diǎn)實(shí)現(xiàn)目標(biāo)區(qū)域全覆蓋。仿真結(jié)果表明,在隨機(jī)部署情況下,使用這種新型有向傳感器節(jié)點(diǎn)調(diào)度方式,可以有效提高網(wǎng)絡(luò)覆蓋率,減少網(wǎng)絡(luò)冗余度,減少網(wǎng)絡(luò)工作節(jié)點(diǎn)個數(shù),延長網(wǎng)絡(luò)生存期。
有向傳感器網(wǎng)絡(luò);覆蓋;數(shù)據(jù)融合;概率感知;奈曼-皮爾森
近年來,隨著嵌入式系統(tǒng)、微傳感技術(shù)以及無線通信技術(shù)的發(fā)展,無線傳感器網(wǎng)絡(luò)在民用與軍事領(lǐng)域得到了廣泛的應(yīng)用,覆蓋問題是保證無線傳感器網(wǎng)絡(luò)性能的基本問題,一直備受關(guān)注[1-3]。由于傳感器節(jié)點(diǎn)通常具有電源能量低、二次補(bǔ)充能量難、信息采集能耗大的缺點(diǎn),因此無線傳感器網(wǎng)絡(luò)存在嚴(yán)重的能量約束問題。目前多數(shù)覆蓋控制的研究成果都是基于滿足全向性感知模型的傳感器進(jìn)行的,但在實(shí)際應(yīng)用中,已有多種有向傳感器(如視頻傳感器、超聲傳感器和紅外傳感器)被廣泛采用,組成有向傳感器網(wǎng)絡(luò)DSNs(Directional Sensor Networks)[4],而傳統(tǒng)基于全向覆蓋模型的覆蓋控制算法無法直接應(yīng)用于有向傳感器網(wǎng)絡(luò)中,因此設(shè)計(jì)出合理的有向傳感器網(wǎng)絡(luò)控制算法以增強(qiáng)網(wǎng)絡(luò)覆蓋并有效利用網(wǎng)絡(luò)能量,從而實(shí)現(xiàn)網(wǎng)絡(luò)高效長期覆蓋是DSNs需要解決的關(guān)鍵問題。
Ma等[5]首次提出了有向傳感器網(wǎng)絡(luò)的概念,提出了有向傳感器節(jié)點(diǎn)感知模型,并且研究了有向傳感器網(wǎng)絡(luò)的部署策略問題。陶丹等[6]引入“質(zhì)心”概念,將有向傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)問題轉(zhuǎn)化為質(zhì)心均勻分布問題,并利用虛擬勢場調(diào)整有向傳感器節(jié)點(diǎn)方向提高網(wǎng)絡(luò)覆蓋率;目前許多學(xué)者[7-11]都是在此基礎(chǔ)上展開研究的,并取得了一定的進(jìn)展,然而這類算法容易陷入局部最小點(diǎn)。Chiu等[12]針對有向傳感器網(wǎng)絡(luò)覆蓋率增強(qiáng)問題,提出了一種基于虛擬勢場的可移動有向傳感器網(wǎng)絡(luò)覆蓋率增強(qiáng)算法,定義了4種虛擬力:質(zhì)心與輔助點(diǎn)之間的斥力、質(zhì)心與質(zhì)心之間的斥力、圖心與質(zhì)心之間的吸引力和節(jié)點(diǎn)與節(jié)點(diǎn)之間的斥力;利用這些相互作用力來調(diào)節(jié)節(jié)點(diǎn)位置從而提高網(wǎng)絡(luò)覆蓋率。
Jiang等[13]將遺傳算法應(yīng)用于有向傳感器網(wǎng)絡(luò)中,提出了一種基于遺傳算法的有向傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)算法,通過選擇、交叉、變異來調(diào)整傳感器節(jié)點(diǎn)主方向,計(jì)算每代的適應(yīng)度并尋找節(jié)點(diǎn)的最優(yōu)感知方向,調(diào)整節(jié)點(diǎn)感知方向消除網(wǎng)絡(luò)感知重疊區(qū)和感知盲區(qū)實(shí)現(xiàn)網(wǎng)絡(luò)覆蓋增強(qiáng)。陳瑩等[14]針對目前有向傳感網(wǎng)中覆蓋增強(qiáng)和冗余節(jié)點(diǎn)休眠調(diào)度算法存在的問題,提出虛擬勢場結(jié)合學(xué)習(xí)自動機(jī)的覆蓋控制算法,首先使用虛擬勢場算法調(diào)整網(wǎng)絡(luò)中節(jié)點(diǎn)感知方向,隨后利用學(xué)習(xí)自動機(jī)在不影響網(wǎng)絡(luò)覆蓋率的情況下休眠網(wǎng)絡(luò)中的冗余節(jié)點(diǎn),從而降低網(wǎng)絡(luò)節(jié)點(diǎn)冗余度。