无线WSN网络（通用6篇）
无线WSN网络 篇1
1 无线传感器网络简介
无线传感器网络WSN (Wireless Sensor Network) 一种由传感器节点构成的网络, 能够实时地监测、感知和采集节点部署区的观察者感兴趣的感知对象的各种信息 (如光强、温度、湿度、噪音和有害气体浓度等物理现象) , 并对些信息进行处理后以无线的方式发送出去, 通过无线网络最终发送给观察者。无线传感器网络在军事侦察、环境监测、医疗护理、智能家居、工业生产控制以及商业等领域有着广阔的应用前景。在传感器网络中, 传感器节点具有端节点和路由的功能:一方面实现数据的采集和处理;另一方面实现数据的融合和路由, 对本身采集的数据和收到的其他节点发送的数据进行综合, 转发路由到网关节点。网关节点往往个数有限, 而且常常能量能够得到补充;网关通常使用多种方式 (如Internet、卫星或移动通信网络等) 与外界通信。而传感器节点数目非常庞大, 通常采用不能补充的电池提供能量;传感器节点的能量一旦耗尽, 那么该节点就不能进行数据采集和路由的功能, 直接影响整个传感器网络的健壮性和生命周期。因此, 传感器网络主要研究的是传感器网络节点。具体应用不同, 传感器网络节点的设计也不尽相同, 但是其基本结构是一样的。传感器网络节点一般由处理器单元、无线传输单元、传感器单元和模块单元4部分组成, 如图1所示。
2 典型无线传感器网络节点比较
目前, 国内外研究员已经开发出多种无线传感器网络节点, 其实这些节点的组成部分是类似的, 只是其应用背景不同, 对节点性能的要求也不尽相同, 因此所采用的硬件组件有很大差异。
2.1 处理器单元
处理器单元是传感器网络节点的核心, 和其他单元一起完成数据的采集、处理和收发。EM6603是4位微控制器, 功耗很低, 但处理能力也非常有限。Berkerly大学研制的Mica系列节点大多是采用Atmel公司的微控制器。其中, Mica2节点采用Atmel增强型微控制器AT-mega128L。该微控制器拥有丰富的片上资源, 包括4个定时器、4 KB SRAM、128 KB Flash和4KB EEPROM, 拥有UART、SPI、I2C、JTAG接口, 方便无线芯片和传感器的接入;有6种电源节能模式, 方便低功耗设计。采用该处理器的另外一个优点是:编译器很多, 其中GCC (WINAVR) 是完全免费、开放的软件。
就低功耗而言, MSP430F1xx MCU系列提供业界较低的电流消耗, 工作电压为1.8 V, 实时时钟待机电流的消耗仅为1.1μA, 而运行模式电流低至300μA (1 MHz) , 从休眠至正常工作整个唤醒过程仅需6μs。在某些数据量大的应用中, 高端的处理器也有应用。例如μAMPS1节点采用Strong ARM处理器SA1110, 功耗为27~976 m W。该处理器支持DVS节能, 可以降低功耗450 m W左右;关掉无线模块功耗可以降低300 m W。μAMPS2采用的处理器是DSP。XYZnode采用的处理器是OKI公司的ARMT-DMI内核的ML67Q5002, 该处理器也支持DFS (动态频率调节) , 工作电流为15~72 m A, 频率为1.8~57.6 MHz。
从处理器的角度看, 无线传感器网络节点基本可以分为两类:一类采用以ARM处理器为代表的高端处理器。该类节点的能量消耗比采用微控制器大很多, 多数支持DVS (动态电压调节) 或DFS (动态频率调节) 等节能策略, 但是其处理能力也强很多, 适合图像等高数据量业务的应用;此外, 采用高端处理器来作为网关节点也是不错的选择。Atmel、Intel、Samsung这3款处理器是ARM内核的处理器, 功耗明显比低端微控制器高很多。另一类是以采用低端微控制器为代表的节点。该类节点的处理能力较弱, 但是能量消耗功率也很小。在选择处理器时应该首先考虑系统对处理能力的需要, 然后再考虑功耗问题。
2.2 无线传输技术及芯片
可以利用的传输媒体有空气、红外、激光、超声波等, 常用的无线通信技术有:802.11b、802.15.4 (ZigBee) 、Bluetooth、UWB、RFID、IrDA等;还有很多芯片双方通信的协议由用户自己定义, 这些芯片一般工作在ISM免费频段。利用激光作为传输媒体, 功耗比用电磁波低, 更安全。缺点是:只能直线传输;易受大气状况影响;传输具有方向性。这些缺点决定这不是一种理想的传输介质。红外线的传输也具有方向性, 距离短, 不需要天线。芯片83F88S是一种符合IrDA标准的无线收发芯片。UWB具有发射信号功率谱密度低、系统复杂度低、对信道衰落不敏感、安全性好、数据传输率高、能提供数cm的定位精度等优点;缺点是传输距离只有10 m左右, 隔墙穿透力不好。在无线传感器网络中应用最多的是ZigBee和普通射频芯片。ZigBee是一种近距离、低复杂度、低功耗、低数据速率、低成本的双向无线通信技术, 完整的协议栈只有32 KB, 可以嵌入各种设备中, 同时支持地理定位功能。以上特点决定ZigBee技术非常适合应用在无线传感器网络中。
2.3 电源模块
电池种类很多, 电池储能大小与形状、活动离子的扩散速度、电极材料的选择等因素有关。无线传感器网络节点的电池一般不易更换, 所以选择电池非常重要, DCDC模块的效率也至关重要;另外, 还可以利用自然界的能源来补充电池的能量。按照能否充电, 电池可分为可充电电池和不可充电电池;根据电极材料, 电池可以分为镍铬电池、镍锌电池、银锌电池和锂电池、锂聚合物电池等。一般不可充电电池比可充电电池能量密度高, 如果没有能量补给来源, 则应选择不可充电电池。常见电池的性能参数如下表所列。无线传感器网络节点一般工作在户外, 可以利用自然能源来补给电池的能量。自然界可利用的能量有太阳能、电磁能、振动能、核能等。由于可充电电池的次数是有限的, 而且大多数可充电电池有记忆效应, 因此利用自然界的能量不能频繁对电池充电, 否则会大大缩短电池的使用寿命。
2.4 传感器模块
传感器种类很多, 可以检测温湿度、光照、噪声、振动、磁场、加速度等物理量。传感器电源的供电电路设计对传感器模块的能量消耗来说非常重要。对于小电流工作的传感器 (几百μA) , 可由处理器I/O口直接驱动;当不用该传感器时, 将I/O口设置为输入方式。这样外部传感器没有能量输入, 也就没有能量消耗, 例如温度传感器DS18B20可以采用这种方式。对于大电流工作的传感器模块, I/O口不能直接驱动传感器, 通常使用场效应管 (如Irlm16402) 来控制后级电路能量输入。当有多个大电流传感器接入时, 通常使用集成的模拟开关芯片来实现电源控制, MAX4678就是这样一款芯片。
3 结论
由于应用背景不同, 目前国内外存在很多硬件平台, 采用的无线通信技术也有很多种。本文主要总结了目前常见的无线传感器网络硬件平台, 分析比较了常用的处理器、无线芯片、无线通信技术、传感器和电源, 并始终把功耗作为考虑的重要比较因素之一。通过对无线传感器网络硬件平台的详细分析, 期望能对我国的无线传感器网络的研究和发展起到积极作用
参考文献
[1]石晓军.无线传感器网络节点硬件平台综述[J].军事通信技术, 2007-07-25.
