一种传感器网络中的采样方法、装置及设备与流程

1.本技术涉及传感器网络技术领域，尤其涉及一种传感器网络中的采样。


背景技术：

2.在很多信息通信场景中，在收集器收集到最新信息后，历史信息瞬间变 无效。针对此类的通信场景，人们提出了信息年龄(aoi)这一概念，aoi是 指信息从产生开始到目的地接收时经过的时间，如何降低aoi就成为一个至 关重要的问题。
3.在如图1所示的传感器网络中，由一个中心节点(中心节点)控制n个 传感器。这些传感器都以一定概率收集同一个特定对象的信息，因此每个传 感器对应的aoi并不相同。传感器在收集信息过程中相互不会产生干扰，然 而每个传感器只能以特定概率成功收集到信息。因此需要有多个传感器才能 保证中心节点可以收集到aoi足够小的信息。单个传感器与中心节点通信时， 传输信道可靠，然而不同的传感器与中心节点的通信，相互会产生干扰，从 而导致通信失败。
4.例如：在车联网中，负责接收的中心节点(中心节点)想借助路上行驶 的汽车来了解某个路段的实时最新路况信息，那么在这种场景下，中心节点 只关心最新的信息，也就是一个最新的信息要比多个旧信息更有价值，每辆 汽车都可以看做一个传感器，用于将信息发送给中心节点。中心节点通过对 这些汽车进行采样，试图获得最新的路况信息。因此，每个时刻选取哪个传 感器，就成为一个至关重要的问题。现有技术中，选择传感器仅仅考虑了传 感器到ap之间的时延，因此现有技术均为针对缩短时延来设计的。但是1.
5.仅仅考虑缩短传感器到ap的时延并不能满足实际需求，这个场景下，瓶 颈问题是，ap获得的信息对应的aoi为多少。以车联网路况观测为例，用户 根本不在意从传感器向ap发送信息的时延，用户只会关心最终获得的路况信 息与当下路况信息的匹配度，因此，在这种场景下，需要提出一种能够降低 aoi的采样方法，来实际提高用户体验。


技术实现要素：

6.本技术实施例提供了一种传感器网络中的采样方法、装置及设备，考虑 到aoi，即信息源与ap之间的时间差，从而可以更切实地提升用户满意度。
7.有鉴于此，本技术第一方面提供了一种传感器网络中的采样方法，应用 于传感器网络，所述传感器网络包括中心节点和n个传感器，其中n为大于 1的整数；
8.所述传感器用于将接收到的信息发送至所述中心节点，所述采样方法由 所述中心节点执行，包括：
9.s1，对每个传感器接收到的信息进行预采样，得到每个传感器获取信息 的成功概率；
10.s2，针对被采样的传感器，获取从信息发出到中心节点经历的aoi；
11.s3，计算每个传感器对应的所述aoi的概率分布情况；
12.s4，根据所述概率分布情况，对每个传感器计算对应的所述aoi的数学 期望；
13.s5，在每个时刻中，对所述数学期望最小的传感器进行采样(贪婪策略)。
14.优选的，所述计算每个传感器对应的所述aoi的概率分布情况，以及根 据所述概率分布情况，对每个传感器计算对应的所述aoi的数学期望具体包 括：
15.在当前时刻t对传感器进行采样；
16.当所述aoi大于预置时间m时，令所述aoi的值为m；
17.定义m
×
m的矩阵γn：
[0018][0019]
其中，qn为第n个传感器获取信息的成功概率，所述pn为第n个传感器 获取信息的失败概率，且qn pn＝1；
[0020]
定义ek为长度为m的单位行向量，其中只有第k个元素为1，其他为0；
[0021]
计算所述aoi的概率分布情况π
n，t
：
[0022]
当中心节点在前一时刻t-1时对第n个传感器进行了采样，且aoi等于k 时，所述π
n，t
＝ekγn；
[0023]
当中心节点在前一时刻t-1时没有对第n个传感器进行采样时，所述 π
n，t
＝π
n，t-1
γn；
[0024]
根据所述概率分布情况π
n，t
，计算t时刻aoi的数学期望，计算t时刻aoi的数学期望
[0025]
优选的，所述步骤s5之后，还包括：
[0026]
预估每个时刻的所述aoi的平均值。
[0027]
优选的，预估每个时刻的所述aoi的平均值的方法为：
[0028]
构造一个新的虚拟采样策略，该采样策略与实际采样策略类似。因此可以先计算新的虚拟采样策略对应的aoi，以这个aoi作为实际采样策略对应aoi的预估值。该虚拟采样策略与实际采样策略唯一区别是，在s5中，不是采样数学期望最小的传感器，而是给定一个临界值，对s4中所得aoi数学期望小于临界值的传感器进行采样，该临界值的要使得平均每个时刻中采样的传感器的个数范围不小于1，且尽可能的接近1；
[0029]
根据所述临界值计算虚拟采样策略对应aoi的总和期望与时间和传感器 采样成功概率的关系的函数采用递推公式计算单位时间内所述总和期望的函 数收敛时的对应值，得到预估的平均aoi。
[0030][0031]
优选的，所述临界值的计算方法包括：
[0032]
a1，对任意n∈[1，n]，令
[0033]
a2，初始化m＝1；
[0034]
a3，令临界值η＝μm，对任意k∈[1，m]，n∈[1，n]，计算γ
n，k
，计算方法 如下：
[0035]
当η≥emγn时，γ
n，k
＝1；
[0036]
当μn≤η＜emγn时：若则γ
n，k
