法律状态公告日
法律状态信息
法律状态
2019-04-02
授权
授权
2018-11-02
实质审查的生效 IPC(主分类):H04W52/02 申请日:20180508
实质审查的生效
2018-10-09
公开
公开
技术领域
本发明涉及一种基于多媒体传感器的变粒度特征采样方法,用来减少传感器使用过程中的能耗,属于多媒体传感器能量消耗与储存领域。
背景技术
随着监测环境的日趋复杂多变,由传统无线传感器网络(wireless sensor networks WSNs)所获取的简单数据融合已经不能满足对环境监测的全面需求,迫切需要将信息量丰富的图像、音频、视频等多媒体信息引入以传感器网络为基础的环境监测活动中来。因此基于传统的传感器两络,研究一种的具有音频、图像、视频等多媒体信息获取、处理与传输功能的无线多媒体传感器网络(wireless multimedia sensor networks,WMSNs)就显得非常重要。能耗问题是WMSNs的核心问题,已受到各界的广泛关注
衡量WMSNs即无线多媒体传感器网络有效性,一般认为具有相同的传输带宽、传输速率、能量消耗和计算能耗的两个传感器节点,传感精度即采样分辨率、采样比特率高的节点其生存时间相对短,而降低传感精度,传感能耗较低,网络生存时间则相对较长。所以,在传感精度和网络生存时间之间取得一个平衡,使得尽可能地降低能耗和提高精度是是多媒体能耗问题的迫切需要,而在传感器周期性采样的过程中,通过改变传感器的工作模式,从而影响周期性休眠和工作的时间,变换采样分辨率来采集数据,就可以合理地降低传感器的能耗,让传感器根据具体的事件来适当地切换工作模式,选择合适的精度进行采集,做到能量的充分利用,从而延长网络节点的生存周期,达到长时间伴随式监测的目的,并在保持良好的精度前提下,节约能量增加传感器寿命。
发明内容
本发明的目的在于通过多重阀值来实现事件与传感器精度相适应,通过传感器的高精度和低精度测量地合理切换,减少多媒体传感器使用过程中的能耗,增加传感器的工作时长,提出了一种基于多媒体传感器的变粒度特征采样方法。
本发明的核心思想是:在多媒体传感器采样过程中,以周期为单位对传感器的剩余能量进行估算,通过隶属阀值函数进行节能模式切换,通过高精度率测量阀值函数进行高精度模式切换,实现变精度采样的采样模式,从而改变周期中,活跃与休眠的时间,从而实现节能以及高精度采样的目标,提升传感器的工作时长和价值。
一种基于多媒体传感器的变粒度特征采样方法所依托的多媒体传感器网络,简称传感器网络中的一个节点就是一个传感器,每个节点有高精度高能耗采样和低精度低能耗采样两种采样模式;本多媒体传感器网络中还包括云端服务器;
其中,云端服务器用于对数据进行特征的提取和存储。
其中,高精度低能耗采样即细粒度采样,低精度低能耗采样即粗粒度采样;
其中,粗粒度采样的功率,记为Pc;细粒度采样的功率,记为Pd;
其中,粗粒度采样模式只检测有无多媒体事件发生并进行粗精度的采样;细粒度采样模式则对发生的多媒体事件进行细精度的采样;
本传感器网络中的多媒体时间相互独立,即在各点发生概率相同;
本传感器网络中事件的到达时间间隔服从参数为λ的负指数分布且其持续时间服从均值为μ,方差为σ的正态分布;
本传感器网络中的节点有五种工作模式。
周期性间隔粗细粒度采样、周期性间粗粒度采样、周期性间隔细粒度采样、全周期粗粒度采样、全周期细粒度采样,用Y作为其当前模式的指示标志,Y的取值为A、B、C、D、E分别与这五种工作模式对应,所以节点的工作模式也可以描述为工作模式A,工作模式B,工作模式C,工作模式D,工作模式E五种。
五种工作模式中的周期,记为T;每个周期T内包括活跃与休眠两个阶段,记为ta和ts,分别表示活跃期与休眠期;为了保证降低能耗,休眠期ts应当适当要高于活跃期ta,其与周期T的关系为ta=T×κ>a+ts;其中,κ=ts/ta为活跃期与休眠期的比值;为了降低时间漏检率,这里规定ta>λ且ts<μ;