WSN中无线触发传感MAC协议 篇2
WSN由具有感知和计算能力的低功率设备构成, 这些小的廉价设备由电池供能, 因此传感器节点必须是有效能量。
在一个传感器节点上无线电经常使用能量的组成部分。WSN中传统WSN协议节省能量依靠介绍唤醒/休眠调度方法的概念, 在这方法中节点在侦听和休眠之间周期地改变。使用周期循环方法和MAC协议是感知MAC (S-MAC) , 定时MAC (T-MAC) 等。唤醒/休眠调度方法常称独立而复杂的应用。在系统事件的节点和定时之间同步频率应仔细被设计, 否则在网络中一些节点可能错过唤醒需求。而且, 周期循环MAC协议中在能耗和延迟之间常折衷。低周期循环产生低能耗, 但在数据通信内, 同时增加延迟, 这在许多应用中是不可能提供的。
2 设计和实现
这部分中, 描述解决方法减少需求为在一个传感器节点上周期性唤醒射频模式。RTM协议基于被动无线传感器探测无线传送在一个射频模式的操作范围之内。无线传感器是一个被动设备和从接收无线信号中自己供能。传感器的射频模式保留空间完全地关闭。通过使用附在传感器节点上的被动无疑传感器硬件, 传感器节点从休眠状态唤醒。在休眠模式中这个特点导致传感器节点的许多年操作并立刻唤醒为数据通信需要。
2.1 被动无线传感器
使用的传感器节点是被动设备, 这在RFID数据中是非常流行的。在这使用的无线传感器为操作提供任何功率。无线传感器收集足够的能量从周围触发中继到唤醒网络节点。而且, 无线传感器运行一个超带滤波器, 这被选择的信号和中继网络节点仅当天线信号在一个RF模块的操作范围之内被监测到, 这阻止节点发出错误警报和不必要的唤醒。
不像其他传统的MAC协议, 这使分离信道为唤醒信息, RTM使用相同信道为唤醒前导码, 被无线传感器运行在相同操作频率的节点通信中。
在传感器节点处RF模块常被关掉。无论何时在环境中无线传感器探测传送传感器节点被唤醒。射频模块然后处理剩余的通信。在完成通信后, 射频模块再一次被关掉。
2.2 传感器节点唤醒
在通信开始, 传送者通过使用CSMA/CA协议竞争媒介, 一个赢家发送一个唤醒前导来唤醒休眠节点。唤醒前导是一些字节的规则比特形式且不包含任何有用的信息唤醒前导用于为间断传感器节点的被动无线传感器节点。被动射频传感器由唤醒前导供能邻节点唤醒它各自的节点。因此, 节点准备通信。
2.3 通信
图1表明采用RTM传感器节点的数据发送过程。在RTM中通信甚至类似于IEEE802.11。我们采用RTS/CTS机制解决隐藏终端问题。同样, RTS/CTS机制阻止节点偷听, 如图1所示, 发送者先发送唤醒前导初始化通信。被动传感器的接收节点由前导唤醒他们自己供能。在发送唤醒前导之后, 发送者传送RTS和等待CTS。如果一个节点在一定时间内没有得到CTS, 试图重发送RTS在一定门槛数量时间。在传送失败后, 节点放弃然后进入休眠。如节点成功地接收CTS, 然后发送数据并等待ACK。在获得ACK后, 节点进入休眠, 如果节点在一定时间内没有获得ACK, 它重传数据。
3 结论
本文中, 提出一个新能量效率M AC协议称R T M, 其具有两个优势:低延迟和高能量效率。为达到上面提到的优势, 提出的RTM使用一个被动无线传感器, 这唤醒休眠状态的节点, 无论何时在周围有通信。因为被动传感器, 节点能在休眠节点花费大部分时间, 并立刻唤醒, 无论何时有通信时。
摘要：本文中, 我们提出一种新的MAC协议, 称无线触发传感器MAC (RTM) 协议, 有望成为下一代传感器网络。提出的RTM是一个跨层MAC协议, 利用被动无线传感器硬件来有效进行媒介访问。被动无线传感器从天线信号中获得能量并供给其能量。被动无线传感器有义务唤醒休眠节点, 传感器节点处于休眠模式其正常通信无线电关闭。为与邻传感器节点通信, 传送一个唤醒信号。这个唤醒信号提供给唤醒的传感器节点的被动无线传感器。在数据通信之后, 关掉传感器节点。RTM协议表明用更少的能耗和更快的数据传递特点将对具体的应用如无线身体区域网络和安全监控系统非常有价值。
关键词：被动无线电传感器,无线触发,MAC,WSN,RTM
参考文献
无线WSN网络 篇3
神经网络(Neural Network,简称NN)是对人脑或自然神经网络若干基本特性的抽象和模拟,是一门多个学科领域的边缘交又学科。它以对大脑的生理研究成果为基础,旨在模拟大脑的某些机理与机制,实现某个方面的功能[4]。
