项目名称: 基于数据融合的大规模无线传感器网络的时空覆盖研究

项目编号: No.61202350

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 计算机科学学科

项目作者: 常相茂

作者单位: 南京航空航天大学

项目金额: 25万元

中文摘要: 无线传感器网络(WSN)是目前非常活跃的一个领域,具有广阔的应用前景。覆盖问题是WSN中的一个基本问题,是在资源有限的情况下,对WSN各种资源进行有效分配的研究。高性能要求与资源有限的矛盾要求WSN中的节点必须进行合作,然而现有工作大都基于简单的感知模型而无法实现节点的有效合作。数据融合可实现多传感器的合作感知,然而大部分现有的数据融合方案都集中在为小规模网络设计最优的融合算法上,无法在大规模WSN中应用。本项目将研究大规模WSN中基于数据融合的覆盖方案,通过完善感知模型、设计适合移动节点的融合方案且优化移动规则、设计同时优化感知和通信的能量管理方案,使大规模WSN的覆盖性能较现有结果有较大提升。在理论方面,本项目将分析WSN中各种参量之间的相互关系,使得设计者可在系统配置前对各个参量进行准确的预算;在应用方面,本项目将建立数据融合与大规模WSN设计间的桥梁,由此设计出性能更好的覆盖方案。

中文关键词: SINR-PRR模型;链路质量;水上碎片检测;决策融合感知;UAV辅助网络

英文摘要: Wireless Sensor Networks (WSNs) is a very active field with numerous important applications. Sensing coverage is a fundamental problem in WSN which ensures sensing quality of a network under the limited resources. The conflict between high performance requirements and the limited resources requires the efficient collaboration among sensors in WSN. However, most of the existing work based on simplistic sensing models cannot facilitate efficient sensor collaboration. Data fusion is a well-established signal processing technique to process data from multiple sensors. However, most of existing data fusion studies focus on the optimization of fusion algorithms for a small number of sensors,and cannot be applied to large-scale WSNs. This project plans to study novel coverage schemes for large-scale WSNs based on data fusion. Compared with the existing work, this project aims to significantly improve the coverage performance through realistic sensing models, design novel fusion schemes and movement scheduling algorithms for mobile sensors, and design power management schemes to improve both sensing and communication performance. From a scientific aspect, this project will develop advanced performance models that allow network designer to analyze and predict the sensing performance of large-scale WSNs. From a practical

英文关键词: SINR-PRR model;link performance;quatic debris monitoring;fusion decision sensing;UAV aided network

成为VIP会员查看完整内容
0

相关内容

《面向6G的数字孪生技术》未来移动通信论坛
专知会员服务
70+阅读 · 2022年4月15日
6G中联邦学习的应用、挑战和机遇
专知会员服务
51+阅读 · 2022年3月14日
【博士论文】集群系统中的网络流调度
专知会员服务
42+阅读 · 2021年12月7日
专知会员服务
28+阅读 · 2021年10月19日
专知会员服务
25+阅读 · 2021年9月10日
专知会员服务
14+阅读 · 2021年5月18日
【WWW2021】大规模智能手机数据的异质联邦学习
专知会员服务
42+阅读 · 2021年3月8日
专知会员服务
45+阅读 · 2020年11月13日
【博士论文】集群系统中的网络流调度
专知
4+阅读 · 2021年12月7日
【KDD2021】基于生成对抗图网络的不平衡网络嵌入
「时空数据分析」综述论文,44页pdf
专知
9+阅读 · 2021年3月20日
图数据表示学习综述论文
专知
52+阅读 · 2019年6月10日
面向云端融合的分布式计算技术研究进展与趋势
中国计算机学会
19+阅读 · 2018年11月27日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
4+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
10+阅读 · 2020年6月12日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
Arxiv
27+阅读 · 2018年4月12日
小贴士
相关VIP内容
《面向6G的数字孪生技术》未来移动通信论坛
专知会员服务
70+阅读 · 2022年4月15日
6G中联邦学习的应用、挑战和机遇
专知会员服务
51+阅读 · 2022年3月14日
【博士论文】集群系统中的网络流调度
专知会员服务
42+阅读 · 2021年12月7日
专知会员服务
28+阅读 · 2021年10月19日
专知会员服务
25+阅读 · 2021年9月10日
专知会员服务
14+阅读 · 2021年5月18日
【WWW2021】大规模智能手机数据的异质联邦学习
专知会员服务
42+阅读 · 2021年3月8日
专知会员服务
45+阅读 · 2020年11月13日
相关资讯
【博士论文】集群系统中的网络流调度
专知
4+阅读 · 2021年12月7日
【KDD2021】基于生成对抗图网络的不平衡网络嵌入
「时空数据分析」综述论文,44页pdf
专知
9+阅读 · 2021年3月20日
图数据表示学习综述论文
专知
52+阅读 · 2019年6月10日
面向云端融合的分布式计算技术研究进展与趋势
中国计算机学会
19+阅读 · 2018年11月27日
相关基金
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
4+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员