Page 197 - 《软件学报》2020年第12期

李燕君 等:射频供能传感网面向融合检测的部署调度方法 3863

目 [29] .本节仿真采用的数据包含标定过的真实数据和声音信号采样数据,其中:声音信号采样数据是两栖攻击车
辆行驶通过一条公路时,由 18 个传感节点以 0.75s 的采样周期记录的;标定过的真实数据包括节点的地理位置
和由 GPS 记录的车辆轨迹数据.我们用其中两辆车的声音采样数据作为训练集来估计传感模型.图 6 显示了真
2
实声音信号采样数据随距离的变化.估计得到的传感模型参数为 W 0 =21.59W,d 0 =2.6m,u=2,σ =0.01.此外,设定
α=0.01,J=8,并基于第 4.1 节的分析设定融合半径 R=75.28m.如图 7 所示,我们在车辆的行驶轨迹上选择了 16 个
点作为监测点,将候选部署位置设置为这 18 个传感节点的地理位置,在轨迹周围布置了 10 个能量源.

Fig.6 Acoustic signal energy measurements with respect to the distance
图 6 随距离变化的声信号采样值

Fig.7 Visualization of the network deployed for a real vehicle detection experiment
图 7 基于真实车辆检测实验的网络示意图
为了验证本文提出算法的有效性,我们首先基于估计的传感模型分别执行 JOGA 和 TSGA 两种算法,得出
相应的节点部署调度方案;然后,对每个监测点的每个时隙按照第 5.2 节设置的目标出现概率进行 1 000 次伯努
利实验.对于有目标出现的时隙,我们找到该监测点融合半径内的传感节点,利用其真实的采样值进行融合检
测.由于数据集中包含车辆轨迹数据和节点的地理位置数据,我们可以直接获取车辆出现时对应的节点采样值.
此时的检测率为成功检测的次数与目标出现次数的比值.
图 8(a)显示了不同给定节点个数下,JOGA 与 TSGA 的性能比较.随着给定节点个数的增加,两种算法得到
的系统检测质量呈现波动性增大.其主要原因是,实际地形等复杂因素使得估计的传感模型与真实情况存在差
异.但是本文提出的 JOGA 相比 TSGA 性能更优,将系统检测质量平均提高了 83.11%,最多提高了 196.90%.
图 8(b)显示了不同能量源发射功率下,JOGA 与 TSGA 的性能比较.由图可知:随着能量源发射功率的增大,
两种算法得出的系统检测质量也随之增大,但同样存在一定的波动.本文提出的 JOGA 相比 TSGA 将检测质量
平均提高了 136.88%,最多提高了 222.66%.