一种事件驱动的传感网动态排序激活和信息融合方法

本发明涉及无线通信技术，具体涉及一种事件驱动的传感网动态排序激活和信息融合方法。

背景技术：

1、无线传感器网络技术近年来发展迅速，在许多重要领域都具有实用价值，如城市管理、环境监测、救灾、侦察等。它受到全世界研究人员越来越多的关注，被认为是未来几十年对社会发展产生重大影响的技术之一。

2、目前，无线传感器网络是一种集成了监测、控制和无线通信功能的网络系统，且传感器节点(以下简称节点)数量庞大且分布密集。这些节点通常依靠微型电池供电，因此能量资源非常有限。由于受到环境因素的影响以及能量耗尽的问题，节点容易发生故障。在这种情况下，传感网络的能量和传感性能的优化具有重要意义。

3、传统的无线传感器网络节点通常采用周期性唤醒机制，即定期唤醒进行数据采集和传输任务，然后进入休眠状态以节省能量。然而，这种方法存在一些问题。首先，节点的唤醒周期通常是固定的，无法根据实时需求进行动态调整，导致能源浪费或无法及时响应。其次，周期性唤醒可能导致能源不均衡问题，一些节点可能会过度消耗能量，导致其早期能量耗尽，从而影响整个网络的正常运行。为了克服这些问题，自唤醒技术被提出并广泛应用于无线传感器网络中。自唤醒技术基于事件驱动的方式，通过监测环境中的事件变化来触发节点的唤醒。该技术能够有效减少无线传感器网络的能耗，延长网络寿命，并提高网络的响应速度和数据采集效率。因此，该技术在无线传感器网络领域有着广泛的应用前景。

4、在无线传感器网络中，每个节点都能够独立地采集数据，并通过无线通信与其他节点进行数据传输和共享。然而，由于节点资源有限并且网络通信带宽有限，直接将所有节点采集到的原始数据发送到中心节点进行处理和分析是不可行的。此外，由于节点可能存在位置偏差、测量误差等问题，直接使用单个节点的数据可能会导致结果不准确或缺乏鲁棒性。为了解决这些问题，分布式数据融合技术被提出并广泛应用于无线传感器网络中。分布式数据融合技术允许节点在网络内部进行数据融合和处理，以产生更准确、鲁棒和可靠的结果。目前，大多数实现融合误差共识收敛的信息融合方法都采用平均共识策略，理论上需要的迭代次数过多。因此，进一步采用有限时间控制技术实现了融合误差收敛的有限迭代。

技术实现思路

1、基于以上的分析讨论，本发明公开了一种事件驱动的传感网动态排序激活和信息融合的方法，首先，将太阳能发电机和电池集成到传感节点，并基于真实辐照数据集进行发电模拟，利用泊松模型模拟目标或事件的随机发生以驱动周围节点睡眠或唤醒状态的切换。其次，根据节点重要参数计算得到每个节点的状态排序值，对激活方法中事件驱动区域和激活比例的联合参数进行设计，结合由链路质量驱动的权重，通过改进的分布式卡尔曼信息融合，进一步最大效率地利用了所有激活节点的传感信息。最后，通过仿真验证所设计方法的有效性。

2、一种事件驱动的传感网动态排序激活和信息融合方法，包括以下步骤：

3、步骤1，采用英特尔伯克利实验室数据集，部署无线传感器节点拓扑网络，组成通信网络，转入步骤2。

4、步骤2，将太阳能发电机与电池集成到拓扑网络中的传感器节点中，并基于真实辐照数据集进行发电模拟，利用泊松模型模拟目标或事件的随机发生，以驱动目标或事件周围传感器节点睡眠或唤醒状态的切换，转入步骤3。

5、步骤3，根据拓扑网络中每个传感器节点的能量消耗进行建模，构建拓扑网络能量模型以及链路质量模型，拓扑网络能量模型包括通信能耗模型和感知能耗模型，转入步骤4。

6、步骤4，根据拓扑网络能量模型中传感器节点重要参数以及链路质量模型中传感器节点重要参数计算得到其状态排序值，设计排序激活方法中事件驱动区域和激活比例的联合参数，结合状态排序值激活传感器节点，转入步骤5。