神经网络与数据融合具有一个共同的基本特征,即通过对大量的数据进行一定的运算和处理,得到能够反映这些数据特征的结论性的结果。本文提出一种新的无线传感器网络数据融合算法,该算法基于分簇无线传感器网络模型,将其中的分簇结构与神经网络模型相结合,在簇头节点利用神经网络算法对簇成员节点的数据进行融合处理,以有效地减少网络中传输的数据量,延长网络使用寿命。
1 无线传感器网络模型与神经网络模型
无线传感器网络由大量部署于监控区域的传感器节点组成。传感器节点分为3类:基站、簇头和普通传感节点。层次化无线传感器网络如图1所示。
本文采用的神经网络模型是典型的前馈神经网络—多层感知器(MLP)[5]。多层感知器由若干层非线性神经元组成,每个神经元都是一个感知器,每层包含多个感知器,相邻层的神经元用权连接起来。图2给出了多层感知器的结构示意图,通常情况下,层与层之间是全连接的,信号沿着前馈方向,即从左边到右边,逐层传递。
2 具体数据融合算法
本算法基于三层感知器神经网络模型,对应无线传感器网络中的一个簇。其中,输入层和第一隐层位于簇成员节点中,而输出层和第二隐层位于簇头节点中。
假设无线传感器网络中一个簇内有n个簇成员节点,每个簇成员节点采集m种不同类型的数据,那么该神经网络模型共有n×m个输入层节点、n×m个第一隐层神经元。第二隐层神经元的数量、和输出层神经元的数量k可以根据实际应用的需要进行调整,与簇成员节点的数量n并没有联系。对于不同类型的数据,第二隐层的数量可以不同。在输入层与第一隐层之间、第一隐层和第二隐层间没有采用全连接,只是对不同类型的数据分别进行处理;而第二隐层与输出层之间是全连接的,可以对不同类型的数据进行综合处理。
根据这样一种三层感知器神经网络模型,本文的数据融合算法首先在每个传感器节点对所有采集到的数据按照第一隐层神经元函数进行初步处理,然后将处理结果发送给其所在簇的簇头节点。簇头节点再根据第二隐层神经元函数和输出层神经元函数进行进一步地处理。最后,由簇头节点将处理结果发送给汇聚节点。下面以第一隐层神经元功能模型为例,叙述神经元函数信息处理过程。
第一隐层神经元位于簇成员节点。每个簇成员节点中第一隐层神经元的数量是根据传感器节点所采集的数据类型来决定的,不同类型的数据由不同的神经元来进行处理。第一隐层神经元功能模型的输入区、处理区和输出区三个功能函数如图3所示。
3 性能仿真
将本文的融合算法与基于卡尔曼滤波的融合方法进行比较,在条件相同的情况下,考察两算法性能的主要指标,包括:网络总能耗、节点平均剩余能量和平均时延三个方面。如图4所示。
图中,表示基于神经网络的融合算法,表示基于卡尔曼滤波的融合方法,由图可知,本文基于神经网络的融合算法在这三方面均优于基于卡尔曼滤波的融合方法。
4 结论
本文将神经网络功能模型与层次化无线传感器网络相结合,提出一种基于神经网络的无线传感器网络数据融合算法,通过采用该算法,有效地减少了网络的能耗,延长了无线传感器网络的生存周期,是一种较为实用的无线传感器网络数据融合算法。
摘要：该文将神经网络功能模型引入无线传感器网络,提出一种基于神经网络的无线传感器网络数据融合算法。实验表明该算法有效地减少了网络的能耗,延长了无线传感器网络的生存周期,是一种较为实用的无线传感器网络数据融合算法。
关键词：无线传感器网络,数据融合,神经网络
参考文献
[1]李建中,高宏.无线传感器网络的研究进展[J].计算机研究与发展,2008(1):1-15.
[2]Castelluccia C,Mykletun E,Tsudik G.Efficient aggregation of encrypted data in wireless sensor networks[J].Mobile and Ubiquitous Sys-tems:Networking and Services MobiQuitous,2005.
[3]Chen J,Pandurangan G,Xu D.Robust computation of aggregates in wireless sensor networks:Distributed randomized algorithms and anal-ysis[C].IPSN,2005:348-355.
[4]Simon Haykin.神经网络原理[M].北京:机械工业出版社,2004.
