第 3 章Principles of Wireless Sensor Networks

无线传感器网络的应用：概述与案例研究

研究和开发机构对于无线传感器网络都非常感兴趣。无线传感器网络应用在民用和军用

领域已经开始崭露头角。它的发展最初源于军事应用，但无线传感器网络现在已经广泛应用

于民用以及工业用途 [1-20]。如今，大多数的无线传感器网络应用于实际环境测量，比如湿

度、压力、温度、移动物体以及污染物等。一般情况下，大多数无线传感器网络都用于构建

容忍延迟并具有低带宽的应用。因此，大部分的研究工作都集中于后者，也称为地面传感器

网络。所有应用面临的最主要挑战是网络的寿命。无线传感器网络结构包含网关，它可以提

供到达有线或固定网络的无线连接。

在几乎所有应用中，无线传感器网络都用来监测某个物理过程。它们可能用于测量温

度、气压、人体辐射、化学反应、物体运动、人体器官等。通过测量，我们可以复原关于边

界（也常称为边缘）的重要信息。为了记录物理变化的边缘，边界识别必不可少。边界识别

是边缘检测过程中的第一步。在数字处理中，有许多方法可以识别边缘，但这些方法在无线

传感器网络环境中并不容易实现，因为传感器节点并不像像素那样均匀分布，同时也因为传

感器节点只具有有限的计算功率和内存 [3-6]。在本章中，我们将介绍无线传感器网络的主要应用。

3.1　目标检测与追踪

无线传感器网络关于入侵检测和分类、追踪目标的应用对于计算机和电子通信系统非常

重要。总的来说，目标检测与追踪是一个公认的研究问题，对于这一问题已经有了很多的解

决方案，有的依赖于高成本的专用传感器，有的依赖于简单低廉的方案和工具。后者对于大

规模的目标检测与追踪更具吸引力。

然而，使用低成本的无线传感器网络系统来进行追踪有其本身的挑战，包括困难的信号

处理、同步决策、多模传感、高频采样和数据合成 [8]。一些研究人员使用基于阈值的简单方案或者小型传感器设备上的额外硬件来进行相关的

复杂信号处理操作。基于阈值的技术可以降低宝贵的传感器数据，因此可能并不适合低信噪

比的无线传感器网络环境。当然，可以添加具有特殊用途的硬件来缓解这些问题，但是这也

会增加这种自供电且低成本方法的成本和能量消耗。

无线传感器网络是由大量传感器节点构成的，这些节点可以智能地感知信息、处理信息

和完成其他工作。传感器节点部署在监控环境条件的各种应用中，包括检测温度、振动、污

染物、压力和声音。这些在许多参考文献中有详细介绍 [1-10]。无线传感器网络的主要应用有入侵检测、目标检测、分类、追踪和定位。感知、计算和

通信技术的最新进展使得在传感器网络处理器（节点）的内部部署一组传感器变得可行。传

感器节点低廉的成本使得在广大区域中部署众多传感器成为现实，因此，这种设备已经成为

处理分布式检测、分类以及追踪问题强有力的竞争者。目前已经存在许多方法可以实现完全

的中心化或者完全的分布化。它们也可以基于高信息复杂度、高计算量或者基于数据融合和

30

22　　 第 3 章

决策融合。

关于无线传感器网络中的目标分类已经有了一些基于中心化技术的工作。这通常需要利

用生成的时间 – 频率信号来对多种目标的模式识别 / 匹配。例如，Caruso 和 Withanawasam提出了一种中心化的车辆分类系统，这种系统可以根据不同车辆生成的相似磁信号来进行分

