无线测温传感器,无线传感器问题

以更小更便宜的低功耗计算设备为代表的后PC时代，突破了传统台式电脑和高性能服务器的设计格局；全民联网带来的计算能力是无法估量的；MEMS的快速发展为片上系统的设计和实现奠定了基础。上述三个方面的高度融合，孕育了许多新的信息获取和处理模式，其中传感器 network就是一例。数据处理单元的随机分布集成和通信模块的微小节点通过自组织形成网络。借助于节点内置的各种形式的传感器可以测量周围环境中的热红外声纳雷达和地震波信号，从而探测到很多我们感兴趣的物质现象，包括温度、湿度、噪声、光强、压力、大小、速度、运动物体的方向等。在通信方式方面，虽然我们可以采用有线无线红外、光等多种形式，但是，一般认为短距离无线低功耗通信技术最适合传感器网络。为清楚起见，一般称为无线-1/network。但伯克利的SmartDust能像灰尘一样悬浮在空气中也不是绝对的。因此，光被用作通信媒介。无线 传感器该网络与传统的无线网络有着不同的设计目标，它通过在高度移动的环境中优化路由和资源管理策略来最大限度地提高带宽利用率。在无线 传感器网络中，除了少数需要移动的节点外，大部分节点都是静止的，因为它们通常运行在恶劣甚至危险的远程环境中，人无法接近，能量无法替代。设计有效的策略延长网络生命周期成为无线传感器network的核心问题。当然，理论上太阳能电池可以永久供能，但在工程实践中要生产出这样小型化的电池还是相当困难的。In无线-。人们曾经认为成熟的互联网技术和Ad-hoc路由机制对于传感器 network的设计已经足够，但是深入的研究表明传感器 network有着与传统网络明显不同的技术要求。前者以数据为中心，后者以数据传输为目的。为了适应广泛的应用，传统网络的设计遵循端到端边缘理论的思想，强调所有功能都与网络的端系统相关，中间节点只负责数据包的转发，这对于传感器 network来说不一定是合理的选择。一些为自组织Ad-hoc网络设计的协议和算法可能不适合网络的特点和应用要求。还需要在中间节点上处理、融合和缓存与特定应用相关的数据。在密集传感器网络中，相邻节点之间的距离很短，低功耗的多跳通信方式节省了功耗，增加了通信的隐蔽性。也避免了长途无线通信容易受到外界噪音的影响。这些独特的要求和约束为传感器网络的研究提出了新的技术难题。这是引自软件学报无线 传感器网络的一段话。

无线传感器Network是近年来发展起来的一项新技术，在环境监测和恶劣条件下、无持续性的事件跟踪中显示出巨大的应用价值。节点部署是无线 传感器网络的基础，对网络的运行和寿命影响很大。部署问题涉及覆盖连接和节省能耗。本文重点研究了网络部署中的覆盖问题，总结了现有的研究成果，归纳了未来的研究热点方向，为以后的研究奠定了基础。基于虚势场的有向传感器网络覆盖增强算法摘要:首先，基于视频传感器节点的方向感知特性，设计了方向感知模型，分析并定义了有向传感器网络覆盖增强问题。其次，提出了一种基于虚拟势场的有向/网络覆盖增强算法PFCEA。通过引入质心的概念，将定向传感器网络覆盖增强问题转化为质心均匀分布问题，将传感器节点感知方向的旋转替换为质心点的圆周运动。质心是在虚力的作用下做出的。为了消除网络中的重叠区域和盲区，进而增强整个有向传感器网络的覆盖范围。一系列仿真实验验证了该算法的有效性。定向感知模型；虚拟势场；扩大覆盖面。:TP393文档识别码:A覆盖率作为传感器 network中的一个基本问题，反映了传感器 network所能提供的感知服务质量。优化传感器网络覆盖对于合理分配网络空间资源、更好地完成环境感知信息获取任务以及其他是为了特定目的而进行的规划和部署都是非常重要的。