范興剛等[15]提出一種虛擬力導(dǎo)向微粒群的有向傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)策略VFPSO,建立節(jié)點(diǎn)所受虛擬力和調(diào)整角度之間的關(guān)系模型,通過微粒群算法不斷迭代實(shí)現(xiàn)網(wǎng)絡(luò)覆蓋增強(qiáng)。譚勵等[16]提出一種改進(jìn)的非均勻有向傳感器網(wǎng)絡(luò)節(jié)點(diǎn)部署方法,引入部署中心和矢量引力的概念,增加斥力的非均勻部署屬性,從而保證了重點(diǎn)區(qū)域的覆蓋質(zhì)量。
現(xiàn)有文獻(xiàn)大多采用節(jié)點(diǎn)確定感知模型,建模方便,計(jì)算機(jī)仿真時效率高、速度快,但與實(shí)際應(yīng)用還存在一定差距,同時傳感器節(jié)點(diǎn)感知方向的調(diào)整具有不確定性,沒有根據(jù)有向傳感器節(jié)點(diǎn)感知模型特點(diǎn)對網(wǎng)絡(luò)進(jìn)行部署。因此本文基于概率感知模型的節(jié)點(diǎn)部署方案,提出一種新型的部署結(jié)構(gòu),采用Neyman-Pearson準(zhǔn)則對網(wǎng)絡(luò)概率感知區(qū)域的感知數(shù)據(jù)進(jìn)行數(shù)據(jù)融合提高網(wǎng)絡(luò)數(shù)據(jù)可靠度,對網(wǎng)絡(luò)進(jìn)行休眠調(diào)度,提高算法執(zhí)行效率,延長網(wǎng)絡(luò)的生存期。
1.1 有向傳感器網(wǎng)絡(luò)概率感知模型
目前使用最多的有向傳感器節(jié)點(diǎn)感知模型為四元組(Pi,R,v(t),α)[6,17],為了表示有向傳感器節(jié)點(diǎn)概率感知模型,在四元組加入概率范圍參數(shù)d。此時概率感知模型可用(Pi,Rs,v(t),α,d)表示,如圖1所示,其中d表示概率感知范圍參數(shù)。
圖1 有向傳感器節(jié)點(diǎn)概率感知模型
當(dāng)目標(biāo)點(diǎn)p與傳感器節(jié)點(diǎn)s之間的歐式距離Rs P(s,p)=eλ[Rs-l(s,p)] (1) λ為傳感器節(jié)點(diǎn)的可調(diào)參數(shù);設(shè)Rf=Rs+d,則目標(biāo)點(diǎn)p被節(jié)點(diǎn)s感知到的概率為: (2) 式中,θi表示點(diǎn)p與節(jié)點(diǎn)si感知方向v(t)的夾角;α表示節(jié)點(diǎn)si傳感邊界與其傳感向量v(t)的夾角。則目標(biāo)點(diǎn)p不被網(wǎng)絡(luò)中任一節(jié)點(diǎn)si感知到的概率為: (3) 1.2 奈曼-皮爾森準(zhǔn)則 網(wǎng)絡(luò)在部署后傳感器節(jié)點(diǎn)對其概率感知范圍內(nèi)的目標(biāo)是依概率進(jìn)行判定的,會存在的一定的判定誤差,使用奈曼-皮爾森準(zhǔn)則對網(wǎng)絡(luò)中的不確定區(qū)域進(jìn)行數(shù)據(jù)融合,減小判定誤差,提高網(wǎng)絡(luò)對概率區(qū)域的感知能力。在傳感器節(jié)點(diǎn)檢測問題中,假設(shè)有‘目標(biāo)不存在’和‘目標(biāo)存在’兩種假設(shè),分別用H0和H1表示[18-19]。 當(dāng)Rs 對于實(shí)際目標(biāo)存在而判為目標(biāo)存在概率為檢測概率pd,容易驗(yàn)證: pd=1-pm (4) 一般情況下希望兩類錯誤pf和pm都盡量小,但這是相互矛盾的,因?yàn)? p(D1|H0)=∫R1f(x|H0)dx (5) p(D0|H1)=1-∫R1f(x|H1)dx (6) 在給定概率密度函數(shù)f(x|H0)、f(x|H1)時,要是pf(D1|H0)變小,則判決域R1應(yīng)變小,從而pm(D1|H0)變大;反之亦然。 奈曼-皮爾森準(zhǔn)則就是在pf=p(D1|H0)≤τ(0<τ<1)的約束條件下,使得p(D0|H1)達(dá)到最小,或pd=p(D1|H1)達(dá)到最大,其中τ為錯誤率。 