中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
無線傳感器網絡數據處理與性能優化 版權信息
- ISBN：9787030738530
- 條形碼：9787030738530 ; 978-7-03-073853-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
無線傳感器網絡數據處理與性能優化 本書特色
該書的出版將為傳播無線傳感器網絡數據處理與性能優化的基礎知識、交流無線傳感器網絡*新研究進展、擴大無線傳感器網絡的應用做出貢獻。
無線傳感器網絡數據處理與性能優化 內容簡介
深入闡述了無線傳感器網絡數據去冗余、數據融合、路由、鏈路優化算法與安全優化的關鍵技術，主要內容包含：無線傳感器網絡的研究現狀與關鍵技術，無線傳感器網絡數據去冗余技術、基于時延敏感分簇的無線傳感器網絡數據融合技術、全局綠色路由算法、QoS約束下綠色車聯網上行鏈路規劃通信價值優選化研究、基于名字的信任與安全機制。
無線傳感器網絡數據處理與性能優化 目錄
目錄
序
前言
第1章 緒論 1
1.1 引言 1
1.2 無線傳感器網絡數據處理關鍵技術 3
1.3 未來技術展望 8
1.4 小結 9
參考文獻 9
第2章 無線傳感器網絡數據去冗余技術 13
2.1 感知數據去冗余技術 13
2.2 基于*大時間閾值與自適應步長的去冗余算法 26
2.3 基于空間相關性的分階段分層分簇去冗余算法 39
2.4 小結 55
參考文獻 56
第3章 基于時延敏感分簇的無線傳感器網絡數據融合算法 60
3.1 無線傳感器網絡數據融合技術 60
3.2 混合時延敏感分簇的無線傳感器網絡數據融合算法 80
3.3 仿真分析 95
3.4 小結 104
參考文獻 104
第4章 無線傳感器網絡綠色路由協議 108
4.1 WSN綠色路由協議 108
4.2 基于節點轉發壓力的綠色全局路由算法 129
4.3 仿真分析 139
4.4 小結 145
參考文獻 146
第5章 綠色車聯網上行鏈路通信價值優化算法 149
5.1 綠色車聯網技術 149
5.2 上行鏈路通信價值優化算法 170
5.3 仿真分析 183
5.4 小結 192
序
前言
第1章 緒論 1
1.1 引言 1
1.2 無線傳感器網絡數據處理關鍵技術 3
1.3 未來技術展望 8
1.4 小結 9
參考文獻 9
第2章 無線傳感器網絡數據去冗余技術 13
2.1 感知數據去冗余技術 13
2.2 基于*大時間閾值與自適應步長的去冗余算法 26
2.3 基于空間相關性的分階段分層分簇去冗余算法 39
2.4 小結 55
參考文獻 56
第3章 基于時延敏感分簇的無線傳感器網絡數據融合算法 60
3.1 無線傳感器網絡數據融合技術 60
3.2 混合時延敏感分簇的無線傳感器網絡數據融合算法 80
3.3 仿真分析 95
3.4 小結 104
參考文獻 104
第4章 無線傳感器網絡綠色路由協議 108
4.1 WSN綠色路由協議 108
4.2 基于節點轉發壓力的綠色全局路由算法 129
4.3 仿真分析 139
4.4 小結 145
參考文獻 146
第5章 綠色車聯網上行鏈路通信價值優化算法 149
5.1 綠色車聯網技術 149
5.2 上行鏈路通信價值優化算法 170
5.3 仿真分析 183
5.4 小結 192
展開全部
無線傳感器網絡數據處理與性能優化 節選
