基于地理位置和无线传感器网络的残差能量的节能聚类路由算法

摘要

无线传感器网络(WSN)由于可以在没有通信基础设施的情况下进行部署，近年来已成为最受关注的网络技术之一。传感器网络由大量的传感器节点组成;这些节点负责监控物理现象，并将周期性结果传输到基站。因此，提高能源效率和延长网络生存期是此类网络面临的主要挑战。针对这一问题，本文提出了一种层次聚类算法，即位置-能量谱聚类算法(LESCA)。LESCA自动确定网络中的集群数量。它基于谱分类，同时考虑了节点的剩余能量和节点的某些性质。事实上，我们的方法使用K.在线算法提出了网络节点的新功能，例如平均能量，到BS的距离，以及到群集中心的距离，以便确定群集并选择群集的WSN头部。仿真结果表明，如果群集不是以最佳方式构造和/或簇的数量大于或小于最佳簇，则每轮传感器网络的总消耗能量是指数增长的。

1.介绍

最近MEMS（微机电系统），无线通信和高度集成数字电子产品领域的进展导致了微传感器的发展。这种微小的传感器具有低成本，低功耗和多功能的，并且在短距离上自由地进行通信[1］．这些传感器节点负责传感、数据处理和数据传递到基站(BS)。它们应该共同组成无线传感器网络(WSN)。

WSN由大量传感器节点组成，这些传感器节点在给定的覆盖区域中随机或手动部署。这些节点收集本地物理信息，处理它们，并将其发送到名为CONT的BS。对于现象的公告，BS已连接到互联网（图1）.WSN的另一个重要特征是其节点合作的能力。传感器节点不能将原始数据发送到负责数据融合的节点，而是可以使用它们的处理能力来局部执行计算和融合操作以仅发送所需的信息[2］．

无线传感器的这些特性使它们能够在许多领域用于监视和监测[3.］．与传统的环境监测技术相比，WSNS技术是一个有希望的绿色技术，用于未来检测有效的环境变异。用于环境监控的WSN由大量的低成本电池供电的传感器节点组成，在整个远程或无法访问的物理空间中密集地部署[4.］．

但是，WSN中的主要挑战是传感器节点的有限功率资源。对节点电池充电或在完全耗尽它们的能量之后替换它们是不切实际的，因为在许多情况下，节点部署在敌对环境中[5.］．因此，传统网络的目标是实现高水平的服务质量(QoS)，而传感器网络协议必须主要关注能量节约，以最大限度地延长网络生命周期[6.］．在本主题中已经解决了许多研究问题。但是，节能聚类和路由算法的设计是其中最有希望的问题[7.］．

WSN中的聚类包括将传感器节点有效分组为不同的簇;每个群集都有一个名为群集头（CH）的领导者。CHS从所有相应的成员收集数据，聚合它们，并将它们传输到BS。每个传感器节点都属于一个且仅一个群集，仅与其CH通信。因此，需要正确解决CHS的选择，以平衡CHS的能量消耗;否则，由于数据聚合和数据转发的额外工作负载，它们会很快死亡。基于群集的基于群集的路由算法最初选择了CHS或概率，然后形成群集[7.］．然而，在这种情况下，所有CHS都可以位于网络的一个小区域中，并且将被隔离一些普通节点，这可能导致网络功能障碍。

图形群集是集群分析中的一个区域，用于查找图表中的相关顶点组。在过去几年中提出了几种图形聚类算法，并且光谱聚类算法是最着名的。这些光谱聚类算法在过去几年中引起了在许多应用中的关注，例如图像分割[8.]和社交网络分析[9.，主要是因为它们的效率和数学上的优雅。此外，由于它们的谱松弛，它们具有提供图切割和划分问题的界的优点[10.］．它们基于Laplacian矩阵的加权或未加权图的特征分解[11.］．

提出了一种新的基于聚类的无线传感器网络环境节能监测算法。提出的算法称为位置-能量谱聚类算法(LESCA)。LESCA是基于谱聚类，利用图论，将网络分离为一个固定的和最优的聚类数量。该算法由三个阶段组成:簇设置、簇头选择和数据传输。首先，LESCA利用剩余能量、到BS的距离和传感器节点到集群质心的距离来选择每个集群中的CHs。然后，集群的节点与选定的CH通信，后者收集、处理并将信息传递给BS。因此，LESCA的目标是通过分配能源消耗，最小化控制开销(节点数量的线性化)，并产生分布良好的CHs和紧凑的集群，从而延长网络生命周期。我们提出的系统考虑了一个密集的部署策略，其中相邻传感器节点之间的距离相当短。通过这种方式，我们旨在以更快的方式检测环境变化，并尽可能快地将相关信息发送给BS。