定理1 在分布式傳感器網(wǎng)絡(luò)中,在給定的第1類錯誤概率pf(D1|H0)≤τ情況下,要使檢測概率pd=p(D1|H1)達(dá)到最大,奈曼-皮爾森數(shù)據(jù)融合規(guī)則需滿足式(7): (7) 式中:f(D|H1)和f(D|H0)分別為目標(biāo)點(diǎn)被網(wǎng)絡(luò)感知到的概率密度函數(shù)和不被網(wǎng)絡(luò)感知到的概率密度函數(shù),結(jié)合(3)式: (8) (9) 證明: 為了證明式(7)能夠在一定錯誤率τ∈[0,1]的情況下達(dá)到最大的檢測概率,引用拉格朗日(Lagrange)乘數(shù)法,定義目標(biāo)函數(shù): L=p(D0|H1)+μ(p(D1|H0)-τ) (10) 式中:μ為Lagrange乘子。將式(5)、式(6)代入式(10)得到: L=[1-∫R1f(x|H1)dx]+[∫R1f(x|H0)dx-τ] (11) 經(jīng)變換得到: L=(1-μτ)+∫R1[μf(x|H0)-f(x|H1)]dx (12) 為了使L達(dá)到最小,則要求被積函數(shù)μf(x|H0)-f(x|H1)小于0的點(diǎn)全部落入R1中,且R1中的點(diǎn)使被積函數(shù)μf(x|H0)-f(x|H1)小于0,因此,有: R1={x|μf(x|H0)-f(x|H1)<0} (13) 從而可以得到判決準(zhǔn)則為: (14) 當(dāng)滿足式(14)時判決H1為真;否則判決H0為真。顯然在滿足式(7)的時候檢測概率最大。 則對于目標(biāo)點(diǎn)的判定規(guī)則為: (15) 式中 τ=lnμ (16) 2.1 算法假設(shè) 同現(xiàn)有向傳感器網(wǎng)絡(luò)部署算法一樣,本文作如下假設(shè):①所有的有向傳感器節(jié)點(diǎn)同構(gòu),即所有節(jié)點(diǎn)的感知半徑Rc、通信半徑Rc,且Rc=2Rf;②傳感器節(jié)點(diǎn)隨機(jī)部署后可以確定自己的位置坐標(biāo)、感知方向和所有鄰居節(jié)點(diǎn)的位置信息;③節(jié)點(diǎn)位置不能移動,但感知方向可以調(diào)整;④在構(gòu)成的有向傳感器網(wǎng)絡(luò)中,傳感器的通信方向是全向的。 2.2 部署結(jié)構(gòu) 文獻(xiàn)[20]提出一種有向傳感器網(wǎng)絡(luò)全覆蓋部署結(jié)構(gòu)如圖2所示,這種結(jié)構(gòu)能夠?qū)崿F(xiàn)全覆蓋,但冗余度比較高;對此本文提出一種新的部署結(jié)構(gòu),在實(shí)現(xiàn)網(wǎng)絡(luò)全覆蓋的同時降低網(wǎng)絡(luò)冗余度,如圖3所示。 圖2 平鋪結(jié)構(gòu) 圖3 本文提出結(jié)構(gòu) 定義1 節(jié)點(diǎn)冗余度 節(jié)點(diǎn)重疊覆蓋面積SR比上節(jié)點(diǎn)覆蓋面積SZ,則節(jié)點(diǎn)冗余度為: η=SR/SZ (17) 圖2和圖3部署結(jié)構(gòu)的節(jié)點(diǎn)冗余度分別為: (18) (19) 則: (20) 定理2 在有向傳感器網(wǎng)絡(luò)平鋪覆蓋部署中采用圖3部署結(jié)構(gòu)最優(yōu)。 證明: 對于圖3中的排列為最優(yōu)的證明從幾何角度證明,如下: 對于任意角度為2φ的扇形如下: 通過幾何圖形圖4(a)~4(c)可以直觀的看到,橫向最優(yōu)模型如圖4(c)所示;而對于縱向最優(yōu)則要考慮多個扇形組合的情況如圖4(d)所示:扇形4的圓心只有在另一個扇形的圓弧上移動時才是最優(yōu)的,此時看不出處于那個位置是最優(yōu)的;再看5個扇形組合如圖4(e):可以看出扇形5是跟隨扇形4移動的,移動過程中僅與扇形1和扇形3有重疊,因此只需要計(jì)算出移動過程中處于那個位置的時候重疊面積最小。 圖4 幾何證明 如圖4(e)所示設(shè)第5個扇形與第1個扇形相交的角度為β則與第3個扇形相交的角度為φ-β則可算出重疊面積為SR: (21) φr2為恒定值,為求的SR最小值可轉(zhuǎn)化為: (22) 求D的最大值,則對D以β求偏導(dǎo)得: (23) 當(dāng)D′=0時D最大,得到: cosβ-cos(2φ-β)=0 (24) 得: φ=β (25) 在φ=β時SR最小,明顯得證。 證畢 定義2 標(biāo)準(zhǔn)工作方向 網(wǎng)絡(luò)中有向傳感器節(jié)點(diǎn)工作在部署算法預(yù)設(shè)的工作方向上,此時預(yù)設(shè)的工作方向被稱為有向傳感器節(jié)點(diǎn)的標(biāo)準(zhǔn)工作方向。 