Алгоритм агрегирования квазистационарных измерительных данных сенсорных узлов

Цель исследования. Беспроводные сенсорные сети на сегодняшний день являются одним из активно развивающихся и перспективных направлений в информационно-коммуникационной области. Оптимизация вычислительной сложности алгоритмов обработки данных для устройств беспроводной сенсорной сети по-прежнему остается важной научно-технической задачей. Данная статья посвящена алгоритму, реализующему метод интеллектуального квазииндифферентного агрегирования данных для децентрализованных устройств - сенсорных узлов. Целью работы является дальнейшее совершенствование технологий агрегирования в беспроводных сенсорных сетях за счет создания нового алгоритма агрегирования квазистационарных измерительных данных сенсорных узлов. Разработанный алгоритм обеспечивает эффективное агрегирование квазистационарных измерительных данных сенсорных узлов за счет представления их в виде векторов коэффициентов модели параболической регрессии и группирования на основе корреляции динамических вариаций регистрируемых параметров, а также учитывает неопределенные значения и выбросы в сегментах данных, реализует их устранение.

Методы. При проведении теоретических исследований и разработке алгоритма в работе использовались методы теорий: алгоритмов, вероятностей и математической статистики, вычислений (в части теории сложности), а также пакет прикладных программ технических вычислений Matlab.

Результаты. Разработан алгоритм агрегирования квазистационарных измерительных данных сенсорных узлов, позволяющий сократить их объем при передаче через беспроводные каналы связи. Практическая значимость разработанного алгоритма заключается в доведении предложенных теоретических и алгоритмических конструкций до уровня программ.

Заключение. Разработанный алгоритм обеспечивает эффективное агрегирование за счет представления квазистационарных измерительных данных сенсорных узлов в виде векторов коэффициентов модели параболической регрессии, минимизирует временные и пространственные корреляции данных на приемной стороне, устраняет неопределенные значения и выбросы в сегментах данных, превосходящие три средних абсолютных отклонения

1. Нуриллоев И. Н. Разработка и исследование методов обеспечения связности в беспроводных сенсорных сетях: дис. ... канд. техн. наук. СПб., 2018. 170 с.

2. Забарин М. А., Пономарчук Ю. В. Технологии гетерогенных беспроводных сенсорных сетей с использованием беспилотных летательных аппаратов при решении поисковых задач и ликвидации последствий чрезвычайных ситуаций // Вестник российского нового университета. Серия: Сложные системы: модели, анализ и управление. 2019. № 4. С. 94-100.

3. Шахов В. В., Стрельников В. Е., Нгуен Ван Дюк. К вопросу об эффективности беспроводных сенсорных сетей // Проблемы информатики. 2014. № 2. С. 28-38.

4. Голубничая Е. Ю. Агрегирование данных в беспроводных сенсорных сетях мониторинга // Проблемы передачи информации в инфокоммуникационных системах: сборник докладов и тезисов XIII Всероссийской научно-практической конференции (26 мая 2017 г.) / Волгоградский государственный университет. Волгоград, 2017. С. 3742.

5. Воронухин М. Е. Анализ вычислительной сложности алгоритмов оптимизации // Наука и образование транспорту. 2018. № 2. С. 19-23.

6. Метод агрегации и нормализации данных гетерогенной сенсорной сети / М. А. Колчин, И. А. Шилин, Н. В. Климов, Д. С. Гарайзуев, Д. И. Муромцев, Д. А. За- колдаев // Известия высших учебных заведений. Приборостроение. 2015. Т. 58, № 11. С. 945-951. https://doi.org/10.17586/0021-3454-2015-58-11 -945-951.

7. Аль-Кадами Н. А. Оценка и сравнительный анализ алгоритмов маршрутизации для гомогенных и гетерогенных беспроводных сенсорных сетей // Информационные технологии и телекоммуникации. 2014. Т. 8, № 4. С. 4-22.

8. Развитие графовых и матричных способов представления алгоритмов / В. С. Поляков, С. В. Поляков, О. А. Авдеюк, В. Ю. Наумов, Е. С. Павлова, М. Г. Скворцов // Инженерный вестник Дона. 2017. № 2. С. 8.

9. Алгоритмы / Т. Кормен, Ч. Лейзерсон, Р. Ривест, К. Штайн // Построение и анализ. Издание 3-е. М.: Вильямс, 2013. 1324 с.

10. Коварцев А. Н., Даниленко А. Н. Алгоритмы и анализ сложности. Самара: Издательство Самарского государственного университета, 2018. 128 с.

11. Aho A. V., Hopcroft J. E., Ullman J. D. The Design and Analysis of Computer Algorithms. Massachusetts: Addison-Wesley Publishing Company, 1974. 479 p.

12. Greene D. H., Knuth D. E. Mathematics for the Analysis of Algorithms. Boston: Birkhauser, 1982. 120 p.

13. Draper N., Smith H. Applied Regression Analysis. 3rd ed. Canada: John Wiley & Sons, 1998. 912 p.

14. Hastie T., Tibshirani R., Friedman J. H. The Elements of Statistical Learning. 2nd ed. New York: Springer, 2009. 745 p.

15. Chi-Lun Cheng, John W. Van Ness. Statistical Regression with Measurement Error: Kendall’s Library of Statistics 6. 1st ed. Canada: Wiley & Sons, 2010. 282 p.

16. Свидетельство о государственной регистрации программы для ЭВМ Российская Федерация. Программа аппроксимации данных беспроводных сенсорных узлов кусочно-полиномиальной регрессией / А. М. Павлов. № 2021611364; заявл. 18.01.21; опубл. 26.01.21.

17. Свидетельство о государственной регистрации программы для ЭВМ Российская Федерация. Программа интеллектуального квазииндифферентного агрегирования данных в беспроводных сенсорных сетях / А. М. Павлов. № 2020666390; заявл. 01.12.20; опубл. 09.12.20.

18. Свидетельство о государственной регистрации программы для ЭВМ Российская Федерация. Программа оценки энергоэффективности агрегирования данных в беспроводных сенсорных сетях / А. М. Павлов. № 2021610705; заявл. 11.01.2021; опубл. 19.01.21.