本文的其余部分安排如下。在部分2，对相关研究工作进行了简要概述。本节给出了该算法的详细信息和性质3.和部分4.虽然部分5.通过仿真评估Lesca的性能，并将Lesca与其他一些聚类协议进行比较。结论和一些观点在一节中绘制6.．

2.相关工作

WSN中的聚类是最小化传感器节点的能耗的有效方法。实际上，群集执行数据聚合和融合，以便将传输消息的数量减少到BS的发送消息并降低传感器节点的传输距离。

最近，已经提出了许多基于群集的路由算法来解决WSNS中的主要挑战[2那7.那12.］．这些算法旨在维护网络拓扑中的信息，减少道路发现产生的开销，并通过考虑这些网络的特殊性，尽量减少能量消耗。它们在大多数情况下是导向的也就是说，它们旨在延长网络的寿命，并且在某些情况下，它们是面向服务的服务质量（QoS）。在本节中，我们介绍了一些相关的研究工作的简要概述。

低能量自适应聚类层次(LEACH) [13.[是基于流行的基于集群的路由技术，是一种节能通信协议。在Leach中，传感器节点定期划分为几个集群。对于每个群集，选择传感器节点作为CH。因此，LEACH执行CH节点的周期性随机旋转。浸出的操作通常分为两个阶段：设置相和稳态阶段。在设置阶段，选择CHS并组织群集。在稳态阶段，将进行BS的数据传输。ch的角色由节点分配在介于之间的随机数和．如果数字小于阈值，该节点成为当前轮的CH： 在哪里为给定节点，是chs的预定百分比那是目前这一轮吗是上次没有被选为CHs的节点集吗圆形。使用此阈值，每个节点将在某些方面是CH．在CH节点选举后，每个普通节点将确定最佳CH加入传输所需的最小能量。然而，CH节点的随机选择可以获得不良的聚类设置，并且CH节点的分布可能不均匀。因此，一些传感器节点必须通过更长距离传输数据，并且在WSN中不能获得合理的节能。

在LEACH-centralized (LEACH-C)中[14.，是对LEACH协议的改进，BS选择CH节点并将网络划分为集群。这是通过收集所有传感器节点的位置和能级信息来实现的。因此，能量低于节点平均能量的传感器节点不能成为当前轮的CH。但是，与LEACH中一样，CHs的角色一直在旋转，不能保证CH节点的最佳位置。

LEACH中提出的想法启发了许多分层路由协议，如EECS [15.]及DECSA [16.]但是，虽然某些协议已被独立开发[17.-19.］．

在 [17.，作者提出了一种基于剩余能量和距离BS的聚类方案。这种聚类方案的思想是修改- eans算法。在群集形成阶段，作者开始随机选择CH节点。他们计算每个传感器节点与随机选择的CH节点之间的距离。每个节点都被分配到其附近剩余能量最高的CH。然后，用质心法重新计算CH，并重复这一过程。最后，对于每个簇，距离质心点距离最小的传感器节点是一个新的节点，而该方案的主要问题是初始节点的随机选取。正因为如此，它不能在集群之间提供能量的公平分配。

此外，[16.基于经典聚类算法浸出的距离 - 能集群结构算法（DECSA）呈现。该算法考虑网络节点之间的距离，BS的位置和节点的剩余能量。其主要思想是将网络分为三级层次结构。由于网络中的节点的非均匀分布，因此避免了BS和CH之间具有最小能量并且远离BS的CH之间的直接通信，从而降低了CH节点的能量消耗。

而且，在[15.[，作者提出了一种用于大规模传感器网络周期性数据采集的节能聚类方案(EECS)。在簇首的选择步骤中，考虑候选节点的剩余能量和覆盖半径，通过局部竞争选出多个CHs。然后，在集群的形成步骤中，引入普通节点的加权函数来决定加入哪个合适的集群。该功能是通过集群内通信成本和集群CHs与集群BS之间通信成本来计算的。

