0 引 言

无线传感器网络(Wireless Sensor Network，WSN)的主要任务是对环境进行间歇性监测，检测数据或对象，然后将其发送到汇聚节点进行处理。无线传感器网络中的网络聚合中的数据路由(DRINA)[1]可以使可靠数据具有较高聚集率。然而，网络开销和路由之间没有实现有效平衡。基于小区的路径调度(CBP)[2]是一种基于区管道以提高数据采集率的目标调度算法。通过连续数据收集，正确地检测到的数据通信，但以延迟和能量消耗为代价。笔者利用多项式逼近算法[3]及约束与无约束的方法解决了与时滞有关的问题。虽然数值结果证明了计算的复杂性，但弱连接要求仍然没有得到解决。

在无线传感器网络中，每个传感器节点为了接入共享传输介质而相互竞争。随着网络流量增加，由于干扰程度较高，需要设计适当路由协议。采用能量平衡路由协议的能量有效方法 [4]引入前向感知因子技术。最大权匹配(MWM)调度算法[5]是一种提高吞吐量的设计，不考虑延迟。生物启发的方法[6]可以减少在重载网络上发生的碰撞。

笔者提出了一个贝叶斯节点能量分布(BNED)模型，有效降低传感器节点的能量消耗，类似的事件目标对象的准确检测节点的子集。贝叶斯节点能量多项式分布(Bias Node Energy Polynomial Distribution，BNEPD)技术主要采用多项式回归函数(PRF)降低节点能量消耗率。因此，该BNEPD技术可以有效地减少能源消耗及节点能量消耗率。

1 贝叶斯节点能量分布

为了提高网络性能，笔者提出了一种基于贝叶斯原理的分布方法。BNEPD技术选择节点子集(即传感器)，检测到类似事件对象的网络传送到汇聚节点的数据，而不是压缩的无线传感器网络中的传感器节点采集的数据。当一个额外的传感器节点必须被包括在网络中使用传统类型的网络，提升了准确性。

该BNEPD技术利用贝叶斯原理将感知传感器节点检测类似的事件对象(例如温度、压力、流量)进入特定区域的数据路由确定最小能量。如图1所示，利用贝叶斯原理进行相似事件的目标检测。传感器节点分别感知温度对象、压力对象和流量对象对应频率的数据。图1显示了无线传感器网络环境中相似事件的对象检测操作，其中汇聚节点根据类似事件(即温度、压力等)接收任务。节点被识别为通过检测对象生成的目标节点。汇聚节点接收来自每个源节点的大量响应包，然后将贝叶斯原理应用于传感器节点组织来降低能耗。从图1的角度考虑无线传感器网络中基于贝叶斯节点能量分布和多项式回归函数的路由问题。利用贝叶斯原理的BNEPD技术借助于特定频率的概率模型(即温度、压力)，为每个传感器节点提供概率。贝叶斯原则根据所观察到的现象来调整信任程度。首先在BNEPD技术贝叶斯原理中得出相似事件的目标检测概率，对相似事件的条件概率进行评估，然后将被评估的类似事件发送到接收器节点进行处理，并得出节点能量分布的贝叶斯原理。

图1 类似事件的对象检测

(1)

从公式(4)和(5)，汇节点i和i+1值包括第一个对象的多项式系数之和以及第一个相似事件的坐标范围；第二个物体的多项式系数之和以及类似事件第二个物体的坐标范围。

(2)

根据公式(2)给出的距离测量，传感器节点感知相应频率的相似事件(即温度、压力等)。以相似的方式，根据贝叶斯概率进行相似事件目标检测，并发送到汇聚节点，从而降低能耗。

2 多项式回归函数

步骤8：结束

算法：多分布算法的构造

PC=Func(a,b)=x0+x1b+x2a+x3ab+x4abc

(3)

