[发明专利]脐橙果园监测节点的基于随机深度的自适应休眠方法

权利要求书

1.脐橙果园监测节点的基于随机深度的自适应休眠方法，其特征是节点在进入休眠状态时可随机选择不同休眠深度来确定休眠时间T₀+nT_Δ，其中T₀为基本休眠时间，n为随机休眠深度，T_Δ为休眠深度的间隔时间，而休眠深度间隔时间T_Δ可通过建立离散马尔科夫链模型来进行性能分析获得优化值。

2.如权利要求1所述的脐橙果园监测节点的基于随机深度的自适应休眠方法，其特征在于，所述节点待到传输的各个阶段的状态的具体过程为：

步骤1：节点处于等待过程，且在该过程中节点可进行信道侦听和数据接收；若需要发送数据，则进入步骤3；若持续等待MT_slot后无需发送数据，进入步骤2；

步骤2：节点处于休眠过程，以降低节点的能量消耗；如步骤1所述，若节点在等待过程中等待MT_slot后无需收发数据，节点随机选择一个休眠深度n(0≤n≤N-1)，届时转为休眠状态，则休眠时间为T₀+nT_Δ，其中T₀为基本休眠时间，T_Δ为休眠深度的间隔时间；休眠时间结束后，节点若需收发数据，则进入步骤3，否者进入步骤1；

步骤3：节点处于退避过程，其退避机制(包括退避时间和退避级数)参照IEEE 802.11 DCF，且在该过程中节点需进行信道侦听；若节点在等待过程中一旦需收发数据，则进入退避过程，节点结束退避过程后，准备进行数据收发，届时若信道空闲，则进入步骤4，否则重新进入步骤3；

步骤4：节点处于数据收发过程；当节点结束当前数据收发后，若有数据需要收发，则进入步骤3，否则进入步骤1。

3.如权利要求1所述的脐橙果园监测节点的基于随机深度的自适应休眠方法，其特征在于，建立离散马尔科夫链模型分析的具体做法为：

退避过程可用随机过程B(t)表示，且离散时间t和t+1表示两个连续的时隙T_slot，与回退计数器的计数值相对应，用随机过程J(t)可表示节点在t时刻所处的退避级数(0,1,...,m)，其中m为最大退避级数，并设定在退避过程中每个分组发送失败的概率p为独立且恒定的，则可用随机过程{J(t),B(t)}表示节点的退避过程，每个状态的概率用P_B(i,k)(0≤i≤m,0≤k≤W_i-1)表示，则可用离散马尔科夫链表示该退避过程，其中i为退避级数，k为退避计数器的值，W_i为退避次数为i时退避窗口；进入等待状态的节点，若有数据要发送，则从等待状态转移到退避状态，由于信源产生数据服从参数为λ的泊松分布，因而在一个时隙里节点从等待状态转移到退避状态的概率为若经过M个时隙后节点仍然没有数据要发送，则将进入到休眠状态；由于等待过程中某个时隙保持等待状态的概率是独立且恒定的，因此节点的等待过程也可用Markov链表示，若休眠状态S_n结束时有数据要发送，则将由休眠状态转移到退避状态，且转移概率为若无数据发送，则将进入等待状态，转移概率为α₀α_Δⁿ，其中由于只有当休眠状态结束时才可会改变自身状态，可将结束休眠时的时隙用以表示该休眠过程以简化分析；进入传输状态的节点直到数据传输结束后才能改变自身状态，在传输结束时，若有数据要发送，则由传输状态转移到每一个退避级数为0的退避状态的概率为其中K为传输过程所需的平均时隙，因而在传输结束时没有数据需发送，则由传输状态转移到等待状态的概率为可知在设定条件下，级联后节点从一种状态转移到另外一种状态的概率是独立且恒定的，则上述过程可级联后为的离散马尔科夫链，对节点在任何时隙内可能存在的各个状态可用离散马尔科夫链进行描述，通过该模型求得在稳态时节点停留在不同状态的概率；

由于在平稳状态时离散马尔科夫链应满足则节点处于退避级数为0且退避计时器为0的状态的概率

PB(0,0)=pW0[1-(2p)m]1-2p+p(1-pm)2(1-p)+K(1-pm+1)+Nγ(1-pm+1)(1-αΔ)(1-βM+1)(N-NαΔ-α0βM+αNβM)(1-β)+W0+12W0[γ(N-NαΔ-α0βM+α0αNβM)N-NαΔ-α0βM+αNβM+(1-γ)](1-pm+1)-1]]>

由于不论退避级数为多少，只要退避计时器为0，则传感器节点开始传输数据，则该节点在任意时隙的发送概率可表示为在节点传输数据的时候，若相邻n-1个节点中至少有一个节点也发送数据则发生碰撞，而且当目的节点处于休眠时发送数据也失败，因此该节点在任意时隙发送失败的概率为从而得出τ和p。