基于模型驅(qū)動(dòng)的傳感網(wǎng)數(shù)據(jù)建模和分簇更新

《基于模型驅(qū)動(dòng)的傳感網(wǎng)數(shù)據(jù)建模和分簇更新》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、爭(zhēng)義違謹(jǐn)＾義聾ＤＡＬＩＡＮＵＮＩＶＥＲＳＩＴＹＯＦＴＥＣＨＮＯＬＯＧＹ破±享恆巧文Ｍ乂ＳＴＥＲＡＬＤＩＳＳＥＲＴＡＴＩＯＮＸ幽基于模型驅(qū)動(dòng)的傳感網(wǎng)數(shù)據(jù)建模和分簇更新計(jì)算機(jī)軟件與理論作者姓名ｉ凡副教授指導(dǎo)教師碩±學(xué)位論文基于模型驅(qū)動(dòng)的傳感網(wǎng)數(shù)據(jù)建模和分簇更新Ｄａ化ＭｏｄｅｌｉｎａｎｄＣｌｕｓｔｅｒｉｎＵｄａｔｅＢａｓｅｄｏｎＭｏｄｅｌＤｒｉｖｅｎｉｎｇｇｐＳｅｎｓｏｒＮｅｔｗｏｒｋ作者姓名：于稱學(xué)科、專業(yè)：計(jì)算機(jī)軟件與理論學(xué)

2、號(hào)：２１３０９１４８指導(dǎo)教師：圭么１完成日期：２０６年５月３０日乂遠(yuǎn)巧義乂＃ＤａｌｉａｎＵｎｉｖｅｒｓｉｔｏｆＴｅｃｈｎｏｌｏｙｇｙ大連理工大學(xué)學(xué)位論文獨(dú)創(chuàng)性聲明作者鄭重聲巧：所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下進(jìn)行巧究工作所取得的成果。盡我所知，除文中氏經(jīng)注明引用巧容和致謝的地方外，本論文不包含其他個(gè)人或集體已經(jīng)發(fā)表的研究成果，也不包含其他巴申請(qǐng)學(xué)位或其他用途使用過(guò)的成果一。與我同工作的同志對(duì)本研究所做的貢獻(xiàn)均已在論文中做了明確的說(shuō)明并表示了謝意。若有不實(shí)之處，本人愿意

3、承擔(dān)相關(guān)法律責(zé)任。旅誠(chéng)而？學(xué)位論文題目：．裘孫采ｙｔ紋呵雜解是無(wú)和每Ｍ務(wù)）：作者簽名：寺日期：年月日聲大連理工大學(xué)碩±學(xué)位論文摘要無(wú)線傳感網(wǎng)絡(luò)（ＷｉｒｅｌｅｓｓＳｅｎｓｏｒＮｅｔｗｏｒｋ，ＷＳＮ）目前己經(jīng)被廣泛地使用在各種軍事或民用應(yīng)用中，如軍事航空、空間探索、環(huán)境監(jiān)控和健康醫(yī)療。然而，在實(shí)際應(yīng)用中，能量問(wèn)題嚴(yán)重阻礙著網(wǎng)絡(luò)性能的提高。迄今為止，諸多學(xué)者在設(shè)計(jì)傳感網(wǎng)節(jié)能方法時(shí)主。要考慮了兩個(gè)方面：能量消耗和數(shù)據(jù)準(zhǔn)確度傳感節(jié)點(diǎn)在連續(xù)的感知階段采集的數(shù)據(jù)通常具有高的時(shí)間相關(guān)性，距，并且

4、實(shí)際應(yīng)用中會(huì)出現(xiàn)節(jié)點(diǎn)的大量部署和重復(fù)覆蓋等情況離近的不同節(jié)點(diǎn)往往具有很高的空間數(shù)據(jù)相關(guān)性，。因而在收集傳感器網(wǎng)絡(luò)區(qū)域內(nèi)的環(huán)境數(shù)據(jù)過(guò)程中，會(huì)產(chǎn)生大量的兀余數(shù)據(jù)，會(huì)使網(wǎng)絡(luò)的能量消耗的增加。本文針對(duì)Ｗ上提出的問(wèn)題進(jìn)行研究，提出了基于模型驅(qū)動(dòng)的傳感網(wǎng)數(shù)據(jù)建模方法和分簇更新方法，主要包括Ｗ下兩個(gè)方面：一首先，提出種基于雙回歸模型的無(wú)線節(jié)點(diǎn)數(shù)據(jù)建模方法。利用單變量模型對(duì)數(shù)據(jù)的整體趨勢(shì)進(jìn)行描述，在將單變量模型寫成狀態(tài)空間形式后，用卡爾曼濾波迭代地計(jì)算趨勢(shì)模型的最優(yōu)參數(shù)，使得對(duì)整體趨勢(shì)描述的更準(zhǔn)確，。在描述數(shù)據(jù)的整體趨勢(shì)

