本发明涉及环境监测和传感器网络领域，尤其涉及一种基于重点目标区域的水下传感器网络优化部署方法的研究。
背景技术：
：水质监测是用科学的方法监视和监测反映水体质量的变化趋势及污染的来龙去脉，是监视和测定水体中污染物种类、各类污染物浓度及变化趋势，评价水质状况的过程。由于近几年内生活废水、工业废水和恶劣气象条件对水环境的剧烈影响，致使不同水质断面的污染程度各不相同，我们希望对于污染严重的区域进行实时监控，以保障水质信息全面真实可靠。由于在实际的水质断面监测系统中，传感器监测到的水质参数往往包含温度、PH值、总氮、总磷、浑浊度和高锰酸盐指数等多项指标，每类指标在不同断面区域内反映的水质情况各不相同，因此不能用单一的水质标准衡量监测水域的水质情况。综合水质评价法是我国现代评价水质状况的常用方法，包括污染指数法、灰色系统评价法、主成份分析法、模糊评价法和方差分析法等。针对重点区域进行覆盖监测之前，本文希望实现传感器网络在监测区域上的最大范围均匀覆盖。传统的水质断面监测系统一般采用大规模投放传感器的方式，这样的投放方式快速却很难一次性地将传感器节点放置在合适位置，很容易形成感知重叠区和盲区。另外一种方式是将监测水域平均分割为固定大小的网格，并在每个网格的中心位置布测点，这种方法简单易行，但往往会导致相邻断面出现水质监测结果相近，造成监测资源浪费。因此，需要研究更为有效的基于重点目标区域的水下传感器网络优化部署方法，为进行精确的水环境监测提供充实的理论依据。技术实现要素：本发明的目的在于提出一种基于重点目标区域的水下传感器网络优化部署方法，可提高水环境监测的准确性和灵活性，可广泛应用于水环境监测、水污染的预测和治理等领域。为达到上述目的，本发明提出一种基于重点目标区域的水下传感器网络优化部署方法，具体包括水域监测模型的建立和水下传感器网络的优化部署两个步骤。步骤一，在本发明的一个实施例中，所述水域监测模型的建立进一步包括：针对采集到的水域监测数据，利用主成份分析法对各个因素进行分析，对水质参数进行降维处理，提取出水质评价的代表成分，其数学模型为：其中，i为样本个数；j为因子个数；n为主成份分析后的主成份个数；a1j，a2j，……，anj是原始变量矩阵在各主成分上的载荷；Xi1，Xi2，……，Xij是原始变量矩阵经过标准化处理的值；zi1，zi2，……，zin表示经过主成份分析后各个主成份的值；由主成份分析得出的每个样本的主成份zin值，能够得到相应的主成份评价函数Zi，作为评判重点区域的数据基础：Zi=λi1λi1+λi2+...+λinzi1+λi2λi1+λi2+...+λinzi2+......+λinλi1+λi2+...+λinzin]]>其中，Zi是每个样本对应的主成份评价得分值；λi1，λi2，……，λin是矩阵[Xi1，Xi2，……，Xij]初始特征值对应的方差贡献率；通过主成份分析对某区域水质参数的分析，可以得出该区域在时间变化上的综合水质评价得分Zi，求取这些得分的方差值，可以评价该水域的水质数据稳定或者波动的情况，同理，可求得各片水域的综合水质评价得分的方差值，比较各水域的方差值大小，将方差值最大的区域作为污染严重的重点监测区域；并对待监测水域进行网格化处理，假定水域大小为M×N，包括一般监测水域和重点监测水域，对监测水域离散化处理，以密度为gs划分网格，所述监测水域中的网格点由矩阵Ω表示：其中，Ω′k，k＝1,2,…t代表重要的监测水域。步骤二，在本发明的一个实施例中，所述水下传感器网络的优化部署进一步包括：在得到上述水域模型Ω后，对其产生的网格点记为Xmn，区域内的网格点总数记作KK，网格点Xmn被一个传感器si监测到的概率记为c(si,Xmn)；采用布尔感知模型完成传感器的覆盖监测，模型的数学表达式如下：c(si,Xmn)=0.d(si,Xmn)>Rc1.d(si,Xmn)<Rc]]>其中，d(si,Xmn)表示传感器节点与网格点Xmn的欧式距离，即传感器节点si部署在点(xi,yi)上，则网格点Xmn到(xi,yi)的距离为：d(si,Xmn)=(xi-x)2+(yi-x)2]]>其中，Rc表示传感器的有效监测半径，当d(si,Xmn)大于传感器的有效半径时，网格点Xmn将不能被监测；对于一个受监测网格，将