面向环境监测的无线传感器网络节点的软件设计

环境监测是无线传感器网络的重要应用领域。本文介绍了一种无线传感器网络节点的软件设计方案,该方案利用了基于ZigBee技术的射频芯片CC2430。节点的软件设计基于任务调度机制,用于监测某一区域内空气温湿度和土壤温湿度等环境信息。实验结果表明,节点工作状态稳定,故障率低。节点可以按照用户设置,准确地对环境信息进行采集。整个系统具备数据可靠、功耗低、可远程控制等显著优点,具有广阔的应用前景。     

环境监测无线传感器网络节点能源技术

节点能量提供与管理技术是无线传感器网络的关键技术之一。针对环境监测应用对无线传感器网络的特殊要求．提出了节点能源设计的基本原则，在此基础上，对可用的供电电池相关性能进行了比对。研究了适于环境监测的能源补充技术．设计了一套实用的太阳能能源补充系统，与单纯电池供电系统的供电能力进行了比对实验。最后讨论了降低节点能耗的相关技术。     

矿山环境监测无线传感器网络节点总体设计

当前矿山环境监测系统大多采用存在监测盲区的有线网络。为解决这一问题,设计了无线传感器网络监测系统,利用其节点功耗低、工作时间长、成本低、能自组织地通信以及在危险区域和大面积监测中容易布置等特点,买现低成本连续在线监测。     

基于弹簧系数的无线传感器网络定位算法

提出了基于弹簧系数和接收信号强度指示的DV-Hop的改进算法(SCRDH)。将节点与锚节点间最短路径抽象成弹簧模型,利用弹簧模型改进DV-Hop全网平均跳距和节点之间最小跳数的取值方法,并通过增加全网弹簧系数来提高定位精度。仿真结果表明:SCRDH算法的定位误差在一定条件下可以达到12%明显优于DV-Hop算法。     

基于无线传感器网络的精准农业环境监测系统设计

在充分研究现有农业环境监测系统的基础上,将基于ZigBee 的无线传感器网络技术应用于精准农业环境监测领域,给出了农业环境监测系统的组网方案,重点设计了基于MSP4300 和CC2420 芯片的传感器节点硬件结构和软件流程,系统可以对目标监测区内的温度、湿度、光照度等农业环境信息进行快速、可靠的远程采集和传输。解决了传统农业环境监测信息存储的有限性和移动测量的不便性等问题,为精准农业环境监测提供了一种有效的解决方案。     

基于二项分布的无线传感器网络信任管理系统

由于无线传感器网络不同于传统网络的特点,导致其很容易受到来自妥协节点的内部攻击。信任管理系统是防御无线传感器网络内部攻击的最有效方法。针对无线传感器网络节点信誉和信任的评估,我们改进了用于无线传感器网络的基于贝塔的信誉系统BRSN( Beta Reputation System for Sensor Networks),提出了基于二项分布的无线传感器网络信任评估系统BTMS( Binomial-based Trust Management System)。 BTMS基于对节点行为的监控,利用二项分布来描述节点信誉的分布,并进一步得到节点信任值,从而指导中继节点的选择,降低内部攻击的危害。实验结果表明,利用BTMS可以有效的防御来自妥协节点的内部攻击,提高网络安全性。     

无线传感器网络山地三维环状栅栏覆盖算法

针对三维空间下山地中无线传感器网络(WSNs)的栅栏覆盖问题,提出了一种基于等位区域的环状栅栏构建算法.仿真结果表明:当网络中部署的无线传感器节点个数越多,构成环状栅栏的节点数量越多,但实际长度越短;反之,构成环状栅栏的节点数量较少,但实际长度却越长.所提算法能够在山体的等位区域中形成环状栅栏,但当部署的无线节点密度较...     

