高效容错的无线传感网事件及其边界检测算法

事件检测与事件边界检测是无线传感器网络的重要应用之一,节点故障的准确检测是提高事件与事件边界检测效率的前提.然而,目前的故障检测机制对节点故障类型分析不够明晰,导致系统可能将事件边界节点误判为故障节点,且常需要传感器节点间进行频繁通信,导致网络系统容错性能和节点利用率低下,并带来额外的能耗开销.为了达到较高的检测精度与能源利用率,提出了一种新的高效容错的无线传感网事件及其边界检测算法:利用时间相关性实现无线传感器网络事件检测,利用空间相关性实现故障检测与事件边界检测;提出了节点的信息可靠度恢复机制,使得节点能够根据网络环境的变化,自动调整节点的信息可靠度.实验结果表明,即使在故障概率较高的情况下,该策略仍然具有良好的性能表现.     

一种WSN下的Mean Shift跟踪算法*

为有效地利用无线传感器网络跟踪移动目标,提出了一种基于高斯混合模型的Mean Shift跟踪算法。该算法运用高斯混合模型描述网络区域内目标信号分布的统计特征,利用Mean Shift区分目标信号与环境噪声,并对目标进行定位与跟踪。仿真实验结果表明,该算法在网络存在较大噪声,特别是网络存在大量异常传感器节点读数的情况下,定位精度高、受异常传感器节点读数影响较小。较之以往无线传感器网络目标跟踪算法,该算法具有更好的鲁棒性。     

无线传感器网络中一种基于权重模型的高效事件检测技术

无线传感器网络综合了传感器、嵌入式计算、分布式信息处理和无线通信四大技术而被广泛应用于环境监测、空间探索、交通控制等诸多领域,但传感器节点却因能量有限、易受干扰、易被破坏等局限性而产生"脏数据",影响了其在事件检测应用中查询结果的准确性.提出了一种基于权重模型的高效事件检测技术,该技术利用节点各感知属性和事件发生的关联性大小来确定各属性权重,并根据相对自身位置的远近来确定各邻居节点在空间关联检查中的权重,在节约和均衡能耗的同时有效排除错误数据和干扰事件因素对查询结果的影响,明显提高事件检测的效率和准确性.     

基于无线传感器网络和线性神经网络的事件边界检测方法?

环境监测是无线传感器网络的典型应用,事件边界检测是其中的重要内容。文中首先建立无线传感器网络数据的时空模型,提出基于线性神经网络的事件边界检测方法。该方法利用传感器数据流的时间相关性,基于线性神经网络预测与验证数据流,并确定异常数据集合。在此基础上,根据传感器节点之间的空间相关性进行事件边界检测,不仅可识别故障节点,而且能识别事件边界节点,从而准确估算事件发生的区域位置与大小。理论分析及实验表明,文中方法在获得较高的故障节点和事件边界节点的检测准确率的同时,保持较低的误判率。     

应用于事件检测的无线传感器网络节点死活状态的研究

针对应用于事件检测的无线传感器网络的特点,在大量实验的基础上,分析了单个节点因能量消耗而死亡的全过程;根据节点工作的受限程度定义了节点的亚死亡状态和死亡状态,提出一种基于Heartbeat机制的节点亚死亡状态检测方法.该方法采用邻居监测方法检测节点是否处于沉默期,并参考节点自测电压值与重启现象判断其是否进入了亚死亡状态.同时给出节点死亡的判断公式.实验表明,该方法是有效的,降低了误判,为事件检测无线传感器网络的实际应用提供了支持.     

河网中具有时空关系的异常事件在线检测

当网络异常事件发生时,传感器节点间的时空相关性往往非常明显.而现有方法通常将时间和空间数据性质分开考虑,提出一种分散的基于概率图模型的时空异常事件检测算法.该算法首先利用连通支配集算法(CDS)选择部分传感器节点监测,避免监测所有的传感器节点;然后通过马尔可夫链(MC)预测时间异常事件;最后用贝叶斯网络(BN)推测空间异常事件是否出现,结合时空事件来预测异常事件是否会发生.与简单阈值算法和基于贝叶斯网络算法对比,实验结果表明该算法有高检测精度、低延迟率, 能大幅降低通信开销,提高响应速度.     

一种改进的质心定位算法

在无线传感器网络中,确定传感器节点的位置至关重要.通过对传统的质心定位算法进行分析,考虑到接收信号强度直接影响到未知节点的定位精度,提出了一种基于RSSI的改进的质心定位算法.该算法将每个未知节点的通信区域划分为6个部分,通过比较RSSI,找到对未知节点更为精确的估计区域,从而对未知节点作出更为精确的位置估计.仿真结果表明,相比于原始的质心定位算法,改进后的质心定位算法大大提高了无线传感器网络节点的定位精度.     

