一种无线移动感知网络数据聚集方法技术

本发明专利技术提供一种无线移动感知网络数据聚集方法。利用历史数据训练神经网络模型，通过模型和实际周围环境数据来预测节点与周围可通信节点进行数据聚集需要的时间，并选择时间最短的作为下一跳节点。每个移动感知节点都采用这种方法对数据进行聚集，都只选择当前时刻数据聚集最快的下一跳节点。该方法既克服了传统数据聚集方法中未考虑感知节点移动性的缺点，也综合考虑了周围环境带来的影响，从而有效节省数据聚集时间。

【技术实现步骤摘要】
一种无线移动感知网络数据聚集方法(一)
本专利技术涉及的是一种无线移动感知网络数据聚集方法。(二)
技术介绍
无线移动感知网络主要由移动感知节点和静态接入点(AccessPoint，AP)组成。移动感知节点具有移动性，可与周围节点进行通信，主要作用是感知数据并通过通信链路进行数据路由和聚集。静态接入点负责将聚集到的数据进行分析处理。数据通过移动感知节点感知、整合、转发，逐跳聚集到静态接入点。由于移动感知节点的移动性，节点与节点之间的连接具有时效性，通信链路也在时刻发生改变，因此应尽可能快地将数据聚集到AP节点。传统的传感器网络拓扑信息和通信链路变化较小，其数据聚集方法主要针对静态节点，在无线移动感知网络中并不适用。目前关于数据聚集方法的研究也有一些，但这些方法并未利用到历史数据，也未综合考虑周围环境对数据聚集快慢的影响。本专利技术提供一种无线移动感知网络数据聚集方法。利用历史数据训练神经网络模型，通过模型和实际周围环境数据来预测节点与周围可通信节点进行数据聚集需要的时间，并选择时间最短的作为下一跳节点。每个移动感知节点都采用这种方法对数据进行聚集，都只选择当前时刻数据聚集最快的下一跳节点。该方法既克服了传统数据聚集方法中未考虑感知节点移动性的缺点，也综合考虑了周围环境带来的影响，从而有效节省数据聚集时间。(三)
技术实现思路
本专利技术的目的是提供一种无线移动感知网络数据聚集方法。该方法结合移动感知节点的移动特性，利用历史数据建立神经网络模型，通过模型预测节点数据聚集时间，根据聚集时间再来选择下一跳节点。为了达到上述目的，本专利技术采用这样的方案实现：假设每个感知节点携带的信息包含车速v、经度x、纬度y、数据发送时间t、节点与下一跳节点之间的无线信号强度i、其他信息A。如图1所示，以链路Lcdf为例：节点c发送的数据为{(vc,xc,yc,tc,ic_d,Ac)}节点d发送的数据为{(vc,xc,yc,tc,ic_d,Ac),(vd,xd,yd,td,id_f,Ad)}节点f发送到AP节点的数据为{(vc,xc,yc,tc,ic_d,Ac),(vd,xd,yd,td,id_f,Ad),(vf,xf,yf,tf,if_ap,Af)}静态接入点通过处理，可以得到以下信息：节点c数据发送时间tc；下一跳节点d的车速vd；下一跳节点d的经度xd；下一跳节点d的纬度yd；节点c与节点d之间的无线信号强度ic_d；节点c数据发送时间与节点d数据发送时间之间的间隔Δtc_d(Δtc_d＝td-tc)。则由节点c提供的用来训练神经网络的数据可表示为：{vd,xd,yd,tc,ic_d}该条数据对应的标签为Δtc_d。同理，节点d提供的数据可表示为：{vf,xf,yf,td,id_f}该条数据对应的标签为Δtd_f(Δtd_f＝tf-td)。按照此种方法，静态接入点将历史数据整理成可用来训练神经网络的数据集。静态接入点将数据集整理好后，开始训练神经网络。训练结束后，静态接入点保存模型参数并将模型参数广播到各移动感知节点。本专利技术中的神经网络只有两层，输入个数为5(即每条数据中的5个不同参数)，而输出个数则为标签Δt的类别数(若Δt取值较多，可先进行聚类，减少输出个数)。该神经网络结构简单，输入个数少，模型参数也较少，计算量很小，故可在移动感知节点运行，且耗时较少。