类 [21]。这个系统对于每个传感器节点都需要较高的计算开支，对于整个环境来说也需要合

理的布局和管理。此外，为了实现精确分类，车辆需要笔直地开过传感器。另一方面，在其

他任意方向与距离上，这种方法只能感知目标是否存在。

Raghavendra 等人 [6] 提出了一种基于削弱相邻属性向量的协同分类方法。这种方法的

精度只随着协同传感器数量的增加而提高，从而给无线传感器网络造成了负担。

Duarte 和 Hu 收集了由 820MB 未处理的时序数据和 70MB 预处理数据组成的数据集合

[7]。然后，他们提取光谱特征向量，用最大似然分类器获取基线分类结果。在他们设计的

系统中，每个传感器会根据其自身测量的结果提取特征向量，然后将特征向量传送到本地模

式分类器。传感器随后发送本地分类器的评估结果和与中间传感器相关的概率，此概率包含

了所有接收到的评估结果。此方法从减轻网络负荷的角度来看很有前途，但它也需要在单个

节点上的巨大计算开销。

Zhao 等人计算了利用无线传感器网络作为信息优化方法进行分布式追踪的复杂度，并

且提出了一些合理利用信息的方法。在这些方法中，无线传感器网络可以在能量控制环境下

请求有关感知和通信的决策 [8]。Arora 等人 [5] 用实验验证了利用二进制传感器网络识别不同物体分类的可能性。

他们考虑的监控应用场景叫作“沙地直线”（A Line in the Sand）。这一场景的目的是识

别一个地区内的违规情况。干扰目标可以是暴露的人、带着铁制武器的士兵，或者卡车。这

一功能的主要基础用户要求有目标识别、分类和追踪。用户需要列举影响系统检测、分类和

追踪目标的服务质量指标，并且定义需要保护的边界。检测过程需要识别目标物体是否存

在，而成功的检测需要节点准确地判断目标的存在并避免没有物体存在时的错误判断。检测

的主要性能指标包括：准确检测的概率或错误检测的概率；发现目标存在与最终识别目标之

间的可接受延迟。

在分类中，目标需要归为多种类别中的一种，包括车辆、士兵、树木和动物。此外，分

类依赖于对于感知信号相关参数的近似，包括功率密度、周期、持续时间、振幅、相位和带

宽。分类过程的主要评估指标包括：第 i 个类别分类的正确率；将第 i 个类别错误分类到第 j个类别的概率。

追踪过程需要记录目标在网络覆盖区域内移动的位置。为了成功完成追踪过程，系统需

要在可接受的检测延迟中估计目标的初始入口节点与最近节点。

在设计目标检测的无线传感器网络时需要考虑的一些设计问题包括能量、可靠性和复杂

度。这些设计问题在选择解决研究问题的机制时将起到很大的作用。接下来，我们将简单介

绍这些设计时需要考虑的问题。

3.1.1　能量

无线传感器网络中的节点应该使用储能电池或基于能量采集的太阳能电池。能量使用速

度受到节点对于存储能量的寿命要求或者通过采集的平均能量聚集速率的限制。传感器节点

的能量主要消耗在以下几个方面：感知环境、计算、存储数据，以及与周围其他节点或界面

31

无线传感器网络的应用：概述与案例研究 23

通信。

每种操作所消耗的能量取决于其所完成的有效工作。事实上，通信中发送和接收操作的

能量消耗并不相同。

3.1.2　可靠性

无线传感器网络的不稳定性对于分类和追踪的系统设计有着非常大的影响，尤其是在选

择提供的分类基础的特征时。当选择特征时，我们有两种主要技术：集中式与分布式。第一

种方法需要时间 – 频率序列研究和随后的信号匹配机制。但是，由于传感器节点通常对于计

算功率有限制，所以这些困难的任务会使独立节点超过负荷。另外，那些将要被感知和分类

的事件，即在区域内移动的目标，本身在事件和空间域都是分布式的。但是，选择正确的分

布式特征是很困难的，因为这需要在设计上作出很多妥协，比如，一个单独节点中有限的资

源可能会限制实现的最终效果。另外，无线传感器网络本身不可靠的特性和在重负荷下糟糕

的性能迫使用户最小化网络中数据的传输量，以避免拥塞。这些本地传感器节点和网络负荷

带来的限制可能会使用户试图寻找这样的分布式特征：当投影到单个节点时，它不会使无线

传感器网络超负荷，并且仍能保证分类和追踪过程所需的精度 [6-8]。

3.1.3　复杂度

这些进行检测、估计、分类、追踪、同步和路由的机制可以进行基本的感知、计算、存

储以及通信操作。这意味着用户应该集中优化这些机制所需的时间、空间以及信息复杂度。

举例来说，用户可能考虑将追踪方法作为消息数量的函数，同时也需要考虑对于分类中有关

收集的特点的选择和方法。基于集中式数据集成的分类器可能有较高的信息复杂度，因为高

维数据需要不断转发。另一方面，分布式分类器可能有较低的信息复杂度，它仅仅在目标已

经被感知之后才发送信号，但是分类算法的计算与内存需求可能会给这种分类器带来较高的

时间或空间复杂度 [6-20]。如何选择合适的传感器是无线传感器网络设计中的一项重要任务，而选择正确组合的传

感器可以显著地增强系统的性能，降低成本，并增加其使用寿命。然而，传感器的大量输出

并不代表有充足的资源来处理这些输出信号。比如，现今大部分的小型摄像机都具有数万像

素来提供大量数据。但是，能够处理这么大量数据的信号处理机制通常需要很高的时间、空

间或者信息复杂度，这需要很高的计算功率和资源。

适合检测目标的传感模式可能包括非武装人员、武装士兵，以及车辆等。系统需要首先

识别目标对环境带来的预期扰动，然后确定可以识别目标的传感器。

3.1.4　目标对环境扰动的识别（现象学）

现象学致力于研究事物的基本特性。在本节中，我们的目标是寻找一系列重要的特性，

