基于灰色模型预测的east改进算法
【技术领域】
[0001] 本发明设及基于灰色模型预测的EAST改进算法，属于无线传感网络技术领域。
【背景技术】
[0002] 无线传感网是由许多无线传感器节点构成的网络。由于传感器节点较为廉价，并 且无线通信技术日益成熟，无线传感网已经应用在了各种各样的实际场景，比如，军事，医 疗，科研等领域。它的主要作用是收集周围环境数据，对收集到的数据进行分析处理，从而 应对环境中出现的各种变化。由于传感器通常是W电池供电，而且它们所处场景通常具有 特殊性与复杂性，靠人工更换电池几乎是不可能的，所W如何节省电池能量，W延长网络的 生命周期，一直是无线传感网一个热口的研究领域。
[0003] 为了节省能量，延长网络的生命周期，学者们从多个角度出发来解决问题。比如有 人研究利用分簇算法，W分层传输的思想将所有节点的数据传输到上层节点，直至传输到 sink节点。一部分人对数据传输路径进行研究，选择消耗能量最少的路径对数据进行传输。 还有一部分人利用数据预测的思想，令sink节点和普通节点同时运行预测算法，在可容忍 的精度范围之内，将预测数据视为收集到的数据。
[0004] 近些年不断有学者对节点收集的数据的时间相关性和节点之间的空间相关性进 行研究，提出了各种各样的算法，比如邸D(XEnerg}f-Efficient Data Collection) ,SCCS (Spatiotemporal Clustering and Compressing Schemes),EAST(Efficient Data Collection Aware of Spatio-Temporal Correlation)等算法，虽然他们对节省能量都有 一定的效果，但是运些算法又引进了数据传输的延迟，数据精度的降低等新的问题，从而影 响了网络的整体性能。作为时空相关性的代表之一，EAST算法能够实时有效的收集环境周 围数据，但无论精度还是能耗方面，该方法都有很大的提升空间。
【发明内容】
[000引本发明针对上面的问题，而研制基于灰色模型预测的EAST改进(GM_EAST)算法。该 算法继承了 EAST算法的框架结构，同时利用灰色模型提高原算法的精度，利用优先级选举 模型提高体统能量有效性。
[0006] 本发明包括如下步骤：
[0007] 第一步:建立基于灰色模型的时间相关性模型，
[000引第二步:空间相关性模型建立，
[0009] 第=步:数据传输。
[0010] 本发明原理及有益效果：详细分析了基于时空相关性的EAST算法的优缺点，并且 针对EAST算法在收集数据精度与能耗方面的不足，提出了改进算法。通过灰色模型来充分 利用节点收集到的环境数据进行建模，当检测到异常事件发生时，建立基于网格的簇，在簇 头节点和领导者的选取上，综合考虑剩余能量与距离因素，最后利用理论最优路径传输数 据。相比于EAST算法，提出的GM_EAST算法在数据精度与能量有效性方面都有显著的提高。
【附图说明】
[0011]图1空间相关性图例。
[001^ 图2均方误差对比图。令阔值e取值0.巧Ijl,并在每一种情况下比较EAST算法和改 进算法GM_EAST的均方误差值。EAST算法的实验结果用O表示，GM_EAST算法的实验结果用* 表不。
[OOU]图3网络生命周期对比图。对原始的EAST算法和改进算法GM_EAST进行实验，每死 亡10个节点，将所经过的实验轮数进行记录，直至死亡50个节点W上。图中深色柱形代表 EAST算法，浅色柱形代表GM_EAST算法。
[0014] 图4总能耗对比图。对原始的EAST算法和改进算法GM_EAST进行实验，每经过500 轮，记录下整个系统的能量消耗。图中深色线代表EAST算法，浅色线代表GM_EAST算法。
【具体实施方式】
[0015] 本发明包括=步:建立基于灰色模型的时间相关性模型，空间相关性模型建立，数 据传输。
[0016] 第一步:建立基于灰色模型的时间相关性模型阶段。
[0017]首先，收集一些历史数据，分另帕储在成员节点队列Qm和Sink节点队列Qs中，假设 运些历史数据为:
[001 引 X(0) = (x(0)a)，x(0)(2)，x(0)(3)...x(0)(t)) (1)
[0019] 戸（1)4 = 1，2,3。'*代表1时刻的原始数据，诏建立模型所需原始数据的个数。
[0020] 然后需要对原始数据队列进行累加生成得到队列XW :
[0021] X(" = (x(i)a)，x(i)(2)，x(i)(3)...x(i)(t)) (2)
[002。 其中：乂(1)(/0=完^=1^佩巧，是累加生成的结果，义^。)是公式(1)中1时刻的原 始数据。
[0023]则可W得出单变量一阶灰色模型为：
(3)
[0025] 其中，是累加生成队列，a, b分别为参数。
[0026] 令矩阵.
