文摘

精心设计的网络拓扑结构提供了重要支持路由、数据融合,在无线传感器网络目标跟踪(轮)。自组织特征映射(SOFM)神经网络是人工神经网络的一个重要分支,具有自组织和自学习功能。在本文中,我们提出一个基于集群的拓扑控制算法轮为,名叫SOFMHTC,利用SOFM神经网络形成一个分层的网络结构,完成簇头节点之间的竞争学习选择,并将节点剩余能量和距离的邻居节点聚类过程中考虑。此外,动态调整的方法采用簇头节点的传输功率优化网络拓扑结构。仿真结果表明,SOFMHTC可能得到更好的节能性能和更平衡了网络能耗与现有的一些算法。

1。介绍

无线传感器网络(网络)是具有多重功能的传感器节点组成的自组织网络等传感、计算和无线通信。传感器节点能够感觉,收集、过程,和转发信息的监控对象;信息传送到汇聚节点或基站;然后水槽节点进行进一步的处理之前,信息传输到终端用户,和网络可以实现监控对象的有效控制1]。网络通常部署在监测区域的复杂环境;节点的能量消耗或新节点部署在网络的覆盖范围可能会改变网络的拓扑结构,这常常变化频繁,影响了网络性能。精心设计的网络拓扑结构提供了重要的支持信息路由、数据融合、目标跟踪和有助于提高能源利用效率,提高网络的生命周期。

分布式网络拓扑控制是用来允许分层网络结构和节约能源,延长电池供电网络的生命周期通过聚类的方法2),如浸出(3),9 (4],ECHERP [5]。计算智能提供自适应机制,启用或促进智能行为在网络等复杂和动态的环境,包括范例如神经网络、群体智慧,进化算法(6]。自组织特征映射(SOFM)神经网络模拟行为的特殊神经元。这些神经元处理输入信号与外界的联系。他们是高度敏感的一些特征信号通过自学和抑制或不处理信号的其他特性;他们可以快速提取信号的具体特征和调整网络链接权重系数,这样信号具有相同特征可以聚在一起7]。SOFM神经网络显示了伟大的兼容性智能工具和网络的特点,可以应用于减少传感器节点的能量消耗(8,9]。

在本文中,我们使用SOFM神经网络来优化网络的分层拓扑。为了形成自组织映射拓扑结构根据网络的动态环境的要求,SOFM的链接权重系数值变化神经元之间的竞争与合作。

本文的其余部分组织如下。部分2简要介绍了相关的工作。部分3介绍了网络的网络模型。基于SOFM的拓扑控制算法的过程中所描述的部分4。节给出仿真和结果分析5最后,结论部分6。

SOFM神经网络是一个双面的网络结构,由组件称为节点或神经元,并有一个输入层和竞争层如图1。输入层反映了外部状态信息在竞争层的权向量;层节点的数目是有限的数据维度。竞争层收集变化信息的链接获得节点及其相邻节点之间的权重。在输入层和竞争层神经元有各种各样的安排;输入层神经元通常采用单层安排;在竞争层神经元采用网格通过横向联系安排。


图1
SOFM结构。

SOFM神经网络采用无监督,自学Kohonen学习规则来训练网络。Kohonen学习规则,神经元可以调整他们的链接权重和有一定影响链接周围神经元的权向量。相邻细胞的网络规模决定了社区的功能,比如墨西哥帽函数常用的社区功能。SOFM神经网络定义了该地区的链接权重可以得到一个有效的获得赢得社区。在赢得社区,赢得了节点之间的链接权重的变化及其相邻节点之间的距离密切相关节点。

Barbancho等人提出了一个QoS路由算法(先生)轮为SOFM神经网络适用于网络的米,每个传感器节点内部实现了SOFM算法(10,11]。Cordina和Debono提出了一个基于Fuzzy_ART神经网络聚类路由算法,并结合神经网络和模糊自适应共振理论来优化网络的路由节点,和均衡网络能耗,延长了网络的生命周期12]。智利等人利用SOFM神经网络节点集群异构传感器网络中,节点传输功率提高节能优化性能的路由通过网络培训,并结合神经网络提高鲁棒性的网络拓扑结构13,14]。

胡和李提出了一个分布式定位算法基于SOFM网络摆脱的依赖降低时间复杂度的情况下,锚节点和网络有较小的定位误差(15]。戈拉米等人开发了一个人工神经网络方法对传感器网络定位下的苛刻,生产环境的不确定,嘈杂的条件(16]。郑和Dehghani提议range-free定位算法基于神经网络集合体(LNNE),可以提高定位精度轮为利用组件的多样性神经网络(17]。奥康纳等人神经网络应用于水质监测网络,延长了网络的生命周期,提高了水质监测的准确性与神经网络学习特性评估雷达降水(18]。Abdul使用神经网络来优化网络能源消耗,延长网络生命周期的目的通过网络培训(19]。

3所示。网络模型

为了简化网络模型,我们对网络做出一些合理的假设如下。(1)网络节点是随机均匀分布在监测区域,每个节点的部署位置是固定的。(2)水槽节点提供了无限的能量,但其他节点有相同的初始能量有限。(3)每个网络节点都有一个独特的节点标识符和可以获得的位置信息。(4)每一个网络节点都有相同的物理结构除了水槽节点。(5)每一个网络节点通信半径相同;两个节点之间的通信链路是双向的;传感器节点可以通过功率控制与汇聚节点通信。(6)网络分为基于集群的集群的路由机制;每个集群由一个簇头和一些集群成员;集群头直接与汇聚节点通信和管理或控制其集群成员;整个网络分层拓扑结构形式。

