一种基于多媒体传感器的变粒度特征采样方法技术

本发明专利技术公开了一种基于多媒体传感器的变粒度特征采样方法，属于多媒体传感器能量消耗与储存领域。在多媒体传感器采样过程中，以周期为单位对传感器的剩余能量进行估算，通过隶属阀值函数进行节能模式切换，通过高精度率测量阀值函数进行高精度模式切换，实现变精度采样的采样模式，从而改变周期中，活跃与休眠的时间，从而实现节能以及高精度采样的目标，提升传感器的工作时长和价值。本发明专利技术能有效的平衡传感精度和网络生存时间，让两者之间取得一个平衡，同时保证测量的精度和能耗的降低。

【技术实现步骤摘要】
一种基于多媒体传感器的变粒度特征采样方法
本专利技术涉及一种基于多媒体传感器的变粒度特征采样方法，用来减少传感器使用过程中的能耗，属于多媒体传感器能量消耗与储存领域。
技术介绍
随着监测环境的日趋复杂多变，由传统无线传感器网络(wirelesssensornetworksWSNs)所获取的简单数据融合已经不能满足对环境监测的全面需求，迫切需要将信息量丰富的图像、音频、视频等多媒体信息引入以传感器网络为基础的环境监测活动中来。因此基于传统的传感器两络，研究一种的具有音频、图像、视频等多媒体信息获取、处理与传输功能的无线多媒体传感器网络(wirelessmultimediasensornetworks，WMSNs)就显得非常重要。能耗问题是WMSNs的核心问题，已受到各界的广泛关注衡量WMSNs即无线多媒体传感器网络有效性，一般认为具有相同的传输带宽、传输速率、能量消耗和计算能耗的两个传感器节点，传感精度即采样分辨率、采样比特率高的节点其生存时间相对短，而降低传感精度，传感能耗较低，网络生存时间则相对较长。所以，在传感精度和网络生存时间之间取得一个平衡，使得尽可能地降低能耗和提高精度是是多媒体能耗问题的迫切需要，而在传感器周期性采样的过程中，通过改变传感器的工作模式，从而影响周期性休眠和工作的时间，变换采样分辨率来采集数据，就可以合理地降低传感器的能耗，让传感器根据具体的事件来适当地切换工作模式，选择合适的精度进行采集，做到能量的充分利用，从而延长网络节点的生存周期，达到长时间伴随式监测的目的，并在保持良好的精度前提下，节约能量增加传感器寿命。
技术实现思路
本专利技术的目的在于通过多重阀值来实现事件与传感器精度相适应，通过传感器的高精度和低精度测量地合理切换，减少多媒体传感器使用过程中的能耗，增加传感器的工作时长，提出了一种基于多媒体传感器的变粒度特征采样方法。本专利技术的核心思想是：在多媒体传感器采样过程中，以周期为单位对传感器的剩余能量进行估算，通过隶属阀值函数进行节能模式切换，通过高精度率测量阀值函数进行高精度模式切换，实现变精度采样的采样模式，从而改变周期中，活跃与休眠的时间，从而实现节能以及高精度采样的目标，提升传感器的工作时长和价值。一种基于多媒体传感器的变粒度特征采样方法所依托的多媒体传感器网络,简称传感器网络中的一个节点就是一个传感器，每个节点有高精度高能耗采样和低精度低能耗采样两种采样模式；本多媒体传感器网络中还包括云端服务器；其中，云端服务器用于对数据进行特征的提取和存储。其中，高精度低能耗采样即细粒度采样，低精度低能耗采样即粗粒度采样；其中，粗粒度采样的功率，记为Pc；细粒度采样的功率，记为Pd；其中，粗粒度采样模式只检测有无多媒体事件发生并进行粗精度的采样；细粒度采样模式则对发生的多媒体事件进行细精度的采样；本传感器网络中的多媒体时间相互独立，即在各点发生概率相同；本传感器网络中事件的到达时间间隔服从参数为λ的负指数分布且其持续时间服从均值为μ，方差为σ的正态分布；本传感器网络中的节点有五种工作模式。周期性间隔粗细粒度采样、周期性间粗粒度采样、周期性间隔细粒度采样、全周期粗粒度采样、全周期细粒度采样，用Y作为其当前模式的指示标志，Y的取值为A、B、C、D、E分别与这五种工作模式对应，所以节点的工作模式也可以描述为工作模式A，工作模式B，工作模式C，工作模式D，工作模式E五种。