无线网络测量的能量管理方法

专利名称：无线网络测量的能量管理方法
技术领域：
本发明涉及一种无线网络测量的能量管理领域，在该无线网络中多个节点 对机动目标进行协作跟踪，尤其涉及一种用于无线网络测量的能量管理方法。
背景技术：
大量具有感知、处理和无线通信功能的智能节点，在特定区域组成无线网络 可以完成复杂的测量任务。值得注意的是，网络节点通常采用电池供电，受到能 量约束，因而无线网络的能量管理成为一个非常重要的问题。能量管理的基本思 想是在不需要时关闭设备，而必要时将其唤醒。因此，设计有效的节点唤醒机制 十分必要。目前，具有多种能量模式的设备有很多。例如，StrongARMSA-1100处理器 有三种能量模式"运行"、"空闲"和"睡眠"。类似的，蓝牙无线设备有四种 不同的能量消耗模式"活性"、"保持"、"呼吸"和"停留"。网络节点中集成 了多个此类设备，按照设备能量模式的各种组合，拥有一系列不同功率的睡眠状 态。考虑包含CPU、内存、传感器和无线通信模块的网络节点，各模块能根据 要求进入不同的能量模式。上述各种模式虽然能够在一定程度上解决节约能量的问题，但是节约能量的 效果还不是很好，仍然存在提高节能效率的问题。发明内容本发明的目的在于为无线网络的机动目标跟踪应用，提出一种能够采用目标 运动的先验信息规划网络节点睡眠时间，并根据节点唤醒状态优化测量和通信能 耗，从而能够节约使用能量的无线网络测量的能量管理方法。本发明提出的基于机动目标预测的能量管理方法，其步骤如下采用粒子滤 波算法对机动目标的运动进行预测，根据预测结果合理规划节点睡眠时间，设计 网络节点的动态唤醒机制，縮短节点处于完全激活状态的时间，在目标周围节点 唤醒和目标预测位置已知的条件下，运用分布式遗传模拟退火算法优化选择测量 节点，在保证目标测量精度的前提下使测量能耗最小化，同时采用中转节点优化 通信路径，降低通信能耗。对本发明主要步骤的进一步说明如下1、 机动目标预测假设无线网络监测对象为车辆目标，具有最大加速度^m和最大速度V^ 。 中心节点负责收集无线传感节点每一轮的测量信息，计算目标当前位置，并对其 轨迹进行预测。采用运动模型对目标的位置、速度和加速度信息进行描述。状态方程为 X(A: +1)=+ G,t/(A:) + G2r("，观测方程为Z(A: +1)=股(A; +1) +『(A: +1)。 其中A为测量步数，X(A:)是与目标的两轴向位置及速度相关的状态向量，Z(A)是 观测向量，C/("是与目标;c、少轴向运动加速度相关的输入向量，r(Q和『("分 别是过程噪声和观测噪声，F是状态向量变换的非线性矩阵，G,(Q为目标机动 耦合输入矩阵，q("是过程噪声输入矩阵，//是模型观测矩阵。对二维运动， 矩阵定义如下i r o 0"| 「i o o o-oioo oioo … ,//= (i) o o i r ooioo o o ij Lo o o i其中r为无线网络测量周期。粒子滤波算法通过非参数化蒙特卡罗模拟实现基于贝叶斯采样估计的顺序 重要采样滤波，采用状态空间中传播的随机样本(粒子)对目标测量的后验概率 密度函数进行近似，以样本均值代替积分运算，获得状态最小方差估计。在平稳随机过程中，对第yt-l步测量的后验概率密度选取W个随机样本点，获得第A;步 的测量信息后，经过状态更新，iV个粒子的后验概率密度可近似为第A步测量的 后验概率密度。随粒子数增加，粒子的概率密度函数逐渐逼近状态的概率密度函 数，粒子滤波估计即为最优贝叶斯估计。根据粒子的先验概率密度可以估计目标 下一步的位置。2、 动态唤醒机制设计网络节点包含了 CPU、内存、传感器和无线通信模块。假设各睡眠状态A的 能量消耗为P,，由完全激活状态转换到此状态和恢复的时间分别为、,和、4 (对 任意/>/'，乃>/ ， r《,""且，,〉^)。网络节点在睡眠状态之间转换的功率 消耗采用线性变化模型。例如，节点从状态^转换到状态A时，无线通信、内存^ 0 2r oo L2o r