由于传感器网络通常工作在复杂的环境中，并且网络中有很多传感器节点，所以大部分都是随机部署的。但是这种大规模随机投放的方式很难一次把大量的传感器节点放到合适的位置。非常容易造成传感器网络覆盖不合理，进而形成感知重叠区和盲区。因此，在传感器 network的初始部署之后，我们需要采用覆盖增强策略来获得理想的网络覆盖性能。目前，国内外学者已相继开展了相关覆盖增强问题的研究，并取得了一定的进展。从目前可获得的信息来看，绝大多数覆盖研究都是基于全向感知模型传感器 network，即网络中节点的感知范围是以节点为中心，以其感知距离为半径的圆形区域。通常，休眠冗余节点用于重新调整节点分布或添加新节点，以实现网络覆盖增强。实际上，定向感知模型也是传感器 network中的一种典型感知模型。即节点的感知范围是以节点半径为感知距离的扇形区域。基于有向感知模型的传感器节点组成的网络称为有向传感器网络。视频传感器网络被定向传感器网络的典型例子。感知模型的差异使得现有的基于全向感知模型的覆盖研究成果无法直接应用于有向传感器网络，迫切需要设计一系列新的方法。在前期工作中，我们率先研究了有向传感器网络中的覆盖问题，并设计了基本的有向感知模型。用于描述视频传感器节点的方向感知特性，研究有向传感器网络的覆盖完整性和通信连通性。同时，考虑到有向传感器节点的感知方向往往是可调的，我们进一步提出了一种基于图论和计算几何的集中式覆盖增强算法。一旦确定了调整方案，网络中所有有向传感器节点一次性调整感知方向，以增强网络覆盖性能。然而，由于未能充分考虑有向传感器节点的本地位置和感知方向信息，该算法增强有向传感器网络覆盖的能力相对有限。本文将基本方向感知模型扩展到方向可调感知模型，研究有向传感器网络的覆盖增强问题。首先定义了方向可调感知模型，分析了随机部署策略对有向传感器网络覆盖的影响。本文对定向传感器网络覆盖增强问题进行了分析。通过引入质心的概念，将待解决的问题转化为质心均匀分布的问题，提出了一种基于虚势场的有向/网络覆盖增强算法PFCEA。质心在虚拟力的作用下扩散移动，逐渐消除网络中可感知的重叠区域和盲区，增强整个网络的覆盖性能。最后，一系列仿真实验验证了PFCEA算法的有效性。1.定向传感器网络覆盖增强的问题本节旨在分析和定义定向传感器网络覆盖增强的问题。在此之前，我们简单介绍一下方向可调传感模型。1.1方向可调传感模型不同于现有的全向传感模型，方向可调传感模型的传感区域受到视角的限制。通过不断调整其感应方向，定向传感器节点能够覆盖其感应距离内的所有圆形区域。因此，通过简单的几何抽象，我们可以得到定向传感器 node的定向可调感知模型，如图1所示。定义1。方向可调感测模型可以由四个P、R和来表示。r代表节点的最大感知范围，即感知半径；单位矢量=扇形感知区域的中心轴，即某时刻t节点的感知方向；并且分别是单位矢量在X轴和Y轴方向上的投影分量；代表边界距离的感应矢量的感应夹角，2代表感应区域的视角，记为FOV。特别地，当=时，传统的全向感知模型是方向可调感知模型的特例。如果点P1被有向节点vi覆盖，当且仅当满足以下条件时，它被记录为viP1:，其中表示从点P1到节点的欧几里德距离；和之间的夹角值属于。判断点P1是否被有向传感器节点覆盖的一个简单方法是:如果是，那么点P1被有向传感器节点覆盖；否则，覆盖范围就不成立。此外，如果区域A被定向传感器节点覆盖，当且仅当区域A中的任何点被定向传感器节点覆盖。除非另有说明，以下出现的节点和传感器节点均满足上述方向可调的感知模型。1.2定向传感器的网络覆盖增强问题的分析与定义在研究本文内容之前。