无线WSN网络 篇4
关键词：无线传感器网络,覆盖,能量
1 引言
覆盖控制问题[1,2,3]是无线传感器网络[4]研究中一个很基本、很重要的问题, 在该问题上的研究有利于网络性能的准确分析和网络协议的设计, 可以为覆盖控制和拓扑控制协议的分析、设计和评价提供理论依据和方法。目前许多学者做的与覆盖有关的工作, 通常借用圆覆盖问题、几何问题和受限密码理论中的某种拓扑问题的解决方法。这些问题的研究中, 节点的初始分布对于问题的解决有很大的影响。但是, 在目前拓扑发现和覆盖问题的研究中, 初始分布都是随机的。因此优化初始的节点分布在很大程度上会改善整个网络的使用性能, 这是在网络覆盖理论研究上的一个热点方向。此外, 覆盖时的能量优化以及延长网络寿命的覆盖方案也是无线传感器网络覆盖问题的新兴研究方向[5]。
目前, 基于冗余节点消除的代表算法有基于角度覆盖判定的CPNSS算法[6], CPNSS算法的思想是通过计算邻居节点对其张开角的总和, 判定一个节点是否被所有邻居节点覆盖了[0, 2π], 以此作为判定该节点为冗余节点的依据。该算法中, 由于采用张开角方式判断覆盖, 这使得每个节点在考虑是否被覆盖时, 只考虑与其距离不大于探测半径的节点, 这使得其计算出的冗余节点集合偏小。本文通过对CPNSS算法进行了分析, 提出了一种高效节能的ECPNSS算法。
2 覆盖保持的节点调度算法CPNSS核心思想
DiTian[6]等人提出的覆盖保持节点调度算法 (A Coverage-Preserving Node Scheduling Scheme) 基于找到最优的节点数并且确保初始覆盖, 它适用于具有一定冗余的网络, 网络密度可达到20nodes/m3。通过网络中每个节点不断地收集本地邻居信息和自身信息, 来判断邻居是否能覆盖其所能覆盖的整个区域, 如果节点满足该条件, 则判定该节点是冗余节点, 并将其关闭, 转入休眠状态。其核心思想是如何进行冗余节点的判定, 具体描述如下。
CPNSS算法采用中心角计算法进行冗余节点判定。为便于理解, CPNSS算法作了如下定义:
定义 (1) 节点间距
任意两个节点u和v, 节点u (xu, yu) 到节点v (xv, yv) 的节点间距用如下公式表示:
定义 (2) 邻居节点集
在有限区域A, 考虑传感器节点集合{S1, S2, …SN}, r为半径。则节点Si的邻居节点集为:
定义 (3) 中心角计算法
如果节点Si被其邻居节点N (Si) 覆盖了其整个探测区域[0, 2π], 则该节点为冗余节点。具体如图1所示:B对A的张开角为∠P1AP2, 记为∠B→A。对图中的邻居节点A而言, B覆盖A的面积为弧P1A1P2和弧P1B1P2相夹的区域, 为方便计算只考虑扇形P1AP2, 该扇形由∠P1AP2确定。
设β=∠BAP2, α=∠BAX, 则张开角为[α-β, α+β], 如果α-β<0, 则张开角区间修改为[0, α+β]U[2π+ (α-β) , 2π], 每个节点计算张开角时要首先计算与基准轴的夹角。如果节点v的所有邻居节点对v张开角的合集覆盖了[0, 2π], 则节点v是一个冗余节点。即:
计算如下, 如A、B点坐标分别为:A (XA, YA) , B (XB, YB) , 则
此外, 在CPNSS算法中, 引入一个随机延迟的策略作为同步机制, 确保两个节点不会同时关闭而导致盲区的出现。该机制规定每个节点在某个随机时间T后, 才开始判断其状态。据此减少节点同时关闭而出现覆盖盲区的概率。
3 一种高效的覆盖优化算法ECPNSS算法
3.1 ECPNSS优化算法核心思想
CPNSS算法存在的3个问题:
(1) 查找冗余节点效率不高, 过多浪费成本。
(2) CPNSS算法仅仅考虑感应范围r=通信范围R的情况, 不利于整个网络的连通性。应根据实际情况, 并考虑网络连通性。
(3) CPNSS算法仅考虑了避免盲点和冲突, 随机选择关闭部分冗余节点。没考虑节点当前能量, 虽能解决同步问题, 但是能量利用不均衡, 不利于保护低能量节点。
针对CPNSS算法所存在的问题, 本文设计的ECPNSS算法对CPNSS算法的改进如下:
(1) 扩展的中心角计算法
第1步:先求出所有未被N1 (Si) 覆盖的弧段, 包括其弧度范围、弧头和弧尾的地址。以一段弧为例, 设弧头和弧尾为A、B点。为减少计算, 此时考察N2 (Si) 中与该弧段的弧头和弧尾的邻居节点的交集, 表示如下:
其中, N3 (Si) ∈N2 (Si) 。
第2步:计算该弧段是否能被N3 (Si) 辅助覆盖。
第3步:进行判断, 若所有未被覆盖弧段都能被辅助覆盖, 则为冗余节点, 反之, 则为活动节点。
该方法可提高冗余判定效率, 降低算法复杂性。
(2) 网络连通扩展性
根据实际情况, 并考虑网络连通性, 将问题2中节点的通信半径R扩大为感应半径r的2倍, 文献[7]中给出了完整的证明:当传感器节点的通信半径大于等于2倍感应半径时, 能保持连通且覆盖。
(3) 能量均衡策略
在SAM包中加入节点当前能量值字段, 通过广播SAM包, 获取邻居节点当前状态和能量信息。各节点根据收到的SAM包中邻居节点能量值与自身进行比较, 能量低的节点优先进行冗余关闭, 同时满足如下两个条件的节点可关闭休眠。即:该节点被其邻居节点覆盖 (冗余节点) , 且该节点的能量值最低。依次循环, 直至该集合中无冗余节点。
3.2 基本数据结构设计
采用0-1模型, 每个节点为一个结构体, 包含如下属性:节点位置、节点ID、节点状态、当前能量、邻居节点表。如下:
其中, 位置表示为节点的X和Y坐标, 邻居节点表包含了邻居节点位置信息及状态, 节点状态共有3种, 取值分别为{0, 1, 2}, 0表示节点为死亡节点, 1表示节点为活动工作节点, 2表示节点为休眠节点, 状态转移关系可表示如图2:
网络中传输的数据包分3种类型, 分别为PA M (Position Advertisement Message) 、SAM (Status Advertisement Message) 和DTM (Data Transmission Message) 。其中PAM和SAM为用于网络控制开销的位置广播包和状态广播包, DTM为网络收集的有用信息数据包。PAM包含节点位置信息和节点ID, 在网络初始阶段向邻居进行广播, 宣布其位置信息并获取其邻居节点的位置信息;SAM包也向邻居节点进行广播, 宣布其状态并获取其它节点状态信息。为了尽量减少控制开销, 避免过多的浪费网络能量, PAM包和SAM包设计得尽量小, 使得能耗降低。
