【摘 要】
:
无线传感器网络(Wireless Sensor Networks,WSNs)得益于现代信息、计算、无线通信等技术的迅速发展,因其传感器节点微型、低功耗等优势,已成为当代人们日常生活重要的部分。然而,由于微型廉价的传感器节点在存储、通信和计算等方面资源有限,且在恶劣的环境下容易被破坏,从而导致网络通信受阻。因此,有效地延长网络的生命周期,提高节点的能量效率显得十分重要,而合理的传感器节点部署方法不仅
论文部分内容阅读
无线传感器网络(Wireless Sensor Networks,WSNs)得益于现代信息、计算、无线通信等技术的迅速发展,因其传感器节点微型、低功耗等优势,已成为当代人们日常生活重要的部分。然而,由于微型廉价的传感器节点在存储、通信和计算等方面资源有限,且在恶劣的环境下容易被破坏,从而导致网络通信受阻。因此,有效地延长网络的生命周期,提高节点的能量效率显得十分重要,而合理的传感器节点部署方法不仅可以提高数据传输效率和网络资源利用率,还可以根据实际应用需求动态地调整网络状况。本文针对传感器网络中的节点重部署开展研究,主要研究工作概括如下:本文首先针对无线传感器网络中部分节点进行“多对一”传输模式,导致其能量消耗过快、产生能量空洞问题,提出了一种基于萤火虫算法的节点重部署(Node Redeployment Based on Firefly Algorithm,NRBFA)策略。该策略首先对传感器节点进行随机部署,利用K-means算法进行拓扑控制,引入冗余节点;然后,冗余节点根据萤火虫算法进行移动更新,以替换能量消耗过快的簇头,平衡网络中节点能耗;最后,再次利用萤火虫算法寻找目标节点,更新冗余节点。该策略通过有效地移动冗余节点,减少了节点移动能耗,优化了网络能耗。经过与基于虚拟力的分区节点重部署算法进行对比,仿真结果表明,本研究提出的策略降低了算法复杂度,增加了数据采集量,提高了传感器节点的能量利用率,延长了网络生命周期。其次,本文对无线传感器网络节点部署中的网络负载均衡优化进行研究,提出了一种负载均衡的节点重部署(Load Balanced Node Redeployment,LBNR)算法。该算法首先在节点进行初始部署后,采用层拓扑结构控制中的K-means算法进行分簇,引入冗余节点,对负载大的簇进行拆分,对负载小的簇进行簇成员的动态调整。其中,在减小簇规模阶段,基于帝王蝶优化算法思想进行冗余节点移动,以进行簇拆分;在增大簇规模阶段,采用邻近运动方式,进行簇成员节点调整,避免了簇规模不均衡带来的网络负载不均衡问题,达到了簇间负载均衡的目标。对比上一研究提出的NRBFA算法和K-means算法,仿真结果显示该算法通过有效地移动节点,调整了簇规模大小,均衡了网络负载,提高了网络能量使用效率。
其他文献
随着我国锚杆支护理论和设计方法的不断完善,新的支护材料和支护器材不断研制成功并投入使用,在基础设施建设如边坡、堤坝等方面发挥着重要作用,应用也越来越广泛。但在锚杆使用过程中,由于实际工程难免受到各种复杂环境的影响,对工程的质量把控比较困难,从而可能导致工程质量问题的发生。在大量使用锚杆的情况下,锚杆锚固的施工是否起到了加固作用不仅影响着设施工程的整体质量,也影响着人民的生命和财产安全,因此对于锚杆
知识追踪是教育数据挖掘领域中一个重要的任务,其主要内容是根据学生的历史做题序列对学生的知识点掌握情况进行建模,从而预测学生的学习表现。在智能辅导系统中,一个非常重要的任务是了解学生的知识点掌握情况,只有了解每个学生的具体情况后才使得针对性、个性化的辅导成为可能。智能辅导系统通过知识追踪可以获取学生的当前表现,随后可通过个性化习题推荐等功能来提高学生的学习表现,因此研究知识追踪任务具有重要的意义。知