模拟以随机数进行70次迭代。使用350个传感器节点，每个传感器节点的能量为5J，网络大小为1000*1000m，传输范围为100m。以能耗、通信开销和时间复杂度为指标评估BNEPD技术性能。使用BNEPD技术能量消耗是传感器节点、功率(瓦特)和时间(以秒为单位)乘积。能量消耗用焦耳表示。数学公式如下：

网络整体内向接近中心度标准差为7.164，外向接近中心度标准差为6.940，差异较小，且节点间差异没有很大差异，说明三峡地区旅游节点的通畅程度较高，并没有出现明显的阻碍现象。个体节点以白帝城、解放碑、小三峡、三峡大坝、神女峰、重庆红岩的内外向中心度最高，表明这几个节点与三峡地区其他景点通达性较好，受其他节点控制较弱，近20年过去了，游客在三峡旅游的游线组合中仍然包含这几个经典景区。相对这些景区，三峡旅游的经典景区中衰落较快的景区为张飞庙、万州港、大昌古镇、小小三峡、三游洞、葛洲坝、名山、涪陵新城、三峡大瀑布。这些景区节点与其他景区节点依赖性较强，旅游目的地竞争力相对较弱。

因此，计算了类似事件的对象a和b的最小值和最大值。然后，将五个回归值发送给接收器节点，以及评估类似事件对象的频率的多项式系数。接收器节点现在接收以下两组数据(即温度和压力)，从相似事件的目标对象接收系数：

步骤5.2：发送类似事件的对象 步骤6：进行数据聚合

Sin kNodei = PC + RangeFO

(4)

Sin kNodei + 1 = PC + RangeSO

(5)

公式(1)中SN1和TO2是传感器节点和目标对象节点。设Disti为WSN中源和目标对象节点之间的距离。SN1和TO2之间的距离测量如下：

BNEPD技术的优点是通过多项式回归函数发送对象目标的多项式的系数，而不发送其类似事件的整个对象。当检测到一个新的目标对象时，通过使用来自源对象的相似事件和值发送的多项式系数，在更高的级别上评估更新的回归多项式函数。BNEPD技术只发送多项式系数，节约能源，因此降低了能源消耗发生率，提高了整个网络性能。

3 分布式算法

为了减少通信开销，设计一种新的分布式算法(聚分布)。聚分布算法以这样一种方式进行分布，即通过以某种传感器节点停止感测并将数据传输到汇聚节点一段时间的方式设计网络，从而有助于BNEPD中的数据聚合改进。最后，在BNEPD技术中使用聚分布算法，汇聚节点在对整个网络接收的对象上使用贝叶斯原理。bnepd技术应用聚算法分布的描述如下：

许多传感器节点将它们的对象(检测到的对象，如压力、温度等)发送到接收节点。接收节点在接收来自多个传感器节点的对象后，利用多项式回归函数来获得每个对象的回归系数值。因此，得到了压力、温度等的分离系数值。笔者给出了多项式回归函数在BNEPD技术中应用如下：

步骤1：确定感知类似事件的目标对象的节点数 步骤2：确定处于睡眠状态的节点数

步骤3：开始 步骤4：重复

步骤5：由类似事件的传感器节点检测目标对象 步骤5.1：应用贝叶斯原理

文化一词，说大很大，它可以涵盖整个人类文明的一切活动，如东方文化、中国文化、少数民族文化等；说小也小，仅仅指知识，比如：上学、受教育、学知识被称作“学文化”；受过高等教育的人被称作 “文化人”。或者更广一点指区别于政治、经济、军事的另一个社会活动，叫“文化”，如书法、绘画、歌舞、戏曲等等民间娱乐活动。但是，“文化”最终是要被概念化了的，尽管想要给文化一个完善准确的定义并非易事。

Other hypothesis that may explain pancreatic injury in patients suffering from septic shock.