此外，在[18.[作者]作者提出了一种基于k - 最近邻（KNN）的WSN的分区算法。他们建议将网络分为多个集群，其中每个群集包含一个BS，并且所有传感器节点都直接与其内包含的BS通信。

在 [20.[，作者提出了一种基于近最优聚类的无线传感器网络光谱分类方法。该方法基于谱平分将网络划分为两个簇，然后递归地应用该方法获得最优簇数。谱平分法是基于第二特征值的方法所考虑图的拉普拉斯矩阵。的对应特征向量的中值用于Bipart图表[8.］．作者递归地应用该方法以获得所需的簇数。Then, for each cluster, a CH is also elected.此任务以节点之间的旋转方式分配，而不考虑其剩余能量。但是，递归谱分直块总是产生群集，在哪里是迭代的数量。该方法无法将网络分区为任何所需数量的群集。

虽然使用分布式簇形成算法存在优势，但这些协议不提供关于CH节点的位置和数量的保证。然而，使用中央控制算法来形成集群可以通过在整个网络中分散CHS来产生更好的簇。这是我们所提出的算法的基础。

3.射电能量耗散模型与假设

最佳聚类高度取决于我们使用的能量模型。出于本研究的目的，我们使用类似的能量模型和分析如[13.那14.］．

根据图中所示的无线电能量耗散模型2，传输所需的能量-距离数据表示如下：

在接收到此数据时，所需的能量相当描述为 在哪里为运行发射机或接收机电路所消耗的每位元的能量，和取决于使用的发射机放大器模型（表示，resp。，多径衰落模式和自由空间模式），是能量模型的阈值，是发送者和接收者之间的距离。将两个表达式相等(2)， 我们获得

此外,假设区域平方米传感器节点是均匀分布和聚集的集群。在一轮中耗散的总能量(）在分层路由方法中由 在哪里是群集CH时的消耗能量接收，聚合，并将数据传输到BS。是非CH节点的消耗能量当该节点感应为其环境时，收集感测数据，并将其传输到较近的CH节点。

一方面，定义如下： 在哪里 和(我) 为集群CH时所消耗的能量把数据传送给BS（ii） 作为群集CH时消耗的总能量从其群集节点接收数据，（iii） 作为群集CH所需的总能量处理数据，(iv) 作为BS的比特报告的处理成本，（v） 表示集群中的节点数那(vi) 指簇CH之间的距离和BS。

如果我们考虑这些假设，则一些CH节点在自由空间模式下运行，而其他CH节点在放大模式下操作。让是CH节点的最后类别的数量。我们考虑以下等式：

最后，所有CH节点消耗的总能量为

另一方面，定义为:

在网络中，有非CH节点。其中一些节点在自由空间模式下运行，而其他节点在放大模式下操作。让为这类节点的数量。我们获得

从 （9.） 和 （12.）我们得出得出结论，在分层路由方法中的圆形过程中消散的总能量由 在WSN中，一个重要的挑战是减少每轮的消耗总量（由（13.）））。因此，如果簇未以最佳方式构造，则每轮传感器网络的总消耗能量是指数的，当创造的簇数更大或特别是当构造的簇的数量小于时簇的最佳数量。为了解决这些问题，我们使用频谱聚类方法提出了一种新的协议。下一节详细说明了所提出的解决方案。

4.提出的方法：Lesca

我们提出的算法的主要目标是通过一个有效的集中式算法来延长网络生命周期。该算法保证了高效的聚类和CHs选择。

在LESCA中，利用光谱聚类方法将大量的传感器节点划分为几个聚类。后者近年来在许多研究领域备受关注，利用数据相似矩阵的频谱对一组考虑过的元素进行聚类，例如利用数据衍生矩阵的特征向量聚类点[10.］．对于每个结果集群，选择传感器节点作为CH。CH节点的选择基于启发式功能。非CH节点只能监视环境并将数据发送到其CH。CH节点从群集中的普通节点收集数据。然后，它处理数据并将它们发送到BS。普通节点无法直接向BS发送数据。

谱聚类可以作为这种图划分问题的近似得到。它可以方便地应用于无线传感器网络的划分。这类方法的基本思想是根据数据构造一个加权图;这里的数据是传感器网络。它的目标是将数据点划分为几个同构集群[11.］．