＝1；若或时， 其中，w0(*)为朗博w函数， 若时，时，
[0037]
当η＜μn时，
[0038]
a4，对任意n∈[1，n]，k∈[1，m]，令表示向量
[0039]
a5，对任意n∈[1，n]，t∈[0，t]，k∈[1，m]，令d(k，t，n)表示，从中心节 点采样传感器n，收到信息对应的aoi为k开始，在经过t个时刻的时间段内， 中心节点采样传感器n的次数；
[0040]
a6，对d(k，t，n)采用以下递推公式：
[0041][0042]
a7，当收敛时停止递推，此时
[0043]
a8，收敛时的对应值即为平均一个时刻内，中心节点采样传感器的 个数，用表示；如果令m＝m 1，并返回a3；如果 记录当前m的值，得到临界值η＝μm。
[0044]
优选的，所述临界值的计算方法包括：
[0045]
b1，对任意n∈[1，n]，令
[0046]
b2，初始化m＝1；
[0047]
b3，令临界值η＝μm，对任意k∈[1，m]，n∈[1，n]，计算γ
n，k
，计算方法 如下：
[0048]
当η≥emγn时，γ
n，k
＝1；
[0049]
当μn≤η＜emγn时：若则γ
n，k
＝1；若或时， 其中，w0(*)为朗博w函数， 若时，时，
[0050]
当η＜μn时，
[0051]
b4，对任意n∈[1，n]，k∈[1，m]，令表示向量
[0052]
b5，用表平均一个时刻内，中心节点采样传感器的个数， 其中：
[0053][0054][0055]
b6，如果令m＝m 1，并返回b3；如果记 录当前m的值，得到临界值η＝μm[0056]
优选的，如果还包括记录当前γ
n，k
的值以及
[0057]
所述根据所述临界值计算aoi的总和期望与时间和传感器的关系的函数； 采用递推公式计算单位时间内所述总和期望的函数收敛时的对应值，得到预 估的平均aoi具体为：
[0058]
对任意n∈[1，n]，t∈[0，t]，k∈[1，m]，令r(k，t，n)表示，从中心节点某一 次采样传感器n，收到信息对应的aoi为k开始，在经过t个时刻的时间段内， 所述aoi的总和期望；
[0059]
对r(k，t，n)采用以下递推公式：
[0060][0061]
当收敛时停止递推，此时的对应值即平均aoi。
[0062]
本技术第二方向提供传感器网络中的采样装置，应用于传感器网络，所 述传感器网络包括中心节点和n个传感器，其中n为大于1的整数；所述传 感器用于将接收到的信息发送至所述中心节点，所述采样装置设置于所述中 心节点中，包括：
[0063]
预采样单元，用于对对每个传感器接收到的信息进行预采样，得到每个 传感器获取信息的成功概率；
[0064]
获取单元，用于针对被采样的传感器，获取从信息发出到中心节点经历 的aoi；
[0065]
第一计算单元，用于计算每个传感器对应的所述aoi的概率分布情况；
[0066]
第二计算单元，用于根据所述概率分布情况，对每个传感器计算对应的 所述aoi的数学期望；
[0067]
实际采样单元，对所述数学期望最小的传感器进行采样。
[0068]
优选的，还包括：
[0069]
预估单元，用于预估每个时刻的所述aoi的平均值。
[0070]
本技术第三方面提供一种传感器网络中的采样设备，所述设备包括处理 器以及存储器：
[0071]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0072]
所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述 的传感器网络中的采样方法的步骤。
[0073]
从以上技术方案可以看出，本技术实施例具有以下优点：
[0074]
本技术实施例中，提供了一种传感器网络中的采样方法，应用于传感器 网络，传感器网络包括中心节点和n个传感器；传感器用于将接收到的信息 发送至中心节点，采样方法由中心节点执行，包括：在每个时间点对每个传 感器接收到的信息进行预采样；针对被采样的传感器，获取从信息发出到中 心节点经历的aoi；计算每个传感器对应的aoi的概率分布情况；根据概率 分布情况，对每个传感器计算对应的aoi的数学期望；在每个时刻中，对数 学期望最小的传感器进行采样。本方法在前期部署时对传感器的性能进行了 预估，预估阶段需要有一些计算，但是在实际采样过程中，不会用到复杂计 算，考虑到aoi，即信息源与ap之间的时间差，从而可以更切实地提升用户 满意度。
附图说明
[0075]
图1为本技术中的传感器网络的架构图；
[0076]
图2为本技术实施例中传感器网络中的采样方法的方法流程图；
[0077]
图3为本技术实施例所提供的传感器网络中的采样装置的结构示意图。
具体实施方式
[0078]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实 施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然， 所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本申 请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的 所有其他实施例，都属于本技术保护的范围。