步骤6.1：应用多项式回归函数 步骤6.2：发送类似事件的最小值和最大值对象

步骤6.3：评估多项式系数 步骤7：到所有对象均参加

在成功完成传感器节点对相似事件对象识别并将其发送给汇节点后，数据汇聚节点的任务成为主要操作。BNEPD技术中的数据聚合涉及类似事件收集和聚合过程，为了降低能量消耗率，笔者利用多项式回归函数进行数据聚合，能够节省网络生命周期的有限资源，并在路由路径中维护高能量节点。

在上述算法中，构造了多聚布算法的三个重要步骤。聚分布算法的第一步是节点的选择。在这一步中，节点的数目是在睡眠状态和传感器节点感知相似事件的目标对象是以随机方式确定。随机选择是根据网络中节点的数目和每个传感器节点的剩余能量来设计的。第二步是基于事件和距离函数的概率，利用贝叶斯原理对传感器节点进行相似事件的检测。最后，利用多项式回归函数，通过多项式系数确定相似事件的最小值和最大值对象，进行数据聚合。对网络中的所有对象重复上述过程，这样就减少了通信开销。

根据这种理论，仅仅因为当事人之间的约定不同，就会导致同样一个商品上要么专利权消失，要么专利权仍然保留(并且按照默示许可理论，是一直保留下去)。这样，专利权人因此会获得一种激励，即尽可能地运用限制性条款，哪怕是无关痛痒的限制条款来保留其专利权。例如，约定买方不得以某个高得离谱的价格转售商品。这种约定对买方而言可能无关紧要，因为他根本就不可能在市场上以这种高价转售该产品，但这一约定已经足以使专利权人在该物上保留专利权。在商品上保留专利，起码在理论上他就还保持着对商品的控制权，这种理论上的控制权可能就会在某一天变得有实际的用处。对于专利权人而言，聊胜于无。

People come to the OASIS for all the things they can do. But they stay because of all the things they can be. Tall, beautiful, scary and different sex, and different 17)species, live actions, cartoon. It’s all your call.

4 仿真评价

分析并比较BNEPD技术及其他两个算法已知的数据汇总，网络聚合中的数据路由(DRINA)的无线传感器网络和基于小区的路径调度(CBPS)。使用350个节点网络进行模拟，用于在1000平方单位区域中随机分布的各种网络场景。

DTC螯合剂是一种二硫代氨基甲酸盐，它可以与Cu2+、Pb2+、Cd2+、Ni2+等多数重金属离子形成高稳定的螯合物［16］，图1为PDTC与重金属离子发生螯合反应生成螯合物的结构式示意。

每个对象的测量范围为

(1)较大和较重的颗粒在离心力的作用下，逐步被甩到内筒壁，并沿着内筒壁向下流入锥形区域，始终保持旋流状态，沙粒不易堆积，更容易去除。

EC=No.sensornods*Power*Time

(6)

使用BNEPD技术的时间复杂度是用于检测相应频率的数据或对象所花费的时间，以毫秒为单位。

已有研究发现，身体活动与健康之间存在着一定的剂量效应关系[44]。然而，通过对已有研究的梳理发现，身体活动对成功老龄化(生理、心理和社会活动)有积极影响，但尚缺乏对二者的剂量效应关系的探讨。即我们不知道产生成功老化效益所需要的最低身体活动量是多少，身体活动的时间、频率及强度等要素对成功老龄化的具体影响如何。未来研究应该借鉴剂量关系研究的经典范式，探究身体活动与成功老化的剂量效应关系，为实现成功老化提供更详细、可靠的锻炼指导支持。

TC=Time(co)

(7)

4.1 能耗影响

笔者采用一种有效的聚分配算法获得的能量消耗率，与DRINA和CBPS技术进行了比较。

EC(BNEPD)=(50)*(1040*10-2*10-3)=0.52J

(8)

EC(DRINA)=(50)*(1100*10-2*10-3)=0.55J

(9)

EC(CBPS)=(50)*(1250*10-2*10-3)=0.625J

(10)

