罗宾一轮周期预测无线网络传感器[外文翻译].rar
罗宾一轮周期预测无线网络传感器[外文翻译],摘要使用预测模型的传感器网络可以证明高效节能方面,因为它使传感器读的是继续闲置预测模式订单减少能源消耗,规模在活跃模式。在不断的监测,确定了传感器通常需要定期送读了中央服务器,有趣的作法是分裂的传感器两子集,读一子集用来预测读第二子集在本文中,我们假设定义几个传感器子集来预测一...
该文档为压缩文件,包含的文件列表如下:
内容介绍
原文档由会员 wanli1988go 发布
罗宾一轮周期预测无线网络传感器[外文翻译]
摘要
使用预测模型的传感器网络可以证明高效节能方面,因为它使传感器读的是继续闲置预测模式订单减少能源消耗,规模在活跃模式。在不断的监测,确定了传感器通常需要定期送读了中央服务器,有趣的作法是分裂的传感器两子集,读一子集用来预测读第二子集在本文中,我们假设定义几个传感器子集来预测一个罗宾一轮周期。根据传感器型号和精度来定义不同的传感器子集以更好地分配能源消耗。通过多组实验数据中，将证明有效程序将用于实际的传感器中。
引言
在许多无线传感器网络应用中大量的传感器组(可腀@汕贤�)需要定期地显示它们读取中心服务器读数离线数据来进行分析.这些应用中,例如环境或结构监测、暖气通风空调系统、跟踪目标等,都要求传感器必须在一个连续周期运行时间尽可能的长.在资源有限的能源情况下，感应器驱动模块(或称Mote)需要高效的观测时间和网络活动,以便在最大的程度下提高应用系统的生命。
在一个小模块中，可通过模块中不运行的部分来实现有效的能源消费。不同控制模式是根据微粒模块转换其组成部分的开或关，例如微型控制器，传感器组，闪存或无线电等。无线电传送及接收已被认为在微型模块［１］中能源消费的主要因素,在微型控制器中能源给予要远高于一个命令的消耗。对于无线网络压缩有许多对策，如建议减少无用的无线传输象分布式源代码，工艺线路的压缩[7]或基本串几集成[4]。这些压缩方法主要是,通过减少在微型模块之间的通讯时间来实现节约能源。然而这中技术依然需要传感器组来控制在固定距离测量，虽然所有的无线通讯减少但是微型模块仍然要消耗能量来保持其微型控制器和传感器组处于运行状态以便获取周围环境的数据。
为进一步降低能源消耗,近来有人提出用模型运行的方法,以减少传感器组数目来达到探测任务的要求[2]。这种做法,定义一个传感器组子集(预测子集)通过读取剩下的传感器组(被预测子集)用户可以在指定的预测值误差和确信水平内预测。这提供了最佳节能方式,如在传感器组没被请求即在当前流行的非运行模式,其能源消耗比微型控制器开时小于三个命令消耗的能量还要多，比微型控制器和无线电同时开着要少四个命令消耗的能量。以下为两个作为单一的推测子集不好的结论：
1）错误模式：如果根据传感器读数随时间改变超时而预测模型将变成过时的关系这传感器预测值将有一个迅速恶化的过程。
2）能源分布不平衡：对同样的传感器子集进行连续请求将导致该传感器组能量消耗过多。
Abstract
Use of prediction models in sensor networks proves to be
efficient with respect to energy savings, as it allows sensors
whose readings are predicted to remain in their idle mode,
thereby consuming orders of magnitude less energy that in the
active mode. In the context of continuous monitoring, where
a set of sensors is typically required to regularly send their
readings to a central server, an interesting approach consists
in splitting the set ofsensors in two subsets, such that readings
of one subset are used to predict readings of the second subset.
In this paper, we propose to identify several sensor subsets for
predictions, that are used in turn in a round robin fashion.
Identification of different sensor subsets allows to detect
erroneous models or sensor failure, and to better distribute
energy consumption. Efficiency of the proposed procedure is
demonstrated on a set of experiments using real world sensor
data.
摘要
使用预测模型的传感器网络可以证明高效节能方面,因为它使传感器读的是继续闲置预测模式订单减少能源消耗,规模在活跃模式。在不断的监测,确定了传感器通常需要定期送读了中央服务器,有趣的作法是分裂的传感器两子集,读一子集用来预测读第二子集在本文中,我们假设定义几个传感器子集来预测一个罗宾一轮周期。根据传感器型号和精度来定义不同的传感器子集以更好地分配能源消耗。通过多组实验数据中，将证明有效程序将用于实际的传感器中。
引言
在许多无线传感器网络应用中大量的传感器组(可腀@汕贤�)需要定期地显示它们读取中心服务器读数离线数据来进行分析.这些应用中,例如环境或结构监测、暖气通风空调系统、跟踪目标等,都要求传感器必须在一个连续周期运行时间尽可能的长.在资源有限的能源情况下，感应器驱动模块(或称Mote)需要高效的观测时间和网络活动,以便在最大的程度下提高应用系统的生命。
在一个小模块中，可通过模块中不运行的部分来实现有效的能源消费。不同控制模式是根据微粒模块转换其组成部分的开或关，例如微型控制器，传感器组，闪存或无线电等。无线电传送及接收已被认为在微型模块［１］中能源消费的主要因素,在微型控制器中能源给予要远高于一个命令的消耗。对于无线网络压缩有许多对策，如建议减少无用的无线传输象分布式源代码，工艺线路的压缩[7]或基本串几集成[4]。这些压缩方法主要是,通过减少在微型模块之间的通讯时间来实现节约能源。然而这中技术依然需要传感器组来控制在固定距离测量，虽然所有的无线通讯减少但是微型模块仍然要消耗能量来保持其微型控制器和传感器组处于运行状态以便获取周围环境的数据。
为进一步降低能源消耗,近来有人提出用模型运行的方法,以减少传感器组数目来达到探测任务的要求[2]。这种做法,定义一个传感器组子集(预测子集)通过读取剩下的传感器组(被预测子集)用户可以在指定的预测值误差和确信水平内预测。这提供了最佳节能方式,如在传感器组没被请求即在当前流行的非运行模式,其能源消耗比微型控制器开时小于三个命令消耗的能量还要多，比微型控制器和无线电同时开着要少四个命令消耗的能量。以下为两个作为单一的推测子集不好的结论：
1）错误模式：如果根据传感器读数随时间改变超时而预测模型将变成过时的关系这传感器预测值将有一个迅速恶化的过程。
2）能源分布不平衡：对同样的传感器子集进行连续请求将导致该传感器组能量消耗过多。
Abstract
Use of prediction models in sensor networks proves to be
efficient with respect to energy savings, as it allows sensors
whose readings are predicted to remain in their idle mode,
thereby consuming orders of magnitude less energy that in the
active mode. In the context of continuous monitoring, where
a set of sensors is typically required to regularly send their
readings to a central server, an interesting approach consists
in splitting the set ofsensors in two subsets, such that readings
of one subset are used to predict readings of the second subset.
In this paper, we propose to identify several sensor subsets for
predictions, that are used in turn in a round robin fashion.
Identification of different sensor subsets allows to detect
erroneous models or sensor failure, and to better distribute
energy consumption. Efficiency of the proposed procedure is
demonstrated on a set of experiments using real world sensor
data.
