基于函数逼近与表征的水声传感器网络高效快速数据汇聚方法

According to the demand of feature level data aggregation for underwater acoustic networks (UWANs), we propose to an energy-efficient and fast feature level data aggregation method for UWANs based on function modeling and approximation. We will study space characteristics and function modeling for feature level data in UWANs including received signal strength, signal frequency, time difference of arrival (or time of arrival), angle of arrival. The feature level data will be represented through a simple space function. Efficiently utilizing wireless broadcast nature of underwater acoustic signals, we will study sequential optimal subset selection and optimal local approximation error metric. The number of sensors which are required to report their data could be minimized under a specified approximation error. Thus the energy consumption for data aggregation could be minimized as well, and the aggregation delay would be reduced. We will also study aggregation method for extreme value of approximation error. The extreme value will be efficiently obtained by setting an optimal threshold, which would prevent small approximation error data from being transmitted. Combining with CSMA protocol, we will propose to give the sensor who has the extreme approximation error the priority to access the underwater acoustic channel. By letting the extreme approximation error data transmit first, the approximation process would be speeded up. Effectiveness and reliability of our proposed method would be verified and our method would be perfected by conducting experiments. We expect our research to lay the foundation for accelerating the utilization and development of ocean resources and marine national defense security.

针对水声传感器网络目标探测和定位中数据汇聚能耗大、时延长的问题，以实现特征级数据的高效快速汇聚为目的，揭示水声传感器网络目标探测和定位中的能量、频率、时延、角度等特征级数据的空间变化特性，提出空间函数模型对特征级数据进行数学表征；充分利用水声信号的无线广播特性，提出序贯最优子集选择方法和最优局部误差准则，实现用最少的传感器特征级数据对空间函数的最优分布式逼近，突破水声传感器网络中数据汇聚的能耗和时延瓶颈，大大延长网络生存期、减小汇聚时延；研究特征级数据空间函数逼近的快速收敛方法，提出利用数据的空间分布选取最优门限高效分离出近似误差极大值数据，并结合MAC层CSMA协议提出近似误差极大值数据优先信道接入方法，实现空间函数逼近的快速收敛，进一步降低汇聚能耗、减小时延。通过试验，验证并完善基于函数逼近与表征的水声传感器网络高效快速数据汇聚方法。为推进我国海洋的利用开发和海军国防安全提供理论支持。

本项目针对水声传感器网络目标探测和定位中数据汇聚能耗大、时延长的问题，以实现特征级数据的高效快速汇聚为目的，研究了基于函数逼近与表征的水声传感器网络高效快速数据汇聚方法。揭示了水声传感器网络目标探测和定位中的特征级数据的空间变化特性。分析了水声传感器网络中目标能量特征、目标频率特征、目标时延特征、目标角度特征等特征级数据空间变化特性，并根据不同的特征级数据空间变化特性建立相应的空间函数模型对其进行表征。充分利用水声信号的无线广播特性，选择最少的传感器数据对相应的空间函数进行最优分布式逼近。提出序贯最优子集选择方法和最优局部误差准则，实现用最少的传感器特征级数据对空间函数的最优分布式逼近，在给定的精度下求得相应的空间函数近似表达式，进而以空间函数的形式对其它传感器数据进行表征。突破水声传感器网络中数据汇聚的能耗和时延瓶颈，大大延长网络生存期、减小汇聚时延。研究特征级数据空间函数逼近的快速收敛方法，提出基于最优门限分离的近似误差极大值数据选择方法，通过选取最优门限，仅让超过该门限的传感器节点参与竞争信道从而传输数据。由于该门限的存在，局部近似误差较小的数据不会进行传输，从而使局部近似误差较大的数据有更高的概率成功传输。在最理想情况下，该门限恰能分离出近似误差极大值数据，即仅局部近似误差最大的数据超过该门限并进行传输，从而高效获得近似误差极大值数据。结合MAC层CSMA协议提出近似误差极大值数据优先信道接入方法，实现空间函数逼近的快速收敛，进一步降低汇聚能耗、减小时延。通过湖北省宜昌市平洛湖上试验、河南省丹江口水库试验以及三亚海上试验，获取了水声传感器网络目标协同探测中信号功率、信号频率和噪声功率等特征级数据，验证了本项目提出了基于函数逼近与表征的水声传感器网络高效快速数据汇聚方法有效性。本项目对设计能量高效的水声传感器网络进行水下目标协同探测有重要的理论意义和应用价值。