简介:无线传感器网络部署的成功取决于是否能够在其诸如数据的精确性、数据聚类程度以及网络生命周期最大化等问题上,提供一个高质量可靠的性能服务。其中,数据融合机制就特别具有挑战性。如果将一小部分低质量的数据作为数据融合输入,那么极可能对整个数据融合结果产生负面影响。该文提出了改进型分批估计和BP神经网络相结合的多传感器数据融合方法,旨在提高网络的服务质量并减少整个网络的能量消耗。该方法能够辨别和剔除低质量的终端数据,提高数据的精确性;同时,它还能够融合冗余的数据,以减少各站点之间的数据通信消耗,使网络生命周期最大化。通过MATLAB实验仿真,表明该文提出的方法具有良好的数据融合性能;相比于LEACH,有效减少转发数据包量,提高了网络生命期。
简介:文章以无线传感器执行器网络(WirelessSensorandActuatorNetworks,WSAN)为研究对象,与纯粹传感器网络相比,融入执行器节点的无线传感器执行器网络有着明显的优势,WSAN节点协同特征将显著提升网络性能,可生存性、协作通信和拓扑控制等技术将使网络在受限节点性能下,促进WSAN在生命周期、网络质量、拓扑层次、功率控制等方面的优化.
简介:鉴于目前煤矿井下瓦斯传感器故障辩识速度慢、辩识准确度不高等缺陷,提出基于小波包分解与砸BF神经网络的瓦斯传感器故障辨识方法.采用小波包分解提取瓦斯传感器故障特征向量并输入至RBF神经网络,应用粒子群-人工蜂群(PSO-ABC)算法优化砸BF神经网络结构参数,并通过大量的瓦斯传感器样本对砸BF神经网络模型进行训练和检测.实验分析表明:本方法的辨识速度快、诊断正确率高,为精准辩识瓦斯传感器故障提供一种更加科学高效的新途径.