基于预测模型的传感器网络近似数据采集算法

J4 ›› 2014, Vol. 36 ›› Issue (11): 2148-2152.

基于预测模型的传感器网络近似数据采集算法

王敏，吴中博，徐德刚，屈俊峰，吴钊

（湖北文理学院数学与计算机科学学院，湖北襄阳 441053）

收稿日期:2014-06-25 修回日期:2014-08-29 出版日期:2014-11-25 发布日期:2014-11-25
基金资助:
国家自然科学基金资助项目（61202046）

An approximate data collection algorithm based
on prediction model in sensor networks

WANG Min，WU Zhongbo，XU Degang,QU Junfeng,WU Zhao

（School of Mathematics and Computer Science,Hubei University of Arts and Science,Xiangyang 441053,China）

Received:2014-06-25 Revised:2014-08-29 Online:2014-11-25 Published:2014-11-25

摘要/Abstract

摘要：

基于模型的数据采集技术可以有效抑制不必要的数据传输，节省能量开销，已经在传感器网络中得到广泛应用。对传统基于模型的数据采集进行了改进，提出基于卡尔曼滤波器的近似数据采样算法ADCA。ADCA可以在一定误差范围内有效获取数据。空间相近的节点被组织成簇，簇头和成员分别建立卡尔曼滤波模型，并保存对方的镜像模型。簇头节点可以为成员节点产生近似的数据，所以用户查询可以通过簇头来回答。实验表明ADCA具有较好的性能。

关键词: 预测模型, 传感器网络, 近似算法, 数据采集

Abstract:

The modelbased data collection technology which can inhibit unnecessary data transportation and save energy effectively has been widely applied in sensor networks. We improve the traditional modelbased data collection technology and put forth an approximate data collection algorithm based on the Kalman filter,called ADCA, which can collect data effectively within a given range of error.In ADCA,sensor nodes are organized as clusters.Cluster header and cluster members build the Kalman filter respectively and save their mirror models.Cluster header can produce approximate data for cluster members,so some user queries can be answered by cluster header.Experiments show that ADCA has good performance.

Key words: prediction model;sensor network;approximate algorithm;data collection

王敏，吴中博，徐德刚，屈俊峰，吴钊. 基于预测模型的传感器网络近似数据采集算法[J]. J4, 2014, 36(11): 2148-2152.

WANG Min，WU Zhongbo，XU Degang,QU Junfeng,WU Zhao. An approximate data collection algorithm based
on prediction model in sensor networks [J]. J4, 2014, 36(11): 2148-2152.

参考文献［7］

［1］	Madden S R, Franklin M J, Hellerstein J M, et al. TAG:A tiny aggregation service for adhoc sensor networks［J］. ACM SIGOPS Operating Systems Review, 2002, 36(SI):131146.
［2］	Madden S R, Franklin M J, Hellerstein J M, et al. TinyDB:An acquisitional query processing system for sensor networks［J］. ACM Transactions on Database Systems(TODS), 2005, 30(1):122173.
［3］	Tulone D, Madden S R. PAQ:Time series forecasting for approximate query answering in sensor networks［C］∥European Workshop on Wireless Sensor Networks, 2006:2137.
［4］	Kotidis Y.Snapshot queries:Towards datacentric sensor networks［C］∥Proc of the 29th International Conference on Data Engineering(ICDE), 2005:131142.
［5］	Ao Zhigang,Tang Changchun,Fu Chengqun,et al. Multisensor adaptive cubature Kalman filter data fusion algorithm［J］.Application Research of Computers, 2014, 31(5):13121315.(in Chinese)
［6］	Nie Wenmei, Lu Guangyue. Improved diffusion Kalman algorithm with packetdropping in wireless sensor networks［J］. Journal of Xi’an University of Posts and Telecommunications, 2013, 18(4):912.(in Chinese)
［7］	Du Juanjuan. Application of unscented Kalman filter algorithm to node localization in wireless sensor networks［J］. Journal of Nanjing University of Posts and Telecommunications( Natural Science), 2013, 33(1):8490.(in Chinese)
［8］	Jindal A, Psounis K. Modeling spatially correlated data in sensor networks［J］. ACM Transactions on Sensor Networks, 2006, 2(4):466499.
［9］	Wang C, Ma H, He Y, et al. Adaptive approximate data collection for wireless sensor networks［J］. IEEE Transactions on Parallel and Distributed Systems, 2012, 23(6):10041016.
［10］	Fatch B, Govindarasu M. Energy minimization by exploiting data redundancy in realtime wireless sensor networks［J］. Ad Hod Networks, 2013, 11(6):17151731.
	附中文参考文献：
［5］	敖志刚, 唐长春, 付成群,等. 多传感器自适应容积卡尔曼滤波融合算法［J］. 计算机应用研究, 2014, 31(5):13121315.
［6］	聂文梅, 卢光跃. 无线传感器网络中丢包扩散卡尔曼算法的改进［J］. 西安邮电大学学报, 2013, 18(4):912.
［7］	杜娟娟. 无迹卡尔曼滤波在无线传感器网络节点定位中的应用［J］. 南京邮电大学学报（自然科学版）, 2013, 33(1):8490.