无线传感器网络MAC协议研究进展

近年来, 无线传感器网络 (WSNs) 作为国内外一个新兴的研究方向, 吸引了许多研究者和机构的广泛关注. 无线传感器网络具有与传统无线网络不同的特点, 且与应用高度相关. 无线传感器网络主要的一个设计目标是有效地使用网络节点的受限资源 (能量、内存和计算能力), 以最大化网络的服务寿命. 传统网络的介质访问控制 (MAC) 协议, 并不能直接应用于无线传感器网络. 针对无线传感器网络的特点和应用背景, 研究人员提出了很多 MAC 协议. 本文通过分析无线传感器网络的特点, 讨论了影响 MAC 协议设计的有关问题, 着重研究和比较了当前一些重要的无线传感器网络 MAC 协议. 结果表明, 不存在一种适用于无线传感器网络应用的标准 MAC 协议, 好的 MAC 协议必须能在能量有效性和网络性能之间进行折中. 最后, 展望了无线传感器网络 MAC 协议的进一步研究策略和发展趋势.     

传感器网络分布式数据流的频繁项集挖掘算法

研究无线传感器网络中数据流频繁项集挖掘问题。针对集中式的静态数据流频繁项集挖掘方法不能在传感器网络中直接使用这一特点,提出基于传感器网络的分布式数据流的频繁项集挖掘算法FIMVS。该算法基于FPtree快速挖掘出传感器节点上单一数据流的局部频繁项集,然后通过路由将其在无线传感器网络里逐层上传合并,在Sink节点上汇聚后,采用自顶向下的高效剪枝策略挖掘出全局频繁项集。实验结果表明,该算法能有效地大幅度减少候选项集,降低无线传感器网络中的通信量,并有较高的时间和空间效率。     

无线传感器网络在现代环境监测中的应用

现代环境监测作为国家实施精准治污的重要手段,随着物联网、数字化以及电力电子技术的发展日趋成熟,无线传感器网络在生态、土壤、空气和水等现代环境监测方面的应用更加广泛。主要阐述无线传感器网络技术在网络、节点及其在环境监测中的应用,并对以后的发展方向提出了规划设想。为无线传感器在环境监测方面的相关研究和工程应用提供了指导。     

分布式数据流挖掘的研究进展

随着通信技术和硬件设备的不断发展,尤其是小型无线传感设备的广泛应用,数据采集和生成技术变得越来越便捷和趋于自动化,研究人员正面临着如何管理和分析大规模动态数据集的问题。能够产生数据流的领域应用已经非常普通,例如传感器网络、金融证券管理、网络监控、Web日志以及通信数据在线分析等新型应用。这些应用的特征是环境配备有多个分布式计算节点;这些节点往往临近于数据源;分析和监控这种环境下的数据,往往需要对挖掘任务、数据分布、数据流入速率和挖掘方法有一定的了解。综述了分布式数据流挖掘的当前进展概况,并展望了未来可能的、潜在的专题研究方向。     

数据流中的频繁模式挖掘

近年来，数据流挖掘越来越引起研究人员的关注，已逐渐成为许多领域有用的工具。如何利用有限的存储空间高效地挖掘出频繁模式已成为数据流挖掘的基本问题，具有很强的现实意义和理论价值。在论述数据流管理系统模型的基础上，深入分析了国内外的各种频繁模式挖掘算法，并指出这些算法的特点及其局限性。最后对未来的研究方向进行了展望。     

挖掘数据流中的频繁模式

发现数据流中的频繁项是数据流挖掘中最基本的问题之一.数据流的无限性和流动性使得传统的频繁模式挖掘算法难以适用.针对数据流的特点,在借鉴FP-growth算法的基础上,提出了一种数据流频繁模式挖掘的新方法：FP-DS算法.算法采用数据分段的思想,逐段挖掘频繁项集,用户可以连续在线获得当前的频繁项集,可以有效地挖掘所有的频繁项集,算法尤其适合长频繁项集的挖掘.通过引入误差ε,裁减了大量的非频繁项集,减少了数据的存储量,也能保证整个数据集中项目集支持度误差不超过ε. 分析和实验表明算法有较好的性能.     