第1章緒論 1.1引言 無線傳感器網絡作為萬物智能互聯技術重要的組成部分（Halil et al.，2017；Luis etal.，2014），孕育著新的重大突破機遇，正加速向海量異構互聯與智能化方向發展。尤其是移動通信與人工智能技術的迅猛發展，使得各類移動應用已完全融入人們工作和生活的各個方面（Feietal.，2017;Yu et al.，2014;王晨宇等，2020）。隨著移動通信技術的不斷進步，以及各種感知設備的大規模應用，WSN在各行各業中迅速普及，各種感知設備被部署到多樣的應用場景。不斷升級的無線網絡基礎設施的擴展和呈指數增長的感知數據，導致WSN所產生的海量數據處理的需求也日趨明顯，特別是對傳感器數據處理能力以及傳感器網絡性能的要求，已經受到廣泛關注。圖1.1為WSN基本模型。 如圖1.1所示，傳感器節點通過感知周圍環境、監測特定的對象和事件，實現感知數據的采集與初步處理，并完成分析與控制的功能。由于能量以及資源的有限性，對于單一傳感器節點難以完成的復雜任務，將以自組網的方式構建多節點協同的傳感器網絡，將感知數據傳輸到匯聚節點或互聯網中，借助邊緣匯聚節點、邊緣服務器或云中心的強大處理能力，實現數據的復雜分析與處理，用戶通過互聯網實現全程監控，將控制信息反饋至前端傳感器節點，實現相應的監測與控制功能。這種“端邊云”相結合的數據處理模式，為充分挖掘各個部分的處理能力、實現數據處理的按需優化調度提供了有效方式，并得到了廣泛的關注和應用（Dong et al.，2011）。 在醫學領域，WSN主要用于對人體物理特征的遠程監察和院內醫生與病人的追蹤監控等（Xu，2002）。在智能電網領域，集成的WSN以低成本的方式有效地傳輸、監測、預測、控制和管理能源使用，從而有效地進行負荷管理和控制、無線自動抄表、故障診斷和檢測、遠程電力線監控和自動化配電（Ogbodo etal.，2017）。在精準農業領域，人們利用WSN技術建設了灌溉系統，極大地改善了農業灌溉的監測控制，實現了高效灌溉。在智能交通領域，WSN被嵌入城市交通系統中，實時獲取交通密度或異常情況（如事故、交通堵塞或低能見度情況）的信息，為人類提供了更高效、可靠且舒適的服務（Aguirre et al.，2016）。在智能材料領域，光電子傳感器網絡通過光纖供電，人們將WSN嵌入碳纖維復合材料中，開發了自感知智能工程材料（Budelmann，2017）。WSN在水質決策、業務流量預測和洪水預警系統等領域同樣發揮著重要作用（Chacon-Hurtado et al.，2017）。 WSN作為一種獲取信息的前端設備傳感器，主要在微型化、無線化、數字化、網絡化和智能化五方面取得了顯著進展。傳感器節點是具有感知采集、無線通信與計算功能的微型智能計算設備。WSN由大量智能微型傳感器節點自組織形成，在應用層具有兩個基本角色：普通傳感器節點和網關。普通傳感器節點通常負責采集和監測數據的變化情況，并以無線電的形式采用單跳或多跳的方法將數據發送到網關。網關通過有線或無線方式與互聯網進行連接，將收集到的數據發送給WSN的管理人員，同時向傳感器節點發送指令和更新。然而，WSN技術存在以下制約因素：成本、能耗、微型化、定位性能、移動性和安全。WSN自身攜帶能源有限，且大多布置在無人區域，環境條件復雜，極難更換。傳感器能耗主要包含四方面：計算能耗、通信能耗、傳感能耗和電源能耗（任豐原等，2003）。電源能耗是設備自身運行的損耗，通常不予考慮。研究表明，傳感能耗比計算能耗和通信能耗小很多，可以忽略不計（Raghunathan et al.，2002）。因此，通常只對計算能耗和通信能耗兩方面的問題進行分析研究。此外，傳感器節點間的通信能耗遠高于節點內的計算能耗。 目前，WSN的發展勢頭迅猛，節點規模也日益劇增。WSN在給人們生活與工業進步帶來眾多好處和便利的同時，因其布置在監測區域內的龐大微型傳感器數量而產生了海量的數據信息，并呈爆炸式增長。2010年和2017年估計生成的數據量為1.2～1.8ZB，2020年產生了超過44ZB的數據量（Xiaetal.，2016）。由微軟和易安信公司發起的研究表明，通常企業的主存儲系統和輔助存儲系統分別約有50%和85%的冗余數據（Singhal et al.