[0079]
应理解，本技术应用于一种传感器网络，请参阅图1，图1为本技术中的 传感器网络的架构图，如图1所示，图1中包括由一个中心节点(中心节点) 控制的n个传感器，这些传感器都以一定概率收集同一个特定对象的信息， 传感器n对应的收集成功概率为qn。
[0080]
本技术第一方面设计了一种传感器网络中的采样方法，应用于传感器网 络，传感器网络包括中心节点和n个传感器，其中n为大于1的整数；传感 器用于将接收到的信息发送至中心节点，采样方法由中心节点执行。为了便 于理解，请参阅图2，图2为本技术实施例中传感器网络中的采样方法的方法 流程图，如图2所示，具体为：
[0081]
s1，对每个传感器接收到的信息进行预采样，得到每个传感器获取信息 的成功概率。
[0082]
需要说明的是，在最终采样之前，首先需要对每个传感器的性能进行计 算，因此首先需要对每个传感器接收到的信息进行预采样，得到每个传感器 获取信息的成功概率。
[0083]
s2，针对被采样的传感器，获取从信息发出到中心节点经历的aoi。
[0084]
需要说明的是，对传感器进行采样后，同时获取从信息发出到中心节点 经历的aoi，以便于后续针对传感器性能进行计算。
[0085]
s3，计算每个传感器对应的aoi的概率分布情况。
[0086]
需要说明的是，在获取了每个时间点的每个传感器对应的aoi之后，可 以计算出每个传感器对应的aoi的概率分布情况。
[0087]
s4，根据概率分布情况，对每个传感器计算对应的aoi的数学期望；
[0088]
s5，在每个时刻中，对数学期望最小的传感器进行采样。
[0089]
可以理解的是，在获取了概率分布情况之后，根据概率根部情况可以计 算每个传感器在每一时刻对应的aoi的数学期望，计算了数学期望之后，只 需对数学期望最小的传感器进行采样即可。
[0090]
本技术实施例所提供的一种传感器网络中的采样方法，在前期部署时对 传感器的性能进行了预估，预估阶段需要有一些计算，但是在实际采样过程 中，不会用到复杂计算，考虑到aoi，即信息源与ap之间的时间差，从而可 以更切实地提升用户满意度。
[0091]
进一步的，本技术实施例中，得到每个传感器的aoi的概率分布情况的 具体逻辑是：首先进行预处理阶段，对每个传感器进行预采样，获取每个传 感器收集信息的成功概率和aoi，计算当前的每个传感器的aoi的的概率分布 情况；之后的时间里，可以划分为连续的多个时刻，在每个时刻里，通过两 个信息(1、上个时刻每个传感器aoi的概率分布情况；2、上个时刻采样传 感器后，获得的aoi)，来更新当前时刻传感器aoi的概率分布情况，并计算 对应的aoi数学期望。
[0092]
因此，计算每个传感器对应的aoi的概率分布情况，以及根据概率分布 情况，对每个传感器计算对应的aoi的数学期望具体包括：
[0093]
在当前时刻t对传感器进行采样；
[0094]
当aoi大于预置时间m时，令aoi的值为m；
[0095]
定义m
×
m的矩阵γn：
[0096][0097]
其中，qn为第n个传感器获取信息的成功概率，pn为第n个传感器获取 信息的失败概率；
[0098]
定义ek为长度为m的单位行向量，其中只有第k个元素为1，其他为0；
[0099]
计算aoi的概率分布情况π
n,t
：
[0100]
当中心节点在前一时刻t-1时对第n个传感器进行了采样，且aoi等于k 时，π
n，t
＝ekγn；
[0101]
当中心节点在前一时刻t-1时没有对第n个传感器进行采样时， π
n，t
＝π
n，t-1
γn；
[0102]
根据概率分布情况π
n，t
，计算t时刻aoi的数学期望，计算t时刻aoi的数学期望
[0103]
接下来对概率分布情况和数学期望的计算进行具体说明：
[0104]
1)采样时间段初始时间定义为0时刻，结束时间定以为t时刻，之后每 经过一个时刻，对应的时间加1，用整数t表示当前时间，t∈[0，t]。
[0105]
2)在每个时刻的初期，ap选择一个传感器进行采样，然后向其发送指 令告知。如果传感器没有收到指令，则静默；如果传感器收到指令，则把上 个时刻(这个时刻还没有收集信息)结束时自己收到的最新信息发送出去。 在当前时刻结束时，ap收到传感器发送出去的信息，并且所有传感器收集信 息结束(可能失败)。
[0106]
3)对所有n个传感器编号，并使得对应的收集成功概率满足q1≥q2≥
…
≥qn。传感器收集信息成功率稳定，抑或是可以看作不变。
[0107]
4)对任意n∈[1，n]，令pn＝1-qn表示收集失败概率。
[0108]
5)对任意n∈[1，n]，用a
n，t
来表示传感器n在t时刻结束时，收到的最新 信息对应的aoi，用来表示ap在t时刻结束时采样到的信息对应的aoi。 注意到，为了计算简便，该系统忽略传感器与ap通信带来的时延，同时传感 器与ap相互的通信时，可看作百分百通信成功，因此ap收到信息最小的 aoi为1。例如，若在t时刻ap对第1个传感器进行采样，那么ap在t时刻 获得信息对应的aoi为(对于需要考虑传感器与ap通信时延的系 统，我们只需要把目前得到的aoi统一加1就可以转换过来。)
