基于粒子滤波的能量高效传感器数据查询处理技术

摘要

传感器节点因体积小成本低得到了广泛的应用，然而传感器数据的不确定性无处不在，传统的数据库系统对这类数据的查询处理受到局限，因而研究针对不确定数据的查询系统显得极为重要。同时，传感器节点通常由电池供电，能量有限，只有工作数月甚至上年的传感器网络才真正有意义。论文针对如何能量高效地管理具有不确定性的传感器数据，延长传感器网络生命周期这个关键问题，提出在不确定传感器数据基础上，利用传感器节点的时空关联性建立概率模型，分别采用粒子滤波技术以及改进的粒子滤波技术使用基于模型的方法进行概率推理从而达到节省能量的目的，具体创新点如下：
　　1.提出基于模型的方法利用粒子滤波技术处理不确定数据。根据同一传感器节点不同属性之间具有时空关联性，对时空关联的传感器数据建立概率模型。另外，由于同一传感器节点采样不同属性所需能量相差悬殊，采用粒子滤波技术对关联的属性进行概率推理，利用采样代价低的属性推理采样代价高的属性，从而达到节约能量的目的。
　　2.提出基于模型的方法利用改进的粒子滤波技术处理不确定数据。根据同一区域不同节点的空间关联性，将节点划分簇，空间相关的节点划分在同一簇中，并对簇中节点建立多元高斯模型。另外，根据传感器数据满足高斯分布的特征，分别采用高斯粒子滤波技术、高斯和粒子滤波技术通过采样节点的数据在模型上推理非采样节点的数据，从而达到节约能量的目的。
　　3.在数据库管理系统PostgreSQL中实现粒子滤波技术对传感器数据的查询。利用PostgreSQL数据库本身提供的函数、过程语言和辅助模块等实现粒子滤波算法的各个步骤：采样、重要性采样、重采样，并将这些步骤集成在一起形成一个完整的查询机制，通过此机制响应用户的查询，提高查询效率。

目录

封面

声明

中文摘要

英文摘要

目录

图表清单

缩略词

第一章 绪论

1.1 研究背景和意义

1.2 研究现状及不足

1.3 论文的主要研究工作

1.4 论文的组织结构

第二章 无线传感器网络中基于模型的查询研究现状

2.1非模型的传感器数据查询

2.2模型驱动的传感器数据查询

2.3传感器数据建模

2.4 模型上的概率推理

2.5 本章小结

第三章 基于粒子滤波的查询处理技术

3.1 贝叶斯框架下的概率推理

3.2 粒子滤波

3.3 实验

第四章 基于高斯模型的粒子滤波技术

4.1 高斯粒子滤波

4.2 高斯和粒子滤波

4.3 实验

4.4 本章小结

第五章 粒子滤波的数据库管理系统内部实现

5.1 基于动态概率模型的视图的不确定数据处理

5.2 PostgreSQL数据库实现传感器数据查询

5.3 本章小结

第六章 论文总结和工作展望

6.1 论文总结

6.2 工作展望

参考文献

致谢

在学期间的研究成果及发表的学术论文