，2018）。在大數據時代，如何處理這一數據洪流是一件重要且富有挑戰性的工作（Passricha et al.，2019）。WSN中的感知數據類型繁多（如數字、文本、圖片和視頻等類型），且數據量大、性價比低，這類數據的傳輸導致網絡擁堵、存儲成本高和帶寬不足等問題。*重要的是，大量多余節點以及對事件的高頻率感知產生了大量的相似數據，進一步降低了系統性能。 由于傳感器節點以及WSN存在電池供電、處理能力、工作頻率和存儲與計算資源等方面的限制，海量感知數據的傳輸導致大量能量消耗，降低了傳感器的生命周期。同時，海量感知數據也給內存與計算資源有限的傳感器節點帶來了極大的壓力與挑戰。因此，在能量與資源受限的情況下，WSN中的協議設計、數據處理與性能優化始終是具有挑戰性的主要研究問題。 1.2無線傳感器網絡數據處理關鍵技術 為了提升WSN的性能，眾多國際組織、機構和研究者廣泛關注WSN的協議設計、數據處理與性能優化問題，并積極推動WSN的應用研究。 1.2.1相關工作 由于WSN的應用通常是以廉價和大規模部署為目的，因此其發展也受到種種限制，包括能量與內存有限、數據處理與傳輸速度相對較慢、功能簡單、魯棒性不強等。當任意傳感器節點能量消耗殆盡，就意味著網絡無法正常工作。而WSN—般部署在無人看守、環境復雜的場合中，此時很難對其補充電量或更換電池。因此，如何在無法供能的WSN中盡可能實現高效的數據傳輸與能耗節約是眾多研究者探究的首要問題（Halil et al.，2017；Feieral.，2017）。WSN的能耗主要產生在信號轉換、數據通信以及內部元件消耗3個方面，并且已經證明，傳感器節點間進行數據交換是產生能耗的主要原因。因此，設計傳感器節點間數據通信的有效方法非常重要。 *初，WSN主要用于軍事領域，部署在敵對區域用以收集戰場相關的信息，為己方軍隊的勝利提供了極大幫助。隨著WSN技術的發展，WSN開始廣泛應用到民用領域，如醫療護理（Salem et al.，2014）、工業監控（Yan et al.，2014）、環境監控（Ibanez et al.，2017）等，這將對人類社會產生深遠的影響（Pantazis et al.，2013）。因WSN巨大的應用價值，美國《商業周刊》和《麻省理工學院技術評論》分別將WSN列為21世紀*有影響力的21項技術之一和改變世界的十大技術之一（Wadeetal.，2003）。中國在《國家中長期科學和技術發展規劃綱要（2006—2020年）》中將傳感器網絡及智能信息處理作為信息產業及現代服務業的優先主題，將智能感知技術與自組織網絡技術列為信息技術研究中的前沿技術。 海量感知數據的處理是一個復雜的數據重組過程，它涉及多個學科領域，如計算機科學、信號處理、概率統計、人工智能和信息論等。數據去冗余、數據融合等技術為海量感知數據的處理提供了可行方法。基于數據融合的WSN路由技術通過為節點規劃數據的每一跳傳輸，從而為網絡構建*合適的拓撲結構，并在中間節點通過數據融合技術對來自其他節點的數據進行融合處理，以減少數據冗余量。在路由構造初期，網絡通常被設計為以簇、樹和鏈為基礎的層次型網絡結構。層次型路由將WSN中的節點按照物理位置或者數據類型分為不同層，位于不同層的節點負責不同的數據處理任務，有的節點的設備結構也可能不同。同時，為了節約能耗與延長網絡生命周期，路由維護時往往采用輪換簇頭、休眠節點和構造*小路徑樹等方式，并將節點與匯聚節點（Sink）間的路徑以及節點剩余能耗加以綜合評估。 然而，數據融合操作雖然減少了數據包大小，但往往需要簇頭節點或者根節點收集一定數量的數據后再進行下一階段的傳輸，這無疑增加了網絡的時延。在實際應用中，許多傳感器的數據需要實時處理并展示才能體現價值，如地震監控、目標追蹤和火災報警等（Prathiba et al.