和处理器各个部分逐步断电，将造成功率消耗的线性变化。设转换时间 A=、，，则节点从睡眠状态&转换到&的能耗计算如下I T _ r I五—尸一尸i.L^_li (2)如说明书附1所示，为网络节点定义了 5种睡眠状态(1) 状态 是节点的完全活性的状态，节点可以传感、处理、发送和接收 数据，《，表示发送数据的额外能耗。位于(X,，少,)的节点向位于( ,^)的节点发 送数据时，五,x计算如下y,x=a, + a2《V (3)其中r为数据率，w。为衰减指数。(2) 状态^中，节点处于传感和接收模式，而处理器处于待命状态。(3) 状态^与状态^类似，不同点在于处理器断电，当传感器或无线电接 收到数据时可以被唤醒。(4) 状态A仅传感的模式，除了传感器模块外均关闭。(5) 状态&表示设备的全关状态，是完全睡眠状态。测量区域内无目标进入时，网络处于待命状态，根据网络节点到测量区域边 界的最短距离可以确定目标进入其感知范围的最短时间；当目标进入测量区域 后，网络节点根据目标预测位置同样可以确定目标进入其感知范围的最短时间。 网络节点在这段时间可以进入完全睡眠状态&，而不会丢失事件。动态唤醒机制 中，节点根据睡眠时间由自身的时钟唤醒。网络节点先唤醒到A状态，除了同时 受到传感器触发的节点外，其余节点直接返回状态&。这些处于&状态的网络节 点能响应外界消息，为目标测量的候选节点。3、节点选择优化优化问题即为从候选测量节点中选择合适的节点完成实际测量任务，目标是 在满足目标测量精度要求的前提下，使网络能耗最小化。若机动目标在f时刻位于且能被w (w>2)个网络节点同时探测，则各节点 可以获取其方向角信息，其测向(direction finding, DF)误差具有零均值、高斯 分布和恒定方差。由于存在测向误差，各节点测向线无法交于一点，因而采用非 线性最小二乘估计方法实现多节点协作的目标定位。根据n个节点测量方程，可 以利用最小二乘准则迭代获得当前目标位置的估计值。估计误差的协方差矩阵是 正定的，其相关二次型定义了一个描述二维误差分布的椭圆。多传感器协作测量 误差指标由误差椭圆确定。对于任意一种节点选择方式，所选节点需要将测量数 据传递给中心节点，网络节点处于状态^并进行数据发送的能耗可以作为能量指 标。由于目标预测位置巳知，可以采用上述两项指标对节点选择方式进行评价。 利用无线网络分布式计算的潜力并结合遗传算法和模拟退火的优势，提出一种分 布式遗传模拟退火算法进行节点选择优化。在当前测量周期内从^状态的节点中 随机选取一个节点作为管理节点，将遗传算法的解个体分配给其余^状态的节 点。各节点分布执行SA优化算法，管理节点每隔固定时间收集分布优化结果进 行交叉、变异操作，并重新分配最优个体，通过迭代获得最优解。优化过程中， 网络节点间个体交流的数据量很小，通常可忽略通信能耗。4、通信路径优化每个测量周期中，在目标周围完成测量任务一组网络节点将采集到的数据聚 集并发送给中心节点。数据从距中心节点最远的网络节点开始按由远到近的顺序 依次聚合并传递给中心节点。当然，目标领域范围可能距中心节点较远，即使采 用距其最近的测量节点发送数据仍然消耗大量能量。因此，考虑在从节点中随机 选取一部分作为中转节点用于中转数据包以节省通信耗能。为了使节点耗能更均 衡，中转节点按测量周期更新。本发明的效果是机动目标跟踪作为无线网络的典型应用，通常需要在无线 网络测量区域内采用节点随机布置，各网络节点具有对机动目标进行测向的功 能。设每个传感器拥有相同的测量范围，无线网络采用固定的周期进行测量。由 于节点布置的密集性，同一事件可釆用多传感器同时测量，因而可以运用多传感 器协作测量模型进行数据融合。实际测量过程中，各网络节点将其测量值发送给 中心节点，中心节点根据非线性最小二乘估计方法求取机动目标的当前位置，相 应的误差椭圆确定了多个网络节点的协作测量误差。根据机动目标的轨迹，可以对目标在下一测量时刻的位置进行预测。