通过最小 二乘法可^求得参数(^^^二（反^公)一1公^4。其中，义^(1)是公式（1)中的原始数据，又(1) (i)是公式(2)中的累加生成数据。
[0027] 因此可W求出t+1的累加生成结果，
其中 揉J是参数，由此可W求出t+1时刻的预测值:克W(t + ：L)二克CO(t +巧-克CO的。
[002引预测值与真实值的差A(t + 1)=无+巧一；i：(())(t + 1)。其|||充'[())0 + 1) 是t+l时刻的预测值，xW(t+i)是t+l时刻的真实值。
[0029] 令e为模型更新阔值，0为事件检测阔值。
[0030] 当A (t+l)<e时，则认为预测值与观测值相同，成员节点不像sink传输数据，并且 继续下一周期的预测。
[0031] 当e< A (t+l)<0时，视为之前模型不可用，将收集到的数据传给sink,然后更新模 型。
[0032] 当A (t+l)〉0时，则认为有异常的突发事件发生，此时成员节点需要马上将异常值 传送给S ink节点。
[0033] 第二步:空间相关性模型建立。
[0034] 当有异常事件发生时，所有检测出异常的节点都要计算出自己成为领导者的优先 级，选取优先级最高的那个节点作为领导者。
[0035] 领导者选举方法如下：从节点即将消耗能量的角度，节点消耗的能量应该是和节 点距sink的距离相关，距离越远消耗能量越多，选为领导者的优先级就应该越小。从剩余能 量的角度出发，剩余能量越少，节点过早死亡的可能性越大，选为领导者的优先级应该越 小。为了得到一个相对折中的方案，提出了一个优先级选举模型，模型描述如下：
(4)
[0037] 运里a和0是权重系数，可W根据不同的重要性等级为系数分配不同的值，但a+e = 1。Ei和Si分别是节点i的剩余能量和节点i距离S ink节点的距离。
[0038] 为了方便起见，假设异常事件发生区域为圆形（也适用于不规则图形）。W最开始 检测到事件的节点为中屯、，建立边长为C的若干个网格，使所有网格可W覆盖整个事件区 域。根据中屯、节点的坐标(Xe, ye)和节点自身坐标(Xi，yi)和网格边长C可W得到事件区域中 每个节点所在的网格位置：
[0039] 当'
[0040] 当
[0041 ]否则，Xc = Od
[0042] 其中，X。为节点所在网格的横坐标，Xn为节点的横坐标，Xe为事件的横坐标，C为网 格边长。同理可W求出节点所在网格的纵坐标y。。
[0043] 然后对每个相关区域的节点进行投票选举出簇头，选举的模型和式(4)相同，其 中，曰和0是权重系数，可W根据不同的重要性等级为系数分配不同的值，但〇+0=1瓜和Si分 别是节点i的剩余能量和节点i距离领导者的距离。
[0044] 第五步:数据传输。
[0045] 成员节点将数据发送给簇头，簇头将收集到的数据发送给领导者，领导者将收集 到的数据发送给S ink节点。
[0046] 在数据传输与转发过程中，提出了一个近似最优的数据传输方法。由于节点能量 消耗大多数集中在节点发送数据的过程中。而目前节点发送