[0109]
6)用m来表示信息有效时间：如果ap收到的信息对应的aoi大于或等 于m时，可以把这个信息当作无效信息。因此，不失一般性，如果ap收到 的信息对应的aoi大于或等于m，
那么可以把aoi直接看作m。因此ap收 到信息的aoi取值范围为1～m。
[0110]
7)令ek为长度为m的单位行向量，其中只有第k个元素为1，其他为0。 令γ为m
×
m的矩阵：
[0111][0112]
对任意n∈[1，n]，将γ中的q和p分别替换为qn和pn，获得的新矩阵用γn来 表示：
[0113][0114]
8)对任意n∈[1，n]，用m长行向量π
n，t
来表示在t时刻开始时，ap观察 传感器n对应的最小aoi的概率分布情况。具体而言，π
n，t
中，第m个位置的 元π
n，t
[m]表示a
n，t-1
＝m的概率。容易得到，
[0115][0116]
例如，如果ap在t时刻采样了传感器n，且(即传感器n在 t-3时刻成功收集到信息，而在t-2和t-1时刻都收集信息失败)，那么 π
n，t
＝e3γn＝[qn，0，0，pn，0，0，...，0]。
[0117]
9)根据π
n，t
可以计算，如果在t时刻ap采样传感器n，那么ap获得aoi 的数学期望例如，π
n，t
＝[qn，0，0，pn，0，0，...，0]时， [0118]
进一步的，步骤s5之后，还包括：
[0119]
预估每个时刻的aoi的平均值。
[0120]
可以理解的是，预估采用这种方案后的aoi值，能够便于系统进行调整。
[0121]
每个时刻t中，ap采样最小的传感器，此类采样策略通常称作 贪婪策略，具体算法如下：
[0122]
1)t＝0时，所有传感器开始收集信息时，由于之前传感器还没有收集到 任何信息，因此令a
1，0
＝a
2，0
＝
…
＝a
n，0
＝m，即π
1，0
＝π
2，0
＝
…
＝π
n，0
＝ [0，0，...，0，1]。在0时刻
结束时，传感器收集完信息。这一时刻内，ap不向传 感器提出传信息的要求。
[0123]
2)到下一时刻开始时，令t＝t 1，所有传感器开始收集信息，ap对每个 传感器n，计算并在其中选择最小的采样对应的传感器， 获得信息实际对应的aoi为(例如，当在第1时刻时，当n＝1时最小，因此在第1时刻采样传感器1)。
[0124]
3)循环步骤2)，直到t＝t时停止。
[0125]
4)平均aoi为
[0126]
需要说明的是，每一个传感器对应一个aoi的数学期望，实际应用中， 直接选取最小的对应的传感器，但是计算最终平均aoi是一个很难 的问题，因此本技术提供了一种新的平均aoi的计算方法：
[0127]
优选的，预估每个时刻的aoi的平均值的方法为：
[0128]
构造一个新的虚拟采样策略，该采样策略与实际采样策略类似。因此可以先计算新的虚拟采样策略对应的aoi，以这个aoi作为实际采样策略对应aoi的预估值。该虚拟采样策略与实际采样策略唯一区别是，在s5中，不是采样数学期望最小的传感器，而是给定一个临界值，对s4中所得aoi数学期望小于临界值的传感器进行采样，该临界值的要使得平均每个时刻中采样的传感器的个数范围不小于1，且尽可能的接近1；
[0129]
根据所述临界值计算虚拟采样策略对应aoi的总和期望与时间和传感器 采样成功概率的关系的函数
[0130]
采用递推公式计算单位时间内总和期望的函数收敛时的对应值，得到预 估的平均aoi。
[0131]
该虚拟采样策略称作放松条件的贪婪策略，与之前的贪婪策略略有不同， 具体区别为，贪婪策略是每次只选一个aoi期望最小的传感器，而放松条件 的贪婪策略是每次采样的传感器对应的aoi比其他传感器对应的aoi小，但 是被采样的传感器的数目不限于1(也可以是0)，但平均每个时刻采样的次 数约为1。通过理论推理以及实验验证，已经可以证明该策略与之前的贪婪策 略所获得的平均aoi非常接近。该虚拟采样策略大致思路为：先定义η为临界 值。在t时刻，对于每一个传感器n，当π
n,t
不大于η时ap就采样这个传感器 (如果有多个传感器对应的π
n,t
均不大于η，那么ap就把这些传感器都进行 采样。反之，如果没有传感器对应的π
n,t
不大于η，那么这个时刻内ap不对 传感器进行采样)。通过寻找适当的η，使得ap平均每次的采样个数为1。
[0132]
本技术提出了两种临界值的计算方法，其中第一种包括：
[0133]
a1，对任意n∈[1，n]，令
[0134]
a2，初始化m＝1；
[0135]
a3，令临界值η＝μm，对任意k∈[1，m]，n∈[1，n]，计算γ
n，k
，计算方法 如下：
[0136]
当η≥emγn时，γ
n，k
＝1；
[0137]
当μn≤η＜emγn时：若则γ
n，k
＝1；若或
[0153]
如果
[0154]
iii.如果η＜μn，那么：
[0155][0156]
4)对任意n∈[1，n]，k∈[1，m]，令表示向量
[0157]