在本节中，我们提供了我们提出的Lesca算法的详细信息。新算法由四个步骤组成：预处理步骤，群集步骤，群集头选选步骤和数据传输步骤（图3.）.在其余部分中，我们考虑一个同质网络分散在平方字段上的节点以连续监测环境。BS位于平方域外。

4.1。预处理步骤

在传感器节点随机分布在感测区域中，预处理步骤开始。在开始，BS向某个功率级别的所有节点广播“Hello”消息。这样，每个节点可以基于接收的信号强度计算到BS的近似距离。它有助于节点选择适当的功率电平以与BS通信。然后，后者收集不同的节点位置并触发光谱聚类过程。

基于频谱聚类原理，在所提出的方法中，BS构造与WSN对应的曲线图。的确，让我们是由传感器网络节点组成的观察矢量。该矢量可以由一个无向图表表示,在那里是由索引标识的顶点（传感器节点）集和是链接两个顶点（通信链路）中的每一个的边缘集。让是图表的相似性矩阵．每个值的与每对图节点相关联．

这种频谱聚类策略是最小化点击分区问题的放松 - 我们想找到图表的分区，使得不同组之间的边缘具有非常低的重量（这意味着不同群集中的点彼此不同）和彼此不同）组内的边缘具有高权重（这意味着同一群集中的点彼此类似） - 它基于相似性图中的随机散步。图表中的随机步行是一个随机从一个顶点随机跳到另一个顶点的过程。因此，这种频谱聚类策略可以被解释为试图找到图形的分区，使得随机步道在同一群集中保持长度，并且群集之间很少跳跃[21.］．

利用自由空间模型计算集群内通信时，可以极大地节约集群内通信的能耗[14.］．因此，我们认为如果两个节点之间的距离大于，则节点之间不存在相似性．相似性矩阵构造如下:

事件到节点的边缘的总重量是（谁）给的．学位矩阵的对角矩阵是由．的图的拉普拉斯矩阵，如[21.]，表示如下：

4.2。聚类步骤

目前步骤的目的是确定最佳簇数，并固定WSN集群集。

这里呈现的光谱聚类算法可以被认为是三个阶段组成[22.］．(我)预处理．它由拉普拉斯矩阵的标准化组成．我们从平滑步骤开始，以确保矩阵没有疾病。（ii）光谱映射．计算预处理拉普拉斯基质的一些特征向量。平方矩阵的特征向量和特征值是光谱理论的本质。每个数据点映射到表示组件值的元组在上面提到的特征向量中。因此，我们构造了一个新的矩阵从与...相关的特征向量拉普拉斯基质的最大特征值。（iii）后期处理．它包括使用分组算法来聚类数据。因此，我们处理每一行作为一个点然后把它们聚在一起群普通的意思是(试图减少失真)。传感器节点分配给集群如果且仅在行时矩阵被分配给群集．

此外，拟议策略提出的最重要的问题涉及最佳群集数这一点必须加以考虑。为此，我们使用拉普拉斯矩阵的谱分析;它提供有关传感器网络结构的全局信息[21.］．这个谱是由对应特征值的大小排序的图特征向量．最稳定的聚类由值给出最大化表达式： 因此，群集的最优数量必须 我们注意到，在提出的算法中，我们在指定CHs之前确定簇。此外，集群的最佳数量也是自动定义的。所以我们的算法和其他的完全不同。为了定义CHs的数量和集群的划分，其他协议在每次迭代中使用相同的技术，因此消耗更多的能量。

4．3．群集首长选举步骤

一旦确定了集群，下一步就是选择网络的CHs。在这里，我们考虑每一轮消耗的总能量(13.）））。我们注意到，通过考虑集群，消耗的能量取决于CH和每个簇的非CH之间的距离和CHS和BS之间的距离。因此是最小的，如果18.）是最小的：

然而，已知多路径衰落信道模型中的放大器能量大于自由空间模型中的放大器一个．因此,要减少，大部分传感器节点必须在自由空间模型中运行。

因此，对于每个集群，我们建议考虑群集的不同节点的位置和能量，以便确定其CH。因此，可以在三个阶段进行给定群集的最佳CH的选举。

阶段1．考虑每个节点的剩余能量允许确定簇的平均能量．此外，如果其剩余能量大于阈值，则可以将给定节点视为候选CH（这种能量等于用于收集，聚合和传输数据到BS的能量，并且由以下等式给出： 因此，对于每个群集，我们选择一组节点（例如）剩余能量大于和．