图2描绘了基于不同传感器节点的能量消耗。相比于其他两种方法DRINA与CBPS，BNEPD技术减少了能源消耗，提供的无线传感器网络路由更可靠。

表1 能耗表

传感器节点数能耗(J)节点个数BNEPDDRINACBPS500.510.580.631001.231.351.441501.852.052.232002.522.823.152503.493.784.253003.423.554.013504.284.875.13

图2 能耗测试

进入特定区域，确保能耗最小化。运用贝叶斯原理源节点和目标对象之间，有效的类似物体检测，与相比DRINA能耗减少3-13%，相比CBP和17-23%。

4.2 时间复杂性的影响

在表2中，进一步比较了所提出技术时间复杂度。仿真以毫秒为单位进行测量不同数量的传感器节点。给出了BNEPD，DRINA和CBPS的时间复杂度数学评估。使用三种方法的时间复杂度如下：

列出经济评价增量费用效益流量表，通过经济评价分析计算，本项目经济内部收益率为9.58%，大于社会折现率8%；经济净现值1 581万元，大于0；经济效益费用比为 1.24，大于1。说明本改造项目国民经济评价可行，经济效益显著。

TC(BNEPD)=50*0.05=2.5

(11)

TC(DRINA)=50*0.055=2.75

(12)

TC(CBPS)=50*0.058=2.9

(13)

表2 时间复杂性

传感器节点数时间复杂性(ms)节点个数BNEPDDRINACBPS502.62.853.051005.35.86.11507.257.958.052009.359.7510.2525011.2511.8312.1630015.4516.1517.3535018.119.2520.12

图3 时间复杂度的测试

为了探索BNEPD技术对时间复杂度的影响，通过在图3所示的350个不同的传感器进行仿真。BNEPD技术显示出与DRINA和CBPS相比有较好的结果。图3显示由于Bayes原理的应用，时间复杂度大大降低。此外，多项式回归函数提高了聚分布算法的数据聚集效率。与DRINA和CBPS相比，聚分布算法能有效地将时间复杂度降低了4%-9%和8%-17%。

5 结 论

笔者提出了一种新的贝叶斯节点能量多项式分布(BNEPD)技术，并用来解决与无线传感器网络中能量感知路由问题及能量消耗率问题。无线传感器网络中的能量感知路由已经被制定为贝叶斯节点能量分布问题，并且通过使用新的聚分布算法的类似事件对象检测的新概率方法来解决。研究结果表明：随着贝叶斯原理广泛应用，节点能量消耗明显减少；通过应用多项式回归函数，BNEPD技术在一段时间内停止传感并将数据传输到汇聚节点；与其他已知的数据聚合技术进行比较，BNEPD技术在能量消耗率、时间复杂度和通信开销等方面具有更好的性能。

[参考文献]

[1] VILLAS LA, BOUKERCHE A, RAMOS HS, et al.DRINA: A Lightweight and Reliable Routing Approach for In-Network Aggregation in Wireless Sensor Networks[J].IEEE T COMPUT,2013(62): 676-689.

[2] JI SL, BEYAH R, CAI ZP.Snapshot and Continuous Data Collection in Probabilistic Wireless Sensor Net works[J].IEEE T MOBILE COMPUT,2014(13): 626-637.

[3] MISRA S, HONG SD, XUE GL,et al.Constrained Relay Node Placement in Wireless Sensor Networks: Formulation and Approximations[J].IEEE ACM T NETWORK,2010(18): 434-447.

[4] ZHANG D, LI G, ZHENG K, et al.An energy-balanced routing method based on forwardaware factor for Wireless Sensor Network[J].IEEE T IND INFORM,2014(10):766-773.

[5] GUPTA G R, SHROFF N B.Delay Analysis for Wireless Networks with Single Hop Traffic and General Interference Constraints[J].IEEE ACM T NETWORK,2010(18):393-405.

[6] TYRRELL A, AUER G, BETTSTETTER C.Emergent Slot Synchronization in Wireless Networks[J].IEEE T MOBILE COMPUT,2010(9): 719-732.