使得同一类物体的特性都非常相似，而不同类物体的特性截然不同。这些特性主要分为 6 种

主能量域：电子、机械、磁力、光学、热学和化学。设计者需要考虑所有 6 个域，因为在所

有域中都进行关于 MEMS 传感器技术的重要研究与开发（R&D）。需要记住的一点是，许多

传感器都可以检测同一能量域的不同方面。

举个例子，非武装的个体可以从声音、电子、热学、光学、振动和化学等角度来干扰环

境。人体温度会从体内发出单向的红外射线。人体步伐发出的脉冲信号会在地面产生正常频

32

33

24　　 第 3 章

率的激振。共振的波动会被削弱并沿地面传播。

人体可以视为可产生周围电场变化的电介质。众所周知，人可以释放出可轻易被狗感知

的化学痕迹。精密的传感器也可以识别特定的化学释放物。人体可以反射和吸收光束，因此

可以被摄像机识别。人体也可以反射和扩散声学、光学、电磁和超声波信号 [5-10]。通常情况下，武装士兵的特征是非武装人员特征的扩展集。士兵（战士）一般都会手持

枪或者其他金属工具。因此，士兵会拥有非武装个人所没有拥有的磁力特征。士兵的磁力特

征主要是铁磁物体对周围磁场带来的扰动 [6-15]。汽车可以从电子、磁力、热学、光学、振动、声学和化学的角度对周围环境进行干扰。

总的来说，汽车具有热学特征，这种特征包括了引擎等区域的热点。另外，汽车有明显的振

动和光学特征。汽车产生的一氧化碳和二氧化碳排放为燃烧汽油的副产品。它们也吸收、反

射、衍射和散射电磁、光学、超声和声音信号 [5-10]。

3.1.5　传感器的选择

为系统设计选择正确的传感器组合是一项必不可少的任务，因为它可以提供较高的性价

比，并延长整个系统的使用寿命。

尽管有很多传感器可供选择，但并不存在直接检测人、汽车、动物或者其他物体的传感

器。通常情况下，布置传感器是为了检测一系列的属性，如电子或光学特征。传感器的输出

也仅仅是一种估测，并不是 100% 准确。另外，所有数据收集系统所收集的信号都会受到噪

声的影响，因此系统的效率也会受到限制。我们可以区分两种主要的传感器类型：主动式传

感器和被动式传感器。主动式传感器，比如超声换能器，可以通过目标的变动来判断目标

的存在和目标的速度，或者反射传感器发射的信号。另一方面，被动式传感器可以识别和测

量各种目标的模拟信号，比如目标的声学、磁力或者热能信息等。主要的传感器类型有：电

子、热能、光学、超声、磁力、雷达、声学、振动和化学传感器。每种传感器都有其自身的

优缺点。比如，电子传感器的优点有无视线限制、温度低、声音小、无气味、稳定性高，可

以在高速或低速环境下操作等。其缺点有要求特定的电极位置、活性高且受周围电子电路和

设备的干扰 [9-14]。目标检测和追踪系统的不同需求、设计重点、目标现象学和感知模式决定了传感器的选

择过程。下面给出以下几条选择过程的指导方针 [18-20]。 ● 不需要特殊的硬件。

● 传感器的操作不应受其方向的影响。

● 信号检测和参数估计所需的信号处理机制应当适合实际情况的限制条件。

● 应当合理地选择传感器，且应从现成的商业资源中选择。

● 协同定位的传感器不会产生干扰或串拢。

3.2　轮廓与边缘检测

毫无疑问，最近几年无线传感器网络的发展促进了新应用的诞生。这些应用包括天气监

测、智能家居与城市、医疗应用、军事应用以及基础设施保护。在这些应用的关键问题是数

据聚合。由于有限的带宽、较高的通信成本和有限的处理功率，所以如果数据处理和融合操

作不正确（最好利用分布式方法），传感器的数据聚合可能会成为一项挑战。

通常情况下，处理数据聚合和延长无线传感器网络寿命主要有两种机制。第一种机制依

34

35

无线传感器网络的应用：概述与案例研究 25

赖于分布式数据压缩，可以通过利用数据的冗余来减少数据。第二种机制是分布式数据融

合，可以预处理收集的数据，以获得广播所用的合成结果。尽管分布式数据合成可以显著地

减少需要传输的数据量，但具体算法仍取决于应用域和传感器的周围环境 [10-15]。边缘检测等用于检测环境的应用在执行算法时，即使运行在噪声数据上，也仅仅使用 1

或 0 的二进制结果作为输出。在一些现实应用中，基本的物理事件（例如压力、污染物、温

度和速度等事件）是由一系列值而非二进制值来刻画的。在应用边缘检测时，我们将测量的

数值数字化，尽管这可能会使一些监测事件由于量化过程而消失。轮廓线被描画成二维曲

线，其相关函数值是常数。这也意味着轮廓线可以提供关于被观测物体的空间分布和所收集

数据的处理值的额外信息。轮廓线移除在环境、天气预报等方面都有应用。一些研究人员已

经提出了一种分布式算法来准确判断轮廓线 [10-15]。Liao 等人设计了一种利用无线传感器网络提取轮廓线的分布式算法 [10]。该方案包括三

个主要步骤：

● 连续极值搜索。应使用近似梯度来寻找单峰域中的极值（极大值或极小值）点。关键

点是指传感器域的参考点。

● 传感器聚类与轮廓点搜寻。取决于所找到的极值位置，根据传感器相对于参考点的

相对位置将传感器分配到对应的区域或聚类中。随后，利用收集到的数据样本确定

每个集群中的轮廓点。

● 轮廓线创建。将轮廓点的信息发送到簇首，随后再发送到创建轮廓线的基站。

3.2.1　连续极值搜索

在传感器区域中进行极值点搜索有两个主要关注点。第一个关注点是在每个传感器本地

利用数据实验来完成梯度估计。第二个关注点是利用可预测的梯度来寻找极值点。Simic 和

Sastry[22] 设计了一种在无噪声环境下预测梯度的方案，这种方案在概率逻辑下使预测的梯