5、的同時(shí)，兩者結(jié)合快速準(zhǔn)確地的構(gòu)建數(shù)據(jù)模型針對(duì)節(jié)點(diǎn)短時(shí)間快速變化部分構(gòu)建調(diào)整模型。與傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)節(jié)能方案相比，該方案?jìng)鬏攲?shí)時(shí)自適應(yīng)趨勢(shì)模型和調(diào)整模型，在計(jì)算的復(fù)雜度和存儲(chǔ)量需求不大的情況下，比其他的數(shù)據(jù)模型更加精確，并且減少數(shù)據(jù)傳輸數(shù)量，可Ｗ大大降低能量消耗。一其次，提出了種基于模型驅(qū)動(dòng)的節(jié)點(diǎn)分簇更新方法。使用趨勢(shì)模型和調(diào)整模型的一加權(quán)相關(guān)系數(shù)，將相關(guān)性強(qiáng)的節(jié)點(diǎn)組成個(gè)節(jié)點(diǎn)團(tuán)，節(jié)點(diǎn)團(tuán)中的節(jié)點(diǎn)兩兩之間都具有高相關(guān)性。由節(jié)點(diǎn)團(tuán)中的節(jié)點(diǎn)輪換擔(dān)任代表節(jié)點(diǎn)，代表其他成員節(jié)點(diǎn)進(jìn)行數(shù)據(jù)傳輸。本文根據(jù)節(jié)點(diǎn)數(shù)據(jù)趨勢(shì)模型的變化

6、來(lái)確定該節(jié)點(diǎn)是否需要檢測(cè)，更新代表節(jié)點(diǎn)代表的區(qū)域。一使得在降低了通信量和能耗的同時(shí)，保證區(qū)域內(nèi)節(jié)點(diǎn)數(shù)據(jù)的致性和代表節(jié)點(diǎn)中模型的準(zhǔn)確性。關(guān)縫詞：無(wú)線傳感網(wǎng)絡(luò)；能量節(jié)省卡爾曼濾波數(shù)據(jù)相關(guān)代表節(jié)點(diǎn)；；；－－Ｉ基于模型驅(qū)動(dòng)傳感網(wǎng)數(shù)據(jù)建模和分簇更新ＤａｔａＭｏｄｅｌｉｎｇａｎｄＣｌｕｓｔｅｒｉｎｇＵｐｄａｔｅＢａｓｅｄｏｎＭｏｄｅｌＤｒｉｖｅｎｉｎＳｅｎｓｏｒＮｅｔｗｏｒｋＡｂｓｔｒａｃｔＷｉｒｅｌｅｓｓＳｅ打ｓｏｒＮｅｔｗｏｒｋＷＳＮａｓａｎｅｗｍｏｄｅｏｆｄａｔａ

7、ａｃｕｉｓｉｔｉｏｎａｎｄｒｏｃｅｓｓｉｎｈａｓ（）ｑｐｇ，ｂｅｅｎｗｉｄｅｌｕｓｅｄｉｎｍｉｌｉｔａｒａｖｉａｔｉｏｎｅｎｖｉｒｏｎｍｅｎｔａｌｍｏｎｉｔｏｒｉｎｈｅａｌｔｈｃａｒｅａｎｄｏｔｈｅｒｆｉｅｌｄｓ．ｙｙ，ｇ，Ｈｏｗｅｖｅｒ，ｓｅｎｓｏｒｎｏｄｅｓａｒｅｕｓｕａｌｌｙｒｅｌｙｉｎｇｏｎｅｎｅｒｇｙｌｉｍＵｅｄｂａｔｅｒｙｐｏｗｅｒｓｕｐｐｌｙ．Ｗｈｅｎｂａｔｔｅｒｙｐｏｗｅｒｒｕｎｓｏｕｔｏｆｔｉｍｅ，ｓｅｎｓｏｒｎｏｄｅｗｉｌｌｓｔ

8、ｏｐｗｏｒｋｉｎｇ．Ａｓａｒｅｓｕｌｔ，ｔｈｅｅｎｅｒｇｙｐｒｏｂｌｅｍｂｅｃｏｍｅｓｔｈｅｂｏ打ｌｅｎｅｃｋｏｆｔｈｅ打ｅｔｗｏｒｋｐｅｒｆｏｒｍａｎｃｅ．Ｓｏｆａｒ，ｗｈｅ打ｔｈｅｐｒｏｐｏｓ