简介:无线传感器网络部署的成功取决于是否能够在其诸如数据的精确性、数据聚类程度以及网络生命周期最大化等问题上,提供一个高质量可靠的性能服务。其中,数据融合机制就特别具有挑战性。如果将一小部分低质量的数据作为数据融合输入,那么极可能对整个数据融合结果产生负面影响。该文提出了改进型分批估计和BP神经网络相结合的多传感器数据融合方法,旨在提高网络的服务质量并减少整个网络的能量消耗。该方法能够辨别和剔除低质量的终端数据,提高数据的精确性;同时,它还能够融合冗余的数据,以减少各站点之间的数据通信消耗,使网络生命周期最大化。通过MATLAB实验仿真,表明该文提出的方法具有良好的数据融合性能;相比于LEACH,有效减少转发数据包量,提高了网络生命期。
简介:为了建立一个可实际应用于蛇形机器人运动的通用且易于控制的步态,提出了一种基于serpenoid曲线的蠕动步态模型.通过对蠕动运动过程中相邻2个波形的分析和对serpenoid曲线的近似,建立了运动波形上各相邻连杆间的相对角度运动方程和各连杆与基线之间的绝对角度运动方程,并给出该步态的2个效率判据:能量损失函数.厂和一个周期的单位步长dunit、通过仿真和实验讨论了相关的3个参数(组成运动波形的连杆数n、相邻连杆的夹角α和相邻夹角的相位差β)对步态效率的影响,结果表明:f基本上不受n的影响,增加n可显著提高dunit,α的最大振幅随着n的增大而减小.对于确定的n,f对整个位移的影响随着α的增大而减弱.该步态模型可适用于运动波形由不同连杆数组成的蛇形机器人的蠕动,波形连杆较多或连杆夹角较大均可获得较大的运动速度.