5)对任意n∈[1，n]，t∈[0，t]，k∈[1，m]，令d(k，t，n)表示，从ap某一次 采样传感器n，收到信息对应的aoi为k开始，在经过t个时刻的时间段内， ap采样传感器n的次数。
[0158]
6)初始化：对任意n∈[1，n]，k∈[1，m]，t∈[0，γ
n，k-1]令d(k，t，n)＝0。
[0159]
7)用递推关系可以对任意n∈[1，n]，t∈[0，t]，k∈[1，m]得到d(k，t，n)。 会快速收敛，当收敛时停止递推。此时对任意n∈[1，n]，递推公式如下面所示：
[0160][0161]
8)用表示收敛时的对应值，即平均一个时刻内，ap采样传感 器的个数。
[0162]
9)如果令m＝m 1，重复步骤2-8。如果记录当前m的值，得到临界值η＝μm。
[0163]
本技术实施例所提供的第二种临界值计算方法为：
[0164]
b1，对任意n∈[1，n]，令
[0165]
b2，初始化m＝1；
[0166]
b3，令临界值η＝μm，对任意k∈[1，m]，n∈[1，n]，计算γ
n，k
，计算方法 如下：
[0167]
当η≥emγn时，γ
n，k
＝1；
[0168]
当μn≤η＜emγn时：若则γ
n，k
＝1；若或时， 其中，w0(*)为朗博w函数， 若
时，时，
[0169]
当η＜μn时，
[0170]
b4，对任意n∈[1，n]，k∈[1，m]，令表示向量
[0171]
b5，用表平均一个时刻内，中心节点采样传感器的个数， 其中：
[0172][0173][0174]
b6，如果令m＝m 1，并返回b3；如果记 录当前m的值，得到临界值η＝μm。
[0175]
进一步的，当每个时刻t中，对所述概率分布情况小于临界值的传感器进 行采样时，如果还包括记录当前γ
n，k
的值以及
[0176]
所述根据所述临界值计算aoi的总和期望与时间和传感器的关系的函数； 采用递推公式计算单位时间内所述总和期望的函数收敛时的对应值，得到预 估的平均aoi具体为：
[0177]
对任意n∈[1，n]，t∈[0，t]，k∈[1，m]，令r(k，t，n)表示，从中心节点某一 次采样传感器n，收到信息对应的aoi为k开始，在经过t个时刻的时间段内， 所述aoi的总和期望；
[0178]
对r(k，t，n)采用以下递推公式：
[0179][0180]
当收敛时停止递推，此时的对应值即平均aoi。
[0181]
具体说明如下：
[0182]
如果记录当前所有γ
n，k
的值以及
[0183]
对任意n∈[1，n]，t∈[0，t]，k∈[1，m]，令r(k，t，n)表示，从ap某一次采 样传感器n，收到信息对应的aoi为k开始，在经过t个时刻的时间段内，ap 从传感器n获得aoi的总和期望。
[0184]
初始化：对任意n∈[1，n]，k∈[1，m]，t∈[0，γ
n，k-1]令r(k，t，n)＝0。
[0185]
用递推关系可以对任意n∈[1，n]，t∈[0，t]，k∈[1，m]得到r(k，t，n)。当 收敛时停止递推。此时对任意n∈[1，n]， 递推公式如下面所示：
[0186][0187]
用表示收敛时的对应值，即平均aoi。
[0188]
由于平均每次采样个数可能不为1，因此为最终平均aoi 预估。
[0189]
本技术第二方面提供了一种传感器网络中的采样装置。请参阅图3，图3 为本技术实施例所提供的传感器网络中的采样装置的结构示意图。
[0190]
本技术实施例所提供的传感器网络中的采样装置应用于传感器网络，传 感器网络包括中心节点和n个传感器，其中n为大于1的整数；传感器用于 将接收到的信息发送至中心节点，采样装置设置于中心节点中，包括：
[0191]
预采样单元301，用于对对每个传感器接收到的信息进行预采样，得到每 个传感器获取信息的成功概率；
[0192]
获取单元302，用于针对被采样的传感器，获取从信息发出到中心节点经 历的aoi；
[0193]
第一计算单元303，用于计算每个传感器对应的aoi的概率分布情况；
[0194]
第二计算单元304，用于根据概率分布情况，对每个传感器计算对应的 aoi的数学期望；
[0195]
实际采样单元305，用于在每个时刻中，对所述数学期望最小的传感器进 行采样。
[0196]
进一步的，还包括：
[0197]
预估单元306，用于预估每个时刻的所述aoi的平均值。
[0198]
本技术第三方面提供了一种传感器网络中的采样设备，所述设备包括处 理器以及存储器：
[0199]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0200]
所述处理器用于根据所述程序代码中的指令执行上述第一方面所述的传 感器网络中的采样方法。
[0201]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描 述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应 过程，在此不再赘述。
[0202]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四
”ꢀ
等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后 次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本 申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此 外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含， 例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于 清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过 程、方法、产品或设备固有的其它步骤或单元。
[0203]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个
”ꢀ
是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存 在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存 在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后 关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些 项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b 或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”， 或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0204]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和 方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示 意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可 以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个 系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间 的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合 或通信连接，可以是电性，机械或其它的形式。
[0205]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作 为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方， 或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部单元来实现本实施例方案的目的。
[0206]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单 元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单 元的形式实现。
[0207]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售 或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本 申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的 全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个 存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机， 服务器，或者网络设备等)执行本技术各个实施例所述方法的
全部或部分步 骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称： read-only memory，英文缩写：rom)、随机存取存储器(英文全称： random access memory，英文缩写：ram)、磁碟或者光盘等各种可以存储 程序代码的介质。
[0208]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制； 尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应 当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其 中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案 的本质脱离本技术各实施例技术方案的精神和范围。