五种工作模式中的周期，记为T；每个周期T内包括活跃与休眠两个阶段，记为ta和ts，分别表示活跃期与休眠期；为了保证降低能耗，休眠期ts应当适当要高于活跃期ta，其与周期T的关系为ta＝T×κT＝ta+ts；其中，κ＝ts/ta为活跃期与休眠期的比值；为了降低时间漏检率，这里规定ta＞λ且ts＜μ；一种基于多媒体传感器的变粒度特征采样方法，包括如下步骤:步骤1：设定节点的采样周期T以及活跃期与休眠期比值κ的初值κ0，以及周期性调控参数θ的初值θ0,设定λ，μ，σ的值；设置初始的工作模式，设置节点的总能量EB，设置周期计数；其中，μ是事件持续时间的均值；σ是事件持续时间的方差；λ是事件到达时间间隔按负指数分布的指数；周期计数，记为U，为周期的个数；设置初始的工作模式，即开始运行时的工作模式，记为Y0；为周期性间隔粗细粒度采样、周期性间粗粒度采样、周期性间隔细粒度采样、全周期粗粒度采样、全周期细粒度采样中的一种，Y0的取值为A、B、C、D、E的一个；其中，周期性间隔粗细粒度采样，记为工作模式A；周期性间粗粒度采样，记为工作模式B；周期性间隔细粒度采样，记为工作模式C；全周期粗粒度采样，记为工作模式D；全周期细粒度采样，记为工作模式E；步骤2:节点采集数据；步骤3:分别测量节点在粗粒度采样和细粒度采样两种工作状态下的功率；其中，粗粒度采样功率Pd和细粒度采样功率Pc分别由功率表实时测出；步骤4：统计多媒体时间发生的概率，根据时间发生的指数分布和时间持续的正态分布，对发生多媒体事件进行概率计算，具体包括如下四方面内容：4.1在周期T内，多媒体事件发生网络任意第j个节点Mj的感知区域的概率为：Pj＝(πr2/G)S(1)其中，Pj为多媒体事件发生在节点Mj的感知区域的概率，G为Mj感知区域的面积,r为时间发生的在感知区域内的半径，S为概率因子由多媒体传感器网络中节点性能参数决定，且与采样准确率有关；4.2在周期T内，网络任意第j个节点Mj没有捕获到多媒体事件的概率为:1-Pj＝1-(πr2/G)S(2)4.3在周期T内，计算多媒体事件在网络任意第j个节点Mj的传感区域内仅发生的k次的概率φj(k)使用公式(5)：其中，为n个不同元素中取出k个元素的组合数，n是负指数分布泰勒展开的项数，在公式(3)中要满足公式(4)；根据(4)忽略大于n的小概率事件，忽略大于n的小概率事件，将式(3)化简后得到公式(5)：4.4在周期T内，网络任意第j个节点Mj捕获且仅捕获到k次多媒体事件的概率P(Mj)(k)使用公式(6)：其中，t是积分变量；步骤5：在周期T内，计算出节点的周期能耗和节点的剩余能量：其中，根据步骤1中设置的初始工作模式不同，节点的周期能耗计算分别如下：5.A处于工作模式A，第m个周期T内节点的周期能耗，记为通过公式(9)计算；即若Y＝A，节点在第m个周期T内活跃与休眠，在活跃期内进行粗细粒度采样；节点进入活跃期后先进行粗粒度采样，一旦捕获到多媒体事件，立刻进行细粒度采样，直到活跃期结束；在周期T内节点的周期能耗可用(7)表示，公式(7)中要求满足公式(8)：根据(8)忽略大于k的小概率事件，k是周期内捕捉多媒体事件的次数可将公式(7)化简为公式(9)：其中，代表第m个周期Mj节点在工作模式A下消耗的能量，ti表示在T内发生且被Mj所捕获到的多媒体事件的持续时间；5.B处于工作模式B，第m个周期T内节点的周期能耗，记为用公式(11)计算；即如果Y＝B：节点在第m个周期T内活跃与休眠，在活跃期内只进行粗细粒度采样；节点进入活跃期后持续进行粗粒度采样，直到活跃期结束；在周期T内节点的周期能耗可用(10)表示：公式(10)中要求满足公式(8)；可将公式(10)化简为公式(11)：其中，代表第m个周期Mj节点在工作模式B的能耗；5本文档来自技高网...