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率，网格Xmn的联合监测概率如下公式所示：CXmn=1-Πi=1n(1-C(si,Xmn))]]>统计监测概率等于1的网格数量，其与总网格数KK的比值即为目标区域的覆盖率；然后利用粒子群算法的网络优化部署：假设在一个二维水域平面上，需要监测的区域为Ω，在解的D维搜索空间里有n个粒子作为预备解，随机部署m个传感器节点，则群体中的第i个粒子位置为si＝(xi1,yi1；xi2,yi2；xi3,yi3；…………；xim,yim)，其中，每一个传感器节点在更新过程中有一个速度向量，用于更新当前速度和位置；每个粒子在自动更新过程中，会经历一个表征个体最优解的位置和一个表征全局最优解的位置；首先是每个传感器节点根据当前的速度和自身位置以及邻居节点的位置更新当前的速度，进而更新当前的位置，所有传感器节点的当前速度和当前位置得到更新之后就计算一次适应值，粒子则通过新的适应值不断跟踪个体最优解Pid＝(pi1,pi2，pi3，…………piD)和全局最优解Pg＝(pg1,pg2,pg3,……,pgd)进行搜索，以最优适应值为目标更新自己；其中，piD和pgd为每一次运算后适应值的大小；适应值由传感器网络的节点位置所确定的覆盖率大小决定，每次更新之后的覆盖率应当大于上次更新之后的覆盖率，在达到最大迭代次数时终止；根据粒子的自动移动特点，速度和位置的更新公式为：vidk+1=widkvidk+1+c1r1(pid-xidk)+c2r2(pgd-xidk)]]>xidk+1=xidk+vidk+1]]>其中，i＝1,2,3,……,n，d＝1,2,3,……,D，k为最大迭代次数，可设为50，为加权因子，它记录粒子当前的运动状况，c1和c2是加速因子，c1使粒子具有自我继承的作用，c2使粒子吸收群体中其他临近粒子的好的位置，r1和r2为[0,1]之间的随机数。在三者的相互联系和作用下，粒子向自身经历过的最优点和群体历史最优点靠近，由此，传感器节点均部署在使网络覆盖率最大的位置；在此基础上，对重点水域进行重新部署，即将距离重点监测区域小于传感器半径的传感器节点部署到重点监测区域内，实现对污染严重的区域的实时重点监测。本发明提出的一种基于重点目标区域的水下传感器网络优化部署方法，可实现基于重点目标区域的水下传感器网络的优化部署，为进行精确的水环境监测和治理提供充实的理论依据。附图说明图1为本发明实施例的基于重点目标区域的水下传感器网络优化部署方法流程图。具体实施方式下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的意义。下面所描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本发明是针对水环境监测过程中，针对复杂的水域环境，提出的一种基于重点目标区域的水下传感器网络优化部署方法。为了能够对本发明有更清楚的理解，在此进行简要描述。本发明包括两个基本步骤：步骤一，水域监测模型的建立；步骤二，水下传感器网络的优化部署。具体的，图1所示为本发明实施例的一种基于重点目标区域的水下传感器网络优化部署方法的流程图，包括以下步骤：步骤S101，重点水域模型分析。在本发明的一个实施例中，针对采集到的水域监测数据，利用主成份分析法对各个因素进行分析，对水质参数进行降维处理，提取出水质评价的代表成分，其数学模型为：其中，i为样本个数；j为因子个数；n为主成份分析后的主成份个数；a1j，a2j，……，anj是原始变量矩阵在各主成分上的载荷；Xi1，Xi2，……，Xij是原始变量矩阵经过标准化处理的值；zi1，zi2，……，zin表示经过主成份分析后各个主成份的值；由主成份分析得出的每个样本的主成份zin值，能够得到相应的主成份评价函数Zi，作为评判重点区域的数据基础：Zi=λi1λi1+λi2+...+λinzi1+λi2λi1+λi2+...+λinzi2+......+λinλi1+λi2+...