度最终收敛到正确的梯度上。尽管如此，在此工作中带噪声的测量为梯度的正确收敛增加了

难度。同时，用收集的稀疏数据进行数据实验和带噪声的结果也降低了估计梯度的准确性。

Liao 等人 [10] 设计了在噪声环境中进行极值搜索的方案，包含以下步骤：

● 初始化阶段。搜索过程可以被任何传感器初始化。

● 连续上升（下降）过程。首先，当前传感器的梯度是利用周围传感器的数据样本计算

出来的。随后，该方案计算预测梯度和标准化方向矢量（连接当前传感器和其邻居）

的内积。然后，选择一个有最大（或最小）内积的邻近传感器作为下一个传感器。

● 结束连续上升（下降）过程。上一步中的循环会在所有传感器的范围内反复执行。这

个传感器第一次和第二次的访问形成了闭合回路。这些传感器的重心就是极值点，

通常也称为参考点。

3.2.2　传感器分组与轮廓点搜寻

在定位了最大点之后，我们需要确定观察射线，且需要将传感器分组至不同方向的地区

内。为了找出轮廓线，我们沿着每个观察射线等距地确定虚拟点。这些虚拟点上可能并不

在传感器上。为了辨别观察射线上的轮廓点，我们收集目标虚拟点可收集范围内的传感器的

数据样本。这些传感器组成了一个子聚类。其中，距离目标虚拟点最近的传感器被选为邻近

合成中心。考虑到传感器是随意排列的，很可能在观察射线上没有足够的传感器来辨认轮廓

36

26　　 第 3 章

点。因此，实际观察射线的精度可能更小。

这里的关键问题是根据收集的数据样本来判断每个观察射线上的目标虚拟点是否是轮廓

点。因为在这个背景下测试环境是静止的，所以数据的采集和过滤都是随空间而非时间变

化。关键问题是信号是否可以在不同的地点之间波动。因此，所设计的机制需要减少噪声的

影响，同时维持信号在空间中的变化 [10-12]。

3.2.3　轮廓线的创建

从传感器通过簇首传送到基站的数据有以下几种类型：极值点的坐标；极值点的预测信

号水平；轮廓点的坐标；每个轮廓点的信号水平。根据这些数据类型，基站可以画出轮廓

线，并识别出极值点。利用一种简单的插入机制可以将轮廓点连接成轮廓线。一种可能的插

入方法是由 Liao 等人 [10] 提出的，这种方法通过将两个轮廓点（x1, y1）和（x2, y2）的笛卡

儿坐标转换为以估计极值点为中心的等价极坐标（r1, θ1）和（r2, θ2）。之后，插入点的极坐

标（r*, θ*）可以通过下式计算：

通过使用这些插入值，我们可以连接这些计算的轮廓点来得到圆滑的轮廓线。在文献

[10] 中，作者用模拟分析证明了他们提出的算法在噪声环境中工作良好。

3.3　应用的类型

无线传感器网络可以用于广泛的应用中，从民事应用到军事应用。这些应用可以辨识或

观察不同的物理参数或条件，包括压力、污染物、温度、湿度、空气质量、水质量、泥土结

构和物体重量、高度、大小、位置、速度或方向等特征。

相对于固定传感器网络来说，无线传感器有其独有的优点，它们可以布置到恶劣的领

地、战场、外部空间或海下、河下等水下区域。以下将简单介绍现在的主流应用 [1-22]。

3.3.1　环境应用

无线传感器网络可以有效地监测环境。这类应用是无线传感器网络最早的应用之一。在

这些应用中，部署传感器可以监测不同的环境因素和条件，主要有以下几种：

● 部署的传感器可以用来观察森林中或野外栖息地的野生动植物，也可以用来监测这

些栖息地的环境因素。

● 水质或空气质量控制：无线传感器网络可以通过部署在地面或水下的传感器来监测

水质或者空气质量。空气质量监测可以用于空气污染控制，水质监测可以用于水质

化学领域。

● 灾难监测：在这种情况下，部署在森林中的传感器可以检测火灾，部署在河流中的

传感器可以检测洪水。此外，地震传感器可以安装在漏洞中，确定地震的传播途径

和程度，并且可以提供建筑物的安全评估。

3.3.2　医疗应用

在此应用中，无线传感器网络可以为了医疗的目的观察和追踪病人和老年人。这一做法

有可能减少当今巨额的医疗总体开支。

37

无线传感器网络的应用：概述与案例研究 27

此外，可以将传感器安装在病人的家里，以达到检测他们行为或行动的目的。这种措施

对于老年人尤为适用。这类系统可以在病人摔倒或需要紧急救护时提醒负责的护士或医师。

病人的重要体征和其 GPS 坐标也应当记录，这样在紧急情况时，这种对于病人和老人

无害的非固定监测可以提醒护士和医师立即救治。这种监测也可以提供病人的实时健康状

况并及时更新。这是通过佩戴可穿戴的传感器实现的，这些传感器可以包含在无线体域网

（WBAN）中来实时监测重要体征。

3.3.3　生产过程控制

我们可以通过部署无线传感器网络来监控生产设备的状况以及工厂流水线上的整个生产

过程。例如，为了防止生产过程出错，人们通常将微小的传感器置于人们无法到达的特定机

器和设备的内部区域以便于监控状态和发出警告信息。通过这样的方式，无线传感器网络可

以帮助工厂减少运营开支和增加设备使用寿命，甚至减少人员伤亡。

3.3.4　智能家居

无线传感器网络可以用于给居住者提供一个更舒适和智能的住宅和居住环境。举例来

说，在住宅中可以设置多个传感器并建立起一个家庭独有的传感器网络。将智能冰箱和智能

微波炉或烤箱通过传感器网络连接，冰箱可以根据它所存放的食材安排一个菜单，并将需要

的原料传递给微波炉或烤箱，反过来，微波炉和烤箱可以根据需要设置冰箱存放食材的温

度。另外，可以根据家庭的需要对电视、DVD 和 CD 播放器等所播放的内容和播放时间表

进行远程管理。

公用事业公司已经开始使用无线传感器和无线技术来远程读取天然气、水和电表，这样

