[发明专利]水下传感器网络中基于移动预测的数据收集方法

权利要求书

1.一种水下传感器网络中基于移动预测的数据收集方法，其特征是，利用自主式水下潜器AUV收集水下节点数据，在移动预测阶段，借助锚点节点完成水下节点定位，利用历史时刻的位置坐标来预测后续时刻水下节点的坐标；在数据收集阶段，AUV从水面基站节点出发，不重复地遍历水下节点收集节点数据，最后返回到水面节点，在所有可能的路径中求出时间/路径长度最短的一条路径；调度AUV沿所述最短的一条路径进行水下节点数据收集；详细步骤如下：

1)传感器节点移动预测

在对节点进行移动预测时，需要利用真实的位置坐标校正更新预测状态，z轴坐标用压力传感器得到，X轴和Y轴坐标用3维水下定位算法来定位未知节点坐标，通过双向信息交换技术估计未知节点和已知节点的距离，锚节点广播其GPS坐标，距离一跳的节点接收数据包，然后发送响应包以确定节点间的距离，定位的节点变为位置已知节点，通过迭代的方式定位传感器节点坐标，当节点被定位之后记为已知位置节点，在进行定位和移动预测时节点移动到下一位置时保持一段时间用于辅助后续节点定位；

2)基于移动预测的数据收集

AUV用于收集水下数据，根据水深将区域划分为M层，每层调度1个AUV用来收集该层的数据，在分层时上层区域的深度大于下层的深度，使得各层AUV返回水面基站节点的时间差不会过大，区域越深，AUV访问完传感器节点返回水面节点所用的时间越长，通过不平均的区域划分策略可以减少各个AUV返回水面节点的时间差，进而缩短整个网络的数据收集时间，假设第j层的深度为n_j*h，其中n_j为整数，H为水域深度：

n₁h+n₂h+…+n_jh+…n_Mh＝H

针对第j层，用卡尔曼滤波预测节点位置坐标，当AUV与预测的节点位置距离不超过可靠距离时完成节点的数据收集；

f_i(S,i)表示从节点V_i出发，经过S中每个节点的最短时间，f_j(S,i)＝min{f_j(S-{k},k)+t_ik}，其中k∈S,t_ik表示AUV_j从节点V_i的可靠距离移动到V_k的可靠距离所花费的时间，t_ik＝(|A_j(t_li)-V_i(t_ik)|-d_rel)/v，t_li表示AUV_j从节点V_l的可靠距离移动到V_i的可靠距离所花费的时间，|A_j(t_li)-V_i(t_ik)|-d_rel为AUV_j移动的距离，A_j(t_li)表示AUV_j在t_li时刻的位置，V_i(t_ik)表示节点V_i在t_ik时刻的位置，则第j个AUV完成数据收集的最短时间为t_j＝f_j(V_j',o)，其中V_j’是第j层传感器节点个数，o为sink节点的位置，整个网络完成数据收集的时间为T＝max(t_j)；其中，卡尔曼滤波算法的公式如下：

X_t＝BX_t-1 (1)

P_t＝BP_t-1B^T+Q (2)

K_t＝P_tH^T(HP_tH^T+R)^-1 (3)

X_t＝X_t+K_t(Z_t-HX_t) (4)

P_t＝(I-K_tH)P_t (5)

公式(1)为状态预测，公式(2)为误差矩阵预测，公式(3)为增益计算，公式(4)为状态校正，其输出即为结果，公式(5)为误差矩阵更新；其中B为状态转换矩阵，将某一时刻的状态转换为当前状态，P_t为t时刻的误差矩阵，Q为预测噪声协方差矩阵，R为策略噪声协方差矩阵，H为观测矩阵，K_t为卡尔曼增益矩阵，Z为观测值；B和H通过节点移动状态得到，增益矩阵K是不需要初始化的，P是误差矩阵，初始化为一个随机矩阵或者0矩阵；Q和R分别是预测和观测状态协方差矩阵，认为系统状态各维之间相互独立，Q和R设置为对角阵；对角线元素的大小将直接影响着滤波结果；若Q的元素远大于R的元素，则预测噪声大；反之，则更相信预测值，kalman滤波结果会表现得比较规整和平滑；若二者接近，则滤波结果介于前面两者之间，缺乏实际使用价值；Z为观测值即节点的实际位置，通过水下3为定位算法获得，z轴坐标用压力传感器得到；X轴和Y轴坐标用3维水下定位算法来定位未知节点坐标，通过双向信息交换技术估计未知节点和已知节点的距离，锚节点广播其GPS坐标，距离一跳的节点接收数据包，然后发送响应包以确定节点间的距离；定位的节点变为位置已知节点，通过迭代的方式定位传感器节点坐标。