阶段2。接下来，我们确定每个群集的质心点。这些质心点具有新的坐标，其不等于WSN中的传感器节点的任何位置。因此，对于每个群集，质心点的坐标是 然后，我们选择候选CHs的子集靠近质心点。为了考虑到系统可能引起的误差，我们引入一个阈值(）表示用户可以接受的差错。接下来，对于每个节点，我们计算它与质心之间的距离。然后我们确定子集表示一组高级候选CHs: 在哪里是并属于集群．

当我们选择靠近质心点的CH时，我们保证了非CH节点和CHS之间的平均距离将是最小的： 因此，来自（12.），我们得出结论

阶段3。在这个阶段，每个节点计算其与BS的距离。Then, in each cluster, the nearest node to the BS will be elected as a CH.当我们选择接近BS的CHS时，我们保证了CHS和BS之间的平均距离将是最小的： 因此，来自（9.），我们得出结论 从 （23.） 和 （25.）， 我们获得

我们得出结论，当使用LESCA算法时，一轮的总耗散能量是最小的。

4.4。数据传输步骤

基于这一点以及节点的个数在集群中，将自动创建时间分区多个访问（TDMA）以将其数据传输到CH的时间以分配给每个节点。如果我们假设节点is elected as a CH, the node with被分配了第一段时间来传输其数据。Furthermore, we avoid energy consumption due to synchronization of the cluster nodes when the CH is elected to assign the TDMA.为了在WSN中保存更多能量，假设如果节点和BS之间的距离低于该节点之间的距离及其CH之间，则节点将其数据直接发送到BS。

5.仿真结果

在本节中，我们评估了Lesca协议的表现。MATLAB软件用于模拟其性能。在这项研究中，我们已经考虑了一级的无线电模型模拟到LEACH和我们模型的仿真参数在表中提到1．为了验证LESCA算法的性能，我们在一个具有维数的域中模拟了一个同构聚类WSN米²．传感器节点总数．节点随机分布在整个区域。这意味着每个传感器的水平和垂直坐标是随机选择的和尺寸的最大值。节点发送给他们的CHS的消息的大小以及CH发送到BS的（聚合）消息的大小被设置为．我们在同一同质环境中比较我们的Lesca协议和其他协议的性能。

我们注意到，在这些模拟中，节点每次发送、接收或聚集数据时，其能量都会减少。下面的每个仿真结果是100个独立实验的平均值，每个实验使用不同的随机生成的均匀传感器节点拓扑。

在图中4.，我们给出了一个无线传感器网络的例子节点随机分布在a 区域。

数字5.给出了使用LESCA算法的聚类步骤的结果1）.我们注意到网络被细分为9个集群;通过求两个连续特征值之间的最大差值来获得这个簇数(图)6.）.如图所示，节点正确地分布在传感区域上。此外，不同的集群之间没有交叉路口。

为了评估新的拟议议定书的表现，我们建议将其进行比较(我)LEACH-C算法[14.]，（ii）DECSA算法[16.]，（iii）基于近乎最优聚类（光谱两分）算法的光谱分类[20.］．

Leach-C的主要问题[14.]及DECSA [16.]协议是CH节点的随机选择。显然，对于给定的节点集，随机CHS选择不会自动导致数据传输过程中的能量消耗最小。所有的CHs都可以位于网络边缘附近，或者相邻的节点可以同时成为CHs。在这种情况下，一些节点需要桥接很长的距离才能到达CH。20.[当我们在群集设置中仅使用Laplacian矩阵的第二个特征向量时，我们可能会丢失有关网络的连接信息，并获得可怜的群集设置。另一方面，我们无法将网络分区为群集的最佳数量[22.］．CHS的旋转选择可以获得差的群集头选择设置。而且，当CHS的分布不均匀时，一些传感器节点必须通过更长的距离传输数据，并且不获得合理的节能。

我们使用两项指标来分析和比较协议的性能。(我)网络生命周期。它可以定义为操作开始之间的时间间隔（WSN的WSN）和第一个节点的死亡。在这种情况下，我们使用第一个节点死亡（FND）度量标准。FND表示直到网络中的第一节点耗尽其能量的时间间隔。（ii）每轮的活节点数量．这一度量反映了尚未消耗全部能量的节点总数。在本例中，我们使用了一半的节点死亡(HND)指标。HND表示网络中一半节点失效的时间间隔。（iii）能源消耗．均匀的能量消耗对于网络负载平衡非常重要。能量消耗越均匀，节点过早死亡的可能性越少。而且每轮能耗较少，网络性能越好。

数字7.在模拟中呈现某些圆形的聚类结构。根据Lesca特征，它直观地，每个群集都是非常好的分布式，并且CHS更仔细地靠近集群质心。

数字8.当传感器节点的一半死亡时，呈现聚类结构。我们可以表明，半个节点的丢失不会自动减少网络的服务质量。活动传感器分布在覆盖区域上。

数字9.为光谱分层，LED-C，DECSA和LESCA算法提供随着时间的推移而活化的节点数量的曲线。在扩大网络寿命方面，该图显示了我们协议的重大改进。此外，很明显，与其他算法相比，Lesca的稳定时间延长了整个网络。

数字10.利用四种比较方法给出了每一轮传输中网络剩余总能量。与LESCA协议相比，这种能量在Spectral Bipartition、DECSA和LEACH-C协议中迅速下降。

桌子2和3.使用节点的不同初始能量呈现比较方案的性能。他们分别给予FND和HND轮。结果表明，对于初始能量的不同值，我们所提出的方法与其他方法相比具有显着的改进。

桌子4.和5.呈现节点密度对比较方案性能的影响。他们分别给予FND和HND轮。对于不同的值等于那,与其他算法相比，我们的算法提高了性能的提高。

此外，我们还可以通过形成集群和选出CH节点的方式来证明新方法的鲁棒性。实际上，与LEACH-C相比，LESCA在选择CHs时考虑了传感器节点的剩余能量以及传感器节点与BS之间的距离。此外，与DECSA相比，LESCA在选择CHs时考虑了质心点与传感器节点之间的距离。这两个额外的距离可以决定新CH的最佳位置。这个位置保证了CHs消耗的能量将比其他算法确定的CHs的能量更优。最后，与光谱二分法相比，我们的方法通过传感器节点之间的距离和光谱分类理论来定义最优簇数。

六，结论

本文基于光谱分类，我们在WSN中呈现并详细介绍了一种新的聚类方法。我们的方法优化了能源消耗。特别是，它使用该方法- 将网络和新技术聚类和选择CHS。此外，该方法考虑每个节点的位置及其剩余能量，以确定适当的CHS的最佳位置。特别地，节点之间的距离和节点之间的BS和群集之间的距离和集群的距离允许最小化网络中的消耗能量。此外，我们还测量了我们的算法和三个稳健性和表演。实验结果表明，与其他人相比，Lesca在能量和寿命上提高了显着的性能。进一步的作品仍然用于研究其他光谱分类技术，这在这种应用中可能更有效。选择强大的将是即将到来的原始步骤。

