在无线传感网络中传感器节点主要完成,传感器无线传感网设计

早在20世纪70年代，传统的传感控制器通过点对点传输连接而形成了传感网络的雏形，我们将其命名为第一代传感网络,基于有向感知模型的传感设备节点组成的网络称为有向传感设备网络,传感机器人节点的旋转传感导致质心点的轨迹固定在传感周围,传感感知对象和观察者构成了传感网络的三要素,基于文中的假设，传感传感器节点显示其扇形感知区域在势场力的作用下以传感传感器节点为轴旋转)。

无线传感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设备网络覆盖增强算法摘要:首先，基于视频传感设备节点的方向感知特性，提出了方向感知模型，并以此为基础，解决了有向传感设备网络的覆盖增强问题。其次，提出了一种基于虚拟势场的覆盖增强算法PFCEA。通过引入质心的概念，将有向传感网络的覆盖增强问题转化为质心均匀分布问题。而不是以传感 node 传感的方向旋转，质心在虚力的作用下做圆周运动，从而消除网络中的感知重叠区和盲区，进一步增强整个有向传感网络的覆盖。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；覆盖度增强的中国图书馆分类号:TP393文献识别码:A覆盖度作为传感 device网络中的一个基本问题，反映了传感 device网络所能提供的感知服务质量。优化传感设备网络覆盖可以合理分配网络空间资源，更好的完成环境感知信息。另一种是针对特定目的进行规划和部署。由于-0路由器网络通常工作在复杂的环境中，并且网络中有很多-0路由器节点，所以大部分都是随机部署的。但是，一次性大规模随机放置大量的-0路由器节点是很困难的。非常容易造成传感网络覆盖不合理，进而形成感知重叠区和盲区。因此，在传感 network初始部署后，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，绝大多数的覆盖研究都集中在基于全向感知模型的传感 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，以增强传感网络的覆盖范围。实际上，定向感知模型也是传感 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设备节点组成的网络称为有向传感设备网络。视频传感设备网络是定向传感ad hoc网络的典型例子。感知模型的差异导致现有的基于全向感知模型的覆盖研究成果不能直接应用于有向传感 ad hoc网络，迫切需要一系列新的方法。在早期的工作中，我们率先研究了有向传感 ad hoc网络中的覆盖问题。设计一个基本的方向感知模型，用于描述视频传感设备节点的方向感知特性，研究有向传感设备网络的覆盖完整性和通信连通性。同时，考虑到传感 device nodes/，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。调整方案确定后，网络中所有有向传感节点同时对传感方向进行一次性调整。这样，可以增强网络覆盖性能。然而，由于未能充分考虑定向传感设备节点的本地位置和方向信息，该算法增强定向传感设备的网络覆盖的能力相对有限。本文将基本的定向传感模型扩展为方向可调传感模型。本文对有向传感网络的覆盖增强进行了研究。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网络覆盖的影响。在此基础上，对有向传感网络的覆盖增强进行了分析。本文通过引入形心的概念，将所要解决的问题转化。提出了一种基于虚拟势场的定向传感网络覆盖增强算法PFCEA。质心在虚力的作用下扩散移动，逐渐消除网络中的感知重叠区和盲区，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.定向传感网络的覆盖增强。本节旨在分析和定义定向传感网络的覆盖增强。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。随着其传感方向的不断调整，有向传感节点具有覆盖其传感距离内所有圆形区域的能力。这样，通过简单的几何抽象，我们就可以得到方向传感节点的方向可调感知。r代表节点的最大传感范围，即传感半径；单位矢量=扇形感应区域的中心轴，即某时刻t节点的传感方向；并且分别是单位矢量在X轴和Y轴方向上的投影分量；代表边界距离传感矢量的夹角-0，2代表传感区域视角，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viP1指向，则和之间的夹角值属于。判断点P1是否被有向传感节点覆盖的一个简单方法是:如果是，那么点P1被有向传感节点覆盖；否则，覆盖范围就不成立。另外，如果区域A被有向传感节点覆盖，当且仅当区域A中的任意一点被有向传感节点覆盖。除非另有说明，以下节点和传感 device节点均满足上述方向可调的感知模型。1.2有向传感设备网络覆盖增强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 device网络中的所有节点都是同构的，即所有节点都是同构的。A2。有向传感网络中的所有节点一旦部署完毕，其位置是固定的，但其传感方向是可调的；A3。有向传感网络中的每个节点都知道自己的位置和方向信息，每个节点都可以控制自己的传感方向。