粒子滤波算法(particlefilter,PF) —般 用于估计非线性、非高斯动态过程。本发明将PF用于机动目标位置的预测。各 网络节点按照预测获得的先验信息估计其空闲时间，进行合理的睡眠时间规划， 从而实现网络节点的动态唤醒机制。动态唤醒机制保证了目标周围的网络节点能 及时唤醒至状态^，作为候选测量节点。针对给定的网络测量精度需求，可以根 据机动目标预测位置和多传感器协作测量模型从候选节点中选取一组满足此需 求的网络节点进行实际测量，从而减少需要唤醒到完全激活状态的节点数量。为 使所选网络节点用于测量的总体能耗最低，需要根据s。状态的能耗情况设计能量 指标进行节点选择优化。考虑一些传统的组合优化算法，例如遗传算法(genetic algorithm, GA)和模拟退火(simulated anneal, SA)。 GA是一类借鉴生物界自然 选择和自然遗传机制的随机化搜索算法。对于给定的优化问题，GA对参数进行 基因编码，从而使每一串编码个体代表问题的一种可能解。GA对一组个体形成
的种群进行操作， 一般采用三种算子复制、交叉和变异。这三种算子的基本功 能分别是复制个体，交换个体的部分信息，以及改变个体的个别编码。GA随机 使用这些算子，并通过迭代优化适应度函数。SA将组合优化与物理上固体从高 温向低温退火达到最小自由能态的过程相类比。采用SA解决优化问题时则仅从 一个随机状态开始，根据扰动机制从当前状态变化到一个邻近状态。若此状态更 优，则接受并将其作为当前状态；否则，采用随机接受准则(Metropolis准则) 判断是否接受此状态。这两类算法各具特点①GA对一组解进行操作，而SA 仅保持一组解，GA能从多个解中获得以往搜索的冗余信息，并通过交叉算子利 用以往搜索结果的有效部分，从而具备较强的全局搜索能力；②SA具有较强的 局部搜索能力，并在理论上能获得GA无法保证的全局最优解。另外，无线网络 中，每个网络节点都具有处理功能，提供了分布式计算能力。因此，本发明结合 这两种算法的优势，设计了一种分布式遗传模拟退火算法(distributed genetic algorithm and simulated anneal, DGASA)进行节点选择优化。可以利用目标先验 信息进行动态能量优化，以降低节点能耗。各测量节点需要将获得的数据传递给 中心节点。由于节点直接进行远距离通信的能耗较高，本发明提出了采用中转节 点的多跳通信路径优化方案，进一步减少通信能耗。实验表明，该能量管理方法能在保证测量精度的前提下有效降低无线网络能耗。


图1网络节点的5种睡眠状态；图2为无线网络测量中能晕管理方法的系统框图； 图3为无线网络的节点布置情况； 图4为机动目标运动轨迹；图5为采用动态唤醒机制的节点状态转换方式； 图6为分布式遗传模拟退火算法编码方案； 图7为分布式遗传模拟退火算法工作流程； 图8为通信路径优化方式；其中图(a)为不采用中转节点的情况；图(b)为采用中转节点的情况；图9为采用粒子滤波算法的目标位置预测误差；其中图(a)为X轴方向偏差；图(b)为Y轴方向偏差；图10为采用三种不同算法优化的测量误差；其中图(a)为遗传算法优化的测量误差；图(b)为模拟退火算法优化的测 量误差；图(c)为分布式遗传模拟退火算法优化的测量误差；图11为采用遗传算法、模拟退火算法和分布式遗传模拟退火算法三种算法 的理论能耗优化结果；图12为采用不同中转节点比例时的无线网络平均能耗；图13为采用10%中转节点时分布式遗传模拟退火算法优化的测量误差；图14为采用10%中转节点与不采用中转节点时分布式遗传模拟退火算法优化的能耗仿真曲线。
具体实施方式
下面通过说明书附图和具体实施方式
