文摘

没有要求一个既定的网络基础设施,无线传感器网络(网络)非常适合要求快速网络部署的应用程序。军事训练和紧急救援行动有两个突出了网络的使用。各个网络节点必须执行路由和入侵检测,因为没有预定的路由或无线网络入侵检测。网络只能管理一定体积的数据,而且这样做需要大量的能量来处理,传输和接收。由于传感器有一个适度的能量来源和限制带宽,他们不能向基站传输所有数据进行处理和分析。因此,网络需要机器学习(ML)技术,以方便数据传输。其他当前解决方案也有缺点,比如不太可靠,更容易受到环境变化,收敛较慢,较短的网络寿命。本研究解决无线传感器网络的问题,设计了一个高效的聚类和基于机器学习的路由算法。模拟结果表明,该系统比以前先进的模型在各种指标,包括准确性,特异性和灵敏度(分别为0.93、0.93和0.92)。

1。介绍

在特定的实时应用,无线传感器网络(网络)1]提供的优势,例如大小、成本效益,并且很容易部署,让他们有前途的技术2]。传感器节点用于WSN应用程序监控领域的大量和收集数据,再发送到基站进行处理(3,4]。这样的结果,控制大量的节点需要一个可伸缩的发展和有效的算法。网络还可以动态地改变由于外部因素或开发人员根据系统的设计方案。因此,路由方法,定位、延迟、跨层设计(5),覆盖范围、服务质量、故障检测、系统的链路质量和其他方面可能受到影响6]。根据动态网络,可能需要贬值不必要的配置。然而,传统的传感器网络系统是显式地进行编码,因此,他们不能正确地在动态环境中实现的。在机器学习(ML),改进或学习发生不需要显式的编程基于知识或研究[7,8]。

通过使用机器学习,机器变得更可靠、更准确、更便宜。使用机器学习模型创建,允许更复杂的数据自动进行分析,迅速,准确。毫升(9- - - - - -12]是很出名的,能够提供通用的决议用学习的方法来提高其效率。因此,监督学习、semisupervised学习、无监督学习,强化学习是机器学习的所有部分。基础上的困难已经解决了在机器学习(使用最近的改进1]。因为他们的跨学科的性质,网络是重要的工程,医学,计算机(图1)。他们在获得帮助,获取有用的信息从传感器产生的大量的数据,而无需人工干预或重组。通过机器学习网络的性能改善,消除了人类干预的必要性或重新配置。他们使用云计算和大数据处理除了机器的集成物联网(物联网)和(1]。


图1
无线传感器网络结构(9]。
1.1。在网络和机器学习技术的挑战

通常情况下,传感器节点定位在危险地区网络自主操作而无需人工干预。构建网络时,研究人员必须考虑电池等因素限制,内存限制,连接失败,动态拓扑变化,和分散控制。在本节中,我们看看机器学习技术可用于解决无线传感器网络中各种问题。三类是用来组WSN的挑战。重点应该放在三个主要领域:功能,未来的挑战,和安全等问题13]。下面这些问题进行了探讨。

1.1.1。功能的挑战

此外,各种机器学习算法解决了集群和数据聚合,能量收获,MAC管理、地点、事件检测和查询处理,移动水槽,对象跟踪、交通监管,保险,和网络问题,而传统的路由系统处理路由问题。

1.1.2。聚合和聚类的数据

感知数据的直接交付到水槽节点需要在网络在大规模网络。使用集群可以允许的直接传输数据到汇聚节点,导致相当大的节省能源。另外,选择有效的集群头可以导致低能量聚类的使用。集群节点在集群头(CH)收集数据。

1.1.3。查询处理和事件检测

这是一个常见的需求在许多传感器网络应用程序用户检测活动围绕移动物体和继电器这返回给用户。此外,这些活动通常发生在不同的地方,最后一个不确定的时期。网络可以观察到在三个方面:事件驱动、持续的监控和查询监控。有限的资源能力,机器学习可以协助提供有效的查询处理和解决方案,从而确定事件,分析事件的真实性。它仍然需要创建事件检测和改善查询处理算法利用各种机器学习方法。虽然学术界积极兴趣在这些领域(14),仍有差距。

1.1.4。能量收获

利用太阳能电力传感器节点在一个开放的环境已成为一个可行的选择提供的节点有足够的力量在一个长期的方式。它是把能量从环境转化为电能的过程。可能出现一些障碍在能量收集技术的有效集成了网络(15- - - - - -20.]。

1.1.5。对象跟踪和定位

本地化的过程检测传感器节点的全局位置利用GPS技术,这是非常昂贵的大型网络。大多数网络应用程序需要找到他们的传感器节点地理位置,这成为一个问题。

1.1.6。移动水槽

当传感器通过网络收集数据,数据被传输到水槽节点在一个孤立的或分布式的方式。附近的水槽节点,节点成为瓶颈,导致热点。因此,移动下沉出现作为一个概念在WSN研究。收集的信息移动下沉时从一个传感器节点下。移动水槽收集信息从会合点而不是访问每个传感器节点。因为很难访问每个传感器节点,调度移动水槽是一个研究热点。发送的信息是通过其他传感器节点数。消除延迟,许多移动下沉有时工作,虽然这是不划算的。使用移动水槽,毫升可以帮助发现最佳rp,避免延误。

1.1.7。拥塞控制

在网络,交通拥堵可以发生在数据量超过了可用带宽。这种情况发生在数据链路传输比通道可以处理更多的数据。拥塞通常是发现在连接或节点级别,它影响延迟、数据包损失,服务质量,以及能源消费总量。ML算法可以准确地预测流量,删除的端到端延迟,并动态地修改在节点传输范围基于数据包到达率和误比特传输速率在链接。低包错误率和节点之间的碰撞会导致拥塞的节点和链接的水平。

1.1.8。覆盖和连通性

在网络,覆盖和连接是关键问题。网络通常部署在确定性或随机的方式在一个给定的区域。与BS站或继电器节点如果能直接与BS站或继电器节点通信。一个传感器节点的覆盖范围是在多大程度上能够监视一个特定的区域。节点会有差距,如果没有足够的传感器在该地区。连接出现问题,毫升可用于确定有多少传感器需要覆盖目标区域,根据需要动态地调整路线。

由于无线传感器网络的节点(轮)仅仅运行在电池供电,节能与这些网络的一个主要问题。一个传感器节点网络作为系统设计的基础。有效和可靠的通信协议的发展对克服WSN至关重要的挑战和维护网络在很长一段时间。传统技术可以解决很多基础问题,但他们可能无法产生足够的数学模型来预测网络行为。为了描述系统行为等具有挑战性的任务路由、数据融合、本地化和对象跟踪、低使用数学模型。与机器学习技术的帮助下,本研究旨在创建一个集群网络和路由协议,考虑问题如电池寿命,适应环境变化,可靠性、收敛速度和网络生命周期。数据收集和分配所需的能量大大降低使用分层路由协议基于群体智慧结合神经网络聚类技术。使用各种重要标准,评估该技术对几种聚类和路由策略。

1.2。主要亮点

本研究的目标,专注于改善WSN路由,如下:(我)创建一个集群网络和路由机制基于ML(2)创建一个可靠的和有效的模型来解决WSN的挑战和维持网络在很长一段时间(3)利用神经网络和基于群智能技术,分别为集群和路由(iv)根据实验分析,提出了网络模型性能更好,使用更少的能量

论文的组织:我们提供了一个概述的WSN及其挑战的部分1。其余的文章如下:部分2提出了一个文献综述部分3描述了整体方法论部分4描述了性能分析,最后,本文的结论部分5。

领域,许多研究人员试图调查与机器学习为未来无线网络及其集成的目的,一些研究被组织成类,如classical-based机器学习,文中针对机器学习,机器学习和神经网络。

2.1。Classical-Based技术

计算集群的数量,传统方法采用的统计方法。与传统方法取代CH,内置一个阈值方法,评估与剩余能量的节点数量或他们的能源消耗,从而导致网络recluster [16]。在基于集群路由协议,传统技术专注于如何选择簇头。Pal辛格和Chander沙玛(17)提出了一个方法,提高路由协议。泰森多边形法图然后生成的簇头根据预测为中心按照估计总能量使用。集群头然后根据预测总能量计算每轮使用。这减少了能源消耗为星团内通信,泰森多边形法图中的节点形成一个集群。多次反射路由协议使用蚁群算法来优化节点到节点的路由通过一个集群头附近的BS接受从集群的节点和路由数据。MATLAB仿真表明优于LEACH协议延长了网络的生命周期,以及在每个节点每一轮提高能源效率。Ahmad et al。(2015) (18)发现,通过考虑星团内距离,intercluster沟通,和最远的集群头(CH)集群而不是最接近集群头(CH)集群,可以延长网络的生命周期。

2.2。文中针对技术

Shokouhifar和Jalali19)提供了一种方法来确定路径从每个集群的CH BS。一旦开启萤火虫,它提供了一个替代路线从CH BS。每个萤火虫一样大小的CHs额外点废话。每个点的CH BS代表下一跳路由数据。每次款低亮度的萤火虫方法更高亮度的萤火虫,萤火虫的位置更新。重复这个过程,直到满足条件。适应度函数,能量在接下来的残余跳,一个节点的度,CH和下一个跃点之间的距离,和CH成员的数量占下一跳。

拉奥(20.)提出了一种粒子群优化聚类方法对无线传感器网络与移动下沉。该算法采用虚拟集群战略在整个路由步骤,利用粒子群优化算法。残余能量和节点的位置是最重要的考虑因素在选择簇头。使用的控制方法是移动水槽收集数据从集群的头。全面的模拟结果表明,我们建议的路由技术消耗更少的能量,延长网络寿命,低传输延迟比现有几个常用的路由方法。

库马拉斯和Sivakumar21)建议一个增强人工蜜蜂殖民地文中针对集群技术(IABCOCT)确保最优聚类和CH选择相结合的优点手榴弹爆炸和柯西操作符。这提供了大量的调查和增强分析和勘探的观察者蜜蜂和侦察蜂阶段,这有助于确定最优簇头。使用这个聚类过程提高了集群头选择的准确性,同时降低节点能量消耗。

2.3。神经网络技术

使用支持向量机作为目标,Anand et al。22)设计了一种基于统计学习理论的决策函数。这个决定函数的简单实现集群节点检测异常传感器,因为它允许低分辨率的检测。最新的网络故障检测算法相比,支持向量机更有效地检测故障轮通过一个实验调查。

合成少数过采样技术(杀)建议Nayak et al。23之前)是用来平衡数据集训练随机森林算法的入侵检测分类。随机森林占92.39%的精度基准入侵数据集,这是高于其他类似的算法。此外,随机森林搭配打已过采样后的精度92.57%少数样本。

使用多层感知器神经网络(MLPNN)和径向基函数神经网络(时滞)大小为定位在网络构建一个分析框架,Raj [24比较和分析他们。结果,接收信号强度指示(RSSI)从三个锚节点固定位置被用来确定静态传感器是在100年的1002网格。仿真结果表明,MLPNN执行优于时滞。大小

3所示。集群和路由协议使用毫升

3.1。数据传输模式

起初,传感器节点随机分布在传感器领域,由全容量电池。网络由传感器节点有限的权力。每个传感器收集的数据通常与周围的传感器的数据,导致数据的交付有关每个传感器的BS评价或考虑做出选择。我们考虑周期所有传感器传感用相同的时间间隔。我们使用一个固定的集群机制导致集群选择新颖的聚类方法的结果(25]。在每个集群,经常选择一个节点作为交通枢纽(CH),使沟通和集群(图2)。


图2
传输的数据。
3.2。模型实现能源

无线电收发机的能耗估计使用以下能量模型(26]。基本上,每个数据包传输节点发送到一个或多个接收器在其附近,然后计算每个节点的能量消耗多少。

因为Ct和Cr依赖于邻居的数量必须接受数据,n是邻居的数量必须包含在传播,然后呢Ct和Cr所需要的能量传输和接收的数据包,分别。根据提供的范例27),Ct或Cr表示所需的能量只有解码数据包报头的距离d和一个k字节的信息。

3.3。使用神经网络聚类

我们通过一个LP方法节能意识路由问题。它的目标是确定最大的节点的剩余能量,包括它的最佳途径,同时最小化网络成本。范围从1到假定CH节点n,在那里n是CH传感器节点的数量,基站节点是0。 受到以下

第一次和第二次约束集的最大数量的数据可以在两个节点之间共享,年代我和年代j,而第三确保网络中的每个节点都有一个最小寿命和控制的最大用电(14,28- - - - - -30.]。

3.3.1。设置阶段

在这里,一个节能路径是建立利用群体智能算法基于集群选择和集群的创建。

3.3.2。簇头的选择

防止网络被充斥着整个网络生命周期能源消耗,一些聚类算法提供均匀的分散具有恒定的平均集群的集群大小。然而,我们提供一个先进的神经网络coverage-aware聚类方法(31日]。方程(3)允许选择簇头节点。网络中簇头节点是拥挤的密集地区,但不是在人烟稀少的。鉴于该提案包括三层输入层,竞争层和输出层与三层神经网络试图进一步减少昂贵的传感器的寿命在稀疏覆盖的地区。

他们有许多好处,包括灵活性、简单,并行化,速度,和适应性。他们可以学习和应用了一系列的问题。竞争学习理论应用到一个两层的前馈神经网络在图3。争夺CH的传感器节点提供输入模式的输入节点。每个输出节点加上一个集群和重量Wj,j= 1,2,…米,在那里米是集群的数量。建议CH选择技巧涉及在竞争层中的每个神经元自适应学习因为只有最低的神经元 值成功激活或解雇。学习是由学习速度,直接影响收敛。如果它被设置为0,没有学习。原型向量的输入,如果它被设置为1。前面的向量之间的价值和剩余的输入模式选择,创建一个新的向量的位置。一般来说,学习速率可能是常数或波动(算法1)。


图3
使用神经网络簇头形成。
(1) 创建一个向量的传感器节点寻找集群头,向量{年代=年代1年代2…年代米}。(输入层处理)
(2) CH,选出一个优胜者k在最低的传感器节点 ,如下:k=参数最小{ }(竞争层)
(3) 也 BS即最小欧氏距离。 =k∑我= 1,2,…米(| St-BS |), k是比例常数
(4) 更新权向量的值如下: (新) (旧)(S (旧)j=j+μ我−j,在那里μ学习速率的neurons.0≤μ≤1
(5) 重复步骤(2 - 4)迭代。
(6) 神经元的最小值 是赢家。(输出层)
算法1
使用神经网络算法CH选择。
3.4。路由使用群体智慧

它可以用来代表nth粒子(P我)n维人口的鸟或鱼的行为在一组。粒子调整他们的位置来响应集团的位置和速度。在的情况下n采用人口,我th粒子(P我)表示如下:

适应度函数应用于每一个物体的位置来评估响应的准确性提供在当前迭代。跟踪粒子的最佳位置(个人P最佳整体)和粒子的最佳位置(W)能提供全球最佳位置的粒子(G最好)。Vid和Xid可以修改,每个粒子的速度和位置如下:

惯性权重可以使用以下公式确定,惯性权重在哪里 ,c1和c2正在加速系数,然后呢r1和r2任意变量在[0,1]区间。

理想的使用建议PSO方法生成CHs。建议PSO算法的问题是一个时变方程和一个新值为每个迭代。此外,如果一个传感器节点在其通信范围内,它可以用作一个集群。基本知识范式与传统算法类似,如浸出。每一个新周期开始从集群的每个节点发送信息头。一旦收集的信息集群头,重复数据删除,和实际的数据被发送到随后的跳,一般基站或另一个集群。(算法2)

(1) 初始化参数 ,c1,c2和c3
(2) 设置粒子π,我,j≤1≤= NP, 1j≤D=米,没有。CH的
(3) 使用上述方程,计算出健身(P我每个粒子和设置p最好的我粒子的个人最佳位置。
(4) 使用下面的方程,计算粒子的全球最佳位置。G最好= {P最好的k|健身(P最好的k)= min(健身(P最好的我),我1≤我≤NP)}
(5) 使用方程(3)和(5),修改P我的速度和位置,并计算健身(π)
(6) 如果健身(P我)<健身(P最好的我),那么P最好的我=P我
(7) 如果健身(P我)<健身(G最好),那么G最好的=P我
(8) 步骤3 - 7,直到什么条件得到满足。
算法2
使用PSO算法的路由。

4所示。结果

该模型(NNC-PSOR)是最先进的模型相比,如WCDT FCM,浸出,桃子,简称ANFIS, LEACH-GA, FBR网络寿命等关键参数,聚类速度、准确性、质量、敏感性,随机性结果,性能、能源管理和安全性。表1显示了仿真网络生命周期基于迭代的数量(6000)根据不同的模型。我们采用400 400像素宽,50米的传播范围,固定无线传感器网络。消息应该是48字节长,包括12个字节的数据包报头。系统被构建在计算机上使用MATLAB程序在1.6 GHz酷睿2双核CPU运行。

表1
网络的仿真结果。

图4(一)展示了众多先进的模型的图形化描述的迭代轮,包括WCDT (1), FCM(2),浸出(3),桃(4),简称ANFIS (5), LEACH-GA (6), FBR(7)和NNC-PSOR(8),在每个参数,提出战略(NNC-PSOR)优于LEACH,桃子和其他现有方法的90%以上。

(一)
(一)
(b)
(b)
(c)
(c)
图4
网络模型和没有。轮/(一)第一个节点死亡,half-node死了,(b)和(c)最后节点死亡。

图5显示了模型的图形化表示属性,例如聚类速度、准确性、质量、和敏感度。几个模型的图形化描述与参数如不可预知的结果,性能、能源管理、安全数据所示6(一)- - - - - -6 (d)。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图5
(一)网络模型和聚类速度,(b)网络模型和准确性,(c)网络模型和质量,和(d)网络模型和灵敏度。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图6
(一)网络模型和随机性的结果,(b)网络模型和性能,(c)网络模型对能源管理和(d)网络模型和安全。

5。讨论

基于模拟的模型6000轮,FBR和桃子每个死在1000年,而提出NNC-PSOR和简称ANFIS死在1600年和2000年。图4 (b)显示一个众多先进的图形化描述模型的迭代轮,包括WCDT (1), FCM(2),浸出(3),桃(4),简称ANFIS (5), LEACH-GA (6), FBR(7)和NNC-PSOR(8)。当所有的模型运行了6000回合,一半的节点死在1250年和1300年对LEACH和桃子,分别比2700年和3900年简称ANFIS和NNC-PSOR(我们的)。图4 (c)展示了众多先进的模型的图形化描述的迭代轮,包括WCDT (1), FCM(2),浸出(3),桃(4),简称ANFIS (5), LEACH-GA (6), FBR(7)和NNC-PSOR(8)。6000年当所有模型运行周期,浸出和桃子的第一个节点死亡在1500年和1590年,分别;比较,模型如简称ANFIS和NNC-PSOR死在3500年和6000年。

6。结论

本文演示了聚类的有效性和路由使用机器学习在这项研究中,导致大量增加了网络的网络寿命和性能。在分析网络通过模拟与现有模型相比,神经网络和粒子群优化的集成允许更长的网络生活。作为一个先进的技术正在彻底改变了方式,集成的几个模型而不是在一个方向上可以提高性能。然而,机器学习算法不能自动做出可靠的预测,因为他们必须从历史数据中学习。其他研究人员被鼓励扩大这项工作发展更有效的聚类和网络路由方法。增加信息的大小也增加的能量用来处理数据,从而影响性能。仿真结果,群体智慧优于标准技术在各种各样的网络条件下,提供了高度的灵活性和效率。为了进一步检查性能,实时数据是必需的,这是一个限制。这个模型的应用与当前和未来需要实时数据,进一步提高效率以超越这些限制。

数据可用性

和/或使用的数据集分析在当前研究可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。

确认

作者扩展他们的升值Deputyship的研究与创新,教育部资助这个研究工作通过项目在沙特阿拉伯RUP3-1数量。