[1]	罗仕杭, 何庆. 多策略融合改进的均衡优化算法及其应用[J]. 计算机工程与科学, 2023, 45(08): 1508-1520.
[2]	钟昊, 陈卫东. 一般图中的最小概要表示集问题[J]. 计算机工程与科学, 2023, 45(01): 113-118.
[3]	赵玉华, 贾向东, 胡海霞, 敬乐天. 无人机辅助的无线传感网络AoI最小化方案研究[J]. 计算机工程与科学, 2022, 44(07): 1216-1222.
[4]	张孟健, 汪敏, 王霄, 覃涛, 杨靖, . 混合粒子群-蝴蝶算法的WSN节点部署研究[J]. 计算机工程与科学, 2022, 44(06): 1013-1022.
[5]	高航, 吴嘉鑫, 陈龙, 武继刚. QoS保障下的无人机传感网安全通信路径规划[J]. 计算机工程与科学, 2022, 44(06): 1037-1045.
[6]	吕高锋, 王玉鹏, 杨鎔嘉, 唐竹. 基于聚合的FlowRadar网络数据采集加速模型设计[J]. 计算机工程与科学, 2022, 44(02): 220-226.
[7]	苟平章, 原晨, 张芬. 基于软件定义的WSNs非均匀分簇QoS路由算法[J]. 计算机工程与科学, 2022, 44(02): 227-236.
[8]	尹玲, 谢志军. 基于时空协作的多移动充电器充电路径规划的研究[J]. 计算机工程与科学, 2021, 43(12): 2183-2189.
[9]	张晶, 魏淼, . 基于Delaunay三角划分策略的WSN区域覆盖优化研究[J]. 计算机工程与科学, 2021, 43(11): 1944-1951.
[10]	魏连锁, 陈齐齐, 韩建, 苏扬. 一种基于区域分裂与合并的势博弈网络拓扑控制算法[J]. 计算机工程与科学, 2021, 43(11): 2063-2068.
[11]	于琼, 田宪. 基于组合模型的非线性时间序列预测算法[J]. 计算机工程与科学, 2021, 43(10): 1817-1825.
[12]	苟平章, 刘学治, 孙梦源, 何博. 基于跳距修正与狮群优化的WSNs三维定位算法[J]. 计算机工程与科学, 2021, 43(08): 1405-1412.
[13]	周静, 关玉蓉. 基于SDN的DWSN技术分析及性能优化研究[J]. 计算机工程与科学, 2021, 43(08): 1413-1421.
[14]	田旭飞, 姚凯学, 王凯鹏, 王运峰. 基于LoRa和STM32的路灯自动监控系统的研究[J]. 计算机工程与科学, 2021, 43(08): 1470-1478.
[15]	宋玲, 黄达胜. 一种基于狼群优化的改进DV_Hop定位算法[J]. 计算机工程与科学, 2021, 43(07): 1210-1218.