我们需要做以下必要的假设:A1。有向传感器网络中的所有节点同构，即所有节点具有相同的传感器半径和传感器夹角参数；A2。一旦有向传感器网络中的所有节点被部署，它们的位置是固定的，但是它们的感知方向是可调的；A3。有向传感器网络中的每个节点都知道自己的位置和感知方向信息，每个节点都可以控制自己的感知方向。假设目标区域的面积为s，随机部署的传感器节点位置满足均匀分布模型。并且目标区域中任意两个传感器节点不在同一位置。传感器 nodes的感知方向也满足世界上的均匀分布模型。在不考虑传感器节点可能落入边界区域的情况下，有效覆盖区域减小，因为每个传感器节点那么每个传感器节点能够监测到整个目标区域的概率为R2/秒，目标区域被n 传感器节点覆盖的初始概率p0的计算公式由公式可知。当目标区域的网络覆盖至少达到p0时，计算待部署节点大小的公式为:当网络覆盖分别为p0和p0 p时，待部署的传感器节点数分别为ln/，ln/，其中= =lnlnS。因此，从公式中可以得到传感器节点数的差值n，当目标区域S的感应半径r和感应角度为常数时，该差值n为常数。此时，n与p0、P与P的关系如图2所示。当p不变时，n随着p0的增加而增加，且增加的幅度越来越大。因此，当覆盖范围需要增加P时，需要部署N个节点，P的值每增加1%，N就会增加几十甚至几百)。如果采用一定的覆盖增强策略，在不部署更多节点的情况下，网络覆盖可以达到p0 p。大大节省了传感器网络部署的成本。设Si表示当传感器向量为0时节点vi覆盖的区域。操作SiSj表示由节点vi和节点vj覆盖的总区域。这样，当网络中节点的传感器向量为0时，有向传感器网络覆盖可以表示为:因此，有向传感器网络覆盖增强问题可以概括为:问题:求解一组，使初始值接近最大值。图2在网络覆盖增强和网络覆盖增强的值之间存在相关性。P与N的关系2基于虚拟势场的覆盖增强算法2.1传统虚拟势场法虚拟势场的概念最初应用于机器人的路径规划和避障。Howard等人和Poduri等人先后将这一概念引入到传感器 network的覆盖增强问题中。基本思想是把每个传感器节点看成一个虚电荷，每个节点受其他节点的虚力影响，扩散到目标区域的其他区域，最终达到一个平衡状态，即实现目标区域的全覆盖。邹等人提出了一种虚拟力算法，在初始节点随机部署后，自动提高网络覆盖性能，保证网络覆盖均匀，最大化网络覆盖。在实现过程中，传感器 node不移动。而是计算随机部署的传感器 node的虚拟移动轨迹。一旦确定了传感器 node的位置，对应的节点就移动一次。李等提出了一种包含目标的虚拟力算法来求解传感器网络布局的优化问题。通过计算节点、目标热点区域障碍物和其他之间的虚拟力传感器，为每个节点找到应力平衡点。并将其作为传感器节点的新位置。以上利用虚势场法优化传感器网络覆盖的研究成果都是基于全向感知模型。假设传感器节点之间有两个虚力:一个是斥力，使得。另一个是引力，使传感器节点保持一定的分布密度，防止节点过于分散形成感知盲区。最后，通过传感器节点的位置移动，增强了传感器节点的网络覆盖。2.2基于虚势场定向-1。考虑到传感器 network的部署成本，让所有部署的传感器节点都具备移动性是不现实的。另外，对传感器节点的重定位，很容易导致部分传感器节点失效。这样一来，整个传感器网络拓扑发生了变化，无疑增加了网络维护成本。因此，本文的研究工作是建立在传感器节点位置不变，感知方向可以调整的假设基础上的。上述假设使得直接使用虚势场法解决有向/网络覆盖增强问题变得困难。在传统的虚势场中，传感器 node在势场力的作用下表现为平移)，而基于本文的假设，传感器 node在势场力的作用下表现为其扇形感知区域以传感器 node为轴旋转)。