能量捕获传感器网络的能量管理策略

来源 :浙江工业大学 | 被引量 : 0次 | 上传用户:snowmansoft
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
传统的节点由电池供电的无线传感器网络,存在着因节点电池耗竭而无法正常工作这一弊端。能量捕获传感器网络(Energy-Harvesting Wireless Sensor Network,EH-WSN)克服了这一弊端,受到学术界和工业界的青睐。在EH-WSN中,节点从环境中获取能量以支持节点工作,其协议栈的物理层和介质访问控制层(Medium Access Control,MAC)通常采用低功率低速率的IEEE802.15.4标准。设计一种能量管理策略以降低EH-WSN的能耗从而支持其长时间工作成为一个重要的研究课题。本文主要研究基于IEEE802.15.4标准的EH-WSN的能量管理方案,旨在保证节点以尽可能低的能耗达到尽可能高的数据包传递成功率,主要工作和创新如下:  1.利用马尔科夫链对能量捕获传感器网络中节点的收发数据包过程进行建模分析,得到了节点状态转移图,并推导得到了节点在发送过程中平均缓存数据包的个数以及数据包溢出的平均概率。  2.分析了采用直接序列扩频(Direct Sequence Spread Spectrum,DSSS)和偏移正交相移键控(Offset Quadrature Phase Shift Keying,O-QPSK)调制方法下的误码率,并由此计算出节点对于不同发送速率以及距离下的发送数据包成功的概率。根据能耗模型以及信道的误码率,推导了在不同的重传次数下的发送一次的平均能耗。  3.推导了节点传输总能耗的公式,并形成对之进行最小化的优化问题。该优化问题可以通过联合调整节点的充电时间长度、节点协议栈 MAC层设置的数据包最大重传次数以及数据传输速率来达到能耗最小化这一目的。  4.提出了基于上述优化问题的能量管理策略,即Optimization Problem based EnergyManagement Scheme(OBEMS)。OBEMS的主要步骤为:当节点的剩余能量小于能量阈值时,节点求解上述优化问题以获得最优解,然后将其充电时长、MAC层最大传输次数以及数据发送速率设置为最优解中与之对应的数值,以此节省节点的能耗。  5.在O-QPSK调制方法下,针对能耗和数据传递成功率等指标,将OBEMS方案与四种固定速率方案FDR6.25,FDR12.5,FDR25,FDR50分别在自由空间模型和多路径空间模型中对比分析性能,其中,FDR6.25,FDR12.5,FDR25,FDR50依次为数据率分别固定为6.25 kbps,12.5 kbps,25 kbps和50 kbps的方案。理论与仿真结果表明,本文提出的OBEMS能量管理方案在节点间距离较大时,性能远远优于其他四种方案,在节点间距离较小时,略微优于其他方案。
其他文献
RSA算法是现在应用最广的公钥密码算法,但是一直以来,受限于嵌入式设备的有限资源问题(如CPU运行速度,内存等),使RSA算法很难在嵌入式设备上高速的运行。近些年来,很多算法被
文档作为一种重要的大数据类型,蕴含着丰富的有价值的数据,其具有非结构化、样式不固定、数据混杂、价值稀疏等特征。针对文档大数据的特点,提出了一种基于MapReduce的文档大数
视频风格化处理是图像非真实感渲染技术的分支,它将艺术化效果嫁接到普通视频中,使得原有的视频带有丰富的艺术情感信息。人们观察视频或图像时往往将注意力集中于其中的显著部
本文以集成供应链中采购管理软件的开发为应用背景,探讨了基于工作流的软件模型、本体描述方法、协同方法等系统设计问题,建立了一个高效的采购管理软件框架,并利用Petri网等
公交车作为居民出行的主要公共交通工具,由于实时客流量信息的不足,导致经常出现严重的空乘和拥堵现象。因此,迫切需要一种科学合理的公交站台客流量采集手段,为公交车的实时规划
随着社会信息化程度的提高,人们对于信息实时性的要求也日益提高。如何从海量的信息中查找到所需的最新信息越来越引起人们的关注。而XML作为网络数据表示和交换的标准,很多
跨语言信息检索(CLIR)是用户采用一种语言的查询检索另一种语言的文档集合的过程。查询翻译是CLIR系统中采用最广泛的方法。查询翻译普遍采用基于词典的方法,而查询中的未登录词
在数据采集和处理中,存在着大量的概率数据,这些数据具有复杂的相关性以及在查询和处理方面具有实时性。而目前的传统关系数据模型都是用来处理确定数据的,这就需要研究支持
聚类分析是数据挖掘中一个重要的研究分支,已在多个领域得到了很好的应用,诸如模式识别,数据分析和图像处理等。随着实际应用中数据的大量产生,数据的属性类型不再是单一类型为主
潜在语义分析(LatentSemanticAnalysis,LSA)是一种通过统计分析挖掘出文档和词语之间潜在含义的经典算法,最初用于解决信息检索中的多义词问题。潜在语义分析使用传统的向量空