对本发明做进一步的说明。如图2所示，本发明针对包含传感器、CPU、内存、传感器和无线通信模块 的网络节点进行能量管理。这些模块拥有多种能量模式，网络节点可以进入不同 的睡眠状态。网络节点的能量消耗由相应的睡眠状态和数据发送情况决定。各个 节点的多个传感器需要协作的测量来获取目标位置，经过非线性最小二乘估计， 其测量误差由误差椭圆确定。能量管理过程中，粒子滤波算法根据已有的目标位 置测量值对目标下一步位置进行预测。采用该预测值可以估计网络节点的睡眠时 间，从而动态唤醒节点。被唤醒的网络节点即为目标测量的候选节点，采用分布 式遗传模拟退火算法优化选择实际测量节点，从而满足测量精度要求，并使测量 过程的能耗最小化。同时，通过采用中转节点对通信路径进行优化，利用多跳方 式降低通信能耗。下面通过能量管理的实例进一步说明本发明的具体实施方式
。 假设无线网络区域面积为400mX400m，网络包括随机布置的256个节点以 及位于网络中央的1个中心节点，如图3所示。网络节点采用热释电红外 (PyroelectricInfm-Red， PIR)传感器，测量范围&"sing = 60w ，测向精度均方值 均为 =2°，网络测量周期r-0.5"设机动目标最大加速度fl^-10w"2，最 大速度v^-40m"，如图4所示在测量区域内生成其运动轨迹，包括了120个 轨迹点。接下来，采用粒子滤波算法对目标位置进行预测。首先对采样点集和重要性 权值初始化，然后进行迭代过程①构造采样点集并更新权值；②若有效采样尺 度小于理论值，对样本进行重采样；③粒子加权，进行状态更新。每个测量周期中，更新的状态即为下一测量时刻的目标位置估计值。根据目标位置预测结果，可以进行节点睡眠时间规划，主要分为以下两个阶段1、建立阶段假设网络初始化时，测量区域内不存在机动目标。根据每一个节点到无线网
络边界的最短距离《,n和目标最大速度Vmax ，可以计算目标到达各节点测量范围 的最短时间、in =(《in1,OTSmg)/vmax 。处于目标预测位置附近的节点需要被唤醒， 因而睡眠时间为《—=、,。-r。根据网络测量周期，节点的睡眠周期数为「17/771 f >T其中[p]为取整运算。因此，靠近边界的节点会每个测量周期均被唤醒，将其定 义为边界节点，其余节点定义为内部节点。2、跟踪阶段当目标进入网络时，根据各内部节点位置(x,，x)和目标当前位置(X,argrf,3^ge,)(预测值)估计空闲时间/,/邵、(《arg^-Cg)/v臓-r。但对于 可能进入网络的新目标，节点仍需要准备在(.一 后进行测量，因此节点的空闲周 期数为W，— (5)采用动态唤醒机制的节点状态转换方式如图5所示，网络节点采用周期数 进入睡眠。网络节点由时钟触发唤醒至&状态，中心节点会重新估计睡眠周 期数并将结果发送给相应节点。需要执行任务的节点完成测量和传输后返回&状 态，其余节点直接返回^状态，睡眠时间由接收到的周期数值决定。因此，在保 证及时捕获新目标和唤醒目标预测位置周围节点的前提下，尽可能延长了网络节 点睡眠时间。经过目标预测和节点唤醒后进行测量节点选择优化。在分布式遗传模拟退火 算法中，假设候选节点数目为W，其编号为1,2,L ,W。如图6所示，采用二进 制编码，每个解表示为长度为7V的二进制一维数组，其中"0"表示不选用相应 位上的节点，"1"则表示选择相应位上的节点。将多传感器协作测量误差椭圆的长半轴长度定义为测量误差指标。假设机动 目标跟踪应用要求的测量误差阈值^=0.6附，最小化目标函数设计如下「 /4 + ￡0 ^ > 4)其中j为每个解对应的理论测量误差，￡则为体现测量总体能耗的能量指标，其具体计算方法将在接下来的部分介绍，￡。为表示能量指标￡的上界。因而，优 化过程中先对理论测量误差进行优化，当其满足要求后对网络能耗进行优化。图7说明了分布式遗传模拟退火算法的执行流程。在当前测量节点中随机选 取一个管理节点，该节点生成一组解并将其分配给其余乂个测量节点。各测量节点对获得的解执行模拟退火算法，管理节点每隔固定时间收集分布优化的结果 执行遗传操作，并将结果重新分配给其余测量结果。这样通过多次迭代可以获得 最优解。