本文預(yù)設(shè)標(biāo)準(zhǔn)方向設(shè)置為:φ1=π/2,φ2=3π/2。設(shè)α1=|ω-π/2|,α2=|ω-3π/2|,其中ω表示傳感器方向v(t)與坐標(biāo)軸x的夾角;比較α1,α2,如果α1<α2則該傳感器節(jié)點(diǎn)標(biāo)準(zhǔn)工作方向?yàn)棣?,否則為φ2。 定義3 鄰居節(jié)點(diǎn) 網(wǎng)絡(luò)中處于有向傳感器節(jié)點(diǎn)Si二倍感知半徑內(nèi)的傳感器節(jié)點(diǎn)稱為有向傳感器節(jié)點(diǎn)Si的鄰居節(jié)點(diǎn)。 2.3 問題分析 由于本文是以有向傳感器節(jié)點(diǎn)概率感知模型為基礎(chǔ)的部署策略,如果嚴(yán)格按照2.2節(jié)部署結(jié)構(gòu)會出現(xiàn)如圖5所示情況:目標(biāo)區(qū)域A,B,C僅處于單個傳感器節(jié)點(diǎn)的概率感知范圍內(nèi),會存在一定的判定誤差。為了提高網(wǎng)絡(luò)中概率感知區(qū)域?qū)δ繕?biāo)感知數(shù)據(jù)的可靠性,對部署結(jié)構(gòu)進(jìn)行一些改動,如圖5(b)所示:此時目標(biāo)區(qū)域A,B,C分別處于多個傳感器節(jié)點(diǎn)概率感知范圍內(nèi),使用1.2節(jié)數(shù)據(jù)融合模型對多傳感器感知數(shù)據(jù)進(jìn)行融合,提高網(wǎng)絡(luò)感知能力。 圖5 問題分析 2.4 休眠喚醒策略 本文算法中節(jié)點(diǎn)被大規(guī)模拋灑到目標(biāo)區(qū)域,節(jié)點(diǎn)采用休眠喚醒策略進(jìn)行調(diào)度。節(jié)點(diǎn)工作狀態(tài)分兩種:休眠和工作。節(jié)點(diǎn)休眠偵聽狀態(tài)標(biāo)記為0,工作狀態(tài)標(biāo)記為1,網(wǎng)絡(luò)部署完畢后,用nwork表示工作節(jié)點(diǎn)數(shù)目。網(wǎng)絡(luò)喚醒任意節(jié)點(diǎn),確定第1個節(jié)點(diǎn)位置(如圖6中的S1節(jié)點(diǎn)),在選取后續(xù)工作節(jié)點(diǎn)時,被喚醒的節(jié)點(diǎn)處于當(dāng)前節(jié)點(diǎn)的水平或者垂直方向上。 橫向喚醒方式如圖6(a)所示:網(wǎng)絡(luò)隨機(jī)喚醒任意節(jié)點(diǎn)S1,節(jié)點(diǎn)坐標(biāo)S1(x0,y0),根據(jù)節(jié)點(diǎn)S1的坐標(biāo)以及1.3節(jié)部署結(jié)構(gòu)可以確定虛擬節(jié)點(diǎn)a(x2,y2),b(x3,y3)的坐標(biāo): (26) (27) 縱向喚醒方式如圖6(b)所示:對于已喚醒的節(jié)點(diǎn)S1(x0,y0),根據(jù)節(jié)點(diǎn)S1的坐標(biāo)可以確定虛擬節(jié)點(diǎn)c(x4,y4)的坐標(biāo)。 (28) 喚醒距離虛擬節(jié)點(diǎn)a(x3,y3),b(x2,y2),c(x4,y4)最近且與標(biāo)準(zhǔn)工作方向相符的傳感器節(jié)點(diǎn)S3,S2,S4進(jìn)行工作。 得出結(jié)論:在橫向喚醒方式中被喚醒的節(jié)點(diǎn)與基點(diǎn)的感知方向是相反的,縱向喚醒方式中被喚醒的節(jié)點(diǎn)的感知方向應(yīng)該與基點(diǎn)的感知方向是同向的。 2.5 算法步驟 Step1 初始化所有傳感器節(jié)點(diǎn)參數(shù),所有節(jié)點(diǎn)工作狀態(tài)為1,節(jié)點(diǎn)交換消息,確認(rèn)本節(jié)點(diǎn)所處位置和鄰居節(jié)點(diǎn)位置。 Step2 每個節(jié)點(diǎn)根據(jù)2.2節(jié)中標(biāo)準(zhǔn)工作方向調(diào)整規(guī)則調(diào)整自身感知方向。 Step3 如果所有節(jié)點(diǎn)的感知方向都滿足標(biāo)準(zhǔn)工作方向,節(jié)點(diǎn)工作狀態(tài)為0。 