假设目标区域的面积为S，随机部署的传感节点位置满足均匀分布。并且目标区域中任意两个传感节点不在同一位置。/节点的传感方向也满足均匀分布模型。在不考虑传感节点可能落入边界区域缩小有效覆盖区域的情况下，由于每个传感节点监测到的区域为R2，则每个传感节点能够监测到整个目标区域的概率为R2/秒，计算目标区域被n 传感节点覆盖的初始概率p0的公式为:当目标区域的网络覆盖至少达到 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 device节点数为ln/，ln)/。 其中= =lnlnS。因此，从公式中可以得到传感设备节点数的差值n。当目标区域s节点传感半径r与传感之间的夹角为常数时，为常数。此时，n与p0和P的关系如图2所示。从图中可以看出，当P0不变时，n随着P的增加而增加；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 network的部署成本。设Si表示当传感 vector为时，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，当网络中节点传感 vector的值为时，有向传感网络的覆盖范围可以表示为:因此，增强有向传感网络覆盖范围的问题可以概括为:问题:求解一个群，使初始值接近最大值。图2Therelationamongp0，pandN图2p0，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 network的覆盖增强问题中。其基本思想是把每个传感设备节点看作一个虚电荷，每个节点受其他节点的虚力影响，向目标区域的其他区域扩散，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。在实现过程中传感路由器节点不移动，而是计算随机部署的传感路由器节点的虚拟移动轨迹。一旦确定了传感路由器节点的位置，相应的节点就会移动一次。李等解决传感路由器的网络布局优化。通过计算节点、目标热点区域障碍物和其他传感设备之间的虚拟力，为每个节点找到力平衡点。并将其作为传感节点的新位置。以上利用虚势场法优化传感 node网络覆盖的研究成果，都是基于全向感知模型。假设传感 node之间有两个虚力:一个是斥力，使得。另一种是引力，使传感 device的节点保持一定的分布密度，避免节点间隔过大形成感知盲区。最后，通过基于虚势场的传感 device.2.2有向的节点的位置移动，增强了传感 device的网络覆盖。考虑到传感 server网络的部署成本，所有部署的传感 server节点都具有移动性是不现实的。另外，移动传感 server节点很容易导致部分传感 server节点失效。这样一来，整个传感网络拓扑结构发生变化，无疑会增加网络维护成本。因此，本文的研究工作是基于传感节点位置不变传感方向可调的假设。上述假设使得用虚势场法直接求解有向传感网络的覆盖增强问题变得困难。在传统的虚势场法中，传感。基于文中的假设，传感传感器节点显示其扇形感知区域在势场力的作用下以传感传感器节点为轴旋转)。为了简化扇形感应区域的旋转模型，我们引入了质心的概念，质心是粒子系统中的一个特定点。它与物体的平衡运动和内力分布密切相关。传感致动器节点的位置保持不变，其传感方向的不断调整可近似视为扇形感应区质心点围绕传感致动器节点的圆周运动。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。每个传感节点有且只有一个质心点与之对应。我们用C来表示传感 node V对应的质心点，本文将针对传感增强网络覆盖的问题转化为质心点均匀分布的问题，可以用传统的虚势场法求解，如图4所示。图3传感器节点的移动模型图3 传感设备节点的运动模型图4间接传感器网络覆盖增强的描述图4有向传感网络覆盖增强问题的描述2.2.1力分析采用虚势场法来增强有向传感网络的覆盖，可以近似等效为质心点之间的虚力作用问题。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表示传感节点vi和vj之间的欧几里德距离。只有当dij小于传感node传感node半径的两倍时，它们的感知区域才有重叠的可能，所以它们之间存在排斥力。排斥力作用在节点的相应质心点ci和cj上。定义2。在有向传感 node网络中，欧氏距离不大于节点传感 node半径两倍的一对节点是彼此的邻居。节点vi的邻居节点集被表示为I。也就是说，i = {vV。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，我们分析质心点的力。图中包括四个传感 connector节点:v1、v2、v3、v4，它们对应的质心点如下。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的斥力，以及它所受到的合力。传感机器人节点的旋转传感导致质心点的轨迹固定在传感周围。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。即指定力与质心点运动的关系，从而达到质心点的均匀分布。