3.3 冗余节点判定
(1) 网络初试, 节点保持其位置信息, 并广播PAM数据包。获取邻居节点位置信息, 加入邻居节点表中。
(2) 根据邻居节点表信息, 计算节点与邻居的距离。以任一节点Si为例, 按节点间距将邻居节点集分为两部分并按距离大小进行初步排序。
(3) 向邻居节点广播SAM数据包。更新邻居节点状态表。初始均为活动状态。只有距离在2r内, 并且状态为1的点才是符合要求的邻居节点。
(4) 活动节点在T时隙逐一判别其是否为冗余节点, 能量值越小的节点, 越优先处理。
(5) 如果SetRs∈φ, 即节点Si探测半径内无邻居节点, SetRc不能完全对其进行覆盖, 则可以直接判定该节点不能被覆盖, 为活动节点, 转第4步。
(6) 如果SetRs∉φ, 分别求出SetRs集所有节点对Si的覆盖角。计算α和β, 则覆盖角为[α-β, α+β]。
(7) 求得SetRs中所有对Si覆盖角的合集。首先利用函数sort将所有覆盖角按第1列数据大小进行排序, 接着利用函数AngleScopeSetLen计算所有覆盖角合集的长度值之和AngleScopeSetSortLen。
(8) 如果覆盖角的长度和AngleScopeSetSortLen-[0, 2π]≤0.0001, 表示覆盖角包含了[0, 2π], 该节点为冗余节点并广播状态消息。其中, 0.0001为误差精度。
(9) 如果SetRs不能覆盖Si, 则计算SetRc中的辅助覆盖节点对Si的覆盖角。计算方法为:利用AngleAxis函数计算所有未被覆盖弧段起始点坐标及弧段数。以一段弧为例, 设弧头和弧尾分别为A, B。然后判断SetRc中与A, B点距离在2倍探测半径内的节点能否覆盖该弧段, 具体方法同上。
(10) 判断SetRs和SetRc是否能联合覆盖Si, 如果能包含[0, 2π], 则表示该节点为冗余节点, 节点状态赋为2;如果不能包含[0, 2π], 表示该节点为活动节点, 节点状态仍为1, 统计该节点。如果还有节点没进行判断, 转至第4步判断下一个节点, 否则结束。
3.4 冗余节点关闭休眠
(1) 初始输入为冗余判定阶段产生的冗余节点集合SetR (edun[Num]。其中, Num为冗余节点个数。
(2) 将冗余节点集合SetRedun[Num]中各冗余节点按能量大小排序。SetRedun[1]为冗余节点集合中能量最低的节点。
(3) For i=1:Num。SetRedun[i]关闭休眠, 该节点NodeState=2, 发送SAM包更新其邻居节点信息。
(4) 判断SetRedun[Num]中是否还有新冗余节点剩余, 若无新冗余节点, 则直接退出程序, 本轮结束;否则, 转下一步。
(5) 判断以SetRedun[i]为邻居节点的冗余节点是否仍为冗余节点。若不再为冗余节点, 则退出该集合, 该节点NodeState=1, Num=Num-1。
(6) i=i+1, 转第3步。程序出口为第4步。
4 基于LEACH协议的扩展仿真实验
本文将通过将ECPNSS算法和CPNSS算法应用于LEACH协议[8], 从整体上检验算法的效果。比较的参数有网络生存期、网络平均能量、节点剩余能量, 活动节点数、网络DTM有效数据传输量。其中, 文献[6]给出了网络生存期的定义:网络中所有节点能量耗尽或网络不再提供满意的时间监测率所经历的时间。
4.1 仿真场景及参数
仿真采用MATLAB6.5作为模拟平台。LEACH协议的MATLAB源代码可从文献[9]中获得。该源代码缺少数据压缩处理部分代码, 但不妨碍本章实验。仿真中大部分参数设置源于LEACH协议。考虑到传感器网络初始拓扑的随机性及实验平台的限制, 循环运行50次。仿真参数如表1所示。
4.2 仿真结果分析
图3为网络中除去冗余节点和死亡节点, 每轮的活动节点数统计比较图。从中可以看出, LEACH算法未进行冗余优化, 随时间推移网络能量耗尽的节点直线增加引入CPNSS算法优化后, 网络总工作的轮数增加到130左右, 较初始LEACH协议工作轮数延长了40轮, 网络利用率提高了近1.5倍。而引入了ECPNSS算法后, 网络共工作了约184轮, 多出了CPNSS算法54轮, 是LEACH协议的2倍多。
当网络能量耗尽而死亡后, 统计所有节点的剩余能量。从图4中可以看出, LEACH算法的多数节点能量保持在0.0001J至0.0002J, 基本均衡。而CPNSS-LEACH算法和ECPNSS-LEACH的节点能量多数低于0.0001J, 利用较LEACH更充分。文献[10]指出, 同构网络具有较确定的生命期, 网络中节点基本在同一时间死亡, 整个网络失效时网络中有较少的能量剩余。本文仿真结果与其分析基本一致。
图5为3种算法下的传感器网络平均能量动态变化图。从中可以看出, LEACH算法的网络平均能量下降较快。CPNSS-LEACH算法下降接近15%, 而ECPNSS-LEACH算法下降不到10%。在整个网络运行过程中, ECPNSS-LEACH算法的网络平均能量均高于CPNSS-LEACH算法和LEACH算法。网络能量利用率较高, 冗余节点的能量得到了较好的保护。ECPNSS-LEACH算法较LEACH算法提高了网络平均能量, 延长了网络生存时间, 效果比CPNSS-LEACH算法更明显。
图6为网络DTM数据量比较图。该图统计了网络中传输所有有用信息, 即传感器节点收集到的DTM事件信息。从该图可以看出, LEACH共发送了3.865 6×107bi信息, CPNSS-LEACH算法发送了2.787 6×107bit信息, ECPNSS-LEACH算法发送了2.245 6×107bit信息。虽然ECPNSS-LEACH算法发送的数据量要低于LEACH和CPNSS-LEACH, 但该数据没经过数据压缩, 含有大量无用重复信息, 主要由于ECPNSS算法消耗了一定的控制开销, 但相比整个网络能量来说, 该开销是值得的。
从以上仿真结果可以看出, ECPNSS算法和CPNSS算法对于提高网络能量利用率, 延长网络生存时间效果显著。而ECPNSS算法较CPNSS算法效果更佳, 是一种行之有效的高效节能的网络覆盖控制优化算法。
5 结语
本文创新点在于:在保持网络初始覆盖的前提下, 高效判定网络冗余节点和节省网络能耗。分析了经典的CPNSS算法, 并对该算法进行了改进, 提出了一种高效节能的覆盖优化算法ECPNSS算法。ECPNSS算法扩展了中心角计算法, 在冗余节点关闭策略上, 更注重保护低能量节点, 有效均衡了网络能量, 降低了网络能量消耗。通过分析, 证明了ECPNSS算法在保持覆盖的前提下, 极大地降低了网络冗余。最后, 将ECPNSS算法应用于LEACH协议。实验表明, ECPNSS算法有效延长了网络生存期, 节省了网络能量, 对网络应用有利。