他们就不再需要派专人挨家挨户地读取这些安装在家庭内部的表。这样可以节省公司的资金

和时间，同时避免了打扰住户。

3.3.5　国土安全

对于很多安全和监控设备，无线传感器网络是很好的工具。传感器可以安置在诸如机

场、桥梁、地铁、车站等公共场所以及其他一些重要的基础设施，如核电站、通信中心和石

油提炼厂。这些传感器可以识别和追踪入侵者，并产生警报和自我防护以应对可能的恐怖 袭击。

3.3.6　水下应用

人们可以通过在海底、河底和湖底安装无线传感器来监控事件并通过无线传输方式及时

发送关于这些事件的报告。海洋底部的传感器主要用于海洋学数据收集、污染监控、近海调

查、避免自然灾难和路线寻找等应用。许多无人管理或独立的水下交通工具（UV）都配有水

下传感器，用于寻找自然海底资源，比如石油、矿物质，也可以用于收集共享监控区域的数

据。为了使这些应用变得可行，我们需要保证水下仪器间的通信。在水下，传感器节点和使

用的机制应该能够自我设置，这样可以让它们自己通过变化配置、地点和移动信息来管理自

己的操作，而且能够将监测的数据传送回地面 [11-12]。对于这些应用，我们需要使用无线水下声学传感器网络。这样的网络包括传感器和水下

运载器，它们互相协作来监控给定区域的相关事件。为此，传感器和水下运载器组成的网络

38

39

28　　 第 3 章

可以根据所处的海洋环境特性进行调整。在水下网络中，声波通信是经典的物理层技术。事

实上，若无线电波在可导电的海水中进行长距离传输，其频率只能达到 30 ～ 300Hz，这意

味着需要巨大的天线和通信功率（所以不可实现）。而如果用光通信，尽管光不会有如此大

的衰减，但光通信将遭遇色散的问题。另外，光信号的传输需要高精度地发送狭长的光束。

因此，通常人们使用无线声学系统来进行水下通信。

迅速增长的燃料需求 [23-24] 促使我们寻找新的能源，包括石油和天然气。众所周知，

水覆盖了地球表面 70% 的区域，这些区域有巨大的潜力来提供人们日常所需的各种资源，

因此，高效地探寻水下石油是石油开发者和各个国家都很关心的问题 [23-24]。海底的石油

会从裂缝中漏出，如果这些地区部署了传感器，那么人们就可以发现这些石油。

由于水的一些特性，陆地上使用的传感器网络方案很难适用于水下，因此部署水下搜索

装置十分困难 [24-27]。这些特性包括水下多变的海水盐度、温度和压强 [24,28]。这些因素

会影响水下声波的传输 [28]。传统的海底监控方案是在水底安装传感器来收集数据，之后将

它们回收。这样的方案有如下几个缺点 [11-12]。 ● 实时监控是不可行的。这在诸如地震监控等环境监控应用中十分重要。

● 传感器在一个监控周期内可以采集的数据将受到存储设备容量的限制。

● 在岸上控制系统和水下监控设备之间无法建立通信。这个问题阻碍了对监控设备进

行适应性的协调，同时在监控设备监控到一些事件发生后也无法重新配置控制系统。

● 如果产生故障，那么直到回收设备之前都无法得知。

因此，有必要安装水下网络，这样可以保证对特定海洋区域的实时监测、远程配置以

及与岸上操作员的通信。实现方法是用基于声学通信技术的无线连接装置来连接水下设备 [11-12]。

水声网络（UAN）是部署在水下，且利用声波模式收集数据的小规模网络。水下无线传

感器网络（UWSN）有不同于通用水声网络的一些特点。UWSN 和 UAN 的主要区别在于可

扩展性、自组织和定位 [24]。水下无线传感器网络领域的研究挑战和设计问题，如文献 [18]中所讨论的，主要有以下几点：交通拥塞控制；安全、恢复力和稳健性；可靠数据传输；有

效多跳声学路由；分布式定位和时间同步；资源丰富的多路访问；声学物理层。

与地上网络的通信作相比，有些因素可能会消极地影响水下环境中传感器节点的通信质

量。下面简单介绍影响水下通信的几个主要因素 [11-12]。 ● 水中暗流。多变的水流速度会影响网络中传感器的相对位置，水流产生的噪声也会

影响通信质量。

● 盐度。水中盐度的增加会增大水的密度，这会产生信号路径上的延迟。

● 多路延迟扩散。由于传输信号的各种反射，信号可能被接收多次，所以这会导致符

号间干扰 [25-27]。 ● 周围噪声。这种噪声是由水流、海洋生物和海港上的船只产生的。

● 温度不稳定性。实验证明，随潮汐变化的温度波动会对声学通信产生影响 [24]。 ● 多径衰落。当多径波失相时，接收端的信号强度减弱，这通常称为瑞利衰落。

● 压力。已经证实海底的高压可能会影响信号通信。

下面，我们讨论水下无线传感器网络中的主要限制因素 [12, 27-29]。 ● 有限的内存。由于传感器有有限的内存，所以需要减少数据的存储和通信。按需路

由机制会增大延迟，这可能使其不能用于某些应用。表驱动的机制可能认为是消耗

40

41

无线传感器网络的应用：概述与案例研究 29

额外内存的选择。因此，我们需要找出需要重传输的数量。由于重传输需要对数据

包存储转发，所以如果重传输减少，则内存问题也可以得到缓解。

● 传播延迟。与空气中的延迟相比，水下网络中的延迟相对更高，且传播的速度降至

大约 1.5×103[24-29]。因此，所有与传播延迟相关的计算都需要利用水中的声速来

计算。

● 低频率。水下无线传感器网络中节点之间的通信一般在非常低的（声音）频率上而

不是射频上进行。吸收效应会使信号衰减。而信号衰减在较高的频率时会更大 [28]。因此，频率为 20Hz ～ 20kHz 的声道更受欢迎。在这种频率下，尽管传播时间更长，