接下来考虑目标测量过程的能量消耗，设式(3)中^-50nJ/6， 2=100/x//6/m2， n。=3。测量节点向中心节点发送数据时，各节点以相同的 能量发送无线信号，中心节点根据接收到信号的强度对节点按距离排序。如图8 (a)所示，节点按远近顺序传递并聚集数据包，最后由距中心节点最近的节点 直接发送给中心节点。设中心节点为A^fe。，对于由近到远排序的一组节点 {iVo&,|/ = l,2,!」，w}，能耗指标计算如下其中&为M &,与7Vo&,间的距离，尸为数据包大小。如图8 (b)所示，当测量节点集合距中心节点较远时，为节省通信能耗， 在内部节点中选取一定比例的中转节点为测量节点和中心节点中转数据。选取的 原则是各节点随机的生成一个区间
内的随机数，若大于阈值77 ，则该节 点选为中转节点。阈值77/计算如下式中p为中转节点比例，r为当前测量周期序号，G为最后l/;7个测量周期中未 选为中转节点的节点集合。内部节点在选为中转节点的测量周期唤醒至&状态， 中心节点激活耗能最少的中转节点传递数据。设中转节点集合为 {^0^,|/ = /7,; + 1丄，^g^p}，则能耗指标为其中M为唤醒中转节点的额外耗能。仿真实验中，目标跟踪总时间为1200s，节点选择优化的时间均为0.15s，无 线网络的媒体访问协议为CSMA/CA，数据率为1Mbps。首先单独分析节点睡眠时间规划所获得的能量节省情况。统计网络建立阶段 的能耗，并在选择目标领域所有节点作为测量节点的条件下，获得了网络跟踪阶 段的总体能耗。与网络节点处于^状态等待传感器触发的情况相比，采用粒子滤 波轨迹预测和动态唤醒机制的方式在网络建立和跟踪阶段的总体能耗均较低。然后对分布式遗传模拟退火算法的性能进行评价。每个测量周期中，根据粒 子滤波获得的目标预测位置，采用分布式遗传模拟退火算法选择目标领域中实际 进行测量的最优节点。采用所选节点测量和报告数据时，分析网络跟踪阶段的测 量精度和能耗。同时，分析了GA和SA在采用相同编码方式下的优化性能以进 行对比。图9显示了跟踪过程中PF对目标下一轮位置预测的误差，包括X轴和 Y轴的偏差。由图可知，所有偏差均在区间[-l,l]范围内。考虑目标在网络内部 的跟踪过程，因而只分析10s至50s内的算法性能。图10比较了GA、SA和DGASA 三种算法的测量误差优化结果，分布式遗传模拟退火算法的实际测量误差相对误差指标的超标量最低。图11给出了各种算法的能耗优化结果，GA优化的能耗 最高，SA优化的能耗次之，DGASA优化的能耗最低。另外，考虑DGASA算法优化中采用中转节点路由的情况，并将中转节点的 比例从0% (不采用中转节点)调整到30%，分别进行仿真。中转节点比例对测 量过程中理论平均能耗的影响如图12所示。由图可知，相比不采用中转节点的 情况，采用中转节点可能获得额外的能量节省，而且当中转节点比例为10%时 能耗水平最低。采用10%中转节点时分布式遗传模拟退火算法的测量误差优化 结果如图13所示，而图14则比较了采用10%中转节点与不采用中转节点时的 分布式遗传模拟退火算法能耗优化结果。综上，无线网络中运用粒子滤波轨迹预测和分布式遗传模拟退火算法优化实 现的能量管理方法在满足目标跟踪精度的前提下，能显著提高其能量有效性，而 中转节点路径优化方式的引入可以获得更多的能量节省。
权利要求
1、无线网络测量的能量管理方法，其特征是包括下列步骤(1)机动目标预测，中心节点负责收集无线传感节点每一轮的测量信息，计算目标当前位置，并对其轨迹进行预测；(2)动态唤醒机制设计，测量区域内无目标进入时，网络处于待命状态，当目标进入测量区域后，网络节点根据目标预测位置确定目标进入其感知范围的最短时间，网络节点在所述最短时间范围内可以进入完全睡眠状态；(3)节点选择优化，在一个测量周期，从候选测量节点中选择合适的节点完成实际测量任务，在满足目标测量精度要求的前提下，使网络能耗最小化；(4)通信路径优化，从节点中选取一部分作为中转节点用于中转数据包以节省通信耗能。