本文提出的高效节能的覆盖优化算法虽然在一定程度上改善了现有基于冗余休眠的覆盖优化算法, 但其在实际应用中还存在一些问题如覆盖算法的边界效应问题, 传感器节点的移动性, 数据错误及丢包情况等。这也是后续将要进一步研究的问题。
参考文献
[1]Shakkottai S, Srikant R, Shroff N.Unreliable sensor grids:Coverage, connectivity and diameter.In:Bauer F, ed.Proc.of the IEEE Infocom.San Francisco:IEEE Press, 2003.1073-1083
[2]Chakrabarty K, Lyengar SS, Qi H, Cho E.Grid coverage for surveillance and target location in distributed sensor networks[C].IEEE Trans.on Computers, 2002, 51 (12) :1448-1453
[3]Megerian S, Koushanfar F, Potkonjak M, Srivastava MB.Worst and best-case coverage in sensor networks[C].IEEE Trans.on Mobile Computing, 2005, 4 (1) :84-92
[4]Tilak S, Abu-Ghazaleh NB, Heinzelman W.A taxonomy of wireless sensor network models[C].Mobile Computing and Communications Review, 2002, 1 (2) :1-8
[5]Li JZ, Li JB, Shi SF.Concepts, issues and advance of sensor networks and data management of sensor networks[J].Journal of Software, 2003, 14 (10) :1717-1727
[6]D.Tian, N.D.Georganas.A Coverage-Preserving Node Scheduling Scheme for Large Wireless Sensor Networks[C].In:Proceedings of ACM Workshop on Wireless Sensor Networks and Applications.USA:ACM Press, 2002, 124-128
[7]H.Zhang and J.C.Hou.Maintaining sensing coverage and connectivity in large sensor networks[J].Technical report, UIUC, 2003
[8]W.Heinzelman, A.Chandrakasan, and H.Balakrishnan, An Application-Specific Protocol Architecture for Wireless Microsensor Networks[J].IEEE Trans.Wireless Comm., 2002, 10 (1) :660-670
[9]http://www.programsalon.com/downloads74/doc/comm/detail27204.htl
无线WSN网络 篇5
无线传感器网络(WSN)能实时监测、感知和采集网络分布区域内的各种环境或监测对象的信息,并对这些信息进行处理,从而获取对监测目标详尽而准确的描述数据,具有巨大应用前景[1]。然而,单一传感器获得的信息具有局部性、不确定性,甚至误差,因此,在WSN中对多个传感器信息进行融合显得十分重要。目前,对WSN信息融合的研究多集中于网内的分布式数据处理方法,如基于应用的定向扩散数据融合方法、基于查询的数据融合方法和基于层次的数据融合方法等[2,3]。限于传感器节点的数据处理能力有限,且分布式数据处理方案尚不完善,仍会有大量的冗余数据涌入汇聚节点,势必导致汇聚节点信息传输量增加,并带来较大的传输延迟。
文章以WSN在水情监测中的应用为背景,研究了WSN数据融合体系结构,提出了一种为弥补网内分布式数据融合不足的集中式信息融合方法。该方法以高性能汇聚节点为硬件平台,使用BP神经网络为数据融合算法,充分结合了FPGA和BP神经网络在数据处理方面的优势。首先,构建了针对水情监测应用的WSN数据融合框架;其次,提出一种基于脉动阵列的BP神经网络FPGA实现方法;最后,以洪水预报为应用实例,探讨了该方法在减少汇聚节点数据发送量、降低系统决策延迟以及融合算法可重构等方面带来的性能提升。
1 WSN水情监测系统信息融合框架
WSN水情监测系统是采用WSN对指定流域的水位、流量等水情信息进行采集、处理并发送至监测中心,以达到对流域水情的实时监测、预警预报等目的的系统。WSN水情监测系统由WSN网络、远程通信链路和监测中心3部分构成。WSN网络中的传感器节点采集水情信息并向汇聚节点转发,所有水情数据通过汇聚节点处理后经远程通信链路发送至监测中心。系统结构如图1所示。
考虑到WSN网络中大量冗余信息的存在,以及水情检测系统对实时性、数据精确性的要求,文章对WSN区域采用了混合式体系结构信息融合方案,即先通过传感器节点对采集信息进行分布式处理,再在汇聚节点对接收到的信息做集中式融合处理。混合式信息融合框架图如图2所示。
文章将重点放在集中式融合处理部分,汇聚节点在接收到传感器节点局部融合后的数据后,统一进行数据预处理,然后送入训练好的BP神经网络融合模块做融合处理,汇聚节点可直接将根据处理结果所作的决策信息发向监测中心。此外,汇聚节点对融合处理后的决策信息以及各传感器上传的原始信息均存储备份,这样既可以作为历史数据方便查询,又可以将其作为BP神经网络训练权值的经验数据使用。
2 BP神经网络的FPGA实现