但可以得到更小水平的衰减。

● 高传输功率。水对波传播的阻力会带来更大的信号衰减 [28]。因此，我们需要提高

信号的电源功率来接收高质量的信号。

● 适度的带宽。水下声道可获得的带宽是有限的，并且主要依赖于频率和传输距离。

有限的带宽是由于在大多数低于 30kHz 的声学系统中存在着水的吸收作用。因此，

传感器节点之间传送的数据包应该尽可能地小才不会产生高延迟。

一种增强水下无线传感器网络中不同传感器之间通信的方法如图 3-1 所示，此图展现了

包含 7 个传感器的小型网络。

如图 3-1 所示，传感器 1 与传感器 2 通信，传

感器 4 与传感器 7 通过传感器 5 与传感器 6 通信，

传感器 3 没有与其他传感器通信，因为没有传感器

在其传输范围内。

在文献 [12] 中，作者提出了水下传感器网络

的体系结构。图 3-2 描述了从海平面观察到的该网

络体系结构的水平视图。图中展示了海平面上本地

汇聚节点和传感器的位置。本地汇聚节点呈现静态

的网状结构，并且能够通过声频和射频的形式相互

通信。它们使用声学方法与传感器节点通信，使用

射频方法与其他本地汇聚节点及控制中心通信。此

外，这种本地汇聚节点可以控制不同的启动和控制

程序的实现。控制中心与本地汇聚节点通过多跳连

接。任意安装的传感器采用声学模式来相互通信。

很明显，传感器是不可或缺的节点，因为它们是唯

一在整个系统中收集信息的，而且负责向水面的本地汇聚节点传送这些信息。

图 3-3 展示了从海平面所观察到的，文献 [12] 中报告的体系结构的垂直视图和海平面

以下水柱中传感器的相对位置。这可以视作系统的侧面图。这里的垂直层是预设的，但是传

感器的具体位置在同一层上是可移动的。应当注意的是，术语“固定”，此处“固定”的意

思是传感器的高度在同一个垂直层上是不变的。但是，由于水流的影响，相对于垂直层来

说，传感器可能还是会有轻微的垂直移动。一定不能将这种传感器与静态位置的传感器混

淆。首先，传感器在一个垂直层中固定好，并可能通过操作一次上移或下移一层。这种传感

器通过声道与其邻接点链接，并通过传感器 – 传感器跳（SSH）机制将数据传送到本地汇聚 节点。

42

43

1

2

5

4

3

6

7

传感器

声学链路

图 3-1　 水下无线传感器网络（UWSN）中

正在通信的传感器

30　　 第 3 章

传感器

本地汇聚节点

无线电链路

声学链路

控制中心

水平视图 – 海面

展示了不同传感器和本地汇聚节点如何在海平面交互，也展示了信息如何到达

控制中心

本地汇聚节点将信息

转发到控制中心

信息在本地汇聚

节点之间路由

传感器正在等待其他

传感器或本地汇聚节

点进入其通信范围

信息正在从传感器路

由到本地汇聚节点

图 3-2　文献 [12] 中提出的体系结构的水平视图

传感器

本地汇聚节点

无线电链路

声学链路

海平面

海底

垂直视图 – 水柱横剖面

展示了水下不同传感器的交互，也展示了传感器在不同垂直层的排列，同时

展示了没有转发任何信息的传感器

传感器在等待其他传感器或本地汇聚节点进

入通信范围，以便于向其转发信息信息从传感器路由到本地汇

聚节点

不同 垂直层

信息在传感器间路由

图 3-3　文献 [12] 中提出的体系结构的垂直视图 – 水柱横剖面

无线传感器网络的应用：概述与案例研究 31

3.3.7　农业

无线传感器网络在农业生产中正在被越来越多地使用。重力给水系统可以通过压力发射

器来检查水箱的水位。抽水机可以通过无线 I/O 设备进行管理，这样可以用无线方式估计水

量。灌溉自动化可以更好地利用水，从而减少浪费。此外，无线传感器网络可以用于控制温

室内的温度和湿度水平，当它们低于阈值时，温室管理人员会收到手机短信或者邮件通知。

控制系统可以触发一系列的反馈来修正这一问题 [1-29]。

3.3.8　军事应用

在军事领域，无线传感器网络有许多应用。这些应用包括检测军事情况、敌人部队在地

面或海上的行动、化学或生物威胁、在城市战争后提供后勤保障、战场监控、指挥、控制、

通信、勘察、计算、智能、监控以及瞄准系统等 [12-16]。在军事指挥、控制、通信和智能领域，无线传感器网络已经成为了一种不可或缺的技

术。无线传感器可以快速地部署在战场或环境恶劣的地区，同时不需要任何基础设施。本节

简单介绍无线传感器网络在军事领域的主要应用 [12-17]。 ● 智能辅助。无线传感器可以在安装在无人驾驶的机器人卡车、坦克、战斗机、导弹

或潜艇中来引领它们通过障碍到达目的地，并且使它们彼此能够高效地协调与合作。

● 目标保护。无线传感器可以安装在诸如战略桥梁、通信中心、发电站、输油管道、

净水厂及指挥基地等敏感地区的周边。

● 战场观察。无线传感器可以安装在战场上以监测和追踪车辆和兵力移动，这些能够

保证对敌方兵力的密切监视。

● 遥感。传感器可以遥感生物、核能和化学武器，也可以发现可能的恐怖袭击。

3.4　总结

本章主要介绍了无线传感器网络的应用。介绍了无线传感器网络的主要应用，并给出了

详细的案例研究。典型的应用范围从天气和智能家居的监测到战场监测。我们也介绍了目标

检测与追踪，以及与无线传感器网络相关的轮廓与边缘检测。我们还研究了无线传感器网络

在几个领域中的应用，包括环境监测、医疗、智能家居、国土安全、水下应用、农业和温室

监测，以及军事应用。

参考文献

command, control, communications, reconnaissance, computing, intelligence, surveil-lance, and targeting systems, among others [12–16].

In military command, control, communication, and intelligence, WSNs have becomean essential technology. Wireless sensors can be deployed rapidly in any battlefield orhostile territory without the need for any infrastructure. Here is a brief review of majorapplications of WSNs to the military domain [12–17].

3.3.8.1 Intelligent assistanceWireless sensors can be installed on unmanned robotic vans, tanks, fighter planes,missiles, or submarines to direct them near barriers to their goals as well as to enablethem to coordinate and collaborate with each other effectively.

3.3.8.2 Object protectionWireless sensors can be mounted around sensitive objects such as tactical bridges,telecommunication centers, electrical power generation stations, oil pipelines, waterpurification plants, and military nerve centers.

3.3.8.3 Battlefield observationWireless sensors can be mounted in battlefields to monitor and track vehicles, and forcemovement, all of which permit close surveillance of enemy forces.

3.3.8.4 Remote sensingHere, sensors may be installed for remote sensing of biological, nuclear, and chemicalweapons, as well as for uncovering possible terrorist attacks.

3.4 Summary

This chapter has addressed wireless sensor networks applications. We reviewed themajor applications of WSNs along with some detailed case studies. Typical applica-tions range from weather monitoring and smart homes to battlefield surveillance. Wereviewed target detection and tracking, and contour and edge detection as related toWSNs. We also investigated applications of WSNs to several areas including environ-mental monitoring, health care, intelligent home, homeland security, underwaterapplications, agriculture and greenhouse monitoring, and military applications.

References

[1] J. Zheng and A. Jamalipour (Eds.), Wireless Sensor Networks: A Networking Perspective,Wiley, 2009.

[2] M. Ilyas and I.Mahgoub,Handbook of Sensor Networks: CompactWireless andWired SensingSystems, Boca Raton, FL: CRC Press, 2004.

References 45

[3] N. Ahmed, Y. Dong, T. Bokareva et al., “Detection and tracking using wireless sensornetworks,” in Proceedings of the 2007 International Conference on Embedded NetworkedSensor Systems, pp. 425–426, Sydney, Australia, November 2007.

[4] T. Bokareva, W. Hu, S. Kanhere et al., “Wireless sensor networks for battlefield surveillance,”in Proceedings of Land Warfare Conference, Brisbane, October 2006.