【技术保护点】
1.一种基于多媒体传感器的变粒度特征采样方法，其特征在于：核心思想是：在多媒体传感器采样过程中，以周期为单位对传感器的剩余能量进行估算，通过隶属阀值函数进行节能模式切换，通过高精度率测量阀值函数进行高精度模式切换，实现变精度采样的采样模式，从而改变周期中，活跃与休眠的时间，从而实现节能以及高精度采样的目标，提升传感器的工作时长和价值；一种基于多媒体传感器的变粒度特征采样方法所依托的多媒体传感器网络,简称传感器网络中的一个节点就是一个传感器，每个节点有高精度高能耗采样和低精度低能耗采样两种采样模式；本多媒体传感器网络中还包括云端服务器；其中，云端服务器用于对数据进行特征的提取和存储；其中，高精度低能耗采样即细粒度采样，低精度低能耗采样即粗粒度采样；其中，粗粒度采样的功率，记为Pc；细粒度采样的功率，记为Pd；其中，粗粒度采样模式只检测有无多媒体事件发生并进行粗精度的采样；细粒度采样模式则对发生的多媒体事件进行细精度的采样；本传感器网络中的多媒体时间相互独立，即在各点发生概率相同；本传感器网络中事件的到达时间间隔服从参数为λ的负指数分布且其持续时间服从均值为μ，方差为σ的正态分布；本传感器网络中的节点有五种工作模式：周期性间隔粗细粒度采样、周期性间粗粒度采样、周期性间隔细粒度采样、全周期粗粒度采样、全周期细粒度采样；用Y作为其当前模式的指示标志，Y的取值为A、B、C、D、E分别与这五种工作模式对应，所以节点的工作模式也可以描述为工作模式A，工作模式B，工作模式C，工作模式D，工作模式E五种；五种工作模式中的周期，记为T；每个周期T内包括活跃与休眠两个阶段，记为ta和ts，分别表示活跃期与休眠期；为了保证降低能耗，休眠期ts应当适当要高于活跃期ta，其与周期T的关系为ta＝T×κT＝ta+ts；其中，κ＝ts/ta为活跃期与休眠期的比值；为了降低时间漏检率，这里规定ta＞λ且ts＜μ。...

【技术特征摘要】
1.一种基于多媒体传感器的变粒度特征采样方法，其特征在于：核心思想是：在多媒体传感器采样过程中，以周期为单位对传感器的剩余能量进行估算，通过隶属阀值函数进行节能模式切换，通过高精度率测量阀值函数进行高精度模式切换，实现变精度采样的采样模式，从而改变周期中，活跃与休眠的时间，从而实现节能以及高精度采样的目标，提升传感器的工作时长和价值；一种基于多媒体传感器的变粒度特征采样方法所依托的多媒体传感器网络,简称传感器网络中的一个节点就是一个传感器，每个节点有高精度高能耗采样和低精度低能耗采样两种采样模式；本多媒体传感器网络中还包括云端服务器；其中，云端服务器用于对数据进行特征的提取和存储；其中，高精度低能耗采样即细粒度采样，低精度低能耗采样即粗粒度采样；其中，粗粒度采样的功率，记为Pc；细粒度采样的功率，记为Pd；其中，粗粒度采样模式只检测有无多媒体事件发生并进行粗精度的采样；细粒度采样模式则对发生的多媒体事件进行细精度的采样；本传感器网络中的多媒体时间相互独立，即在各点发生概率相同；本传感器网络中事件的到达时间间隔服从参数为λ的负指数分布且其持续时间服从均值为μ，方差为σ的正态分布；本传感器网络中的节点有五种工作模式：周期性间隔粗细粒度采样、周期性间粗粒度采样、周期性间隔细粒度采样、全周期粗粒度采样、全周期细粒度采样；用Y作为其当前模式的指示标志，Y的取值为A、B、C、D、E分别与这五种工作模式对应，所以节点的工作模式也可以描述为工作模式A，工作模式B，工作模式C，工作模式D，工作模式E五种；五种工作模式中的周期，记为T；每个周期T内包括活跃与休眠两个阶段，记为ta和ts，分别表示活跃期与休眠期；为了保证降低能耗，休眠期ts应当适当要高于活跃期ta，其与周期T的关系为ta＝T×κT＝ta+ts；其中，κ＝ts/ta为活跃期与休眠期的比值；为了降低时间漏检率，这里规定ta＞λ且ts＜μ。