BP神经网络是典型的前馈多层感知器网络,具有强大的非线性映射能力和学习功能,是目前使用的最为广泛的神经网络模型[4]。要在FPGA内实现整个BP网络,关键在于流水线处理单元阵列和其控制电路。实现结构的详细描述如图3所示。
图3中虚线方框内部是多个处理单元构成的MVM(3个矩阵向量乘积)处理阵列和单点计算单元,余下部分为相应的控制电路。处理单元阵列需要输入样本向量以及其期望输出值,阵列中每个处理单元主要由乘累加单元以及用于存储权值和中间计算结果的REG寄存器组成,在控制单元mode信号的控制下完成流水线不同阶段的计算。单点计算单元包括激活函数f、乘法器和加法器,其中激活函数单元f使用查找表LUT实现。控制器使用LMSE和ITERATION寄存器来决定结束条件,LMSE中存储用户允许最小均方误差,ITERA-TION中存储训练规定的最大训练次数。当处理单元阵列计算出的最小均方误差lmse低于LMSE值或者训练次数达到规定最大值时,BP网络整个训练结束并发出完成信号DONE。
文章以Xilinx公司的XC2VP30芯片为目标器件,对8×5×2的3层BP神经网络进行了实现。综合后最高时钟频率可达183.286MHz,具体资源使用情况如表1所示。
由表1FPGA综合结果可见,通过对脉动阵列2种MVM处理方法结合使用,网络在各项资源上消耗都较少,很适合实现更大型的BP网络。
3 实验分析
洪水预报是水情监测系统的目的之一,可分为水位预报和流量预报。其原理是根据历史洪水经验、水文资料以及实时监测水情信息分析判断,实现对下游水位或流量的预测。下面重点讨论本文信息融合方法在洪水预报应用中对系统性能的改善。
对洪水预报选用8×5×2的BP神经网络,输入为某个时间段内采集的上游水位、流量信息,2个输出分别为下游水位和流量的预报值。传统方法对WSN采集数据只做分布式融合处理[5],经汇聚节点转发至监测中心后再统一处理(在PC机上以软件方式完成BP神经网络数据处理)并作出决策即洪水预报。文章方法结合分布式融合处理的优势将监测中心的数据处理提前至汇聚节点完成,这样汇聚节点只需向监控中心发送决策数据,大大减少了信息发送量;同时数据处理、发送时间也相对减少,提高了系统的实时性。此外,由于FPGA的可重构特性,BP神经网络在拓扑结构、激活函数等多方面可轻易实现硬件可重构。本文方法与传统方法的比较如表2所示。
表2给出了本文方法与传统方法在各方面的具体比较。首先关注本文融合方案对汇聚节点数据发送量影响。考虑到汇聚节点接收的数据量较大,这里忽略数据帧的帧首、帧尾和校验位的影响,且设定BP网络输入、输出数据具有同等长度。显然,使用融合前后数据量变化与BP网络输入输出个数有关,在保证大量数据输入的情况下,融合后数据量只有未融合时的1/4。和传统方法相比,主要区别在数据传送时间(ttran)和融合计算时间(tcomp)2个方面。在同等传输速率下可知,在汇聚节点融合处理后,数据发送时间;由前述综合结果可知,使用FPGA实现的BP神经网络在计算速度上可比PC软件提高50倍左右,即。可见在汇聚节点采用FPGA数据融合后可大幅降低洪水预报决策延迟时间。
4 结束语
文章以WSN在水情监测中的应用为背景,提出了一种基于FPGA和BP神经网络的汇聚节点信息融合方案,并给出了使用该方法在FPGA中实现3层BP网络的具体过程。通过该方案在洪水预报中的应用分析,说明其在减少数据发送量、降低系统决策延迟时间等方面带来的性能提升。这种汇聚节点信息融合方案可以适用于多种WSN应用中,特别是那些监测区域广、数据信息量大,并对系统实时性要求较高的场合。同时,用于数据融合的算法也不仅局限于BP神经网络,可以根据具体的应用需求动态选择。
参考文献
[1]李建中,高宏.无线传感器网络的研究进展[J].计算机研究与发展,2008(01):11-15.
[2]王雪.无线传感网络测量系统[M].北京:机械工业出版社,2007.
[3]Eduardo F,Nakamura,Antonio A.F,et al.Information fusion for wireless sensor networks:Methods,models,and classifications[M].ACM,2007.
[4]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社,2006.
无线WSN网络 篇6
近几年来,我国规模化养殖业蓬勃发展。随着养殖规模越来越大,集约化程度越来越高,信息与自动化的现代管理技术显得越来越重要[1]。与此同时,疫情防治、食品安全和环境污染等一系列问题都需要得到进一步的解决[2,3]。
无线射频识别技术(RFID)[4]和无线传感器网络(WSN)[5]是当今非常重要的两种技术。前者用于目标物体的识别,后者用于目标环境状况的监测。如果将二者结合起来,将具有更广泛的应用前景[6]。
本文在分析RFID和WSN技术优势的基础上,通过RFID和WSN的融合,将其应用于开发大规模现代化养殖场管理系统中去。其中,RFID技术实现牲畜个体的识别与追踪[7],WSN技术完成牲畜健康状况和养殖场环境的实时监测,为养殖场的自动化管理、环境污染、疫情防治和食品安全等问题提供了综合的解决办法。
系统的网络架构是整个系统的核心。本文在深入分析现有RFID和WSN融合的网络架构的基础上,对大规模养殖场管理系统的网络架构及需要开发的关键部分进行了设计。
1 RFID和WSN融合的几种类型
目前提出的RFID和WSN技术的融合类型可以分为4种[8,9,10,11,12]:一是将RFID标签和传感器相融合;二是将RFID标签和无线传感器网络节点相融合;三是将RFID阅读器和无线传感器网络节点相融合;四是将RFID阅读器和WSN基站相融合。
1.1 RFID标签和传感器相融合
这一类融合是将传感器集成在RFID标签中,带有传感器的RFID标签(被称为“传感器标签”)具有监测能力,监测获得的数据以及RFID标签中存储的数据仍然使用原来的RFID协议和机制进行传输。系统结构图如图1所示。
1.2 RFID标签和WSN节点相融合
第一类的传感器标签具有有限的传输能力,在高端应用中,可以将RFID标签和WSN节点相融合,这样可以认为融合后的WSN节点就像标签一样,有一个唯一的ID号来标识。但是,与RFID标签相比,融合后的节点可以带有多个传感器进行状态监测,节点之间的通信也采用多级跳的形式,并形成一个自组织网络,传输范围和传输能力大大增强。融合后的WSN节点之间的数据传输主要依靠已经存在的无线通信协议标准(如Zigbee和WLAN)。融合后的网络结构图如图2所示。
1.3 RFID阅读器和WSN节点相融合