一种基于多媒体传感器的变粒度特征采样方法,包括如下步骤:
步骤1:设定节点的采样周期T以及活跃期与休眠期比值κ的初值κ0,以及周期性调控参数θ的初值θ0,设定λ,μ,σ的值;设置初始的工作模式,设置节点的总能量EB,设置周期计数;
其中,μ是事件持续时间的均值;σ是事件持续时间的方差;λ是事件到达时间间隔按负指数分布的指数;周期计数,记为U,为周期的个数;
设置初始的工作模式,即开始运行时的工作模式,记为Y0;为周期性间隔粗细粒度采样、周期性间粗粒度采样、周期性间隔细粒度采样、全周期粗粒度采样、全周期细粒度采样中的一种,Y0的取值为A、B、C、D、E的一个;
其中,周期性间隔粗细粒度采样,记为工作模式A;周期性间粗粒度采样,记为工作模式B;周期性间隔细粒度采样,记为工作模式C;全周期粗粒度采样,记为工作模式D;全周期细粒度采样,记为工作模式E;
步骤2:节点采集数据;
步骤3:分别测量节点在粗粒度采样和细粒度采样两种工作状态下的功率;
其中,粗粒度采样功率Pd和细粒度采样功率Pc分别由功率表实时测出;
步骤4:统计多媒体时间发生的概率,根据时间发生的指数分布和时间持续的正态分布,对发生多媒体事件进行概率计算,具体包括如下四方面内容:
4.1在周期T内,多媒体事件发生网络任意第j个节点Mj的感知区域的概率为:
Pj=(πr2/G)S(1)
其中,Pj为多媒体事件发生在节点Mj的感知区域的概率,G为Mj感知区域的面积,r为时间发生的在感知区域内的半径,S为概率因子由多媒体传感器网络中节点性能参数决定,且与采样准确率有关;
4.2在周期T内,网络任意第j个节点Mj没有捕获到多媒体事件的概率为:
1-Pj=1-(πr2/G)S(2)
4.3在周期T内,计算多媒体事件在网络任意第j个节点Mj的传感区域内仅发生的k次的概率φj(k)使用公式(5):
其中,为n个不同元素中取出k个元素的组合数,n是负指数分布泰勒展开的项数,在公式(3)中要满足公式(4);
根据(4)忽略大于n的小概率事件,忽略大于n的小概率事件,将式(3)化简后得到公式(5):
4.4在周期T内,网络任意第j个节点Mj捕获且仅捕获到k次多媒体事件的概率P(Mj)(k)使用公式(6):
其中,t是积分变量;
步骤5:在周期T内,计算出节点的周期能耗和节点的剩余能量:
其中,根据步骤1中设置的初始工作模式不同,节点的周期能耗计算分别如下:
5.A处于工作模式A,第m个周期T内节点的周期能耗,记为通过公式(9)计算;
即若Y=A,节点在第m个周期T内活跃与休眠,在活跃期内进行粗细粒度采样;节点进入活跃期后先进行粗粒度采样,一旦捕获到多媒体事件,立刻进行细粒度采样,直到活跃期结束;
在周期T内节点的周期能耗可用(7)表示,公式(7)中要求满足公式(8):
根据(8)忽略大于k的小概率事件,k是周期内捕捉多媒体事件的次数可将公式(7)化简为公式(9):
其中,代表第m个周期Mj节点在工作模式A下消耗的能量,ti表示在T内发生且被Mj所捕获到的多媒体事件的持续时间;
5.B处于工作模式B,第m个周期T内节点的周期能耗,记为用公式(11)计算;
即如果Y=B:节点在第m个周期T内活跃与休眠,在活跃期内只进行粗细粒度采样;节点进入活跃期后持续进行粗粒度采样,直到活跃期结束;在周期T内节点的周期能耗可用(10)表示:
公式(10)中要求满足公式(8);
可将公式(10)化简为公式(11):
其中,代表第m个周期Mj节点在工作模式B的能耗;
5.C处于工作模式C,第m个周期T内节点的周期能耗用公式(13)计算就
即如果Y=C:节点在第m个周期T内活跃与休眠,在活跃期内只进行粗细粒度采样;节点进入活跃期后持续进行细粒度采样,直到活跃期结束;在周期T内节点的能耗可用(12)表示:
公式(12)中要求满足公式(8),可将公式(12)化简为公式(13):
其中,代表第m个周期Mj节点在工作模式C的能耗;
5.D处于工作模式D,第m个周期T内节点的周期能耗用公式(15)计算,即如果Y=D:节点在第m个周期T持续活跃,在活跃期内持续进行粗粒度采样,直到活跃期结束;在周期T内节点的周期能耗可用(14)表示:
在公式(14)中要求满足公式(8);即可将公式(14)化简为公式(15)
其中,代表第m个周期Mj节点在工作模式D的能耗;
5.E处于工作模式E,第m个周期T内节点的周期能耗用公式(17)计算
即如果工作模式Y=E:节点在第m个周期T持续活跃,在活跃期内持续进行细粒度采样,直到活跃期结束;在周期T内节点的能耗可用(16)表示:
在公式(16)中要求满足公式(8),可将公式(16)化简为公式(17):
其中,代表第m个周期Mj节点在工作模式E的能耗;
其中,根据5.A到5.E中的工作模式不同,节点的剩余能量ER用公式(18)计算:
其中,EB为节点的总电量,Es(Mj)mY是第m个周期Mj节点在相应的工作模式的能耗,上标Y为A到E中的一个;
步骤6周期计数加1,即:
U=U+1 (19)
步骤7根据节能模式切换表,表1,进行工作模式切换;
步骤5中计算的ER具有4个能量阀值,还有1个具有最低下限值,分别为E1,E2,E3,E4,Eleast,E4>E3>E2>E1>Eleast;
其中,能量阀值和能量下限值根据电池电量和模式能量的消耗速度根据经验给出;
判断当前ER能量是否低于能量下限值Eleast,若能量低于能量下限值Eleast,则传感器关机进行充电,结束本方法;否则,能量大于等于能量下限值Eleast,根据表1改变当前节点的工作模式,即改变Y的值;
表1节能模式切换表
步骤8对采集到的多媒体信号进行特征提取,并根据特征提取成功与否对标志指示参数L赋值以及决定跳至步骤9还是步骤10,具体为:
8.1若特征提取成功,则将L赋值为1,将特征提取的数据存储到云端服务器,根据表2切换工作模式,改变当前节点的工作模式,同时改变Y的值,再跳至步骤9;
8.2若步骤8的特征提取没有成功,即数据没有特征则继续采样进行工作模式判断,将L赋值为0,即L=0,则跳至步骤10;
表2精度模式切换表
步骤9:根据当前工作模式进行传感时间调整,调整完毕后跳至步骤11,具体包含如下子步骤:
步骤9.1判断当前工作模式指示标志参数Y的值是否等于A或B或C,如果是则w=w+1,N=w/e,e作为函数影响因子出现e>100;θ的值与log-sigmoid函数相关,通过公式(20)计算:
否则,Y等于D或E,w=w-1,θ=θ0;
其中,w是特征提取成功前提下进行模式判断的次数,N为w与e的比值;
步骤9.2跳过步骤10进入步骤11;
步骤10:根据当前工作模式进行传感时间调整,具体为:判断当前工作模式指示标志参数Y的值是否等于A或B或C,若当前工作模式为A、B或C,则z=z+1,M=z/e,e作为函数影响因子出现e>100;
θ的值与log-sigmoid函数相关,通过如下(21)计算:
否则,若当前工作模式为D或者E,z=z-1,θ=θ0;
其中,z是特征提取失败前提下进行模式判断的次数,M为z与e的比值;
步骤11:将得出的周期性调控参数代入修正公式(22),对活跃期与休眠期比值κ通过(22)、(23)和(24)进行修正:
κ=κ0(1+θ)>
ta=T×κ>
T=ta+ts(24)
修正活跃期和休眠期后,跳回步骤2,进入下一个周期T,并重复从步骤2开始的过程,直到达成本方法的结束条件。
有益效果
本发明一种基于多媒体传感器的变粒度特征采样方法,与现有技术相比,具有如下有益效果:
1.本发明所述方法应用于多媒体传感器的工作模式,发现多媒体传感器在充电量一定的情况下,工作时间更长,工作效率更高;
2.本发明所述方法能够减少多媒体传感器网络中节点的能耗,且能够通过阈值切换提高节点的采样精度,大大提高能量的利用率。