2.根据权利要求1所述的一种基于多媒体传感器的变粒度特征采样方法，其特征在于：包括如下步骤:一种基于多媒体传感器的变粒度特征采样方法，包括如下步骤:步骤1：设定节点的采样周期T以及活跃期与休眠期比值κ的初值κ0，以及周期性调控参数θ的初值θ0,设定λ，μ，σ的值；设置初始的工作模式，设置节点的总能量EB，设置周期计数；其中，μ是事件持续时间的均值；σ是事件持续时间的方差；λ是事件到达时间间隔按负指数分布的指数；周期计数，记为U，为周期的个数；设置初始的工作模式，即开始运行时的工作模式，记为Y0；为周期性间隔粗细粒度采样、周期性间粗粒度采样、周期性间隔细粒度采样、全周期粗粒度采样、全周期细粒度采样中的一种，Y0的取值为A、B、C、D、E的一个；其中，周期性间隔粗细粒度采样，记为工作模式A；周期性间粗粒度采样，记为工作模式B；周期性间隔细粒度采样，记为工作模式C；全周期粗粒度采样，记为工作模式D；全周期细粒度采样，记为工作模式E；步骤2:节点采集数据；步骤3:分别测量节点在粗粒度采样和细粒度采样两种工作状态下的功率；其中，粗粒度采样功率Pd和细粒度采样功率Pc分别由功率表实时测出；步骤4：统计多媒体时间发生的概率，根据时间发生的指数分布和时间持续的正态分布，对发生多媒体事件进行概率计算，具体包括如下四方面内容：4.1在周期T内，多媒体事件发生网络任意第j个节点Mj的感知区域的概率为：Pj＝(πr2/G)S(1)其中，Pj为多媒体事件发生在节点Mj的感知区域的概率，G为Mj感知区域的面积,r为时间发生的在感知区域内的半径，S为概率因子由多媒体传感器网络中节点性能参数决定，且与采样准确率有关；4.2在周期T内，网络任意第j个节点Mj没有捕获到多媒体事件的概率为:1-Pj＝1-(πr2/G)S(2)4.3在周期T内，计算多媒体事件在网络任意第j个节点Mj的传感区域内仅发生的k次的概率φj(k)使用公式(5)：其中，为n个不同元素中取出k个元素的组合数，n是负指数分布泰勒展开的项数，在公式(3)中要满足公式(4)；根据(4)忽略大于n的小概率事件，忽略大于n的小概率事件，将式(3)化简后得到公式(5)：4.4在周期T内，网络任意第j个节点Mj捕获且仅捕获到k次多媒体事件的概率P(Mj)(k)使用公式(6):其中，t是积分变量；步骤5：在周期T内，计算出节点的周期能耗和节点的剩余能量：其中，根据步骤1中设置的初始工作模式不同，节点的周期能耗计算分别如下：5.A处于工作模式A，第m个周期T内节点的周期能耗，记为通过公式(9)计算；即若Y＝A，节点在第m个周期T内活跃与休眠，在活跃期内进行粗细粒度采样；节点进入活跃期后先进行粗粒度采样，一旦捕获到多媒体事件，立刻进行细粒度采样，直到活跃期结束；在周期T内节点的周期...

【专利技术属性】
技术研发人员：郭树理，韩丽娜，张禾，桂心哲，陈启明，张祎彤，弗朗斯，刘宏斌，范利，
申请(专利权)人：北京理工大学，中国人民解放军总医院，
类型：发明
国别省市：北京,11