多媒體傳感器網絡的最大集作業傳輸模型

孟慶玉

摘要：研究多媒體傳感器網絡的最大集作業傳輸模型，在提高多媒體傳感器網絡的數據并行處理和任務調度方面具有重要意義。提出基于數據動態融合和網絡信道均衡調度的多媒體傳感器網絡最大集作業調度算法，構建多媒體傳感器網絡的作業傳輸網絡模型，對數據進行動態融合。采用網絡信道均衡調度方法實現多媒體傳感器網絡的最大集作業傳輸調度。仿真結果表明，該方法能最大限度地提高多媒體傳感器網絡的數據傳輸和任務調度能力，吞吐性能與通信保真性好，性能優越。

關鍵詞：多媒體傳感器網絡；信道；數據傳輸；作業調度

DOIDOI：10.11907/rjdk.161042

中圖分類號：TP302

文獻標識碼：A 文章編號：1672-7800（2016）005-0024-03

0 引言

隨著多媒體信息處理和網絡技術的并行發展，采用多媒體傳感器網絡進行實時多媒體視頻信息采集，并實現遠程多媒體信息傳輸和網絡調度，將在交通監控、圖像識別等領域具有較高的應用價值[1-3]。將圖像和聲音等多媒體信息傳感器分布在各個監測區域，并進行多媒體信息傳輸和多媒體信息處理，可實現多媒體信息調度和圖像信息處理等目的，為實現目標探測和區域監測提供準確的信息輸入[4，5]。因此，傳輸作業的優化調度，在實現多媒體傳感器網絡的網絡通信和數據信息調度中具有重要作用，相關模型和算法研究將在多媒體信息的遠程探測、模式識別和安全監測、交通控制等領域具有重要意義[6]。

文獻[7]提出基于小波變換ARMA模型的多媒體傳感器網絡最大集作業傳輸模型，采用分組交換小波分解方法，提高對多媒體傳感器網絡的最大集作業傳輸序列的預測性能。但該方法在置信度區間內需要對風險指數進行特征重構，在數據維數較高的情況下作業調度的計算開銷較大，處理性能不好；文獻[8]提出基于超線性變尺度搜索的多媒體傳感器網絡最大集作業傳輸模型，采用非線性時間序列分析，結合時頻特征提取，對傳輸任務和多媒體通信信息數據進行線性搜索，提高評估性能。但該方法在先驗知識不足的情況下，對多媒體傳感器網絡的最大集作業傳輸和任務調度的收斂性不好，精度不高。

針對上述問題，提出基于數據動態融合和網絡信道均衡調度的多媒體傳感器網絡最大集作業調度算法。仿真實驗結果表明，改進的方法可提高多媒體傳感器網絡的作業調度性能，改善信道通信性能。

1 多媒體傳感器網絡模型與動態數據融合

1.1 基本定義與多媒體傳感器網絡通信模型

本文采用決策樹方法對多媒體傳感器網絡的最大集作業傳輸指數特征進行主特征建模，以提高調度性能，降低數據傳輸的失真和信道損失。

3 仿真實驗與結果分析

為了測試本文算法在提高多媒體傳感器網絡的通信和數據傳輸方面的優越性能，進行仿真實驗。實驗的硬件測試環境為：CPU 2.5 GHZ，內存2GB， Windows XP操作系統，以及Ubun4GBtu編程軟件。多媒體傳感器網絡分布式組合開發工具為Microsoft ActiveSync：Microsoft ActiveSync，最大時間采樣TB=1.5 Tp，采樣間隔ΔT=0.5Tp，數據采樣的最小中心頻率Tp=0.2s，訓練集的中心頻率 f1=150Hz，歸一化后的信號頻率f2=250Hz，σw2=1，多媒體作業任務傳輸探測信息的采樣頻率為1 024Hz，采用均勻分布的方式分布在500m×500m的監測區域中。基于上述仿真環境和參數設定，得到本文設計的多媒體傳感器網絡節點分布模型，如圖2所示。

以此為基礎，進行多媒體傳感器網絡的最大集作業傳輸調度，輸出結果如圖3所示。由圖3可見，采用該方法進行多媒體傳感器網絡的作業調度和數據傳輸，能最大限度地提高多媒體傳感器網絡的數據傳輸和任務調度能力，數據吞吐性能與多媒體傳感器網絡通信的保真性較好。

4 結語

針對傳統方法存在數據傳輸效果差、任務調度不準確的問題，提出基于數據動態融合和網絡信道均衡調度的多媒體傳感器網絡最大集作業調度算法，構建多媒體傳感器網絡的作業傳輸網絡模型，進行多媒體作業調度數據的動態融合處理，以實現多媒體傳感器網絡的最大集作業傳輸調度。仿真結果表明，該方法能最大限度地提高多媒體傳感器網絡的數據傳輸和任務調度能力，吞吐性能較好，通信保真性好，性能優越。

參考文獻：

[1]ZHANG S Y， XUE X C， SHI J X. Image compression based on contourlet and no lists SPIHT[C].IEEE International Conference on Computer， Mechatronics， Control and Electronic Engineering. Piscataway， NJ， USA： IEEE， 2010： 211-214.

[2]FAN Y H， WANG G， LIANG X. A static image coding algorithm based on contourlet classified hidden markov tree model[J].Engineering Computations： International Journal for Computer-Aided Engineering and Software， 2011， 28（2）： 172-183.

[3]PHAM T D. Geostatistical entropy for texture analysis： An indicator kriging approach[J]. International Journal of Intelligent Systems，Special Issue：Advances in Intelligent Systems， 2014， 29（3）： 253-265.

[4]祝超群，楊彬，魯春燕，等.隨機事件驅動通信的網絡化系統最優估計與狀態反饋控制[J]. 信息與控制， 2015，44（6）：654-659，666.

[5]LU K， LIU G， MAO R， et al. Relay node placement based on balancing power consumption in wireless sensor networks[J].Wireless Sensor Systems IET， 2011， 1（1）：1-6.

[6]MISRA S， SEUNG DON HONG，XUE GUOLIANG， et al. Constrained relay node placement in wireless sensor networks to meet connectivity and survivability requirements[C].INFOCOM 2008. The 27th Conference on Computer Communications. IEEE，2008：281-285.

[7]MISRA S， SEUNG DON HONG， XUE GUOLIANG， et.al. Constrained relay node placement in wireless sensor networks：formulation and approximations[J]. IEEE/ACM Transactions on Networking，2010，18（2）：434-447.

[8]MISRA S， MAJD NE， HUANG HONG.Constrained relay node placement in energy harvesting wireless sensor networks [C].2011 IEEE 8th International Conference on Mobile Adhoc and Sensor Systems （MASS），2011：25-34.

（責任編輯：黃 健）