数据流中的频繁模式挖掘

近年来,数据流挖掘越来越引起研究人员的关注,已逐渐成为许多领域有用的工具。如何利用有限的存储空间高效地挖掘出频繁模式已成为数据流挖掘的基本问题,具有很强的现实意义和理论价值。在论述数据流管理系统模型的基础上,深入分析了国内外的各种频繁模式挖掘算法,并指出这些算法的特点及其局限性。最后对未来的研究方向进行了展望。     

数据流频繁模式挖掘研究进展

现实世界和工程实践产生了大量的数据流,这种数据不同于传统的静态数据,对其进行有效处理和挖掘遇到了极大的挑战.如何使用有限存储空间进行快速和近似的频繁模式挖掘是数据流挖掘的基本问题,具有非常重要的研究价值和实践意义,已经引起了国内外研究者的广泛关注.本文深入分析数据流中的频繁模式挖掘,对其特点和算法进行较为全面的总结和分类论述,并讨论了存在的主要问题和未来的研究方向.     

数据流中频繁项近似挖掘算法

提出新的数据结构ESBF(Extensible and Scalable Bloom Filter)-可扩展的Bloom Filter.并提出基于ESBF的数据流中频繁项近似挖掘算法,该算法在保证较高精度的同时,实现比同类算法具有更好的时间效率且在一般情况下具更好的空间效率,并证明只需ln(-M/lnρ)·e/ε·1/(ε·M)个计数器就能保证满足用户规定的误差ε及可信度ρ要求.     

快速挖掘数据流中离群点

离群点检测是数据挖掘领域的一个重要分支,当前数据流的离群点检测研究越来越受到关注.为了快速准确地检测出数据流中离群点,提出一种在线数据流离群点检测算法ODDS(outlier detection in online data stream s).它利用数据与频繁模式的相异程度来度量数据的离群程度,通过构建ODDS-Tree树,能动态地更新数据流中候选离群点的离群信息.实验结果验证了该算法与其他同类算法相比具有较高的效率与优良的可扩展性能.     

基于实例迁移的数据流分类挖掘方法

为解决数据流分类过程中样本标注和概念漂移问题，提出了一种基于实例迁移的数据流分类挖掘模型.首先，该模型用支持向量机作学习器，用所得分类模型中的支持向量构建源领域，待分类的当前数据块为目标域.然后，借助互近邻思想在源域中挑选目标域中样本的真邻居进行实例迁移，避免发生负迁移.最后，通过合并目标域和迁移样本形成训练集，提高标注样本数量，增强模型的泛化能力.理论分析和实验结果表明，所提方法具有可行性，相比其它学习方法在分类准确性方面更具优势.     

数据流频繁模式挖掘算法设计

介绍了数据流频繁模式的概念和定义,提出了数据流频繁模式挖掘算法的通用数据流处理模型,详细总结了数据流频繁模式挖掘算法的三种分类方式:"窗口模型"、"结果集类型"和"结果集精确性".基于这些分类方法提出了数据流频繁模式挖掘算法的设计立方体,该立方体不仅涵盖了现有的数据流频繁模式挖掘算法,还对设计新的算法具有指导意义.基于设计立方体,分析了设计算法时应当采取的有效策略,旨在为设计新算法提供一个有力参考.最后讨论了数据流频繁模式挖掘的进一步研究工作.     

Continuous Outlier Monitoring on Uncertain Data Streams

Outlier detection on data streams is an important task in data mining. The challenges become even larger when considering uncertain data. This paper studies the problem of outlier detection on uncertain data streams. We propose Continuous Uncertain Outlier Detection （CUOD）, which can quickly determine the nature of the uncertain elements by pruning to improve the efficiency. Furthermore, we propose a pruning approach -- Probability Pruning for Continuous Uncertain Outlier Detection （PCUOD） to reduce the detection cost. It is an estimated outlier probability method which can effectively reduce the amount of calculations. The cost of PCUOD incremental algorithm can satisfy the demand of uncertain data streams. Finally, a new method for parameter variable queries to CUOD is proposed, enabling the concurrent execution of different queries. To the best of our knowledge, this paper is the first work to perform outlier detection on uncertain data streams which can handle parameter variable queries simultaneously. Our methods are verified using both real data and synthetic data. The results show that they are able to reduce the required storage and running time.