当今社会在高速发展的同时伴随着信息数据的爆炸式增长,在信息传递的过程中,语言是极为重要的载体。在所有种类的交流语言中,英语始终占据着重要的地位,是社会生活中最为常用的语言之一,因此英语教育的现实意义不言而喻。随着互联网的全面普及,英语教学早已不再依赖教师的板书,考试方式也逐渐过渡到全面无纸化。借助自然语言处理中的技术手段,设计一种英语文本语法错误自动纠正模型可以大幅减少教师在作文批改上的工作量,辅
随着在线教育不断发展,提高在线教学质量是教育行业高质量发展的有效手段。本文对学习者在网络学习平台中产生的多维时序数据进行协同分析,挖掘学习者的学习模式,研究学习路径规划算法,并推荐符合学习者学习习惯和认知水平的学习路径,利用在线教育巩固线下教学,提高教学质量。本文提出了两种学习路径规划算法,主要针对两个方面的问题进行研究,内容如下:1.针对在线学习者希望利用最优的学习路径和最少的学习时间掌握更多知
短文本的语义相似度计算任务是自然语言处理中的基础任务之一,在文本匹配、推荐系统、文本生成等领域都有广泛的应用场景和技术研究需求。现有技术建模手段主要是通过基于字符匹配度的数学算子建模与基于单词向量的神经网络建模。这两种方式都是基于单一特征建模,文本相似度计算结果依赖于带标记的数据量和单一特征。单一特征的建模方法难以满足文本相似度计算对特征多样性的需求,从而导致网络模型难以进一步提升推理结果的准确性
无人物流运输车是集合了外部智能感知、自动执行等智能化技术的一种新型机器人,可以快速、高效地实现物料的无人运输、搬运等任务,是目前物流和工业自动化的重要组成部分,使用合理的调度和规划算法,能够提高物料周转率以及降低物流成本。本文以面向企业内部物流的多AGV调度为主要研究内容,通过优化任务队列,最小化运输距离,进一步减少运输成本,提升效率。同时考虑到企业内部数据安全,基于工业区块链辅助存储实现系统用户
目标检测是图像处理领域的重要一环,在生产生活中具有广泛的应用前景。目标检测的核心任务是识别图片中目标的类别和位置,但在日常的图像中,不同目标之间存在巨大的尺度差异,如何准确的将大尺度目标和小尺度目标全部识别出来是目标检测所面临的一个有挑战性的问题。基于此,本文针对目标检测中的多尺度问题进行了研究。本文的主要工作如下:(1)针对目标检测中多尺度特征信息不足的问题,使用包含多级信息的多级多尺度特征,提
图像在人们日常生活中起着举足轻重的作用,是人们获取信息的主要来源之一。当人们使用拍照机设备拍照的时候,由于场景光照亮度、拍摄设备等原因,得到的图像都会出现对比度低、能见度差和ISO噪点高等问题。这样的图像细节信息不明显,降低了图像的实用性。因此,人们提出了大量的方法改变图像的对比度,使图像的细节明显,提高图像的质量和使用价值。多数的这些方法在增强图像时,通常会出现过度增强、部分细节丢失等问题。而且
随着定位装备的广泛应用,轨迹数据量高速增长。通用伴随模式挖掘聚焦时空维度上的运动对象高相似度行为路径发现问题,基于大规模轨迹数据设计高效准确地通用伴随模式挖掘方法对发现用户偏好、构建新商业模式等具有重要意义,同时也极具挑战。一方面,海量且不断增长的轨迹数据要求通用伴随模式挖掘框架应具有良好可扩展性,单机挖掘框架并不适用。另一方面,在现有通用伴随模式的分布式挖掘框架中,存在对数据输入的质量、轨迹数据
现今,与无人机相关的技术发展十分迅速,尤其是利用无人机搭载高清摄像头获取影像数据,已被广泛应用,但是单幅无人机图像无法展示一个完整区域的具体内容。为了获取分辨率更高、视场角更大的无人机影像,本文对无人机影像拼接技术进行了研究,并利用GPU框架对拼接过程进行加速。另外,在雾天环境下进行无人机航拍会极大地影响图像的成像质量,而且会出现图像特征信息模糊的问题,这可能导致之后无法正常地进行特征点提取。本文