Step4 從部署區(qū)域左下角開始,隨機(jī)喚醒一個節(jié)點(diǎn),使其工作狀態(tài)為1,根據(jù)式(26)~式(28)計(jì)算出其橫向和縱向虛擬節(jié)點(diǎn)。 Step5 比較虛擬節(jié)點(diǎn)和網(wǎng)絡(luò)中實(shí)際節(jié)點(diǎn)位置,若虛擬節(jié)點(diǎn)位置不存在實(shí)際節(jié)點(diǎn),則喚醒距離虛擬節(jié)點(diǎn)最近、且感知方向相同的節(jié)點(diǎn),若存在則喚醒該實(shí)際節(jié)點(diǎn),標(biāo)記其工作狀態(tài)為1。 Step6 以新喚醒的節(jié)點(diǎn)執(zhí)行Step4,若計(jì)算出的虛擬節(jié)點(diǎn)位置在監(jiān)測區(qū)域內(nèi),則執(zhí)行Step5,否則結(jié)束該步驟。 Step7 工作節(jié)點(diǎn)對目標(biāo)區(qū)域進(jìn)行監(jiān)測,結(jié)合節(jié)點(diǎn)概率感知模型根據(jù)推導(dǎo)的數(shù)據(jù)融合判定式(15)對目標(biāo)區(qū)域進(jìn)行判斷。 圖7 部署圖 圖7為對本文算法的一次實(shí)例仿真圖,可以看出本文利用休眠喚醒策略隨機(jī)喚醒一個節(jié)點(diǎn),然后根據(jù)這個節(jié)點(diǎn)的標(biāo)準(zhǔn)工作方向和坐標(biāo)根據(jù)2.1節(jié)方法計(jì)算下一個被喚醒的節(jié)點(diǎn)的坐標(biāo)和方向,最終能夠取得良好的覆蓋效果,圖中傳感器節(jié)點(diǎn)藍(lán)色為確定感知邊界,黑色為概率感知邊界。 圖8顯示采用本文算法與PFCEA算法以及隨機(jī)部署在滿足覆蓋率達(dá)到85%時傳感器感知角度變化的情況下需要的工作節(jié)點(diǎn)的個數(shù),從圖中可以看出在覆蓋率相同時不同的傳感器角度的情況下本文算法的工作節(jié)點(diǎn)數(shù)明顯少于PFCEA算法以及隨機(jī)部署。這是因?yàn)镻FCEA算法是以虛擬力為基礎(chǔ)的部署算法,節(jié)點(diǎn)受力容易陷入局部最小點(diǎn)使得網(wǎng)絡(luò)冗余度較高;而本文使用新的部署結(jié)構(gòu),引入節(jié)點(diǎn)標(biāo)準(zhǔn)工作方向,可以從很大程度上降低網(wǎng)絡(luò)冗余度,在滿足對目標(biāo)區(qū)域的覆蓋率的同時可以有效的減少網(wǎng)絡(luò)工作節(jié)點(diǎn)個數(shù)。 圖8 感知角度與工作節(jié)點(diǎn)個數(shù) 圖9顯示在工作的節(jié)點(diǎn)個數(shù)為200時不同算法覆蓋率隨時間t的變化關(guān)系,由于本文算法采用逐個喚醒的策略可以看出在t<25時本文算法覆蓋率小于隨機(jī)部署以及PFCEA算法,在收斂速度上會稍慢一些,但本文算法覆蓋率隨時間t幾乎是以線性快速增長著,在t>36時本文算法覆蓋率大于PFCEA算法以及隨機(jī)部署。本文部署算法通過休眠喚醒策略實(shí)現(xiàn)最優(yōu)結(jié)構(gòu)部署,使用節(jié)點(diǎn)概率感知,并且使用奈曼-皮爾森準(zhǔn)則對網(wǎng)絡(luò)中的概率感知區(qū)域進(jìn)行數(shù)據(jù)融合,提高網(wǎng)絡(luò)對不確定區(qū)域的感知數(shù)據(jù)可靠性,從而提高網(wǎng)絡(luò)覆蓋率。 圖9 覆蓋率與時間t 圖10是3種算法工作節(jié)點(diǎn)冗余度與覆蓋率的關(guān)系對比圖,在滿足相同覆蓋率的時候,本文算法的工作節(jié)點(diǎn)冗余度低于PFCEA算法以及隨機(jī)部署,而且本文算法工作節(jié)點(diǎn)冗余度隨覆蓋率的增加所收到的影響波動較小。這也印證了本文算法采用的部署結(jié)構(gòu)能夠有效降低網(wǎng)絡(luò)中工作節(jié)點(diǎn)的冗余度。 圖10 工作節(jié)點(diǎn)冗余度 由于傳感器節(jié)點(diǎn)通常具有電源能量低、二次補(bǔ)充能量難、信息采集能耗大的缺點(diǎn),因此傳感器網(wǎng)絡(luò)存在嚴(yán)重的能量約束問題。