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:在传统的传感致动器网络中，运动学约束使用虚势场法移动传感致动器节点的情况下，由于传感致动器节点向任意方向移动的概率是相同的，所以我们大多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何方向的，由于合力切向分量的影响，只能绕其传感 actuator节点运动。质心点上的虚拟力在移动过程中会发生变化。但是对于传感网络系统来说，让传感网络节点一直交换邻居节点位置和传感方向信息是不现实的。因此，我们在每一个时间步长t设置邻居节点交换位置和传感，得到旋转方向和弧长。同时，解决问题的目的是将节点的传感方向调整到合适的位置。这里不考虑速度和加速度与旋转弧长的关系。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:质心点上的合力与每个时间步长T内旋转方向和弧长的关系；质心运动的静态条件。在传统的传感网络中使用虚势场法移动传感节点的情况下，每个时间步长内传感节点的运动速度受到最大运动速度vmax的限制。而不是随着传感 node的应力无休止的增加，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特性，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。经过若干个时间步长t，当网络中所有的质心点都达到稳定状态时，整个传感 device网络将达到稳定状态，此时，对应的。这组解通常是本文中覆盖增强的最优解。2.3算法描述基于以上分析，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及其邻居的位置信息和传感方向信息。输出。//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的最终传感方向信息；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 device的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。为简化实验，假设目标区域内所有传感节点同构，即所有节点的半径为传感与传感的夹角规格相同。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参数参数面积500，500m2面积覆盖率P01 sensor number 0250 SensingRadiusRS 0100 msensingoffsetangle 0。903.1案例研究在本节中，我们通过一个具体的例子来说明PFCEA算法增强了有向传感网络的覆盖。在500500m2的目标区域内，部署半径R=60m 传感节点传感夹角= 45°完成场景监控。如果期望网络覆盖率为70%，我们可以通过公式提前估算出所需的-。我们记录了当PFCEA算法在不同的时间步长下运行时，定向传感网络的覆盖增强情况，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%第30个时间步长，P30 = 81.45%图8使用PFCEA算法增强覆盖率图8 PFC CEA算法在这种情况下，网络传感 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，近似满足指数关系。当时间步长达到30次时，网络中的大部分节点向传感方向振动，直观显示网络覆盖在81.20%左右的允许范围内振荡。此时，我们认为定向传感设备的网络覆盖性能近似增强到最优水平，网络覆盖性能可以显著降低网络部署成本。节点-0给出了一个例子。在只部署105 传感服务器节点的情况下，最终网络覆盖率为81.45%。如果期望的网络覆盖率为81.45%，通过公式的计算，我们至少需要部署148 传感服务器节点。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，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 传感半径R 传感夹角和旋转角度。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。a .我们在节点大小N 传感半径r和传感的角度，取不同的节点大小进行仿真实验。从图10的变化曲线可以看出，当R的和一定时，n的值越小，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。从那以后，p的值降低了。这是因为当网络初始覆盖因节点大小n的增加而较高时，相邻multi传感node之间形成覆盖盲区的概率大大降低，这无疑削弱了PFCEA算法的性能。部分传感节点落入边界区域，会间接削弱PFCEA算法的性能。另外传感radius传感angle对PFCEA算法性能的影响也是类似的。当节点大小固定时，节点传感 radius。单个节点的覆盖区域越小，相邻节点之间形成感知重叠区域的可能性就越小。此时，PFCEA算法对网络覆盖性能的提升并不显著。随着传感半径或传感角度的增大，P不断增大。当R=70m且= 45°时，最大网络覆盖可提高15.91%。但随着传感 radius或传感 angle值的增大，PFCEA算法带来的网络覆盖效果下降，如图10所示。感应偏斜角的效果，其他参数满足TN = 100，r = 40m，= 5。