2、根据权利要求1所述的无线网络测量的能量管理方法，其特征是所述的 机动目标预测具体包括下列步骤采用运动模型对目标的位置、速度和加速度信 息进行描述，状态方程为义(A: + l)^尸X(" + (^/(A:) + (^F(A:)，观测方程为 Z(A: + l) = /ff(A + l) +『(A: + l)，其中A为测量步数，X(A)是与目标的两轴向位 置及速度相关的状态向量，Z(A:)是观测向量，t/("是与目标jc、 y轴向运动加速 度相关的输入向量，F("和『("分别是过程噪声和观测噪声，F是状态向量变 换的非线性矩阵，G,("为目标机动耦合输入矩阵，《(A:)是过程噪声输入矩阵， //是模型观测矩阵。对二维运动，矩阵定义如下<formula>formula see original document page 2</formula>其中r为无线网络测量周期，粒子滤波算法通过非参数化蒙特卡罗模拟实现基于贝叶斯釆样估计的顺序 重要采样滤波，采用状态空间中传播的随机样本(粒子)对目标测量的后验概率 密度函数进行近似，以样本均值代替积分运算，获得状态最小方差估计，在平稳随机过程中，对第A:-l步测量的后验概率密度选取iV个随机样本点，获得第A步 的测量信息后，经过状态更新，W个粒子的后验概率密度可近似为第A:步测量的 后验概率密度，随粒子数增加，粒子的概率密度函数逐渐逼近状态的概率密度函 数，粒子滤波估计即为最优贝叶斯估计，根据粒子的先验概率密度可以估计目标 下一步的位置。
3、根据权利要求1所述的无线网络测量的能量管理方法，其特征是动态唤醒机制设计具体包括下列步骤网络节点定义5种睡眠状态，(1) 状态S。是节点的完全活性的状态；(2) 状态^中，节点处于传感和接收模式，而处理器处于待命状态；(3) 状态^与状态^类似，不同点在于处理器断电，当传感器或无线电接 收到数据时可以被唤醒；(4) 状态A仅传感的模式，除了传感器模块外均关闭；(5) 状态^表示设备的全关状态，是完全睡眠状态；测量区域内无目标进入时，网络处于待命状态，根据网络节点到测量区域边 界的最短距离可以确定目标进入其感知范围的最短时间；当目标进入测量区域 后，网络节点根据目标预测位置同样可以确定目标进入其感知范围的最短时间， 网络节点在这段时间进入完全睡眠状态^，节点根据睡眠时间由自身的时钟唤 醒，网络节点先唤醒到^状态，除了同时受到传感器触发的节点外，其余节点直 接返回状态&,这些处于&状态的网络节点能响应外界消息，为目标测量的候选 节点。
4、 根据权利要求1所述的无线网络测量的能量管理方法，其特征是节点选 择优化具体包括下列步骤若机动目标在/时刻位于且能被"(W〉2)个网络节 点同时探测，则各节点读取其方向角信息，采用非线性最小二乘估计方法实现多 节点协作的目标定位，根据w个节点测量方程，利用最小二乘准则迭代获得当前 目标位置的估计值，所选节点将测量数据传递给中心节点，网络节点处于状态 并进行数据发送的能耗作为能量指标；在当前测量周期内从&状态的节点中随机 选取一个节点作为管理节点，将遗传算法的解个体分配给其余^状态的节点，各 节点分布执行SA优化算法，管理节点每隔固定时间收集分布优化结果进行交叉、 变异操作，并重新分配最优个体，通过迭代获得最优解。
5、 根据权利要求1所述的无线网络测量的能量管理方法，其特征是所述的 通信路径优化具体包括下列步骤每个测量周期中，在目标周围完成测量任务一 组网络节点将采集到的数据聚集并发送给中心节点，数据从距中心节点最远的网 络节点开始按由远到近的顺序依次聚合并传递给中心节点，从节点中随机选取一 部分作为中转节点用于中转数据包以节省通信耗能，中转节点按测量周期更新。
6、 根据权利要求1或2所述的无线网络测量的能量管理方法，其特征是所 述采用粒子滤波算法对目标位置进行预测，首先对采样点集和重要性权值初始 化，然后进行迭代过程①构造采样点集并更新权值；②若有效采样尺度小于理 论值，对样本进行重采样；③粒子加权，进行状态更新。每个测量周期中，更新 的状态即为下一测量时刻的目标位置估计值。