当移动感知节点要转发数据时，若周围可通信节点中包含AP节点，则直接发送数据至AP节点。否则，若周围只有一个节点可通信，则直接转发；若有多个可通信节点，则先获取周围可通信节点的信息(如车速、经纬度等)，通过神经网络模型预测出数据聚集时间，选择时间最短的作为下一跳节点。如图1中节点e，其可通信节点包含AP节点，则节点e转发时直接将数据转发至AP节点。而节点a，其可通信节点只有节点b，则节点a转发时直接将数据发送至节点b即可。但节点c周围可通信节点却有节点b和节点d，所以节点c转发数据前，要先获取节点b的信息{vb,xb,yb,ic_b}和节点d的信息{vd,xd,yd,ic_d}再获取自身数据tc，最后将{vb,xb,yd,tc,ic_b}和{vd,xd,yd,tc,ic_d}分别作为神经网络的输入，预测出节点c发送数据到节点b发送数据之间的时间间隔Δtc_b，以及节点c发送数据到节点d发送数据之间的时间间隔Δtc_d，通过比较Δtc_b和Δtc_d的大小来选择下一跳节点。若Δtc_b较小，则节点c将数据转发到节点b，否则转发到节点d。本专利技术中的数据聚集方法，具体包括以下步骤：(1)节点接收并保存其他节点转发的数据；(2)节点获取自身数据，将数据整合在一起，准备好要转发的数据；(3)节点判断周围是否存在可通信节点，若不存在则执行步骤4；否则执行步骤5；(4)节点暂不转发数据，执行步骤2；(5)节点判断周围可通信节点中是否存在AP节点，若存在则执行步骤6；否则执行步骤7；(6)节点将AP节点作为下一跳节点，执行步骤12；(7)节点判断周围可通信节点是否只存在一个，若是则执行步骤8；否则执行步骤9；(8)节点将这一个可通信节点作为下一跳节点，执行步骤12；(9)节点获取所有可通信节点速度、位置等信息，和当前时间信息综合在一起；(10)节点将综合信息作为输入，利用神经网络模型预测出所有可通信节点的数据聚集时间；(11)节点比较各可通信节点的数据聚集时间，选择时间最小的节点作为下一跳节点；(12)节点开始转发数据；(13)节点数据发送完毕；(14)节点的一次数据聚集结束。本专利技术所阐述的无线移动感知网络数据聚集方法，是结合当前无线移动感知网络发展需求提出来的。该方法将历史数据作为参考，利用神经网络快速选择下一跳节点，可加快数据的聚集过程。其核心在于既充分利用了历史数据，又综合考虑了周围环境对数据聚集快慢的影响。本专利技术的创新性在于：1.综合考虑多种影响因素。通过对历史数据的分析和利用，找出数据聚集快慢的影响因素。影响较大的权重就大，影响较小的权重就小。节点在选择下一跳节点时，将这多种因素都考虑在内。该创新点使得本专利技术中的数据聚集方法可以适应多种复杂环境，具有较强的鲁棒性。2.将神经网络用于预测数据聚集时间。本专利技术中由静态接入点利用历史数据训练神经网络，并将神经网络模型部署到各移动感知节点，由移动感知节点利用模型预测数据聚集时间。该神经网络只有两层，输入个数较少，计算量小，完全可在移动感知节点运行。该创新点使得数据聚集更快速高效完成。(四)附图说明图1为本专利技术中某一时刻的无线移动感知网络拓扑图，该图将车载智能设备作为移动感知节点。(五)具体实施方式下面结合附图对本专利技术做更详细地描述。本专利技术所述方法的特征在于：假设每个感知节点携带的信息包含车速v、经度x、纬度y、数据发送时间t、节点与下一跳节点之间的无线信号强度i、其他信息A。如图1所示，以链路Lcdf为例：节点c发送的数据为{(vc,xc,yc,tc,ic_d,Ac)}节点d发送的数据为{(vc,xc,yc,tc,ic_d,Ac),(vd,xd,yd,td,id_f,Ad)}节点f发送到AP节点的数据为{(vc,xc,yc,tc,ic_d,Ac),(vd,xd,yd,td,id_f,Ad),(vf,xf,yf,tf,if_ap,Af)本文档来自技高网...