基于自组织图算法的水下传感器网络优化部署研究

水下传感器网络部署是开展水下传感器网络相关应用的基础,良好的传感器节点部署方案可以有效提高目标的监测质量;针对水环境中随机事件的突发性和不确定的特点,提出了基于自组织图算法的水下传感器网络优化部署方案;首先,随机部署传感器节点,预设随机事件呈L型不均匀分布,当随机事件发生在传感器覆盖漏洞处时,采用自组织图算法确定传感器节点需要移动到的目标位置;仿真结果表明,基于自组织图算法的水下传感器网络优化部署方案可以显著提高对随机事件的覆盖率,实现对水环境的有效监测。     

面向物联网传感器事件监测的双向反馈系统

针对一般无线传感器网络事件监测算法没有考虑物联网数据的动态不确定性问题,提出面向物联网多维动态不确定数据的事件监测双向反馈系统.该系统分为基站和无线传感器节点2个子系统,其中基站子系统(Base Station Subsystem,BS)采用BS动态容错训练策略,利用因子分析法计算容错阈值并将其反馈到无线传感器节点子系统(Wireless Sensor Nodes Subsystem,NS),以调整无线传感器节点子系统的动态不确定数据事件监测参数;其中无线传感器节点子系统采用NS动态容错训练策略,在利用人工神经网络的动态容错能力减少事件监测通信损耗的同时,通过所建立的以容错阈值为参数的人工神经网络事件监测模型进行事件监测,并将监测结果反馈到基站子系统,以驱动基站子系统计算新的容错阈值,实现基站与无线传感器节点子系统的双向反馈循环,完成面向物联网的多维动态不确定数据的事件监测,最后通过实验验证了算法的有效性与可行性.     

无线传感网中一种基于支持向量机的异常事件检测方案

异常事件检测问题是无线传感器网络中的研究热点之一。针对现有检测方案的不足,设计一种新的时间-空间-属性单类超球面支持向量机来建模异常事件检测问题,然后提出无线传感器网络在线和部分在线离群点检测算法。该算法根据节点间的时间-空间和属性关联度确定超球面的半径,最后以在线方式鉴别到达节点的每一个新的测量值是正常数据还是异常数据。仿真实验结果表明,与基于时空关联度的超球面支持向量机相比,新算法的检测率大大上升,虚警率明显下降。同时,部分在线算法与在线算法的效率相当,大大降低了计算和通信复杂度。     

Sensor virtualization for underwater event detection

Distributed event detection is a popular application in Underwater Wireless Sensor Networks (UWSNs). The Base Station (BS) collects the measurements from multiple sensor nodes, and makes a decision based on the sensors’ reports. However, due to the unpredictable moving of underwater sensor nodes and interference among multiple events, it is difficult to guarantee the accuracy of event detection. In this paper, we propose a sensor virtualization approach to deal with the event detection problem in UWSNs. The final decision making at the BS will be implemented with the reports of multiple virtual sensors. Although the events may happen in a large scale, the locations where the events happen are relatively sparse in the underwater environment. Consider the sparse property of events, we employ the technique of compressive sensing to recover the original signal from the correlated sensors’ measurements. Through a proper signal reconstruction, the accurate event detection can be reached with a remarkable low sensing overhead. We implement the sensor virtualization based on the compressive sensing technique. Our approach is suitable for the high dynamic topology of UWSN, and it can improve the accuracy of event detection and reduce energy consumption in UWSNs.     

基于语义单元的足球视频事件检测

A semantic unit based event detection scheme in soccer videos is proposed in this paper. The scheme can be characterized as a three-layer framework. At the lowest layer, low-level features including color, texture, edge, shape, and motion are extracted. High-level semantic events are defined at the highest layer. In order to connect low-level features and high-level semantics, we design and define some semantic units at the intermediate layer. A semantic unit is composed of a sequence of consecutives frames with the same cue that is deduced from low-level features. Based on semantic units, a Bayesian network is used to reason the probabilities of events. The experiments for shoot and card event detection in soccer videos show that the proposed method has an encouraging performance.     

Fault tolerant multiple event detection in a wireless sensor network

With an increasing acceptance of Wireless Sensor Networks (WSNs), the health of individual sensor is becoming critical in identifying important events in the region of interest. One of the key challenges in detecting event in a WSN is how to detect it accurately transmitting minimum information providing sufficient details about the event. At the same time, it is also important to devise a strategy to handle multiple events occurring simultaneously. In this paper, we propose a Polynomial-based scheme that addresses these problems of Event Region Detection (PERD) by having a aggregation tree of sensor nodes. We employ a data aggregation scheme, TREG (proposed in our earlier work) to perform function approximation of the event using a multivariate polynomial regression. Only coefficients of the polynomial (P$P$) are passed instead of aggregated data. PERD includes two components: event recognition and event report with boundary detection. This can be performed for multiple simultaneously occurring events. We also identify faulty sensor(s) using the aggregation tree. Performing further mathematical operations on the calculated P$P$ can identify the maximum (max) and minimum (min) values of the sensed attribute and their locations. Therefore, if any sensor reports a data value outside the [min, max] range, it can be identified as a faulty sensor. Since PERD is implemented over a polynomial tree on a WSN in a distributed manner, it is easily scalable and computation overhead is marginal. Results reveal that event(s) can be detected by PERD with error in detection remaining almost constant achieving a percentage error within a threshold of 10%$10\%$ with increase in communication range. Results also show that a faulty sensor can be detected with an average accuracy of 94%$94\%$ and it increases with increase in node density.     