假設(shè)每個有向傳感器節(jié)點(diǎn)的初始能量都為30 J,數(shù)據(jù)包的大小為100 byte,節(jié)點(diǎn)在通訊過程中傳輸一個數(shù)據(jù)包需消耗0.05 J的能量,接收一個數(shù)據(jù)包消耗0.0l J的能量,節(jié)點(diǎn)感知方向調(diào)整單位角度1°所消耗的能量為0.1 J;則網(wǎng)絡(luò)經(jīng)過3種算法部署后節(jié)點(diǎn)平均剩余能量對比圖如圖11所示。 圖11 節(jié)點(diǎn)平均剩余能量 從圖11可以看出,在相同的參數(shù)設(shè)置下,網(wǎng)絡(luò)在經(jīng)過3種算法部署后的平均節(jié)點(diǎn)剩余能量,與隨機(jī)部署相比本文算法以及PFCEA算法節(jié)點(diǎn)平均剩余能量都較低,這是因?yàn)闉榱巳〉酶玫牟渴鹦Ч?本文算法以及PFCEA算法皆對傳感器節(jié)點(diǎn)感知方向進(jìn)行了調(diào)整,而節(jié)點(diǎn)感知方向的調(diào)整會消耗節(jié)點(diǎn)自身一部分能量;PFCEA算法以虛擬力為基礎(chǔ)對傳感器感知方向進(jìn)行調(diào)整,這是一個動態(tài)調(diào)整過程,節(jié)點(diǎn)在部署過程中會根據(jù)自身受力情況會實(shí)時調(diào)整,會出現(xiàn)擺動現(xiàn)象,所以PFCEA算法在調(diào)整過程中會消耗大量節(jié)點(diǎn)能量。而本文算法節(jié)點(diǎn)調(diào)整只需要調(diào)整為標(biāo)準(zhǔn)工作方向即可,沒有動態(tài)調(diào)節(jié)過程,因此相較于PFCEA算法節(jié)點(diǎn)會損失更少的能量,從而延長節(jié)點(diǎn)使用壽命。 本文研究了有向傳感器網(wǎng)絡(luò)全覆蓋問題,在分析有向傳感器節(jié)點(diǎn)概率感知模型的基礎(chǔ)上,提出一種新型的有向傳感器節(jié)點(diǎn)部署結(jié)構(gòu),與現(xiàn)有研究成果中節(jié)點(diǎn)感知方向調(diào)整具有隨機(jī)性不同,本文根據(jù)有向傳感器節(jié)點(diǎn)感知模型結(jié)構(gòu)特性引入標(biāo)準(zhǔn)工作方向的概念,結(jié)合休眠調(diào)度策略對網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行調(diào)度形成最優(yōu)結(jié)構(gòu),使用奈曼-皮爾森準(zhǔn)則數(shù)據(jù)融合方式,并證明了部署結(jié)構(gòu)的冗余度最小,以較少的傳感器節(jié)點(diǎn)實(shí)現(xiàn)目標(biāo)區(qū)域全覆蓋。仿真結(jié)果表明,隨機(jī)部署情況下,與已有算法相對比,本文算法使用這種新型有向傳感器節(jié)點(diǎn)調(diào)度方式,可以有效提高網(wǎng)絡(luò)覆蓋率,減少網(wǎng)絡(luò)冗余度,減少網(wǎng)絡(luò)工作節(jié)點(diǎn)個數(shù),延長網(wǎng)絡(luò)生存期。 [1] Kulkarni R V,Forster A,Venayagamoorthy G K. Computational Intelligence in Wireless Sensor Networks:A Survey[J]. Communications Surveys and Tutorials,IEEE. 2011,13(1):68-96. [2] Amac G M,Gokhan Y A. On Coverage Issues in Directional Sensor Networks:A Survey[J]. Ad Hoe Networks,2011,9(7):1238-1255. [3] Borges L M,Velez F J,Lebres A S. Survey on the Characterization and Classification of Wireless Sensor Network Applications[J]. Communications Surveys and Tutorials,IEEE. 2014,16(4):1860-1890. [4] 陸克中,馮禹洪,毛睿,等. 有向傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)問題的貪婪迭代算法[J]. 