首页 / 专利库 / 变压器和转换设备 / 传感器 / 一种无线传感器网络中节点追踪的负载均衡方法

一种无线传感器网络中节点追踪的负载均衡方法

阅读:851发布:2023-12-23

专利汇可以提供一种无线传感器网络中节点追踪的负载均衡方法专利检索,专利查询,专利分析的服务。并且本 发明 公开一种无线 传感器 网络中 节点 追踪的负载均衡方法,应用于传感器网络节点通信领域,为了解决 现有技术 中为满足追踪条件,出现过度消耗节点 能量 的问题;本发明在采用 扩展卡 尔曼滤波方法对进入传感器网络中的未知节点进行实时追踪的 基础 上,通过设定 门 限值选取可移动的锚节点数量,根据可移动的锚节点数量计算得到的未知节点估计 位置 误差去靠近设置的 精度 上限,得到最优的锚节点移动方案;实现了在保证精度的同时达到负载均衡。,下面是一种无线传感器网络中节点追踪的负载均衡方法专利的具体信息内容。

1.一种无线传感器网络中节点追踪的负载均衡方法,其特征在于,在采用扩展卡尔曼滤波方法对进入传感器网络中的未知节点进行实时追踪的基础上,通过设定限值选取可移动的锚节点数量,根据可移动的锚节点数量计算得到的未知节点估计位置误差去靠近设置的精度上限,得到最优的锚节点移动方案;具体包括以下步骤:
S1、初始化参数,具体包括:锚节点的采样时间、锚节点的位置坐标以及后验预测误差协方差矩阵;传感网络中的所有锚节点均服从均匀分布;
S2、设定所有传感器节点的初始功率值与未知节点的运动轨迹;所述所有传感器节点包括锚节点与未知节点;
S3、基于RSSI模型,计算每一个锚节点与未知节点之间的噪声信号值;
S4、若噪声信号值小于设定的门限值,则将对应的锚节点进行标记,否则不标记;
S5、根据当前迭代中所有标记的锚节点,得到未知节点的预测位置与卡尔曼增益,从而得到未知节点的估计坐标;
S6、计算未知节点的估计坐标与真实坐标的误差,若误差小于设定的精度上限,则结束;否则修改门限值后,返回步骤S4。
2.根据权利要求1所述的一种无线传感器网络中节点追踪的负载均衡方法,其特征在于,步骤S6所述的修改门限值,具体为在当前迭代所对应的门限值的基础上调大,调大后的门限值小于或等于设定的精度上限。
3.根据权利要求2所述的一种无线传感器网络中节点追踪的负载均衡方法,其特征在于,步骤S6所述若误差小于设定的精度上限,则结束,还包括:当得到最优的锚节点移动方案时结束。
4.根据权利要求3所述的一种无线传感器网络中节点追踪的负载均衡方法,其特征在于,最优的锚节点移动方案计算过程为:
A1、改进卡尔曼增益:
K'=Kβ
其中,K为初始卡尔曼增益,K'为改进的尔曼增益,β是对线为0或者1的对角阵;
A2、根据改进卡尔曼增益的EKF算法得到K'关于后验预测误差协方差矩阵Pk|k的凸优化模型:
其中,下标k表示离散时刻点,Hk为观测矩阵,Sk为实际坐标值与预测坐标值的误差的协方差矩阵,上标T表示转置;
A3、对Pk|k进行微分操作,得出β的最优解,即得到最优的锚节点移动方案。
5.根据权利要求4所述的一种无线传感器网络中节点追踪的负载均衡方法,其特征在于,最优的锚节点移动方案所对应的未被标记的锚节点进入休眠状态。
6.根据权利要求5所述的一种无线传感器网络中节点追踪的负载均衡方法,其特征在于,步骤S3具体为:
S31、根据RSSI模型,计算各时刻每一个锚节点与未知节点之间的距离;
S32、根据各时刻锚节点与未知节点之间的距离,得到该锚节点与未知节点之间的噪声信号矩阵;
S33、在当前时刻,根据RSSI模型以及高斯白噪声得到锚节点与位置节点之间的噪声信号值。

说明书全文

一种无线传感器网络中节点追踪的负载均衡方法

技术领域

[0001] 本发明属于传感器网络节点通信领域,具体涉及传感器节点通信过程中节点的能量消耗和基于EKF的节点破零选择技术。

背景技术

[0002] 在现有的无线传感器网络环境中,传感器节点面临大多数能量有限以及较弱的计算能的问题。在现有的技术方案中,通常会调度很多的锚节点去进行追踪,使得传感器节点的使用寿命不能很好的延续,进而会出现节点死亡的情况,而且节点之间通信距离实时发生变化,因此会产生额外的能量消耗。
[0003] 不仅如此,在大规模传感器网络中,节点不单单担任追踪未知节点的色,还承担着大量环境数据采集以及实时监测的角色,多样性的数据无疑给传感器节点带来了很大的电量方面的压力。在相对复杂的环境下,对于传感器节点的使用寿命提出了更高的挑战,在满足追踪条件的情况下,会出现过度消耗节点能量的问题。