为了简化扇形感知区域的旋转模型，我们引入了质心的概念。质心它与物体的平衡运动和内力分布密切相关。传感器节点的位置不变，其感知方向的不断调整可近似视为扇形感知区域质心点围绕传感器节点的圆周运动。如图3所示，均匀扇形感测区域的形心点位于其对称轴上，与圆心的距离为2Rsin/3。每个传感器节点只有一个质心点与之对应。我们用C来表示传感器 node V对应的质心点，本文将针对传感器网络覆盖增强问题转化为传统虚势场法可以求解的质心点均匀分布问题。如图4所示。图3传感器节点的运动模型图3 传感器节点的运动模型图4覆盖增强间接传感器网络的描述图4有向传感器网络覆盖增强的描述2.2.1使用虚势场法增强有向传感器网络覆盖的力分析可以近似等价于质心点间虚力的问题。我们假设质心点之间存在斥力，在斥力的作用下，相邻质心点逐渐向外扩散，减少冗余覆盖，逐步实现对整个监控区域的全高效覆盖。最后，增强了有向网络的覆盖性能。在虚势场的作用下，质心受到一个或多个相邻质心的排斥。质心点上的力的计算方法如下。如图5所示，dij表示传感器节点vi和vj之间的欧几里德距离。仅当dij小于时。它们的感测区域可能重叠，所以它们之间存在排斥力，作用在传感器 node对应的质心点ci和cj上。定义2。在有向传感器网络中，欧氏距离不大于该节点感知半径两倍的一对节点为邻居节点。节点vi的邻居节点集表示为I。KR代表排斥系数；Ij是单位矢量，表示斥力的方向。公式表明，只有当传感器节点vi和vj相邻时，其对应的质心点ci和cj之间才存在斥力。质心点上的排斥力与ci和cj之间的欧几里德距离成反比。质心点的排斥力方向由ci和cj之间的相互位置关系决定。质心点ci的合力是相邻k个质心点的排斥力的矢量和。该公式描述了质心点ci的合力模型。通过图6所示的例子，我们分析质心点的受力情况。该图包括四个/节点:v1、v2、v3和v4，对应的质心点分别为c1、c2。C3和c4。以质心点c1为例。因为d122R，形心点c1只受到形心点c3和c4的排斥，以及它所受到的合力。传感器节点感知方向的旋转导致质心点的轨迹不是任意的，而是围绕传感器 node做圆周运动。因此，质心的运动只受合力沿圆周的切向分量的影响。图6质心上的力2.2.2控制规则本文基于一个虚拟的物理世界来研究质心的运动，其中力的质心是虚拟的。虚拟物理世界的构建是基于解决问题的特性。在这里，我们定义控制规则。也就是说，定义了力与质心点运动的关系，从而实现质心点的均匀分布。作用下质心点的移动受到运动学和动力学的双重约束，具体如下:运动学约束在传统的传感器网络中用虚势场法传感器节点移动，因为传感器。我们大多数人都忽略了它的运动学约束。但在旋转模型中，质心点的运动不是任意的，受合力切向分量的影响，只能绕其传感器节点运动。质心点上的虚拟力在运动过程中是变化的，但是对于传感器网络系统来说，传感器一直交换邻居节点的位置和感知方向信息是不现实的。因此，我们设置相邻节点每t个时间步交换位置和感知方向信息，根据交换的信息计算当前时间步质心点上的合力，得到旋转方向和弧长。同时，解决问题的目的是将节点的感知方向调整到合适的位置。这里不考虑速度、加速度和旋转弧长的关系。动态约束动态约束研究力和运动之间的关系。该运动模型中的动力学约束主要包括两个方面:质心上的合力与每个时间步长t内的旋转方向和弧长的关系；质心运动的静态条件。在传统的传感器网络中使用虚势场法移动传感器节点的情况下,传感器节点的运动速度受到每个时间步长的最大运动速度vmax的限制。而不是随着传感器 node应力无休止地增加，保证了微调方法的快速收敛。