電子學(xué)報(bào) 2012(4):688-694. [5] Ma Hudong,Liu Yonghe. On Coverage Problems of Directional Sensor Networks[C]//Proc of the Int Conf on Mobile Ad-Hoc and Sensor Networks. Berlin:Springer,2005:721-731. [6] 陶丹,馬華東,劉亮. 基于虛擬勢場的有向傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)算法[J]. 軟件學(xué)報(bào),2007(5):1152-1163. [7] 陶丹,馬華東,劉亮. 視頻傳感器網(wǎng)絡(luò)中路徑覆蓋增強(qiáng)算法研究[J]. 電子學(xué)報(bào),2008,36(7):1291-1296. [8] Niu Yunfei,Peng Li,Zhang Wei. Dynamic Vision Sensor Networks Self-Deployment with Two-Step Virtual Potential Field[C]//Control and Decision Conference(CCDC),2010 Chinese. 2010:4134-4138. [9] Ji Peng,Jiang Jingqi. A Coverage Detection and Re-Deployment Algorithm in 3D Directional Sensor Networks[C]//Control and Decision Conference(CCDC),2015:1137-1142. [10] 蔣一波,王萬良,陳偉杰,等. 視頻傳感器網(wǎng)絡(luò)中無盲區(qū)監(jiān)視優(yōu)化[J]. 軟件學(xué)報(bào),2012(2):310-322. [11] 肖甫,王汝傳,葉曉國,等. 基于改進(jìn)勢場的有向傳感器網(wǎng)絡(luò)路徑覆蓋增強(qiáng)算法[J]. 計(jì)算機(jī)研究與發(fā)展,2009(12):2126-2133. [12] Chiu Kuo Liang,Cheng Yen Chung,Chuan Feng Li. A Virtual Force based Movement Scheme for Area Coverage in Directional Sensor Networks[C]//2014 Tenth International Conference on Intelligent Information Hiding and Multimedia Signal Processing(IIH-MSP). 2014:718-722. [13] Jiang Yibo,Yang Jinwei,Chen Weijie,et al. A Coverage Enhancement Method of Directional Sensor Network Based on Genetic Algorithm for Occlusion-Free Surveillance[C]//2010 International Conference on Computational Aspects of Social Networks(CASoN). 2010:311-314. [14] 陳瑩.曹立志. 基于虛擬勢場和學(xué)習(xí)自動機(jī)的有向傳感網(wǎng)覆蓋控制[J]. 系統(tǒng)工程與電子技術(shù),2015(5):1177-1184. [15] 范興剛,王恒,張兆娟,等. 一種基于虛擬力導(dǎo)向微粒群的有向傳感器網(wǎng)絡(luò)覆蓋增強(qiáng)策略[J]. 傳感技術(shù)學(xué)報(bào),2015,28(11):1720-1726. [16] 譚勵,楊朝玉,楊明華,等. 改進(jìn)的非均勻有向傳感器網(wǎng)絡(luò)節(jié)點(diǎn)部署方法[J]. 傳感技術(shù)學(xué)報(bào),2015,28(12):1835-1840. [17] Tao D,Mao X F,Tang S J,et al. Strong Barrier Coverage Using Directional Sensors with Arbitrarily Tunable Orientations[C]//2011 Seventh International Conference on Mobile Ad-Hoc and Sensor Networks. Beijing:2011. 