发明内容

[0004] 为解决上述技术问题,本发明提出一种无线传感器网络中节点追踪的负载均衡方法,基于EKF的节点破零选择算法,在满足追踪精度要求的前提下,有效地降低了锚节点的能量消耗,提高了算法的可靠性。
[0005] 本发明采用的技术方案为:一种无线传感器网络中节点追踪的负载均衡方法,在采用扩展卡尔曼滤波方法对进入传感器网络中的未知节点进行实时追踪的基础上,通过设定限值选取可移动的锚节点数量,根据可移动的锚节点数量计算得到的未知节点估计位置误差去靠近设置的精度上限,得到最优的锚节点移动方案。
[0006] 进一步地,具体包括以下步骤:
[0007] S1、初始化参数,具体包括:锚节点的采样时间、锚节点的位置坐标以及后验预测误差协方差矩阵;传感网络中的所有锚节点均服从均匀分布;
[0008] S2、设定所有传感器节点的初始功率值与未知节点的运动轨迹;所述所有传感器节点包括锚节点与未知节点;
[0009] S3、基于RSSI模型,计算每一个锚节点与未知节点之间的噪声信号值;
[0010] S4、若噪声信号值小于设定的门限值,则将对应的锚节点进行标记,否则不标记;
[0011] S5、根据当前迭代中所有标记的锚节点,得到未知节点的预测位置与卡尔曼增益,从而得到未知节点的估计坐标;
[0012] S6、计算未知节点的估计坐标与真实坐标的误差,若误差小于设定的精度上限,则结束;否则修改门限值后,返回步骤S4。
[0013] 更进一步地,步骤S6所述的修改门限值,具体为在当前迭代所对应的门限值的基础上调大,调大后的门限值小于或等于设定的精度上限。
[0014] 进一步地,步骤S6所述若误差小于设定的精度上限,则结束,还包括:当得到最优的锚节点移动方案时结束。
[0015] 更进一步地,最优的锚节点移动方案计算过程为:
[0016] A1、改进卡尔曼增益:
[0017] K'=Kβ
[0018] 其中,K为初始卡尔曼增益,K'为改进的尔曼增益,β是对角线为0或者1的对角阵;
[0019] A2、根据改进卡尔曼增益的EKF算法得到K'关于后验预测误差协方差矩阵Pk|k的凸优化模型:
[0020]
[0021] 其中,Hk为观测矩阵,Sk为实际坐标值与预测坐标值的误差的协方差矩阵,上标T表示转置;
[0022] A3、对Pk|k进行微分操作,得出β的最优解,即得到最优的锚节点移动方案。
[0023] 进一步地,最优的锚节点移动方案所对应的未被标记的锚节点进入休眠状态。
[0024] 进一步地,步骤S3具体为:
[0025] S31、根据RSSI模型,计算各时刻每一个锚节点与未知节点之间的距离;
[0026] S32、根据各时刻锚节点与未知节点之间的距离,得到该锚节点与未知节点之间的噪声信号矩阵;
[0027] S33、在当前时刻,根据RSSI模型以及高斯白噪声得到锚节点与位置节点之间的噪声信号值。
[0028] 本发明的有益效果:本发明采用一种锚节点“破零”选择移动节点的方案;在满足追踪精度的条件下,通过引入门限值选取可移动的锚节点数量,以使计算的未知节点估计坐标误差靠近被要求的精度上限来实现移动尽可能少的锚节点;本发明具有以下优点:
[0029] 1、本发明在保证精度的同时,争取某些节点的休眠,实现节点追踪的负载均衡策略;
[0030] 2、在保证精度的同时,尽可能少的移动锚节点,有效的使得更多没必要移动的节点积蓄能量,提高了整个传感网络的能量和使用寿命,普遍适用于在节点追踪的无线传感网络中提高负载均衡的方式。附图说明
[0031] 图1为本发明的方案流程图

