传感器网络中过滤机制下高效top-k查询处理技术

如何能量高效的进行top-k查询处理是无线传感器网络领域中的一个重要课题.节点设置过滤窗口可以避免与top-k查询无关的数据上传到汇聚节点或者基站,因而大大减少传感器网络的通信量,节省传感器节点能量.然而,已有算法如FILA、DAFM,基站到传感器节点的过滤窗口更新中仍然存在很大开销.提出一种基于预测信息更新窗口的top-k查询算法FAPU,该算法根据历史数据采用ARIMA时间序列预测模型对接下来s个时刻的传感器数据进行预测,根据预测信息进行多步窗口更新的代价评估,避免不必要的窗口更新,从而减小窗口更新的能量消耗.实验结果表明在确保top-k查询准确性的同时,本文所提出的FAPU算法与已有算法相比更加能量有效.

BTreeU-Topk:基于二叉树的不确定数据上的Top-k查询算法

应用需求的发展衍生各种查询类型,Top-k查询是交互环境下一种重要查询类型.由于数据的不确定性,传统数据上的Top-k查询技术和方法不能直接应用于不确定数据查询.在已有不确定数据上Top-k查询算法的基础上,提出基于二叉树的不确定数据上Top-k查询算法BTreeU-Topk;为了提高算法执行效率,对二叉树进行修剪操作进而提出BTreeOPTU-Topk和BTreePU-Topk算法.实验结果表明,BTreeU-Topk,BTreeOPTU-Topk以及BTreePU-Topk算法在不同数据分布以及k值增长时均优于现有算法.

基于粒子滤波的能量高效传感器网络数据查询处理技术

能量受限和数据不确定性是传感器网络在现实应用中所面临的重要问题.本文在不确定传感器数据基础上,利用传感器节点不同属性数据之间的关联性建立概率模型,采用粒子滤波技术进行概率推理从而达到节省能量的目的.首先,针对传感器节点不同属性的数据建立概率模型;然后根据传感器节点属性之间的相关性,采用粒子滤波技术通过感知能量代价低的属性值在模型上推理关联的感知能量代价高的属性值,从而达到节约能量的目的;最后,根据传感器节点多个属性值通常符合多元高斯分布,进而采用高斯粒子滤波进行概率推理,提高推理的精度.实验从准确率和运行效率两方面进行评价,结果表明本文所提出的粒子滤波方法处理不确定数据在准确率和运行效率两方面均能达到良好效果.

基于高斯和粒子滤波的传感器数据处理技术

对不确定传感器数据进行建模,利用高斯和粒子滤波技术进行概率推理,以达到节约能量的目的.首先,根据传感器不同节点之间的时空相关性,采用历史数据建立概率模型;然后,在建立的概率模型上利用基本粒子滤波技术进行概率推理;最后,根据传感器数据符合高斯分布的特征,分别采用高斯粒子滤波、高斯和粒子滤波进行概率推理.实验结果表明,高斯和粒子滤波在准确率和运行效率两方面均能达到良好效果.