[5] A. Arora, P. Dutta, S. Bapat et al., “A Line in the Sand: a wireless sensor network for targetdetection, classification, and tracking,” Computer Networks, Vol. 46, No. 5, pp. 605–634,December 2004.

[6] C. S. Raghavendra, C. Meesookho and S. Narayanan, “Collaborative classification applica-tions in sensor networks,” in Proceedings of 2002 IEEE Sensor Array and MultichannelSignal Processing Workshop, pp. 370–374, August 2002.

[7] M. Duarte and Y. Hu, “Vehicle classification in distributed sensor networks,” Journal ofParallel and Distributed Computing, Vol. 64, No. 7, pp. 826–838, July 2004.

[8] F. Zhao, J. Shin and J. Reich, “Information-driven dynamic sensor collaboration for trackingapplications,” IEEE Signal Processing Magazine, Vol. 19, No. 2, pp. 61–72, March 2002.

[9] P. K. Dutta and A.K. Arora, “Sensing Civilians, Soldiers, and Cars,” The Ohio State UniversityDepartment of Computer and Information Science Technical Report OSU-CISRC-12/03-TR66,2003.

[10] P.-K. Liao, M.-K. Chang and C. Kuo, “Contour line extraction with wireless sensor net-works,” Proceedings of the 2005 IEEE International Conference on Communications, ICC2005, Vol. 5, pp. 3202–3206, May 2005.

[11] S. Dhurandher, S. Khairwal, M. S. Obaidat and S. Misra, “Efficient data acquisition inunderwater wireless sensor ad hoc networks,” IEEE Wireless Communications, Vol. 16, No.6, pp. 70–78, December 2009.

[12] S.K. Dhurandher, S. Misra, M. S. Obaidat and S. Khairwal, “UWSim: a simulator forunderwater wireless sensor networks,” Simulation: Transactions of the Society for Modelingand Simulation International, SCS, Vol. 84, No. 7, pp. 327–338, July 2008.

[13] I. F. Akyildiz, D. Pompili and T. Melodia, “Underwater acoustic sensor networks: researchchallenges,” Journal of Ad Hoc Networks, Elsevier, Vol. 3, No. 3, pp. 257–279, March2005.

[14] C.-C. Shen, C. Srisathapornphat and C. Jaikaeo, “Sensor information networking architectureand applications,” IEEE Personal Communications, pp. 52–59, August 2001.

[15] E. Shi and A. Perrig, “Designing secure sensor networks,” IEEE Wireless Communications,pp. 38–43, December 2004.

[16] I. F. Akyildiz, W. Su, Y. Sankarasubramaniam and E. Cayirci, “A survey on sensor networks,”IEEE Communications Magazine, pp. 102–114, August 2002.

[17] C. F. García-Hernández, P. H. Ibargüengoytia-González, J. García-Hernández and J. A. Pérez-Díaz, “Wireless sensor networks and applications: a survey,” International Journal ofComputer Science and Network Security, Vol. 7, No. 3, pp. 264–273, March 2007.

[18] J.-H. Cui, J. Kong, M. Gerla and S. Zhou, “Challenges: building scalable mobileunderwater wireless sensor networks for aquatic applications,” University ofConnecticut, USA, UCONN CSE technical report UbiNET-TR05–02; last update,September 2005.

[19] A. Mainwaring, J. Polastre, R. Szewczyk, D. Culler, and J. Anderson, “Wireless sensornetworks for habitat monitoring,” in Proceedings of the 2nd Annual International Conferenceon Mobile and Ubiquitous Systems: Networking and Services, MobiQuitous’05, pp. 479–481,July 2005.

46 Wireless sensor network applications: overview and case studies

44

45

32　　 第 3 章

[3] N. Ahmed, Y. Dong, T. Bokareva et al., “Detection and tracking using wireless sensornetworks,” in Proceedings of the 2007 International Conference on Embedded NetworkedSensor Systems, pp. 425–426, Sydney, Australia, November 2007.

[4] T. Bokareva, W. Hu, S. Kanhere et al., “Wireless sensor networks for battlefield surveillance,”in Proceedings of Land Warfare Conference, Brisbane, October 2006.

[5] A. Arora, P. Dutta, S. Bapat et al., “A Line in the Sand: a wireless sensor network for targetdetection, classification, and tracking,” Computer Networks, Vol. 46, No. 5, pp. 605–634,December 2004.

[6] C. S. Raghavendra, C. Meesookho and S. Narayanan, “Collaborative classification applica-tions in sensor networks,” in Proceedings of 2002 IEEE Sensor Array and MultichannelSignal Processing Workshop, pp. 370–374, August 2002.

[7] M. Duarte and Y. Hu, “Vehicle classification in distributed sensor networks,” Journal ofParallel and Distributed Computing, Vol. 64, No. 7, pp. 826–838, July 2004.

[8] F. Zhao, J. Shin and J. Reich, “Information-driven dynamic sensor collaboration for trackingapplications,” IEEE Signal Processing Magazine, Vol. 19, No. 2, pp. 61–72, March 2002.

[9] P. K. Dutta and A.K. Arora, “Sensing Civilians, Soldiers, and Cars,” The Ohio State UniversityDepartment of Computer and Information Science Technical Report OSU-CISRC-12/03-TR66,2003.

[10] P.-K. Liao, M.-K. Chang and C. Kuo, “Contour line extraction with wireless sensor net-works,” Proceedings of the 2005 IEEE International Conference on Communications, ICC2005, Vol. 5, pp. 3202–3206, May 2005.

[11] S. Dhurandher, S. Khairwal, M. S. Obaidat and S. Misra, “Efficient data acquisition inunderwater wireless sensor ad hoc networks,” IEEE Wireless Communications, Vol. 16, No.6, pp. 70–78, December 2009.

[12] S.K. Dhurandher, S. Misra, M. S. Obaidat and S. Khairwal, “UWSim: a simulator forunderwater wireless sensor networks,” Simulation: Transactions of the Society for Modelingand Simulation International, SCS, Vol. 84, No. 7, pp. 327–338, July 2008.