68-74. [18] Plata-Chaves J,Lazaro M,Artes-Rodriguez A. Optimal Neyman-Pearson Fusion in Two-Dimensional Sensor Networks with Serial Architecture and Dependent Observations[C]//2011 Proceedings of the 14th International Conference on Information Fusion(FUSION). July 2011:1-6. [19] 潘泉,程詠梅,梁彥,等. 多源信息融合理論及應(yīng)用[M]. 北京:清華大學(xué)出版社,2013:124-135. [20] 趙靜,曾建潮. 無線多媒體傳感器網(wǎng)絡(luò)感知模型與數(shù)量估計(jì)[J]. 軟件學(xué)報(bào),2012(8):2104-2114. Full Coverage Deployment Algorithm of Directional Sensor Network Based on Data Fusion* ZHANGJuwei1,2,3*,WANGYu1,3,YANGTing4 (1.Electrical Engineering College,Henan University of Science and Technology,Luoyang He’nan 471023,China;2.System Engineering Institute,Xi’an Jiaotong University,Xi’an 710049,China;3.Power Electronics Device and System Engineering Laboratory of Henan,Henan University of Science and Technology,Luoyang He’nan 471023,China;4.School of Electrical Engineering and Automation,Tianjin University,Tianjin 30072,China) For the problem of the directional sensor network full coverage,a new directional sensor node deployment algorithm is proposed based on probabilistic sensing model,and the optimality of the structure is proved by theoretical deduction. In order to achieve full coverage of the target area with the least sensor nodes,the concept of the standard work direction is introduced,and the Neyman-Pearson standard data fusion method is used. The simulation results show that the proposed method can effectively improve the network coverage,reduce the network redundancy,reduce the number of working nodes,and prolong the lifetime of the network. DSNs;coverage;data fusion;probabilistic sensing;Neyman-Pearson 項(xiàng)目來源:國家自然科學(xué)基金(61040010);航空科學(xué)基金(20115142005) 2016-05-14 修改日期:2016-08-21 TP393 A 1004-1699(2017)01-0139-07 C:7230 10.3969/j.issn.1004-1699.2017.01.0252 算法描述
3 仿真分析
4 結(jié)論