在这个旋转模型中，我们还假设质心点每次都以很小的旋转角度旋转，通过多次微调的方法逐渐逼近最优解，即在每个时间步长t内，质心点的旋转方向是沿合力的圆周切线方向的分量，旋转大小不是任意的。但是具有固定的旋转角度。采用上述方法有两个原因:运动过程中，质心受力不断变化，变化规律很难用简单的函数来表达。另外，由于上述运动学约束和问题的特点，我们很难找到一个简洁合理的质心上的合力与旋转弧长的关系。运动过程中质心以固定角度旋转，有利于简化计算过程。减少节点的计算负担。同时，通过对仿真实验数据的分析，发现该方法具有理想的收敛性。固定旋转角的不同取值对PFCEA算法的性能影响很大，将在3.3节详细分析和说明。当合力在质心点上沿圆周切线方向的分量为零时，达到理想位置，停止转动。如图7所示，我们假设质心点在圆周上O点的合力的切向分量为0。因为质心点以固定的旋转角度旋转，所以它可能不只是旋转到O点。当形心点在圆弧或图7中时，合力的切向分量不为0，会造成形心点绕O点来回振动。所以为了避免震动，加速质心点达到稳定状态。我们需要进一步定义质心点的停止条件。质心点绕O点振动时，合力的切向分量很小。所以我们设置应力阈值，当，可以断定质心点已经达到稳定状态，不需要再移动了。几个时间步长t后，当网络中所有质心点达到稳定状态时，整个传感器网络达到稳定状态，此时对应的。这组解通常是本文中覆盖增强的最优解. 2.3算法描述基于上述分析，本文提出了一种基于虚拟势场的网络覆盖增强算法，该算法是一种分布式算法，在每个传感器节点上并发执行。PFCEA算法描述如下:输入:节点vi及其邻居的位置和感知方向信息；输出:节点VI.1.t0的最终感知方向信息；//初始化时间步长计数器2。计算节点vi的对应质心点ci的初始位置；3 .计算节点vi邻居节点集合I，m表示邻居节点集合中的元素个数；4.while 4.1 TT 1；4.2;4.3For4.3.1计算质心点cj对ci的电流斥力，其中vji4.3.2;4.4计算当前沿圆周施加在质心点ci上合力的切向分量；4.5确定质心点ci运动方向；4.6IfThen4.6.1形心点ci沿方向旋转固定角度；4.6.2将质心点ci调整到新位置；4.6.3计算节点vj指向当前质心点的ci向量，并将其单位化，得到节点vi的最终感知方向信息；4.7睡眠；5.End.3算法仿真和性能分析我们利用VC6.0开发了适用于传感器网络部署和覆盖研究的仿真软件Senetest2.0，并利用该软件进行了大量的仿真实验，验证了PFCEA算法的有效性。实验中的参数值见表1。为了简化实验，假设目标区域中的所有传感器节点。也就是说，所有节点的感知半径和感知角度规格都是相同的。表1实验参数表1实验参数参数参数参数参数参数参数参数参数面积500，500m2面积覆盖率P01 sensornumbern 0250 SensingRadiusRS 0100 msensin。goffsetangel0903.1案例分析在本节中，我们通过一个具体的例子来说明PFCEA算法可以增强有向传感器网络的覆盖。在500500m2的目标区域，部署传感器 node，感知半径R=60m，感知角度= 45°完成场景监控。如果达到了预期的网络覆盖，P =通过公式，我们可以估算出需要提前部署的传感器个节点的数量。对于上面的例子，我们记录了当PFCEA算法在不同的时间步长运行时，定向传感器网络覆盖的增强，如图8所示。Initialcoverage，p0=65.74%初始覆盖率，P0 = 65.74%第10个时间步长，P10 = 76.03%第10个时间步长，P10 = 76.03%第20个时间步长，P20 = 80.20%第20个时间步长，P20 = 80.20%第30个时间步长，P30 = 81.45%。