[13] I. F. Akyildiz, D. Pompili and T. Melodia, “Underwater acoustic sensor networks: researchchallenges,” Journal of Ad Hoc Networks, Elsevier, Vol. 3, No. 3, pp. 257–279, March2005.

[14] C.-C. Shen, C. Srisathapornphat and C. Jaikaeo, “Sensor information networking architectureand applications,” IEEE Personal Communications, pp. 52–59, August 2001.

[15] E. Shi and A. Perrig, “Designing secure sensor networks,” IEEE Wireless Communications,pp. 38–43, December 2004.

[16] I. F. Akyildiz, W. Su, Y. Sankarasubramaniam and E. Cayirci, “A survey on sensor networks,”IEEE Communications Magazine, pp. 102–114, August 2002.

[17] C. F. García-Hernández, P. H. Ibargüengoytia-González, J. García-Hernández and J. A. Pérez-Díaz, “Wireless sensor networks and applications: a survey,” International Journal ofComputer Science and Network Security, Vol. 7, No. 3, pp. 264–273, March 2007.

[18] J.-H. Cui, J. Kong, M. Gerla and S. Zhou, “Challenges: building scalable mobileunderwater wireless sensor networks for aquatic applications,” University ofConnecticut, USA, UCONN CSE technical report UbiNET-TR05–02; last update,September 2005.

[19] A. Mainwaring, J. Polastre, R. Szewczyk, D. Culler, and J. Anderson, “Wireless sensornetworks for habitat monitoring,” in Proceedings of the 2nd Annual International Conferenceon Mobile and Ubiquitous Systems: Networking and Services, MobiQuitous’05, pp. 479–481,July 2005.

46 Wireless sensor network applications: overview and case studies

[20] C.-Y. Chong and S. P. Kumar, “Sensor networks: evolution, opportunities, and challenges,”Proceedings of the IEEE, Vol. 91, No. 8, pp. 1247–1256, August 2003.

[21] M. J. Caruso and L. S. Withanawasam, “Vehicle detection and compass applications usingAMR magnetic sensors, AMR sensor documentation,” http://www.magneticsensors.com/datasheets/amr.pdf

[22] S. N. Simic and S. Sastry, “Distributed environmental monitoring using random sensornetworks,” in Proceedings of Information Processing in Sensor Networks, IPSN 2003,pp. 582–592, 2003.

[23] M. Stojanovic, “Underwater acoustic communication,” Encyclopedia of Electrical andElectronics Engineering, J. G. Webster, Ed., Wiley, 1999, Vol. 22, pp. 688–98.

[24] J. Michel, “Assessment and recovery of submerged oil: current state analysis,” Research &Development Center, U.S. Coast Guard, 2006; http://www.crrc.unh.edu/workshops/submerged_oil/submerged_oil_workshop_report.pdf (accessed May 10, 2008).

[25] J.-H. Cui et al., “Challenges: building scalable mobile underwater wireless sensor networksfor aquatic applications,” UCONN CSE technical report UbiNET-TR05–02; last update,Sept. 2005.

[26] J. Kong et al., “Building underwater ad-hoc networks and sensor networks for large scale real-time aquatic application,” Proceedings IEEE MILCOM, 2005.

[27] M. Stojanovic, “Recent advances in high speed under water acoustic communication,” IEEEJournal of Oceanic Engineering, Vol. 21, No. 2, pp. 125–36, 1996.

[28] J. Heidemann et al., “Underwater sensor networking: research challenges and potentialapplications,” USC/ISI technical report ISI-TR-2005–603.

[29] N.M. Carbone and W. S. Hodgkiss, “Effects of tidally driven temperature fluctuations onshallow-water acoustic communications at 18 kHz,” IEEE Journal of Oceanic Engineering,Vol. 25, No. 1, pp. 84–94, 2000.

References 47

46

无线传感器网络的应用：概述与案例研究 33

[20] C.-Y. Chong and S. P. Kumar, “Sensor networks: evolution, opportunities, and challenges,”Proceedings of the IEEE, Vol. 91, No. 8, pp. 1247–1256, August 2003.

[21] M. J. Caruso and L. S. Withanawasam, “Vehicle detection and compass applications usingAMR magnetic sensors, AMR sensor documentation,” http://www.magneticsensors.com/datasheets/amr.pdf

[22] S. N. Simic and S. Sastry, “Distributed environmental monitoring using random sensornetworks,” in Proceedings of Information Processing in Sensor Networks, IPSN 2003,pp. 582–592, 2003.

[23] M. Stojanovic, “Underwater acoustic communication,” Encyclopedia of Electrical andElectronics Engineering, J. G. Webster, Ed., Wiley, 1999, Vol. 22, pp. 688–98.

[24] J. Michel, “Assessment and recovery of submerged oil: current state analysis,” Research &Development Center, U.S. Coast Guard, 2006; http://www.crrc.unh.edu/workshops/submerged_oil/submerged_oil_workshop_report.pdf (accessed May 10, 2008).

[25] J.-H. Cui et al., “Challenges: building scalable mobile underwater wireless sensor networksfor aquatic applications,” UCONN CSE technical report UbiNET-TR05–02; last update,Sept. 2005.

[26] J. Kong et al., “Building underwater ad-hoc networks and sensor networks for large scale real-time aquatic application,” Proceedings IEEE MILCOM, 2005.

[27] M. Stojanovic, “Recent advances in high speed under water acoustic communication,” IEEEJournal of Oceanic Engineering, Vol. 21, No. 2, pp. 125–36, 1996.

[28] J. Heidemann et al., “Underwater sensor networking: research challenges and potentialapplications,” USC/ISI technical report ISI-TR-2005–603.

[29] N.M. Carbone and W. S. Hodgkiss, “Effects of tidally driven temperature fluctuations onshallow-water acoustic communications at 18 kHz,” IEEE Journal of Oceanic Engineering,Vol. 25, No. 1, pp. 84–94, 2000.

References 47

47