Spatial event classification using simulated water quality data

This study deals with the integration of contamination simulations and a spatial event detection model. The simulation of contaminant intrusion includes detailed chemical-specific reactions within a multi-species water quality model. This set-up generates a scenario of contaminant distribution and produces a continuous multiple sensor stations database. Three organophosphates pesticides, Chlorpyrifos, Malathion, and Parathion, are modeled as possible contaminants. The event detection model comprises both local and spatial data analysis. The local model applies a previously developed single-sensor event detection model with a higher alert threshold that reduces false alarm rates. The spatial model considers upstream sensor datasets which are examined for their uniqueness and mutual resemblance in a sliding time window. The model utilizes outlier detection, data analyses, and network hydraulics for the detection of suspicious spatial trends. The proposed algorithm is capable of detecting events with low contamination signatures and spatial influence. Two case studies are explored and compared to the single sensor model. The proposed methodology resulted in a lower number of false alarms compared to the previous single sensor event detection modeling approach.     

一种无线传感器网络中事件区域检测的容错算法

特殊环境中的事件区域检测是无线传感器网络的一种重要应用.由于传感器的错误会导致事件区域检测的不准确,所以相关的容错算法成为近年来的研究热点.已有研究工作都仅考虑了事件的空间相关性,通过相邻传感器之间的数据交换实现容错.文中从事件的空间相关性和时间相关性入手,提出了一种以局部检测为主的分布式事件区域检测算法.该算法通过检验传感器本地采样值构成的时间序列与事件随机过程统计特征的符合程度实现容错.算法分析的结果表明,该算法可以减少传感器之间的数据交换,从而有效地利用传感器的能量.模拟实验表明,当有10%的传感器发生错误时,该算法可以检测到93%的事件区域和88%的错误传感器.     

基于复合动态模型和证据融合架构的移动物体检测与跟踪方法

针对现有方法中移动物体检测与跟踪的准确性精度较低的缺点,提出一种基于多传感器检测分类的移动物体描述和感知方法：建立了一个包含核心对象动态特征和分类描述的复合模型,在此基础上设计了一个基于证据框架的信息感知与融合方法,通过整合动态模型和不确定性特征来实现对移动物体的检测和跟踪。为了验证所提方法的有效性,在一辆安装有雷达、激光雷达和摄像头的演示车上进行了相关实验,在不同驾驶场景下针对行人、卡车和轿车三个移动物体进行了检测与跟踪,实验结果证明所提方法具有非常高的准确性。     

基于CORBA事件服务的分布式对象组件设计与实现

该文在介绍事件服务机制的基础上,将CORBA事件服务封装成COM组件。利用此组件能够有效实现分布式对象组件设计,解决组件对象之间的通信问题,使分布式系统中的对象解耦。声纳测距传感器系统是一个分布式对象组件应用实例,具体验证了所提出的设计思想和方案是切实可行的。设计完成的应用COM组件可用于分布式控制系统。     

基于词向量的中文事件发现及表示

已有的事件发现方法主要基于词频-逆文档频率文档表示,维度较高,语义稀疏,效率和准确率都较低,不适用于大规模在线新闻事件发现.因此,文中提出基于词向量的文档表示方法,降低文档表示维度,缓解语义稀疏问题,提高文档相似度计算效率和准确性.基于该文档表示方法,提出动态在线新闻聚类方法,用于在线新闻事件发现,同时提高事件发现的准确率和召回率.在标准数据集TDT4和真实数据集上的实验表明,相比当前通用的基线方法,文中方法在时间效率和事件质量上都有显著提高.     

事件空间与软件设计

1.软件设计中的动态技术提到软件设计中的动态技术,也许每一个软件设计人员都知道一些,也有不少的软件声称其界面是全动态、全开放的。但是,就我们所知,目前还没有一个软件在其所涉及的领域内在界面和其响应的事件上做到完全的开放性和动态性。当前,人们普遍认为的界面的开放性,从严格的意义上讲,只是界面花样的开放性和其响应的事件上的一种预定义动态性。我们可以称这种预定义动态设计为准动态技术,以区别于完全开放的动态技术。准动态技术的一种典型设计方式是下面的动态菜单和动态按钮的设计方式。