+λinzin---(2)]]>其中，Zi是每个样本对应的主成份评价得分值；λi1，λi2，……，λin是矩阵[Xi1，Xi2，……，Xij]初始特征值对应的方差贡献率；通过主成份分析对某区域水质参数的分析，可以得出该区域在时间变化上的综合水质评价得分Zi，求取这些得分的方差值，可以评价该水域的水质数据稳定或者波动的情况，同理，可求得各片水域的综合水质评价得分的方差值，比较各水域的方差值大小，将方差值最大的区域作为污染严重的重点监测区域；步骤S102，水域模型的建立。在本发明的一个实施例中，对待监测水域进行网格化处理，假定水域大小为M×N，其中包括一般监测水域和重点监测水域，对监测水域离散化处理，以密度为gs划分网格，所述监测水域中的网格点由矩阵Ω表示：其中，Ω′k，k＝1,2,…t代表重要的监测水域；步骤S103，水域模型覆盖度量标准的建立。在本发明的一个实施例中，在得到上述水域模型Ω后，对其产生的网格点记为Xmn，区域内的网格点总数记作KK，网格点Xmn被一个传感器si监测到的概率记为c(si,Xmn)；采用布尔感知模型完成传感器的覆盖监测，模型的数学表达式如下：c(si,Xmn)=0.d(si,Xmn)>Rc1.d(si,Xmn)<Rc---(4)]]>其中，d(si,Xmn)表示传感器节点与网格点Xmn的欧式距离，即传感器节点si部署在点(xi,yi)上，则网格点Xmn到(xi,yi)的距离为：d(si,Xmn)=(xi-x)2+(yi-x)2---(5)]]>其中，Rc表示传感器的有效监测半径，当d(si,Xmn)大于传感器的有效半径时，网格点Xmn将不能被监测；对于一个受监测网格，将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率，网格Xmn的联合监测概率如下公式所示：CXmn=1-Πi=1n(1-C(si,Xmn))---(6)]]>统计监测概率等于1的网格数量，其与总网格数KK的比值即为目标区域的覆盖率；步骤S104，基于粒子群算法的网络优化部署。在本发明的一个实施例中，假设在一个二维水域平面上，需要监测的区域为Ω，在解的D维搜索空间里有n个粒子作为预备解，随机部署m个传感器节点，则群体中的第i个粒子位置为si＝(xi1,yi1；xi2,yi2；xi3,yi3；…………；xim,yim)，其中，每一个传感器节点在更新过程中有一个速度向量，用于更新当前速度和位置；每个粒子在自动更新过程中，会经历一个表征个体最优解的位置和一个表征全局最优解的位置；首先是每个传感器节点根据当前的速度和自身位置以及邻居节点的位置更新当前的速度，进而更新当前的位置，所有传感器节点的当前速度和当前位置得到更新之后就计算一次适应值，粒子则通过新的适应值不断跟踪个体最优解Pid＝(pi1,pi2，pi3，…………piD)和全局最优解Pg＝(pg1,pg2,pg3,……,pgd)进行搜索，以最优适应值为目标更新自己，其中，piD和pgd为每一次运算后适应值的大小；适应值由传感器网络的节点位置所确定的覆盖率大小决定，每次更新之后的覆盖率应当大于上次更新之后的覆盖率，在达到最大迭代次数时终止；根据粒子的自动移动特点，速度和位置的更新公式为：vidk+1=widkvidk+1+c1r1(pid-xidk)+c2r2(pgd-xidk)---(7)]]>xidk+1=xidk+vidk+1---(8)]]>其中，i＝1,2,3,……,n，d＝1,2,3,……,D，k为最大迭代次数，可设为50，为加权因子，它记录粒子当前的运动状况，c1和c2是加速因子，c1使粒子具有自我继承的作用，c2使粒子吸收群体中其他临近粒子的好的位置，r1和r2为[0,1]之间的随机数。在三者的相互联系和作用下，粒子向自身经历过的最优点和群体历史最优点靠近，由此，传感器节点均部署在使网络覆盖率最大的位置；在此基础上，对重点水域进行传感器的重新部署，即将距离重点监测区域小于传感器半径的传感器节点部署到重点监测区域内，实现对污染严重的区域的实时重点监测。通过本发明提出的一种基于重点目标区域的水下传感器网络优化部署方法，可实现基于重点目标区域的水下传感器网络的优化部署，为进行精确的水环境监测和治理提供充实的理论依据。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，本发明的范围由所附权利要求及其等同限定。当前第1页1 2 3