7、步骤5，已唤醒的传感器节点之间采用改进的分布式卡尔曼融合方法进行信息融合，引入由链路质量驱动的权重，每个传感器节点根据自身估计数据、邻居估计数据以及权重矩阵对自身估计数据进行更新，获得精确的目标状态估计。

8、本发明与现有技术相比，其优点在于：

9、(1)与基于理想能量约束下的传感网络唤醒机制研究不同，将排序激活方法推广到基于太阳能的自供电传感网络，进行了系统建模和方法改进，并基于真实辐照数据集对自供电网络的长期自主运行性能进行了仿真分析。

10、(2)提出了一种联合事件驱动和状态等级激活方法。基于一个真实的传感器实验室数据集，验证了这种联合机制对能效和传感性能的双赢贡献。

11、(3)相比于传统的信息融合方法，引入由链路质量驱动的权重，通过改进后的分布式卡尔曼信息融合实现最小方差意义上的最优融合估计。

技术特征：

1.一种事件驱动的传感网动态排序激活和信息融合方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种事件驱动的传感网动态排序激活和信息融合方法，其特征在于，步骤1中，采用基于英特尔伯克利实验室数据集的传感器节点部署，将无线传感器网络转化为图g＝{ν,ε}，其中，图的节点集ν表示传感器，图的边集ε为传感器与传感器之间的关系，根据拓扑网络结构得到图g的邻接矩阵，定义degij为外链数矩阵，其代表节点i的邻居节点j的外部连接度。

3.根据权利要求1所述的一种事件驱动的传感网动态排序激活和信息融合方法，其特征在于，步骤2中，将太阳能发电机与电池集成到拓扑网络中的传感器节点中，并基于真实辐照数据集进行发电模拟，利用泊松模型模拟目标或事件的随机发生，以驱动周围节点睡眠或唤醒状态的切换，具体如下：

4.根据权利要求1所述的一种事件驱动的传感网动态排序激活和信息融合方法，其特征在于，步骤3中，根据拓扑网络中每个传感器节点的能量消耗进行建模，构建拓扑网络能量模型以及链路质量模型，拓扑网络能量模型包括通信能耗模型和感知能耗模型，具体如下：

5.根据权利要求1所述的一种事件驱动的传感网动态排序激活和信息融合方法，其特征在于，步骤4中，根据拓扑网络能量模型中传感器节点重要参数以及链路质量模型中传感器节点重要参数计算得到其状态排序值，设计排序激活方法中事件驱动区域和激活比例的联合参数，结合状态排序值激活传感器节点，具体如下：

6.根据权利要求1所述的一种事件驱动的传感网动态排序激活和信息融合方法，其特征在于，步骤5中，已唤醒的传感器节点之间采用改进的分布式卡尔曼融合方法进行信息融合，引入由链路质量驱动的权重，每个传感器节点根据自身估计数据、邻居估计数据以及权重矩阵对自身估计数据进行更新，获得精确的目标状态估计，具体如下：

技术总结
本发明公开了一种事件驱动的传感网动态排序激活和信息融合方法，首先，将太阳能发电机和电池集成到传感节点，并基于真实辐照数据集进行发电模拟，利用泊松模型模拟目标或事件的随机发生以驱动周围节点睡眠或唤醒状态的切换。其次，根据节点重要参数计算得到每个节点的状态排序值，对激活方法中事件驱动区域和激活比例的联合参数进行设计，结合由链路质量驱动的权重，通过改进的分布式卡尔曼信息融合，进一步最大效率地利用了所有激活节点的传感信息。最后，通过仿真验证所设计方法的有效性。本发明实现了网络运行性能的优化，同时也最大效率地利用了所有激活节点的传感信息，在最小方差的意义上额外提高了传感精度。

技术研发人员：戴可人,付居腾,于航
受保护的技术使用者：南京理工大学
技术研发日：
技术公布日：2024/1/15