利益冲突

作者声明本文的发表不存在利益冲突。

参考

1. I. F. Akyildiz，W. Su，Y. Sankarasubramaniam和E. Cayirci，“传感器网络调查”，IEEE通讯杂志，第40卷，第5期。8页102-114,2002。视图:谷歌学者
2. J. N.Al-Karaki和A. E. Kamal，“无线传感器网络中的路由技术：调查”IEEE无线通信，卷。11，不。6，pp。6-28,2004。视图:出版商网站|谷歌学者
3. S. H. Gajjar，S. N.Pradhan和K. S. Dasgupta，“无线传感器网络：应用LED研究视角”IEEE智能计算系统最近进步的诉讼程序（RAICS'11），第25-30页，印度，2011年9月。视图:出版商网站|谷歌学者
4. M. F. Othman和K. Shazali，“无线传感器网络应用：环境监测系统的研究，”机器人和智能传感器上国际研讨会的诉讼程序（IRIS'12），卷。41，PP。1204-1210，程序工程，2012年。视图:谷歌学者
5. D. Estrin，L. Girod，G. Pottie和M. Srivastava，“用无线传感器网络仪器”，“IEEE声学、语音和信号处理国际会议文集(ICASSP’01)，pp.2033-2036，2001年5月。视图:谷歌学者
6. G. Anastasi, M. Conti, M. di Francesco，和a . Passarella，“无线传感器网络中的能源节约:一项调查”，特设网络，卷。7，不。3，pp。537-568，2009。视图:出版商网站|谷歌学者
7. A. A. Abbasi和M. Younis，“无线传感器网络聚类算法的调查”，计算机通信，卷。30，没有。14-15，PP。2826-2841,2007。视图:出版商网站|谷歌学者
8. J. Shi和J.Malik，“归一化的削减和图像分割”，图案分析和机器智能的IEEE交易第22卷第2期8、2000年。视图:出版商网站|谷歌学者
9. M. E. Newman, D. J. Watts, S. H. Strogatz，《社会网络的随机图模型》，美国国家科学院的诉讼程序，卷。99，补充1，pp。2566-2572，2002。视图:出版商网站|谷歌学者
10. M. C. Nascimento和A. C. de Carvalho，“图表聚类的光谱方法 - A调查”欧洲运营研究杂志，卷。211，没有。2，pp。221-231,2011。视图:出版商网站|谷歌学者|MathSciNet
11. U. von Luxburg，“光谱聚类教程”，统计和计算，卷。17，不。4，pp。395-416，2007。视图:出版商网站|谷歌学者|MathSciNet
12. O. Boyinbode, H. Le, A. Mbogho, M. Takizawa，和R. Poliah，“无线传感器网络聚类算法的调查”，在第13届网络信息系统会议的诉讼程序（NBIS'10），第358-364页，2010年9月。视图:谷歌学者
13. W. R. Heinzelman，A. Chandrakasan和H. Balakrishnan，“无线微传导网络的节能通信协议”第33届夏威夷系统科学会议的诉讼程序（HICSS'00），卷。8，p。8020，IEEE计算机协会，毛伊岛，夏威夷，美国2000年1月。视图:谷歌学者
14. W. B. Heinzelman，A. P. Chandrakasan和H. Balakrishnan，“一种用于无线微传导网络的特定于应用程序的协议架构”，“无线通信的IEEE交易， vol. 1, no. 14，页660 - 670,2002。视图:出版商网站|谷歌学者
15. M. YE，C.LI，G. Chen和J. Wu，“EECS：无线传感器网络中的节能聚类方案”第24届IEEE国际绩效，计算和通信会议的诉讼程序（IPCCC '05），页535-540,2005。视图:谷歌学者
16. Z. Yong和Q.Pei，“基于无线传感器网络距离和剩余能量的节能聚类路由算法”程序工程，第29卷，1882-1888页，2012年。视图:谷歌学者
17. S. Jerusha，K.Kulothungan和A. Kannan，“无线传感器网络中的路由”位置感知集群“，国际计算机与通信技术杂志，卷。3，不。5，pp。0975-7449,2012。视图:谷歌学者
18. Z. Rehena, S. Roy，和N. Mukherjee，“使用多个汇聚的无线传感器网络的拓扑划分”第十四届计算机与信息技术国际会议论文集(ICCIT’11)，pp.251-256，Dhaka，孟加拉国，2011年12月。视图:出版商网站|谷歌学者
19. J.-Y。Chang和林志信。Ju，“一种基于集群的无线传感器网络节能方案”，无线通信和网络欧洲兴普日报， 2012年第172条。视图:出版商网站|谷歌学者
20. B. Elbhiri，S. E.Fkihi，R. Saadane和D. Depajdine，“基于近乎最佳双分区的无线传感器网络中的聚类，”第六届欧洲新一代互联网会议论文集(NGI’10)，pp.1-6，Ieee，巴黎，法国，2010年6月。视图:出版商网站|谷歌学者
21. J. Shi， " Learning segmentation by random walks， " in神经信息处理研究进展，第470-477页，麻省理工学院出版社，2000。视图:谷歌学者
22. A. Y.NG，M. I. Jordan和Y.Weiss，“谱聚类：分析和算法，”第15届年度神经信息处理系统会议的诉讼程序（NIPS'01），PP。849-856，MIT Press，2001年12月。视图:谷歌学者

版权

版权所有©2015 Ali Jorio等。这是分布下的开放式访问文章创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。