，2016），這使得網絡時延成為另一個決定網絡性能的關鍵因素。同時，數據的處理涉及數據傳輸過程，如何設計有效的物理層、數據鏈路層、網絡層協議也變得十分重要。 通常，網絡時延與能耗往往是兩個相互矛盾的指標（Gopikrishnan and Priakanth，2016）。若讓網絡節點盡可能多地融合其他節點的數據，以此來減少數據傳輸量，達到節能的效果，就必須要等待額外的時間來收集節點數據；相反，若通過多個融合節點同時收集數據，進行多層數據融合，雖能減少網絡時延，但將增加總的數據傳輸量，增大網絡能耗。因此，往往需要對網絡時延與能耗性能進行折中處理。 WSN的研究涉及多個交叉學科，涵蓋無線通信、網絡、嵌入式系統硬件、分布式系統、數據管理和應用等諸多方面。在學術界方面，美國計算機協會（Association for Computing Machinery，ACM）組織了嵌入式網絡傳感系統會議，主要展示了嵌入式網絡傳感器系統方面的*新研究成果；國際電氣與電子工程師學會（Institute of Electrical and Electronics Engineers，IEEE）密切關注對WSN的研究，與美國計算機協會聯合組織了傳感器網絡數據處理國際會議，主要關注WSN的數據處理，包含信號圖像處理、信息編碼理論、網絡協議、分布式算法、無線通信、機器學習、嵌人式系統設計、數據庫和信息管理。歐洲組織了歐洲無線傳感器網絡會議。同時，電氣與電子工程師學會發布了國際化標準IEEE802.15.4，為WSN的產業化與應用提供了國際統一標準。 WSN數據處理研究主要涉及協議設計、數據處理與性能優化三個方面。協議設計以物理設備以及物理層優化為切入點，通過提高傳感器節點等物理設施的部署和能效性以及對無線資源效率的優化，來達到性能提升的效果。數據處理則從單個節點和多節點協作與調度的角度，實現數據的去冗余、融合處理，實現提升數據處理性能的目的。性能優化則從資源管理和跨層的角度切入，通過調整如網絡拓撲結構等優化網絡的能量效率或設計安全機制，達到網絡系統優化的目的。 1.2.2數據去冗余處理 數據去冗余技術廣泛用于檢測和消除數據間的重復，*小化存儲和網絡開銷；同時也用于減少云存儲的存儲空間和上傳帶寬（Radia and Singh，2016）。隨著云計算快速發展，用戶和企業都希望將信息備份到云存儲中，致使云存儲的空間被大量相似數據所占用，造成了存儲空間的大量浪費。因此，數據去冗余技術在存儲領域得到了深入研究，同時在虛擬機鏡像、圖像處理和網絡環境等領域也取得了進展。 數據去冗余技術同多個學科相結合，取得了大量的研究成果。數據去冗余技術按照所采用算法的不同分為三類：基于統計學的數據去冗余技術、基于數據壓縮的數據去冗余技術和基于人工智能的數據去冗余技術。基于統計學的數據去冗余技術，通過概率分布和密度函數描述數據的不確定性，進而推斷出冗余數據。基于數據壓縮的數據去冗余技術，使用重構函數對數據進行變換，減少數據量。基于人工智能的數據去冗余技術，結合機器學習、深度學習、模糊邏輯和數據挖掘等方法，通過對歷史數據進行訓練等方式將冗余數據聚類分簇，去除相似數據，達到減少數據量的目的。 1）基于統計學的數據去冗余技術。面對云存儲冗余數據的安全問題，楊超等 （2017）提出了一種基于*大似然估計（Maximum Likelihood Estimate，MLE）與隨機數改進的客戶端密文去重的改進方案。針對圖像存在的冗余問題，薛智爽等（2019）提出了基于非本地組稀疏重建圖像的結構信息，該模型選擇非局部相似
書友推薦
- >
自卑與超越
- >
我與地壇
- >
月亮虎
- >
詩經-先民的歌唱
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
回憶愛瑪儂
- >
羅庸西南聯大授課錄
本類暢銷