附图说明
图1为一种基于多媒体传感器的变粒度特征采样方法的流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种基于多媒体传感器的变粒度特征采样的方法,具体实施包括如下步骤,但本发明的具体实施形式并不局限于此。
由于当两个节点拥有相同的传输带宽、传输速率、能量消耗和计算消耗。如果其中一个节点的传感精度即采样分辨率、采样比特率等即高于另一个节点,于是其生存时间也相对较短,而另一个节点由于降低了传感精度,传感能耗较低,网络生存时间相对较长。对于传感器的功率可以通过多功率测量装置实时测出,所以我们可以设置改变周期性采样的方式,来节约采样的能耗,在这个前提下尽可能提高精度,本发明就提出了这样的一种方法。
实施例1
本实施例阐述了将本发明“一种基于多媒体传感器的变粒度特征采样方法”应用于多媒体图像采集过程中节约能耗提高精度的算法流程,如图1所示。
步骤A:具体实施的话,根据多媒体图像的分辨率要求,初始设定传感器的采样周期T=0.01以及周期性活跃与休眠周期比值κ的初值κ0=0.3,以及周期性调控参数θ的初值θ0=0,设定初始的工作模式Y0=A,即Y=Y0,节点初始模式是模式A为周期性间隔粗细粒度采样;U为周期计数即周期的个数,开机时U从0开始计数。
设定如下参数的值
其中,λ是事件到达时间间隔按负指数分布的指数,节点的总能量EB单位焦耳,μ是事件持续时间的均值,设定λ,μ,σ的值,w是特征提取成功前提下进行模式判断的次数。z是特征提取失败前提下进行模式判断的次数,e是log-sigmoid函数影响因子,
步骤B:进行数据的采集。
步骤C:分别测量传感器两种工作状态下的功率。粗粒度采样功率Pd和细粒度采样功率Pc,节点两种传感模式下的功率由功率测量装置实时测出。
步骤D:计算多媒体事件时间发生的概率,针对不同的多媒体事件,这里选择视频图像采集事件的特点选择合适的概率分布值,该事件的到达时间间隔服从参数为λ的指数分布且其持续时间服从均值为μ,方差为σ的正态分布。这里按(25)来取值。
根据公式(1),且节点的测量参数这里取r=3 G=25 S=0.5
D.1.多媒体事件发生在节点Mj的感知区域的概率Pj为,
Pj=(π×32/25)×0.5(26)
D.2.根据公式(2)Mj没有捕获到多媒体事件的概率为:
1-Pj=(π×32/25)×0.5>
根据公式(4),这里取n=10,
D.3.在周期T内,计算多媒体事件在网络任意第j个节点Mj的传感区域内仅发生的k次的概率φj(k)为
D.4.在周期T内,网络任意第j个节点Mj捕获且仅捕获到k次多媒体事件的概率P(Mj)(k)计算为
步骤E:计算得出节点的能耗和节点的剩余能量
根据公式(8)取k=20即周期内捕捉多媒体事件的次数最多为20次
E.1若Y=A:节点Mj在周期T内活跃与休眠,在活跃期内进行粗细粒度采样。在A模式下用公式(9)来计算其代表第m个周期Mj节点在工作模式A下消耗的能量。
E.2若Y=B:节点在第m个周期T内活跃与休眠,在活跃期内只进行粗细粒度采样;节点进入活跃期后持续进行粗粒度采样,直到活跃期结束;用公式(11)来计算其代表第m个周期Mj节点在工作模式B下的能耗。
E.3若Y=C:节点在第m个周期T内活跃与休眠,在活跃期内只进行粗细粒度采样;节点进入活跃期后持续进行细粒度采样,直到活跃期结束;用公式(13)来计算其代表第m个周期Mj节点在工作模式C下的能耗。
E.4若Y=D:节点在第m个周期T内活跃与休眠,在活跃期内只进行粗细粒度采样;节点进入活跃期后持续进行粗粒度采样,直到活跃期结束;用公式(15)来算其代表第m个周期Mj节点在工作模式D的能耗。
E.5若Y=E:节点在第m个周期T持续活跃,在活跃期内持续进行细粒度采样,直到活跃期结束;用公式(17)来计算其代表第m个周期Mj节点在工作模式E的能耗。
