传感器网络感知数据自适应去噪方法

doi:10.3778/j.issn.1002-8331.2009.13.044

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (13): 150-155.DOI: 10.3778/j.issn.1002-8331.2009.13.044

• 数据库、信号与信息处理 • 上一篇下一篇

传感器网络感知数据自适应去噪方法

郭龙江^1,2,付惠娟²,张中兆¹

1.哈尔滨工业大学电子与信息技术研究院，哈尔滨 150001
2.黑龙江大学计算机科学与技术学院，哈尔滨 150080

收稿日期:2008-11-17 修回日期:2009-02-02 出版日期:2009-05-01 发布日期:2009-05-01
通讯作者: 郭龙江

Adaptive method for cleaning sensory data in wireless sensor networks

GUO Long-jiang^1,2,FU Hui-juan²,ZHANG Zhong-zhao¹

1.Electronic and Information Technology Academy，Harbin Institute of Technology，Harbin 150001，China
2.Computer Science and Technology Institute，Heilongjiang University，Harbin 150080，China

Received:2008-11-17 Revised:2009-02-02 Online:2009-05-01 Published:2009-05-01
Contact: GUO Long-jiang

摘要/Abstract

摘要： 在传感器网络研究领域中，去除感知数据含有的噪声是个重要的研究课题。现存的去噪算法没有考虑节点密度不均匀及信息拥塞的情况，从而过多地消耗了能量。考虑这两个因素，使用时间维加权的方法，提出了一个基于节点密度的网内自适应去噪算法－DHA（density-based hybrid approach）。DHA能够根据节点密度来进行算法决策，并且在时间维进行加权，能够对数据变化作出快速反应并且提高数据精度。实验结果表明，DHA方法能够在保证良好的去噪效果、快速响应时间的前提下，比目前最好的去噪算法WMA（weighted moving average-based）更节省能量。

关键词: 传感器网络, 噪声, 节点密度, 感知数据去噪算法

Abstract: Cleaning sensory data is an important problem in wireless sensor networks（WSNs）.Existing cleaning algorithms haven’t considered the factor of sensor density’s ununiformity and information congestion，so they will consume more energy.This paper takes these two factors into account，and proposes a density-based adaptive algorithm named DHA（density-based hybrid approach） for cleaning sensory data in WSNs.The DHA algorithm can do better decision for cleaning sensor data along with different node density，and it adopts adding weight to data in time dimension which makes it response fast to a data change.The experimental results show that DHA can conserve more energy than existing best algorithm WMA（weighted moving average-based） while cleaning effectively and offering quicker response time.

Key words: wireless sensor network, noise, sensor density, algorithm for cleaning sensory data

郭龙江^1,2,付惠娟²,张中兆¹. 传感器网络感知数据自适应去噪方法[J]. 计算机工程与应用, 2009, 45(13): 150-155.

GUO Long-jiang^1,2,FU Hui-juan²,ZHANG Zhong-zhao¹. Adaptive method for cleaning sensory data in wireless sensor networks[J]. Computer Engineering and Applications, 2009, 45(13): 150-155.

[1]	刘迪，贾金露，赵玉卿，钱育蓉. 基于深度学习的图像去噪方法研究综述[J]. 计算机工程与应用, 2021, 57(7): 1-13.
[2]	徐麒皓，李波. 基于NRU网络的肺结节检测方法[J]. 计算机工程与应用, 2021, 57(4): 83-90.
[3]	王洁，金正猛，冯灿. 自适应广义全变差的图像泊松去噪算法[J]. 计算机工程与应用, 2021, 57(20): 203-209.
[4]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[5]	孙泽宇，董汉磊，苏艳超，徐琛，聂雅琳，李传锋. 传感网中基于能量有效的多参数数据重构方法[J]. 计算机工程与应用, 2021, 57(11): 103-110.
[6]	陈晓文，刘光帅，刘望华，李旭瑞. 成对旋转不变的共生自适应完全局部三值模式[J]. 计算机工程与应用, 2021, 57(1): 219-226.
[7]	龚本灿，周峰，陈鹏，任东. 基于路径质量的无线传感网路由协议[J]. 计算机工程与应用, 2020, 56(6): 99-104.
[8]	刘洪琛，刘朝霞，张龙. 融合[L2]和KL保真项的图像恢复算法[J]. 计算机工程与应用, 2020, 56(5): 214-221.
[9]	朱苗苗，潘伟杰，刘翔，吕健，赵慧亮. 基于BP神经网络代理模型的交互式遗传算法[J]. 计算机工程与应用, 2020, 56(2): 146-151.
[10]	彭春燕，杜秀娟. 水声传感器网络基于深度信息的安全路由协议[J]. 计算机工程与应用, 2020, 56(2): 76-81.
[11]	袁小军，周涛，李琛. 基于稀疏先验的非局域聚类图像去噪算法研究[J]. 计算机工程与应用, 2020, 56(18): 177-185.
[12]	郑祖朋，汪祖民，彭杨，季长清，秦静. 能量采集传感器网络中MAC协议研究综述[J]. 计算机工程与应用, 2020, 56(15): 24-29.
[13]	韩雨涝. 非并行二分法的覆盖空洞修复算法[J]. 计算机工程与应用, 2020, 56(12): 87-92.
[14]	卢航，郝顺义，彭志颖，黄国荣. 基于MCC的鲁棒高阶CKF在组合导航中的应用[J]. 计算机工程与应用, 2020, 56(1): 257-264.
[15]	杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.

传感器网络感知数据自适应去噪方法

Adaptive method for cleaning sensory data in wireless sensor networks

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics