孔玉靜,侯 鑫,華爾天,魏星鋒
(浙江工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院,杭州310018)
無 線 傳 感 器 網(wǎng) 絡(luò)[1]WSN(Wireless Sensor Networks)是新型的信息監(jiān)測系統(tǒng),主要由大量的傳感器節(jié)點(diǎn)協(xié)作完成數(shù)據(jù)的采集、傳輸及處理;傳感器節(jié)點(diǎn)的能量主要靠本身攜帶的電池供應(yīng)且容量有限,由于傳感器節(jié)點(diǎn)常部署在環(huán)境比較惡劣的地方,很難更換電池,導(dǎo)致節(jié)點(diǎn)能量有限且不能補(bǔ)充。
對于能量有限的無線傳感器網(wǎng)絡(luò),減少能量的消耗是延長網(wǎng)絡(luò)壽命的重要措施。無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的能量主要消耗在無線通信模塊上,文獻(xiàn)[2]表明傳輸1byte數(shù)據(jù)信息需要消耗的能量可以用來執(zhí)行數(shù)千條計(jì)算指令,而且所消耗的時(shí)間也少很多。因此,本文在路由協(xié)議分簇結(jié)構(gòu)中引入神經(jīng)網(wǎng)絡(luò)模型對傳感器節(jié)點(diǎn)采集的數(shù)據(jù)進(jìn)行融合處理,把融合得到的少量的特征數(shù)據(jù)傳送給匯聚節(jié)點(diǎn),減少節(jié)點(diǎn)的數(shù)據(jù)通信量,節(jié)省網(wǎng)絡(luò)的能量消耗,延長無線傳感器網(wǎng)絡(luò)的生命周期。
無線傳感器網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)[3]NN(Neural Networks)在有些地方很類似,比如無線傳感器網(wǎng)絡(luò)中的傳感器節(jié)點(diǎn)具有感知數(shù)據(jù)處理信息的能力,好比神經(jīng)網(wǎng)絡(luò)中神經(jīng)元一樣;無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)之間通過一定的規(guī)則傳遞信息,則相當(dāng)于連接神經(jīng)元的突觸。神經(jīng)網(wǎng)絡(luò)算法與無線傳感器網(wǎng)絡(luò)中應(yīng)用的數(shù)據(jù)融合技術(shù)有相同的功能,即通過一定的規(guī)則對大量的數(shù)據(jù)進(jìn)行運(yùn)算處理,從而得到反映這些數(shù)據(jù)特征的結(jié)果。因此,可以把神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到無線傳感器網(wǎng)絡(luò)中實(shí)現(xiàn)數(shù)據(jù)的融合。
在近幾年研究人員開展了很多把神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到無線傳感器網(wǎng)絡(luò)的研究,文獻(xiàn)[4]中提出在無線傳感器網(wǎng)絡(luò)中應(yīng)用一種神經(jīng)網(wǎng)絡(luò)模型來尋找最低的弱連通支配集,從而構(gòu)建新的直接融合算法,可以選擇一個合適的傳輸半徑,使網(wǎng)絡(luò)穩(wěn)定并延長網(wǎng)絡(luò)的生命周期。文獻(xiàn)[5]中用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)建立馬爾可夫模型計(jì)算了無線傳感器網(wǎng)絡(luò)的生命周期,該算法準(zhǔn)確地給出了最大生命周期的價(jià)值且降低了計(jì)算復(fù)雜度。文獻(xiàn)[6]提出了在無線傳感器網(wǎng)絡(luò)的分簇結(jié)構(gòu)中利用基于主元分析(PCA)的神經(jīng)網(wǎng)絡(luò)融合算法對采集的數(shù)據(jù)進(jìn)行處理,減少了數(shù)據(jù)的傳輸量并實(shí)現(xiàn)了不同參數(shù)類型的分類。文獻(xiàn)[7]提出利用神經(jīng)網(wǎng)絡(luò)的自組織特征映射,在無線傳感器網(wǎng)絡(luò)路由協(xié)議中利用神經(jīng)網(wǎng)絡(luò)修改拓?fù)浣Y(jié)構(gòu),提高網(wǎng)絡(luò)能源的利用效率。文獻(xiàn)[8]將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到無線傳感器網(wǎng)絡(luò)的能源管理方法中,通過神經(jīng)網(wǎng)絡(luò)對傳感器數(shù)據(jù)進(jìn)行處理,降低傳輸數(shù)據(jù)的維數(shù),從而降低通信成本及保護(hù)能源。文獻(xiàn)[9]針對傳感器的非線性輸出受環(huán)境參數(shù)影響,為獲得準(zhǔn)確信息彌補(bǔ)不良環(huán)境影響,在無線傳感器網(wǎng)絡(luò)中引入計(jì)算有效的拉蓋爾神經(jīng)網(wǎng)絡(luò),從而彌補(bǔ)傳感器的非線性和環(huán)境影響,降低能源消耗。文獻(xiàn)[10]提出將神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)應(yīng)用到無線傳感器網(wǎng)絡(luò)的分簇結(jié)構(gòu)中,構(gòu)造一個基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型。該模型能夠降低網(wǎng)絡(luò)的傳輸能耗,延長網(wǎng)絡(luò)生命周期,但是該模型沒有考慮節(jié)點(diǎn)數(shù)量改變和簇首分布的情況。
本文把數(shù)據(jù)融合技術(shù)應(yīng)用到無線傳感器網(wǎng)絡(luò)的路由層中,在分層路由協(xié)議的基礎(chǔ)上引入BP神經(jīng)網(wǎng)絡(luò),提出一種新的數(shù)據(jù)融合算法BPDFA(Back-Propagation Data Fusion Algorithm)。
在現(xiàn)實(shí)的無線傳感器網(wǎng)絡(luò)應(yīng)用中有很多不同應(yīng)用類型的無線傳感器網(wǎng)絡(luò),為方便討論,有必要對本文中所研究的網(wǎng)絡(luò)模型做一個條件假設(shè),假設(shè)本文的無線傳感器網(wǎng)絡(luò)模型由N個傳感器節(jié)點(diǎn)和唯一的匯聚節(jié)點(diǎn)(即基站)組成,并且該WSN具有以下性質(zhì):
(1)N個傳感器節(jié)點(diǎn)隨機(jī)分布在監(jiān)測區(qū)域內(nèi),傳感器節(jié)點(diǎn)部署好后就不再移動位置,并且所有節(jié)點(diǎn)都被事先編排了唯一的ID號,網(wǎng)絡(luò)中每個節(jié)點(diǎn)都能夠確認(rèn)自己的位置坐標(biāo)信息。
(2)每個傳感器節(jié)點(diǎn)具有相同的類型,相同的初始能量和相同的數(shù)據(jù)處理能力,且節(jié)點(diǎn)能量有限不能補(bǔ)充,每個成為簇頭的節(jié)點(diǎn)都消耗大致相同的能量。
(3)匯聚節(jié)點(diǎn)的位置是固定的且部署在監(jiān)測區(qū)域外距離無線傳感器網(wǎng)絡(luò)較遠(yuǎn)的地方。
(4)匯聚節(jié)點(diǎn)的能量是無限供給的,能夠以足夠大的功率向所有節(jié)點(diǎn)直接發(fā)送信息,且適合進(jìn)行復(fù)雜的運(yùn)算,并不用擔(dān)心匯聚節(jié)點(diǎn)的能量消耗問題。
(5)無線傳感器網(wǎng)絡(luò)中每個節(jié)點(diǎn)具有相同的結(jié)構(gòu),如表1所示。
表1 網(wǎng)絡(luò)節(jié)點(diǎn)結(jié)構(gòu)
已有的LEACH分簇路由協(xié)議[11]相比平面路由協(xié)議能夠提高網(wǎng)絡(luò)性能,但是LEACH分簇路由協(xié)議的簇首選取是隨機(jī)的,造成簇首在空間上分布不均勻,簇內(nèi)節(jié)點(diǎn)數(shù)目差異太大,簇首負(fù)載不均衡,而且在簇首選取時(shí)沒有考慮簇首節(jié)點(diǎn)的剩余能量,導(dǎo)致個別簇首過早死亡。此外,LEACH路由協(xié)議每輪循環(huán)都要重新構(gòu)造簇結(jié)構(gòu),增加網(wǎng)絡(luò)能量的消耗。針對以上這些問題,本文對LEACH分簇路由協(xié)議進(jìn)行了改進(jìn)。
本文BPDFA算法根據(jù)無線傳感器網(wǎng)絡(luò)的情況估算出最優(yōu)簇首的數(shù)目K,結(jié)合統(tǒng)計(jì)的各個節(jié)點(diǎn)的鄰節(jié)點(diǎn)數(shù)目對整個網(wǎng)絡(luò)進(jìn)行分簇,根據(jù)一定的規(guī)則把網(wǎng)絡(luò)分成了K個區(qū)域,在各個區(qū)域內(nèi)根據(jù)節(jié)點(diǎn)的剩余能量信息和節(jié)點(diǎn)曾當(dāng)選過簇首的次數(shù)選取簇首,區(qū)域內(nèi)其余節(jié)點(diǎn)為簇內(nèi)節(jié)點(diǎn)從而構(gòu)造簇結(jié)構(gòu)。該算法無需每輪都進(jìn)行分簇結(jié)構(gòu)的構(gòu)造,只要在網(wǎng)絡(luò)初始布置的時(shí)候,運(yùn)行一次分簇算法,得到穩(wěn)定的分簇結(jié)構(gòu),在該結(jié)構(gòu)內(nèi)根據(jù)節(jié)點(diǎn)的剩余能量和節(jié)點(diǎn)曾當(dāng)選過簇首的次數(shù)循環(huán)選取簇首。只有當(dāng)網(wǎng)絡(luò)中有新的節(jié)點(diǎn)加入或者失效的節(jié)點(diǎn)退出(或者簇首節(jié)點(diǎn)的剩余能量不足以完成一輪數(shù)據(jù)處理)時(shí),才會重新運(yùn)行改進(jìn)算法。為了減少傳感器節(jié)點(diǎn)的負(fù)擔(dān),本文把算法的運(yùn)行放在匯聚節(jié)點(diǎn)中解決。
圖1為分簇和簇首選取的過程。根據(jù)文獻(xiàn)[12]中最優(yōu)簇首數(shù)公式
其中N為傳感器節(jié)點(diǎn)個數(shù);K為簇的個數(shù);dtoBS是簇首節(jié)點(diǎn)到基站(BS)的距離;εfs是簇成員與簇首通信時(shí)用的無線信號傳播參數(shù);εmp是簇首與基站通信時(shí)用的無線信號傳播參數(shù);S是整個無線傳感器網(wǎng)絡(luò)區(qū)域的面積。結(jié)合無線傳感器網(wǎng)絡(luò)的情況,可以估算出最優(yōu)簇首數(shù)目K。對網(wǎng)絡(luò)中各節(jié)點(diǎn)的鄰節(jié)點(diǎn)數(shù)目Mj進(jìn)行統(tǒng)計(jì),設(shè)置網(wǎng)路分簇結(jié)構(gòu)中節(jié)點(diǎn)數(shù)最高值為M,當(dāng)Mj>M時(shí)放棄該組節(jié)點(diǎn)成簇;當(dāng)Mj≤M時(shí),根據(jù)各節(jié)點(diǎn)的鄰節(jié)點(diǎn)數(shù)目的大小進(jìn)行排序x1,x2,…,xi,…,xK,如果序列中有互鄰節(jié)點(diǎn),則舍棄鄰節(jié)點(diǎn)個數(shù)少的節(jié)點(diǎn),序列中后面的節(jié)點(diǎn)向前依次增補(bǔ)。最終,整個無線傳感器網(wǎng)絡(luò)被分為了K個區(qū)域。
圖1 分簇及簇首選取流程圖
假設(shè)Kj為任意的一個子區(qū)域,其中的節(jié)點(diǎn)集合為W,W={Qj|Qj是Kj中任意一個節(jié)點(diǎn),且Qj的能量值為Ej},簇首節(jié)點(diǎn)在一輪中所需的能量值為ECH,當(dāng)Ej<ECH時(shí),該節(jié)點(diǎn)不參與簇首競選進(jìn)入睡眠狀態(tài),直到所有區(qū)域都競選出簇首節(jié)點(diǎn);當(dāng)Ej≥ECH時(shí),節(jié)點(diǎn)成為候選簇首集合S中的成員,參與簇首競選。任選S中一個節(jié)點(diǎn)Qi,其能量為EQi,計(jì)算max(EQi),選取候選簇首集合S中剩余能量值最高的節(jié)點(diǎn)作為該區(qū)域的簇首節(jié)點(diǎn)。當(dāng)所有區(qū)域中簇首競選過程結(jié)束后,其他沒有參與競選的節(jié)點(diǎn)從睡眠狀態(tài)喚醒,成為簇首的節(jié)點(diǎn)向所在區(qū)域的其他節(jié)點(diǎn)發(fā)送自己是簇頭的信息,區(qū)域內(nèi)其他節(jié)點(diǎn)選擇加入該簇首。此時(shí),網(wǎng)絡(luò)的分簇結(jié)構(gòu)就完全形成了。
本文BPDFA算法是基于改進(jìn)的無線傳感器網(wǎng)絡(luò)的分簇路由協(xié)議,在整個無線網(wǎng)絡(luò)中根據(jù)一定的規(guī)則選取最優(yōu)的簇首,形成穩(wěn)定的分簇結(jié)構(gòu),在每個分簇結(jié)構(gòu)中,簇內(nèi)傳感器節(jié)點(diǎn)采集到大量的原始數(shù)據(jù)經(jīng)過預(yù)處理以后首先傳送給簇首節(jié)點(diǎn),在簇首節(jié)點(diǎn)內(nèi)部進(jìn)行數(shù)據(jù)處理后再發(fā)送給匯聚節(jié)點(diǎn)。BPDFA算法就是在簇內(nèi)傳感器節(jié)點(diǎn)與簇首節(jié)點(diǎn)間利用BP神經(jīng)網(wǎng)絡(luò)算法來處理數(shù)據(jù)的。
本文采用單隱層的BP神經(jīng)網(wǎng)絡(luò)模型對無線傳感器網(wǎng)絡(luò)采集的數(shù)據(jù)進(jìn)行數(shù)據(jù)融合。相關(guān)研究已經(jīng)證明,只要隱層節(jié)點(diǎn)數(shù)足夠多,三層BP神經(jīng)網(wǎng)絡(luò)就具有模擬任意復(fù)雜的非線性映射的能力[13]。改進(jìn)算法將三層BP神經(jīng)網(wǎng)絡(luò)應(yīng)用各個簇中,在每個簇的神經(jīng)網(wǎng)絡(luò)模型中,簇內(nèi)節(jié)點(diǎn)采集數(shù)據(jù)后,利用輸入神經(jīng)元函數(shù)對采集到的數(shù)據(jù)進(jìn)行預(yù)處理,并將處理好的數(shù)據(jù)傳送到簇首節(jié)點(diǎn)。簇首節(jié)點(diǎn)將收到的數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)模型的隱層神經(jīng)元函數(shù)和輸出神經(jīng)元函數(shù)的共同處理后,得到一組反映網(wǎng)絡(luò)數(shù)據(jù)特性的特征值,最后把通過神經(jīng)網(wǎng)絡(luò)融合好的特征信息傳送給匯聚節(jié)點(diǎn)。數(shù)據(jù)融合后的特征值量遠(yuǎn)遠(yuǎn)少于采集到的數(shù)據(jù)量,從而減少數(shù)據(jù)的傳輸量,降低了能量的消耗,延長無線傳感器網(wǎng)絡(luò)的壽命。改進(jìn)算法的模型示意圖如圖2所示。
圖2 改進(jìn)算法的模型示意圖
假設(shè)無線傳感器網(wǎng)絡(luò)中每個簇的簇成員節(jié)點(diǎn)采集n種不同類型的數(shù)據(jù),那么該神經(jīng)網(wǎng)絡(luò)模型的輸入層神經(jīng)元有n個。輸出神經(jīng)元的個數(shù)l可以根據(jù)實(shí)際應(yīng)用的需要進(jìn)行不同的調(diào)整,與簇內(nèi)節(jié)點(diǎn)的數(shù)量和采集的數(shù)據(jù)類型沒有必然的聯(lián)系,一般由所需的輸出信息來決定。隱層神經(jīng)元的數(shù)量m取決于訓(xùn)練樣本的多少及樣本中蘊(yùn)含規(guī)律的復(fù)雜度,也與神經(jīng)網(wǎng)絡(luò)的輸入輸出神經(jīng)元的個數(shù)有關(guān)。確定最佳隱層節(jié)點(diǎn)數(shù)的一個常用方法稱為試湊法,可先設(shè)置較少的隱節(jié)點(diǎn)數(shù)訓(xùn)練網(wǎng)絡(luò),然后逐漸增加隱節(jié)點(diǎn)數(shù),用同一樣本集進(jìn)行訓(xùn)練,從中確定網(wǎng)絡(luò)誤差最小時(shí)對應(yīng)的隱節(jié)點(diǎn)數(shù)。在用試湊法時(shí),可以用一些確定隱節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式[14]。如或者,其中α為1~10之間的常數(shù)。這些公式計(jì)算出來的隱節(jié)點(diǎn)數(shù)只是一種粗略的估計(jì)值,可作為試湊法的初始值。
在本文BPDFA算法中,神經(jīng)網(wǎng)絡(luò)模型的建立需要首先知道一些運(yùn)行參數(shù)的值(如神經(jīng)元之間的權(quán)值),因此,當(dāng)無線傳感器網(wǎng)絡(luò)的分簇結(jié)構(gòu)穩(wěn)定以后,在網(wǎng)絡(luò)進(jìn)人穩(wěn)定的自治工作狀態(tài)之前,需要訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),從而得到神經(jīng)網(wǎng)絡(luò)相應(yīng)的參數(shù)值。由于無線傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)能量有限且不能供給,為了盡可能減少傳感器節(jié)點(diǎn)的能耗,延長無線網(wǎng)絡(luò)的壽命,本算法將在無線傳感器網(wǎng)絡(luò)的匯聚節(jié)點(diǎn)內(nèi)部完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程如圖3所示。
圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程
BPDFA算法的流程圖如圖4所示。無線傳感器網(wǎng)絡(luò)組網(wǎng)時(shí)先要確定網(wǎng)絡(luò)中節(jié)點(diǎn)的狀態(tài)及節(jié)點(diǎn)位置,進(jìn)行網(wǎng)絡(luò)的初始化,當(dāng)網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài)都確定好后,無線傳感器網(wǎng)絡(luò)開始進(jìn)行最優(yōu)簇首的選擇并建立分簇結(jié)構(gòu),此時(shí)簇首獲得所有簇內(nèi)節(jié)點(diǎn)的信息,分簇結(jié)構(gòu)穩(wěn)定后,簇首節(jié)點(diǎn)把所有簇內(nèi)節(jié)點(diǎn)的相關(guān)信息發(fā)送給匯聚節(jié)點(diǎn)。匯聚節(jié)點(diǎn)依據(jù)獲得網(wǎng)絡(luò)信息構(gòu)造BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并搜集樣本數(shù)據(jù)庫中與簇內(nèi)節(jié)點(diǎn)信息相匹配的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò),從而得到相關(guān)的神經(jīng)網(wǎng)絡(luò)參數(shù)。匯聚節(jié)點(diǎn)將神經(jīng)網(wǎng)絡(luò)各層的參數(shù)(權(quán)值、閾值)發(fā)送給對應(yīng)的簇節(jié)點(diǎn)。無線傳感器網(wǎng)絡(luò)各個分簇就可以利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)的融合處理,把處理好的數(shù)據(jù)以最短路徑傳送給匯聚節(jié)點(diǎn)。從而減少網(wǎng)絡(luò)中數(shù)據(jù)的傳輸量,降低網(wǎng)絡(luò)節(jié)點(diǎn)的能耗,延長網(wǎng)絡(luò)的生命周期。
圖4 改進(jìn)算法的流程圖
本文仿真實(shí)驗(yàn)通過網(wǎng)絡(luò)仿真工具NS2仿真軟件[15]對BPDFA算法進(jìn)行仿真測試,為了更好地展現(xiàn)改進(jìn)算法的有效性,對BPDFA算法和LEACH協(xié)議算法進(jìn)行了對比仿真,主要分析對比兩種算法對網(wǎng)絡(luò)節(jié)點(diǎn)平均能耗和網(wǎng)絡(luò)存活節(jié)點(diǎn)數(shù)目(網(wǎng)絡(luò)生存周期)這兩個指標(biāo)的影響。
仿真環(huán)境設(shè)置:在100 m×100 m的范圍內(nèi)隨機(jī)分布100個相同的節(jié)點(diǎn),并把匯聚節(jié)點(diǎn)設(shè)置在離感知區(qū)域較遠(yuǎn)的位置,節(jié)點(diǎn)的初始能量為2J,數(shù)據(jù)包的長度為500 byte,無線信道的帶寬為1 Mbit/s,無線信號載頻為2.4 GHz,收發(fā)數(shù)據(jù)所耗的能量為50 nJ/bit,神經(jīng)網(wǎng)絡(luò)的權(quán)值初始值設(shè)置為1,閾值設(shè)為0.2,訓(xùn)練次數(shù)設(shè)為 1 000。
圖5 網(wǎng)絡(luò)節(jié)點(diǎn)平均能耗對比圖
圖5給出的是LEACH算法和BPDFA算法在網(wǎng)絡(luò)節(jié)點(diǎn)平均能耗參數(shù)方面的比較,對于無線傳感器網(wǎng)絡(luò)來說,節(jié)點(diǎn)的能量比較有限,能耗問題成為網(wǎng)絡(luò)生命周期的重要指標(biāo)。節(jié)點(diǎn)的能量消耗越少,網(wǎng)絡(luò)生命周期就越長。從圖中可以看出,BPDFA算法的節(jié)點(diǎn)能量消耗低于LEACH算法,這主要是因?yàn)楦倪M(jìn)后的BPDFA算法根據(jù)網(wǎng)路的分布情況對網(wǎng)絡(luò)進(jìn)行分區(qū),使簇首分布較LEACH算法均勻,在簇首的選擇時(shí),考慮了節(jié)點(diǎn)的剩余能量值,使網(wǎng)絡(luò)內(nèi)的節(jié)點(diǎn)平擔(dān)能量的消耗,保證了整個網(wǎng)絡(luò)的能量消耗更均衡。
圖6顯示了LEACH算法和BPDFA算法在網(wǎng)絡(luò)存活節(jié)點(diǎn)數(shù)的對比情況。從圖中可以看到,LEACH算法在350 s的時(shí)候開始出現(xiàn)節(jié)點(diǎn)死亡,且隨著時(shí)間的推移節(jié)點(diǎn)死亡的速度逐漸加快,到460 s已經(jīng)沒有節(jié)點(diǎn)存活了,而BPDFA算法在450 s才開始有節(jié)點(diǎn)死亡,且死亡速度也沒有LEACH算法快。由此可見,本文提出的BPDFA算法較LEACH算法能更好地提高網(wǎng)絡(luò)的性能,延長網(wǎng)絡(luò)的生存周期。主要是因?yàn)樵诟倪M(jìn)后的分簇結(jié)構(gòu)中應(yīng)用了神經(jīng)網(wǎng)絡(luò)算法對簇內(nèi)節(jié)點(diǎn)采集的數(shù)據(jù)進(jìn)行了融合處理,減少了簇節(jié)點(diǎn)向基站傳送的數(shù)據(jù)量,降低了通信時(shí)的能量消耗,而且算法的運(yùn)行選擇在匯聚節(jié)點(diǎn)中進(jìn)行,減少了傳感器節(jié)點(diǎn)的運(yùn)行能耗,延長了節(jié)點(diǎn)壽命,從而提高了整個無線傳感器網(wǎng)絡(luò)的性能,延長了網(wǎng)絡(luò)壽命。
圖6 網(wǎng)絡(luò)存活節(jié)點(diǎn)數(shù)的對比圖
圖7是當(dāng)網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)不同時(shí)BPDFA算法與LEACH算法節(jié)點(diǎn)平均能耗的變化情況。從圖中可以看出使用BPDFA算法的網(wǎng)絡(luò)節(jié)點(diǎn)平均能耗明顯要比LEACH算法低,隨著網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)的減少,網(wǎng)絡(luò)的節(jié)點(diǎn)平均能耗逐漸增加,BPDFA算法的增加幅度要低于LEACH算法。
圖7 網(wǎng)絡(luò)節(jié)點(diǎn)個數(shù)-節(jié)點(diǎn)平均能耗
對于無線傳感器網(wǎng)絡(luò),能量有限是其重要的影響指標(biāo),如何降低能耗,延長網(wǎng)絡(luò)生命周期成為一個研究熱點(diǎn)。本文在LEACH算法的基礎(chǔ)上對分簇結(jié)構(gòu)進(jìn)行了改進(jìn),并把神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于改進(jìn)的分簇結(jié)構(gòu)中,提出了協(xié)議改進(jìn)BPDFA算法,對網(wǎng)絡(luò)采集的數(shù)據(jù)進(jìn)行融合處理,從而減少網(wǎng)絡(luò)中數(shù)據(jù)的傳輸量,降低整個網(wǎng)絡(luò)的能量消耗,達(dá)到延長網(wǎng)絡(luò)壽命的目的。
[1]孫利民,李建中,陳渝,等.無線傳感器網(wǎng)絡(luò)[M].北京:清華大學(xué)出版杜,2005:5.
[2]Min R,Bhardwaj M,Seong-hwan Cho,et al.Energy-Centric Enabling Technologies for Wireless Sensor Networks[J].IEEE Wireless Communications,2002,9(4):28-39.