7、 根据权利要求1或3所述的无线网络测量的能量管理方法，其特征是节点动态唤醒机制，主要分为以下两个阶段(1)建立阶段假设网络初始化时，测量区域内不存在机动目标，根据每 一个节点到无线网络边界的最短距离《in和目标最大速度vmax ，计算目标到达各 节点测量范围的最短时间/m,n=(《m_^sing)/Vmax，睡眠时间为、、m-r， 根据网络测量周期，节点的睡眠周期数为其中[g]为取整运算，靠近边界的节点会每个测量周期均被唤醒，将其定义为边 界节点，其余节点定义为内部节点；(2)跟踪阶段当目标进入网络时，根据各内部节点位置(《,y,)和目标当前位置(X,，, ， "argtV )(预测值)估计空闲时间' = (t/,arg",, — r簡mg ) / V隨_ !T ， 节点的空闲周期数为网络节点采用周期数M,—进入睡眠，网络节点由时钟触发唤醒至^状态，中 心节点会重新估计睡眠周期数并将结果发送给相应节点，需要执行任务的节点完 成测量和传输后返回 状态，其余节点直接返回&状态，睡眠时间由接收到的周 期数值决定。
8、根据权利要求1或4所述的无线网络测量的能量管理方法，其特征是所述测量节点选择优化具体包括下列步骤在分布式遗传模拟退火算法中，假设候选节点数目为iV，其编号为1,2,1, ,iV，采用二进制编码，每个解表示为长度为iV 的二进制一维数组，其中"0"表示不选用相应位上的节点，"1"则表示选择相应位上的节点，将多传感器协作测量误差椭圆的长半轴长度定义为测量误差指标，假设机动目标跟踪应用要求的测量误差阈值4)-0.6m，最小化目标函数设计如下其中Z为每个解对应的理论测量误差，￡则为体现测量总体能耗的能量指标，E。为表示能量指标E的上界，优化过程中先对理论测量误差进行优化，当其满足要 求后对网络能耗进行优化。
9、根据权利要求8所述的无线网络测量的能量管理方法，其特征是所述分 布式遗传模拟退火算法的执行流程包括下列步骤在当前测量节点中随机选取一<formula>formula see original document page 4</formula> 个管理节点，该节点生成一组解并将其分配给其余气个测量节点，各测量节点 对获得的解执行模拟退火算法，管理节点每隔固定时间收集分布优化的结果执行 遗传操作，并将结果重新分配给其余测量结果，这样通过多次迭代可以获得最优 解。
10、根据权利要求1所述的无线网络测量的能量管理方法，其特征是所述通 信路径优化包括下列步骤测量节点向中心节点发送数据时，各节点以相同的能 量发送无线信号，中心节点根据接收到信号的强度对节点按距离排序，节点按远 近顺序传递并聚集数据包，最后由距中心节点最近的节点通过中转节点发送给中 心节点。
全文摘要
一种能够采用目标运动的先验信息规划网络节点睡眠时间，并根据节点唤醒状态优化测量和通信能耗，从而能够节约使用能量的能量管理方法。技术方案是包括下列步骤(1)机动目标预测，中心节点负责收集无线传感节点每一轮的测量信息，计算目标当前位置，并对其轨迹进行预测；(2)动态唤醒机制设计，测量区域内无目标进入时，网络处于待命状态，当目标进入测量区域后，网络节点根据目标预测位置确定目标进入其感知范围的最短时间，网络节点在所述最短时间范围内可以进入完全睡眠状态；(3)节点选择优化，在一个测量周期，从候选测量节点中选择合适的节点完成实际测量任务，在满足目标测量精度要求的前提下，使网络能耗最小化；(4)通信路径优化，从节点中选取一部分作为中转节点用于中转数据包以节省通信耗能。
文档编号H04W52/02GK101132595SQ200710175398
公开日2008年2月27日 申请日期2007年9月29日 优先权日2007年9月29日
发明者毕道伟, 晟 王, 雪 王, 马俊杰 申请人:清华大学