P30 = 81.45%图8覆盖增强使用PFCEAAlgorithm图8PFCEA算法直观地实现覆盖增强，质心点在虚拟斥力的作用下扩散，逐渐消除网络中感知的重叠区域和盲区，最终实现有向传感器网络覆盖增强。在这种情况下，网络传感器 node分别调整了30个时间步长，网络覆盖率从最初的65.74%提高到81.45%，网络覆盖率提升了15.71个百分点。图9显示了时间步长调整带来的网络覆盖增强。我们发现网络覆盖随着时间步长的增加而不断增加，并且近似满足指数关系。当时间步长达到30次时，网络中大多数节点的感知方向发生振动，直观的表现为网络覆盖在81.20%左右的允许范围内振荡。此时，我们认为定向传感器网络的覆盖性能大致增强到最佳。网络覆盖性能可以显著降低网络部署成本。通过自调整节点的感知方向，在只部署105 传感器节点的情况下，网络覆盖率为81.45%。如果期望网络覆盖率为81.45%，通过公式计算，我们至少需要部署148 传感器个节点。由此可见，使用PFCEA算法增强网络覆盖的直接效果是节省了近43 传感器个节点，大大降低了网络部署成本。3.2收敛性分析为了讨论本文算法的收敛性，我们在四种不同的网络节点规模上进行了多组实验。我们为每个网络节点大小随机生成10个拓扑，分别计算算法的收敛时间，并取平均值。实验数据如表2所示。其他实验参数为R=60m，=45，= 5。表2收敛性分析的实验数据表2实验数据的收敛性分析15041.2852..7464 . .7673..5878 . 0227通过对上述实验数据的分析，我们可以得出结论，PFCEA算法的收敛性，即调整次数，并不随传感器的节点大小的变化而发生显著变化可以看出，本文的PFCEA算法具有良好的收敛性，可以在较短的时间步长内完成有向传感器网络的覆盖增强过程。3.3仿真分析在这一部分，我们通过一系列的仿真实验来说明本文中四个主要参数对PFCEA算法性能的影响。分别是:节点大小n、感知半径r、感知角度和旋转角度。对于前三个参数，我们分析并比较了过去研究的集中式覆盖增强算法的性能。当R之和不变时，N值越小，网络的初始覆盖范围越小。此时，随着N的增加，P的值呈持续上升趋势。当N=200时，网络覆盖可提高14.40个百分点。之后，P的值减小。这是因为当网络的初始覆盖由于节点大小N的增加而较高时，在相邻节点之间形成覆盖盲区。无疑，PFCEA算法的性能被削弱。另外，部分传感器节点落入边界区域，会间接削弱PFCEA算法的性能。另外，感知半径和感知角度对PFCEA算法性能的影响是相似的。当节点大小固定时，传感器半径或感知角度越小，单个节点的覆盖范围越小。相邻节点形成感测重叠区域的可能性越小。此时，PFCEA算法对网络覆盖性能的提升并不显著。随着感应半径或感应角度的增大，P不断增大。当R=70m且= 45°时，网络覆盖最高可提高15.91%。然而，随着感知半径或感知角度的增加，PFCEA算法带来的网络覆盖效果下降。如图10，感应偏斜角的效果，其他参数= 100，r = 40m，= 5。其他实验参数满足以下要求:N=100，R=40m，=5。

无线传感器，看到这个代词，我想大部分人都不知所措，一脸茫然。无线 传感器目前只在一些大规模的测试工作中使用，自然也只有一些专业的工作人员才能接触到，比如可以监测地震，然后把监测到的信息传输到检测中心的无线网卡，直接发送到电脑上。既然大家对它有这么多疑惑，我就介绍一下无线 传感器的定义和一些应用实例。