[3]孫凌逸,黃先祥,蔡偉,等.基于神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J].傳感器技術(shù)學(xué)報(bào),2011,24(1):122-127.
[4]He Hongmei,Zhu Zhenhuan,M?kinen Erkki.A Neural Network Model to Minimize the Connected Dominating Set for Self-Configuration of Wireless Sensor Networks[J].IEEE Transactions on Neural Networks,2009,20(6):973-982.
[5]Yang Wenjun,Wang Bingwen,Liu Zhuo.Back Propagation Neural Network Based Lifetime Analysis of Wireless Sensor Network[J].Advances in Neural Networks-ISNN 2009,PT3,Proceedings,2009:956-962.
[6]Feng Xiufang,Xu Zhanwei.A Neural Data Fusion Algorithm in Wireless Sensor Network[C]//Proceedings of the 2009 Pacific-Asia Conference on Circuits,Communications and System,2009:54-57.
[7]PatraChiranjib,Roy Anjan Guha,Chattopadhyay Samiran.Designing Energy-Efficient Topologies for Wireless Sensor Network:Neural Approach[J].International Journal of Distributed Sensor Networks,2010.
[8]Enami Neda,Moghadam Reza Askari,Haghighat Abolfazl.A Survey on Application of Neural Networks in Energy Conservation of Wireless Sensor Networks[J].Recent Trends in Wireless and Mobile Networks,2010,84:283-294.
[9]Patra Jagdish Chandra,Meher Pramod Kumar,Chakraborty Goutam.Development of Laguerre Neural-Network-Based Intelligent Sensors for Wireless Sensor Networks[J].IEEE Transactions on Instrumentation and Measurement,2011,60(3):725-734.
[10]俞黎陽,王能,張衛(wèi).無線傳感器網(wǎng)絡(luò)中基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型[J].計(jì)算機(jī)科學(xué),2008,35(12):43-47.
[11]宋立軍.無線傳感器網(wǎng)絡(luò) LEACH路由協(xié)議的改進(jìn)與仿真[D].武漢:武漢理工大學(xué),2010.
[12]劉園莉,李臘元,盧迪.節(jié)能的無線傳感器網(wǎng)絡(luò)分簇路由協(xié)議的研究木[J].傳感器技術(shù)學(xué)報(bào),2010,23(12):1792-1797.
[13]Omido,Judith D.Neural Networks and Pattern Recognition[M].San Diego:Academic Press,1998.
[14]李兆祥.無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合的算法研究[D].武漢:武漢理工大學(xué),2011.
[15]黃化吉,馮穗力,秦麗姣,等.NS網(wǎng)絡(luò)模擬和仿真[M].北京:人民郵電出版社,2010.?