Adam-Bashforth-Moulton法提升分布式传感器网络数据预测精度

本文主要探讨了在分布式传感器网络中利用亚当斯-巴什福思-莫尔顿(Adam-Bashforth-Moulton, ABM)方法进行数据预测的重要性。随着远程监控任务的需求增加，如温控、空气质量监测和战时侦查，无线传感器网络因其便携性和灵活性成为首选解决方案。传感器节点的信息预测能力是提高整体网络效率的关键因素。 传统的信息预测方案在处理小预测阈值时可能存在准确性下降的问题。为了克服这一局限性，研究者们提出了一种新型的ABM算法，旨在提高预测精度。该算法与米尔恩-辛普森(Milne-Simpson, MS)方法进行了比较，后者也是在类似情境下常用的预测技术。 研究团队在Khulna University of Engineering and Technology的电子通信工程系进行实验，使用英特尔伯克利研究实验室的数据集对提出的ABM算法进行了仿真。实验结果表明，相比于MS方法，当预测阈值设定为0.01时，ABM算法在节约无线传感器网络功耗方面表现出色，达到了60.28%的预测精度，而MS算法则相应为59.2238%。这证明了ABM方法在保持较高精度的同时，具有更好的节能效果，这对于延长传感器节点的使用寿命和优化网络资源分配具有实际意义。 此外，文章发表在《传感器技术期刊》(Journal of Sensor Technology)上，2018年第四期，强调了这项工作对于提升分布式传感器网络性能的贡献。通过采用ABM方法，研究者们为解决小阈值下的预测问题提供了一个有效的解决方案，这不仅有助于提高任务执行的效率，也有助于推动无线传感器网络技术的发展和实际应用。