【技术保护点】
1.一种无线移动感知网络数据聚集方法，其特征在于：本专利技术是这样实现的：假设每个感知节点携带的信息包含车速v、经度x、纬度y、数据发送时间t、节点与下一跳节点之间的无线信号强度i、其他信息A。如图1所示，以链路Lcdf为例：节点c发送的数据为{(vc,xc,yc,tc,ic_d,Ac)}节点d发送的数据为{(vc,xc,yc,tc,ic_d,Ac),(vd,xd,yd,td,id_f,Ad)}节点f发送到AP节点的数据为{(vc,xc,yc,tc,ic_d,Ac),(vd,xd,yd,td,id_f,Ad),(vf,xf,yf,tf,if_ap,Af)}静态接入点通过处理，可以得到以下信息：节点c数据发送时间tc；下一跳节点d的车速vd；下一跳节点d的经度xd；下一跳节点d的纬度yd；节点c与节点d之间的无线信号强度ic_d；节点c数据发送时间与节点d数据发送时间之间的间隔Δtc_d(Δtc_d＝td‑tc)。则由节点c提供的用来训练神经网络的数据可表示为：{vd,xd,yd,tc,ic_d}该条数据对应的标签为Δtc_d。同理，节点d提供的数据可表示为：{vf,xf,yf,td,id_f}该条数据对应的标签为Δtd_f(Δtd_f＝tf‑td)。按照此种方法，静态接入点将历史数据整理成可用来训练神经网络的数据集。静态接入点将数据集整理好后，开始训练神经网络。训练结束后，静态接入点保存模型参数并将模型参数广播到各移动感知节点。本专利技术中的神经网络只有两层，输入个数为5(即每条数据中的5个不同参数)，而输出个数则为标签Δt的类别数(若Δt取值较多，可先进行聚类，减少输出个数)。该神经网络结构简单，输入个数少，模型参数也较少，计算量很小，故可在移动感知节点运行，且耗时较少。当移动感知节点要转发数据时，若周围可通信节点中包含AP节点，则直接发送数据至AP节点。否则，若周围只有一个节点可通信，则直接转发；若有多个可通信节点，则先获取周围可通信节点的信息(如车速、经纬度等)，通过神经网络模型预测出数据聚集时间，选择时间最短的作为下一跳节点。如图1中节点e，其可通信节点包含AP节点，则节点e转发时直接将数据转发至AP节点。而节点a，其可通信节点只有节点b，则节点a转发时直接将数据发送至节点b即可。但节点c周围可通信节点却有节点b和节点d，所以节点c转发数据前，要先获取节点b的信息{vb,xb,yb,ic_b}和节点d的信息{vd,xd,yd,ic_d}再获取自身数据tc，最后将{vb,xb,yb,tc,ic_b}和...

【技术特征摘要】
1.一种无线移动感知网络数据聚集方法，其特征在于：本发明是这样实现的：假设每个感知节点携带的信息包含车速v、经度x、纬度y、数据发送时间t、节点与下一跳节点之间的无线信号强度i、其他信息A。如图1所示，以链路Lcdf为例：节点c发送的数据为{(vc,xc,yc,tc,ic_d,Ac)}节点d发送的数据为{(vc,xc,yc,tc,ic_d,Ac),(vd,xd,yd,td,id_f,Ad)}节点f发送到AP节点的数据为{(vc,xc,yc,tc,ic_d,Ac),(vd,xd,yd,td,id_f,Ad),(vf,xf,yf,tf,if_ap,Af)}静态接入点通过处理，可以得到以下信息：节点c数据发送时间tc；下一跳节点d的车速vd；下一跳节点d的经度xd；下一跳节点d的纬度yd；节点c与节点d之间的无线信号强度ic_d；节点c数据发送时间与节点d数据发送时间之间的间隔Δtc_d(Δtc_d＝td-tc)。则由节点c提供的用来训练神经网络的数据可表示为：{vd,xd,yd,tc,ic_d}该条数据对应的标签为Δtc_d。同理，节点d提供的数据可表示为：{vf,xf,yf,td,id_f}该条数据对应的标签为Δtd_f(Δtd_f＝tf-td)。按照此种方法，静态接入点将历史数据整理成可用来训练神经网络的数据集。静态接入点将数据集整理好后，开始训练神经网络。训练结束后，静态接入点保存模型参数并将模型参数广播到各移动感知节点。本发明中的神经网络只有两层，输入个数为5(即每条数据中的5个不同参数)，而输出个数则为标签Δt的类别数(若Δt取值较多，可先进行聚类，减少输出个数)。该神经网络结构简单，输入个数少，模型参数也较少，计算量很小，故可在移动感知节点运行，且耗时较少。当移动感知节点要转发数据时，若周围可通信节点中包含AP节点，则直接发送数据至AP节点。否则，若周围只有一个节点可通信，则直接转发；若...

【专利技术属性】
技术研发人员：姚文斌，黄芬芬，常静坤，周霖，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11