【技术实现步骤摘要】
基于度量学习的路标图着色无人机节能续航数据收集方法
本专利技术属于无人机辅助传感器网络领域,特别涉及基于度量学习的路标图着色无人机节能续航数据收集方法。
技术介绍
随着电子、传感器和通信计数的飞速发展,无人机广泛应用于各种军事和民用领域。将无人机应用于无线传感器网络,可以有效地采集传感器数据,延长网络寿命,降低网络能耗。在无人机辅助传感器网络中(UWSNs),信道接入算法非常重要,它不仅影响系统性能,而且影响传感器节点的能效。因此针对UWSNs设计高效的信道接入算法是一个值得研究的问题。在无人机辅助传感网中,由于无人机通常都具有其他任务,所以无人机都是按照固定的飞行轨迹飞行,在飞行的过程中顺便完成数据收集的任务。而随着无人机技术的发展,以无人机作为数据骡子的飞行基站被开发出来,无人机可以专门用来做数据收集,因此如何有效利用无人机的高速移动性规划合理的飞行轨迹收集数据提高吞吐量成为了需要解决的问题,而规划合理的飞行路径需要无人机收集全网节点的信息,网络从单跳的星型网络扩展成多跳网络,因此对无人机辅助网络的信道接入算法提出了更高的要求。在过去的研究中,研究者提出了一系列的无线信道接入算法,大致可以分为两类,基于竞争的信道接入算法和基于分配的信道接入算法。由于不依赖任何拓扑或者同步信息,基于竞争的信道接入算法(例如CSMA)对拓扑动态变化是鲁棒的,然而由于竞争带来的冲突,在高竞争环境下协议的性能会大幅下降。相反,基于分配的信道接入算法(例如TDMA)则利用相邻节点之间的同步性,通过将传输时隙分配给各个节点来 ...
【技术保护点】
1.基于度量学习的路标图着色无人机节能续航数据收集方法,其特征在于,包括以下步骤:/n第一步,根据无人机辅助传感器网络进行模型建立,将网络模型、能耗模型及移动模型应用到无人机辅助传感器网络模型之中。/n第二步,应用概率路标以局部信息构造全局地图,概率地图不是确定信息构造地图,而是使用某种概率的方法来构造局部信息可知的地图,并用局部信息进行路径规划。概率地图是一个无向循环图,使用G=(Gn,Ge)来表示,其中Gn表示空间中的节点集,Ge表示节点间构成的局部路径边集。/n第三步,离线训练度量矩阵,具体的度量矩阵是一个矩阵结构,度量学习的目的是通过寻找一个合适的度量矩阵M,计算样本之间的马氏距离度量/n第四步,使用LMNN算法构造度量矩阵。LMNN算法的核心是通过学习一种距离度量使得在一个新的转换空间中,对于一个输入的K个近邻都属于同一类别,而不同类别的样本保持一定大的距离。/n第五步,广播Hello包收集地图信息,广播包通过逐跳的方式传播到全网的移动机器人节点,收到广播包的移动机器人利用自身信息重新生成包ID相同的广播包通过相同的路径回传到无人机基站,无人机基站利用这些信息作为度量学习的输 ...
【技术特征摘要】
1.基于度量学习的路标图着色无人机节能续航数据收集方法,其特征在于,包括以下步骤:
第一步,根据无人机辅助传感器网络进行模型建立,将网络模型、能耗模型及移动模型应用到无人机辅助传感器网络模型之中。
第二步,应用概率路标以局部信息构造全局地图,概率地图不是确定信息构造地图,而是使用某种概率的方法来构造局部信息可知的地图,并用局部信息进行路径规划。概率地图是一个无向循环图,使用G=(Gn,Ge)来表示,其中Gn表示空间中的节点集,Ge表示节点间构成的局部路径边集。
第三步,离线训练度量矩阵,具体的度量矩阵是一个矩阵结构,度量学习的目的是通过寻找一个合适的度量矩阵M,计算样本之间的马氏距离度量
第四步,使用LMNN算法构造度量矩阵。LMNN算法的核心是通过学习一种距离度量使得在一个新的转换空间中,对于一个输入的K个近邻都属于同一类别,而不同类别的样本保持一定大的距离。
第五步,广播Hello包收集地图信息,广播包通过逐跳的方式传播到全网的移动机器人节点,收到广播包的移动机器人利用自身信息重新生成包ID相同的广播包通过相同的路径回传到无人机基站,无人机基站利用这些信息作为度量学习的输入进行路径规划。
第六步,基于图着色方法进行信道接入。建立无冲突的着色图的机制是在节点i转发数据包的过程中,通过在数据包加入本节点的着色信息,与一跳范围内的邻居保持无颜色冲突的分配方式,即每个节点需要保证本节点的颜色与所有邻居节点颜色不一样。
第七步,基于接触时间度量接入优先级。无人机基站对每个群内节点进行时分多址时隙分配,按照接触时间的优先级顺序对无人机覆盖范围内的节点分配时隙传输数据包。并将实时吞吐量结果返回给无人机轨迹优化模块,优化无人机飞行轨迹。
2.根据权利要求1所述的基于度量学习的路标图着色无人机节能续航数据收集方法,其特征在于,所述的无人机辅助传感器网络模型建立。具体是,网络模型定义了节点和基站的移动状态,规定了节点传输数据的方式,确定了信道接入机制。
能耗模型定义了边界条件阈值d0。
εfs是自由空间信道模型的信号放大因子,εmp是多径衰落信道模型的信号放大因子。
如果发射机和接收机之间的距离小于阈值d0,则使用自由空间模型。如果不是,则采用多径衰落信道模型。
移动模型描述了节点了不稳定运动,节点随机选择行进的方向和速度,新的速度和方向在预定范围中选择。所选择的群体移动模型是参考点组移动模型。参考点组移动模型中,网络分成多个组。对于每个组,组内存在一个目标,组内的节点根据其目标进行移动,并保持一定的约束。网络根据需要分为特定的几组,组内节点的速度控制在0至最大速度之间,节点的方向控制在0至2π之间。由于组内存在目标点,这使得组内节点保持受限的随机运动。参考点组移动模型中随机方向和随机速度的选择如下:
v∈(vmin,vmax)(2)
θ∈(0,2π)(3)
3.根据权利要求1所述的基于度量学习的路标图着色无人机节能续航数据收集方法,其特征在于,应用概率地图以局部信息构造全局地图,本文假设无人机无法得知全局节点信息,因此在路径规划中无法获得全局路径规划增益信息。概率地图在路径规划中不是以确定的信息构造全局地图,而是使用某种概率的方法来构造局部信息可知的地图,并用局部信息进行路径规划。概率地图是一个无向循环图,使用G=(Gn,Ge)来表示,其中Gn表示空间中的节点集,Ge表示节点间构成的局部路径边集。
4.根据权利要求1所述的基于度量学习的路标图着色无人机节能续航数据收集方法,其特征在于,离线训练度量矩阵。通过分布式信息作为输入特征属性建立度量矩阵,具体考虑的属性如下。1、Threas是实时吞吐量性能,无人机数据收集下一时刻的吞吐量预测性能...
【专利技术属性】
技术研发人员:唐碧华,王涛,方宏昊,刘亭亭,吕秀莎,张青松,王春辉,张洪光,
申请(专利权)人:北京邮电大学,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。