孟庆玉

摘要：研究多媒体传感器网络的最大集作业传输模型，在提高多媒体传感器网络的数据并行处理和任务调度方面具有重要意义。提出基于数据动态融合和网络信道均衡调度的多媒体传感器网络最大集作业调度算法，构建多媒体传感器网络的作业传输网络模型，对数据进行动态融合。采用网络信道均衡调度方法实现多媒体传感器网络的最大集作业传输调度。仿真结果表明，该方法能最大限度地提高多媒体传感器网络的数据传输和任务调度能力，吞吐性能与通信保真性好，性能优越。

关键词：多媒体传感器网络；信道；数据传输；作业调度

DOIDOI：10.11907/rjdk.161042

中图分类号：TP302

文献标识码：A 文章编号：1672-7800（2016）005-0024-03

0 引言

随着多媒体信息处理和网络技术的并行发展，采用多媒体传感器网络进行实时多媒体视频信息采集，并实现远程多媒体信息传输和网络调度，将在交通监控、图像识别等领域具有较高的应用价值[1-3]。将图像和声音等多媒体信息传感器分布在各个监测区域，并进行多媒体信息传输和多媒体信息处理，可实现多媒体信息调度和图像信息处理等目的，为实现目标探测和区域监测提供准确的信息输入[4，5]。因此，传输作业的优化调度，在实现多媒体传感器网络的网络通信和数据信息调度中具有重要作用，相关模型和算法研究将在多媒体信息的远程探测、模式识别和安全监测、交通控制等领域具有重要意义[6]。

文献[7]提出基于小波变换ARMA模型的多媒体传感器网络最大集作业传输模型，采用分组交换小波分解方法，提高对多媒体传感器网络的最大集作业传输序列的预测性能。但该方法在置信度区间内需要对风险指数进行特征重构，在数据维数较高的情况下作业调度的计算开销较大，处理性能不好；文献[8]提出基于超线性变尺度搜索的多媒体传感器网络最大集作业传输模型，采用非线性时间序列分析，结合时频特征提取，对传输任务和多媒体通信信息数据进行线性搜索，提高评估性能。但该方法在先验知识不足的情况下，对多媒体传感器网络的最大集作业传输和任务调度的收敛性不好，精度不高。

针对上述问题，提出基于数据动态融合和网络信道均衡调度的多媒体传感器网络最大集作业调度算法。仿真实验结果表明，改进的方法可提高多媒体传感器网络的作业调度性能，改善信道通信性能。

1 多媒体传感器网络模型与动态数据融合

1.1 基本定义与多媒体传感器网络通信模型

本文采用决策树方法对多媒体传感器网络的最大集作业传输指数特征进行主特征建模，以提高调度性能，降低数据传输的失真和信道损失。

3 仿真实验与结果分析

为了测试本文算法在提高多媒体传感器网络的通信和数据传输方面的优越性能，进行仿真实验。实验的硬件测试环境为：CPU 2.5 GHZ，内存2GB， Windows XP操作系统，以及Ubun4GBtu编程软件。多媒体传感器网络分布式组合开发工具为Microsoft ActiveSync：Microsoft ActiveSync，最大时间采样TB=1.5 Tp，采样间隔ΔT=0.5Tp，数据采样的最小中心频率Tp=0.2s，训练集的中心频率 f1=150Hz，归一化后的信号频率f2=250Hz，σw2=1，多媒体作业任务传输探测信息的采样频率为1 024Hz，采用均匀分布的方式分布在500m×500m的监测区域中。基于上述仿真环境和参数设定，得到本文设计的多媒体传感器网络节点分布模型，如图2所示。

以此为基础，进行多媒体传感器网络的最大集作业传输调度，输出结果如图3所示。由图3可见，采用该方法进行多媒体传感器网络的作业调度和数据传输，能最大限度地提高多媒体传感器网络的数据传输和任务调度能力，数据吞吐性能与多媒体传感器网络通信的保真性较好。

4 结语

针对传统方法存在数据传输效果差、任务调度不准确的问题，提出基于数据动态融合和网络信道均衡调度的多媒体传感器网络最大集作业调度算法，构建多媒体传感器网络的作业传输网络模型，进行多媒体作业调度数据的动态融合处理，以实现多媒体传感器网络的最大集作业传输调度。仿真结果表明，该方法能最大限度地提高多媒体传感器网络的数据传输和任务调度能力，吞吐性能较好，通信保真性好，性能优越。

参考文献：

[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，杨彬，鲁春燕，等.随机事件驱动通信的网络化系统最优估计与状态反馈控制[J]. 信息与控制， 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.

（责任编辑：黄 健）