具体实施方式

[0032] 为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
[0033] 本发明使用扩展卡尔曼滤波(Extend Kalama Filter,EKF)方法对进入传感网中的未知节点进行实时追踪,此算法可以对速度较慢的未知节点起到不错的效果,但是在锚节点追踪的过程中,无疑会消耗很大的能量。本发明针对能量过度消耗的挑战,提出一种锚节点“破零”选择移动解决方案。在满足追踪精度的条件下,通过引入门限值选取可移动的锚节点数量,以使计算得到未知节点估计坐标误差靠近被要求的精度上限来实现移动尽可能少的锚节点。本申请通过在满足精度上限的前提下,尽可能保证更多的节点休眠,实现节点追踪系统的负载均衡策略。同时,本申请技术方案的实现是基于满足精度的要求,有效的使得没必要移动的节点积蓄能量,提高了整个传感网络的能量和使用寿命,普遍适用于在节点追踪的无线传感网络中提高负载均衡的方式。
[0034] 如图1所示,本发明具体包括以下步骤:
[0035] S1、初始化EKF算法和传感器网络,设定区域内的锚节点都是一样的,并且在网络区域中服从均匀分布,首先初始化锚节点的采样频率以及EKF算法所用到的相关参数值。锚节点的采样频率一般为0.25s。
[0036] S2、设定未知节点的运动轨迹和所有传感器节点的初始功率值,未知节点的运动轨迹可以根据不同的传感器网络环境进行适应性改变,包括直线、圆形以及不规则图形轨迹。
[0037] S3、在时刻t时,通过RSSI模型计算每一个锚节点与未知节点之间的距离,得到锚节点与未知节点之间的噪声信号矩阵,噪声信号矩阵中的噪声为高斯白噪声,在时刻t时,通过RSSI模型以及高斯白噪声得出锚节点i与未知节点之间的噪声信号值:其中ωi,t表示高斯白噪声,一般n为2。
[0038] S4、引入门限值函数,通过门限值函数和每一个节点与之关联的未知节点之间的噪声信号值对锚节点进行分类处理,并将满足要求的锚节点进行标记,依次完成对所有锚节点的分类,最终根据标记的锚节点得到未知节点的预测位置和卡尔曼增益值。这里通过门限值函数来实现对锚节点移动数量的控制,本实施例中假设门限值函数设定为阶跃函数。
[0039] S5、根据当前迭代中所有标记的锚节点,得到未知节点的预测位置与卡尔曼增益,从而得到未知节点的估计坐标;
[0040] S6、计算估计值与真实值的坐标误差,对比算法得到的误差与设定误差,如果小于设定值,则选择结束或者重新设置门限值,否则重新设置门限值。
[0041] 步骤S4-S6的具体过程为:设定环境要求的追踪坐标的精度上限,通过设定的门限选取要移动的锚节点,从而计算得到未知节点的估计坐标,根据估计坐标与实际坐标的误差逼近设定的精度上限,来得到最优的锚节点移动方案;计算过程如下:
[0042] 1、通过改进卡尔曼增益的新EKF算法得到K'关于Pk|k的凸优化模型,具体体现为:
[0043]
[0044] 下标中的k表示离散时刻点。
[0045] 2、将原始EKF中的卡尔曼增益进行改进,具体为K'=Kβ,K为初始卡尔曼增益,[0046] 3、将问题转化为在传统EKF算法的前提下,对新的卡尔曼增益算法进行改进,求出β的最优解,即负载均衡下的锚节点的调度方案;具体为:
[0047] 通 过 对 P k | k 进 行 微 分 操 作 ,得 出β的 最 优 解 ,具 体 体 现 为 :
[0048] 因为β是对角矩阵,Pk|k-1是对称矩阵,进一步将β表示为β=(KTK)-1(2MT)(ST+S)-1,其中,M=HPk|k-1K;Hk为观测矩阵,将隐含的真实状态空间映射到观测空间,Sk为实际坐标值与预测坐标值的误差的协方差矩阵。
[0049] 本领域的技术人员应知这里的Pk|k为后验估计误差协方差矩阵,用于度量当前迭代所预测位置节点估计位置的精度。
[0050] 根据最优解β的对角元素就可以得出阈值函数的分类结果,完成传感器网络负载均衡的方案,进一步通过误差的对比决策是否再次降低移动节点的数量,即是否修改门限值。
[0051] 图1中的设定值即所要求的精度上限值,根据步骤S4中选出的可移动锚节点,从而计算得到未知节点的估计值与真实值的坐标误差,将该误差与设定的精度上限值进行比较,若是误差小于设定的精度上限值,则可以选择结束迭代,否则调整门限值,以增加需要移动的锚节点数量;本发明中可以理解为当前的误差代表了当前移动锚节点数量对应的计算精度。
[0052] 在当前迭代所计算的误差满足小于所设定的精度上限时,为了实现移动更少的锚节点,还可以再对步骤S4中的门限值进行调整,进一步选择更少的锚节点移动,直至误差接近设定的精度上限,但不超过设定的精度上限;最终实现满足精度要求的条件下所能移动的最少的节点完成负载均衡。
[0053] 本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