RFID阅读器和WSN节点相融合,融合后的智能节点兼具RFID阅读器和WSN网络节点的功能,能够阅读RFID标签,具有监测能力,并和其他的智能节点之间进行多级跳通信,形成一个自组织的WSN网络。融合后的网络结构图如图3所示。
1.4 将RFID阅读器和WSN基站相融合
在这种类型中,RFID系统和WSN系统同时存在,并彼此独立工作,组成异构型网络。RFID阅读器和WSN基站融合后形成智能阅读器,接收RFID标签和传感器节点发送的数据信息后,将其传送到本地上位机或者远程网络。该智能阅读器集成了RFID阅读器和无线传感器网络基站的功能,是整个系统的决定性因素,价格也比较昂贵。网络结构图如图4所示。
2 系统设计
2.1 养殖场管理性能需求特点
2.1.1 识别与监测同时进行
既需要随时可以识别牲畜个体,又需要实时不断地监测牲畜个体的健康状况和周围环境状况,并具有报警功能。这样既方便对牲畜进行自动化管理,又可以监测养殖场环境的污染情况,让牲畜生活在一个清洁和健康的环境中,减少疫情的发生。即使疫情发生,也可通过实时监测及早发现,及早采取措施,减少损失。
2.1.2 要监测的参数较多,但需要传输的数据较少
牲畜个体需要监测的有体温、脉搏、呼吸和血压等,周围环境状况的监测包括对大气、水体和土壤等的监测。每一项又有多个参数需要监测,如对大气的监测可能包括对氨、硫化氢、硫醇、硫醚、有机酸和酚类等的监测。需要监测的参数比较多,但是需要传输的数据比较少,只有当监测值超出某个极限或者每隔一段时间才需要传输一次数据。
2.1.3 需要覆盖的范围比较广,传输距离远
目前,养殖规模越来越大,一个规模养殖场一般都有几十公顷,故数据需要传输的距离比较远,不适合采用RFID协议进行数据的传输。
2.1.4 与外网相连
一般养殖场管理系统应与外网相连,使外界了解养殖场牲畜的状况,并可实现对食品的追溯。环境保护部门还可以监视养殖场是否对周围环境造成了污染等。
2.2 系统结构设计及主要组成部分
通过对4种融合类型的深入研究,结合本系统的具体情况,最终确定的养殖场管理系统主要由4部分组成,即带传感器的电子标签、由RFID阅读器和WSN节点组成的智能节点、管理中心以及外网。整个系统的网络架构如图5所示。
2.2.1 带传感器的电子标签
它固定在牲畜身体上,用于记录牲畜的识别信息(编号、父母系、品种品系、出生日期、质量、用药记录和检疫信息等)。自带的传感器可以监测牲畜的生命体征参数(如体温、脉搏、呼吸和血压等)。
2.2.2 智能节点
它由RFID阅读器和WSN节点集成,能够读取牲畜身体上电子标签的识别信息和生命体征参数,并能够监测养殖场的周围环境状况。所有的智能节点组成一个多跳的自组织网络,最终将获取到的数据以多跳路由的方式传递给管理中心。由于系统采用多跳路由的方式进行数据的传输,故传输距离不受限制,使系统非常适合大规模养殖场。
2.2.3 管理中心
系统采集到的各种数据最后传输给管理中心,这里包括有关牲畜个体和养殖场环境的所有信息,实现对牲畜的自动化、信息化管理以及对牲畜的健康状况和养殖场环境状况的实时监测,同时作为服务器与外网相连。
2.2.4 外网
通过外网实现对牲畜信息的查询、食品的追溯和养殖场环境的监控等。在本系统中,关键就是具有RFID阅读器和WSN节点功能的智能节点的开发。该智能节点包括一个RFID阅读器、一个射频收发器和一个微型控制器,如图6所示。 微控制器用于协调节点中各个部件协调工作,也用于控制RFID阅读器和其他组件在不忙碌的时候进入睡眠状态,减少能量的消耗。
3 结束语
本文讨论了RFID和WSN技术融合的几种网络架构,并分析了大规模现代化养殖场管理系统的性能需求。根据实际需要,对基于RFID和WSN技术的大规模现代化养殖场管理系统的网络架构及关键部分进行了设计,使系统不仅能够实现牲畜个体的识别与追踪,而且能够实时监测牲畜的健康状况和养殖场周围环境的状况,为解决养殖场的自动化管理、环境污染、疫情防治和食品安全等问题提供了综合的解决办法,具有广泛的应用前景。
参考文献
[1]郑红剑.种猪养殖生产过程信息化管理系统研究与应用[J].安徽农业科学,2009(14):6658-6659.
[2]刘礼.加快规模化养猪进程的思考[J].中国畜牧杂志,2005(7):56-57.
[3]孙建亮,李永华.规模养猪引起环境污染的防制对策[J].中国动物检疫,2007(12):12-14.
[4]游战清.无线射频识别技术(RFID)理论与应用[M].北京:电子工业出版社,2004.
[5]孙利民,李建中,陈渝,等.无线传感器网络[M].北京:清华大学出版社,2005.
[6]李斌,李文锋.WSN与RFID技术的融合研究[J].计算机工程,2008(5):127-129.
[7]李佩佩,王建平,胡帅.RFID在现代化奶牛场管理中的应用[J].农机化研究,2009,31(2):168-171.
[8]Jaekyu Cho,Yoonbo Shim,Taekyoung Kwon,et al.SARIF:a novel framework for integrating wireless sen-sor and RFID networks[J].IEEE Wireless Communica-tions,2007,12:50-56.
[9]Lei Zhang,Zhi Wang.Integration of RFID into wireless sen-sor networks:architectures,opportunities and challenging problems[C]//IEEE Proceedings of the Fifth International Conference on Grid and Cooperative Computing Workshops.2006:463-469.
[10]Hai Liu,Miodrag Bolic,Amiya Nayak,et al.Taxonomy and challenges of the integration of RFID and wireless sen-sor networks[J].IEEE Network,2008,22:26-35.
[11]H Yang,S-H Yang.RFID sensor networks,network ar-chitectures to integrate RFID,sensor and WSN[J].Measurement and Control,2007,40:56-59.