节点的剩余能量用公式(18)计算为
其中,U为周期T的个数,m<U,Es(Mj)mY是第m个周期Mj节点在相应的工作模式的能耗,步骤E.1到E.5可以得出。
步骤F:周期计数加1,即公式(19)所示
步骤G:根据节能模式切换表进行工作模式切换,ER具有4个能量阀值,还有1个最低下限值,分别为E1,E2,E3,E4,Eleast,E4>E3>E2>E1>Eleast,这里分别具体取Eleast=100,E1=200,E2=400,E3=600,E4=800,
判断当前ER能量是否低于能量下限值;
G.1若节点的剩余能量低于能量下限值Eleast则传感器关机进行充电,本发明算法结束。
G.2若剩余能量高于能量下限ER≥Eleast,则根据表1的节能模式切换表改变当前节点的工作模式同时改变Y的值;
步骤H:对采集到的多媒体图像信号进行特征提取,并根据特征提取成功与否对标志指示参数L赋值,如果有特征L=1否则L=0,并将特征提取的数据存储到云端服务器,具体为:
H.1若特征提取成功,则将L赋值为1,将特征提取的数据存储到云端服务器,根据表2切换工作模式改变当前节点的工作模式同时改变Y的值,再跳至步骤I;
H.2若步骤G的特征提取没有成功,即数据没有特征则继续采样进行工作模式判断,将L赋值为0,即L=0,则跳至步骤J;
步骤I:根据当前工作模式进行传感时间调整
I.1判断当前工作模式指示标志参数Y的值是否等于A或B或C,
如果是则w=w+1,否则w=w-1。N=w/e,e作为函数影响因子出现e>100,这里取e=500。
θ的值与log-sigmoid函数相关,将N代入用公式(20)可以得出。
如果Y等于D或E则θ=0。
其中,κ是活跃期与休眠周期比值,θ是周期性调控参数。w是特征提取成功前提下进行模式判断的次数,N为w与e的比值;
I.2跳过J进入第K步。
步骤J:根据当前工作模式进行传感时间调整,
判断当前工作模式指示标志参数Y的值是否等于A或B或C:
J.1如果是则z=z+1,否则z=z-1。M=z/e,e作为函数影响因子出现e>100,这里取e=500。
θ的值与log-sigmoid函数相关,用将M代入公式(21)可以得出;
J.2否则θ=0
其中,是κ活跃期与休眠周期比值,θ是周期性调控参数。z是特征提取失败前提下进行模式判断的次数,M为z与e的比值;
第K步:将得出的周期性活跃休眠调控参数θ代入修正公式,对活跃休眠时间比值κ通过(34),(35),(36)进行修正
κ=0.3×(1+θ)(36)
ta=0.01×κ>
ts=0.01-ta(38)
修正活跃期和休眠期后,跳回步骤B,进入下一个周期T,重复步骤B到步骤K的过程,直到满足算法结束条件。
至此,从步骤A到K,完成了本实施例运用了一种基于多媒体传感器的变粒度特征采样的方法。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 一种额外的基于相机的基于相机的车道标记采样方法,适用于3级自主驾驶车辆
机译: 提供一种用于通过使用数据突发消息来确认多媒体数据接收和读取的服务的方法和系统,特别是用于通知接收者接收到其多媒体消息或多媒体数据的传感器
机译: 本发明涉及包含基于羟基磷灰石(HA)的核心的骨替代物,所述核心取自至少一种多孔木材,或者基于胶原纤维和羟基磷灰石,以及基于羟基磷灰石(HA)的壳,是从至少一木材获得的,其孔隙率比核心的至少一木材低。多孔木材的总孔隙率在60%和95%之间,最好在65%和85%之间,并且可以从藤,松木,ABACHI和BALSA木材中选择。外壳的木材的孔隙率在20%和60%之间,最好在30%和50%之间。骨骼替代物可用于骨骼的替代和再生,尤其适用于承受机械载荷的骨骼,例如腿和手臂的长骨,通常是胫骨,变角肌,股骨,肱骨或RADIUS。