网络的拓扑结构可以被视为一个加权无向图 ,在那里 是所有节点的集合; 是网络节点的数量;之间的通信链路节点 和节点 表达的是 ,在那里 和 是两个任意节点之间的链接。

在基于集群的网络中,簇头的数量通常对能源性能有着直接的影响。当簇头的数量,直接与汇聚节点通信,太多,长途通信可能会增加整个网络能耗;当簇头的数量太小,每个集群的节点和集群头可能难以管理许多节点。一些集群节点过早死亡由于长簇头的距离,这就增加了数据传输的能耗。

本文评估了网络的能源消耗的能量模型在浸出3]。我们假设 广场的监控区域, 传感器节点随机分布和分成 集群,理想在每个集群的节点数量 。一个簇头的能量消耗由三部分组成;数据传输消耗在集群中,数据融合消耗,和传播消费转发其集群数据到汇聚节点。集群头通常是远从水槽节点,簇头之间的数据传输和水槽节点产生多径衰落现象,所以集群头采用多路径衰落能耗模型。一个簇头的能量消耗(3)是 在哪里 是传输数据位的数量, 是集群头和水槽节点之间的距离, 是传输单位比特数据的能量消耗在一个集群中, 是处理单位的能源消耗数据,然后呢 的能源消耗是传输单位比特数据到汇聚节点。

在一个集群是两个节点之间的距离近,所以我们采用自由空间能源消耗模型在一个集群中。发送节点的能量消耗 一些数据集群头 在哪里 意味着一个节点之间的距离,在一个集群和集群的头 是信号功率放大器的能源消耗每平方米。该地区的每个集群头可以被近似的圆形集集群头圆中心 圆半径和面积 。假设节点是均匀分布在该地区和密度函数 ,在那里 ,我们可以得到

在一个集群中所有节点的能量消耗3)是

整个网络的能源消费总量3)是

的一阶导数(5)对 给我们的最优数量的集群:

4所示。基于SOFM的分层拓扑控制算法

我们提出一个基于SOFM的层次化网络拓扑控制算法(SOFMHTC),它使用SOFM神经网络的自学习特性。一个网络节点作为一个神经元;整个网络被认为是multineurons结构,由输入层 节点。SOFMHTC包含四个阶段:初始化网络,建立集群,聚类优化,和传输数据。SOFMHTC的过程如下。

4.1。初始化网络

水槽节点广播“HELLO”包在整个网络中,当一个传感器节点接收到包“你好”,“搜索”广播包,其中包括标识和位置的信息和监控网络。当一个传感器节点收到“搜索”数据包通过其邻居节点,记录其邻居节点标识符的信息,位置,接收信号强度的“搜索”包。每个节点传输记录的信息和其残余能量汇聚节点通过基于洪泛路由协议。汇聚节点收集和获得所有节点的信息,如标识符,剩余能量,当选为簇头的数量,和你的邻居集。

4.2。建立集群

水槽节点利用SOFM神经网络训练产生集群头,和其他传感器节点的成本评估每个集群头部和加入集群的集群的最低成本。在SOFM神经网络训练、比赛向量 ,在那里 邻居节点的集合, 是你的邻居节点的平均距离, 残余能量, 计算出的最优数量的簇头(6)。假设输入向量 和链接权向量 ,建立集群的过程如下。

4.2.1。准备归一化

水槽节点收集节点的初始信息,设置学习速率 ,和规范的输入向量 权向量和链接 。考虑

4.2.2。找到获胜的节点

找到获胜的过程节点通过水槽节点只是来确定节点的最大输出值的非线性组合权重的链接 和输入值 。水槽节点使归一化后的输入向量和输出向量,输出向量的值等于最小欧氏距离归一化输入向量和权向量的联系。如果输入节点拥有更多的剩余能量和较小的平均距离它的邻居节点,它有更高的概率成为簇头。水槽节点计算每个节点的输出值并选择节点的最小距离为获胜的节点 。考虑

4.2.3。决定获胜者的赢得了邻居节点

水槽节点采用Kohonen学习获得节点的规则 随着锚节点来确定社区 ,链接权重需要调整。 是由附近的函数 :

4.2.4。调整权重的链接

在赢得社区由(9),水池节点更新链接权向量由以下方程来调整权重的链接:

调整后的链接权重,水池节点调整学习速率和赢得社区的范围和规范节点的链接权重了。考虑

4.2.5。确定基于集群的网络拓扑

当网络训练的时候已经达到预定的最大阈值,水池节点停止训练,估计接下来的培训时间阈值,并完成确定当前基于集群的获胜的节点组成的网络拓扑结构;否则,SOFMHTC继续运行(部分4.2.2)。

水槽节点通知获得节点的集群头;那么每个头节点广播“头”包通知,这是一个可用的集群。在收到“头”包,网络节点计算每个集群头的成本(12),这是能量消耗成正比的簇头,簇头之间的距离成反比。网络节点加入集群的集群头最低成本和发送数据包到集群头“加入”。当一个集群头收到“加入”包,它通知数据包源节点请求批准。考虑 在哪里 是集群的残余能量, 节点初始能量, 是节点剩余能量, 是能量和距离的组合系数, 节点之间的距离吗 和它的簇头 。

4.3。聚类优化

网络聚类利用SOFM神经网络后,由于随机部署的网络节点,集群成员节点的数量和分布不同;在所有节点采用相同的传动功率的同时,我们可以调整簇头优化集群头覆盖和传输能量保持集群的头功率控制在一个合理水平。根据SOFM神经网络所产生的网络拓扑信息,水槽节点比较当前数量的传感器节点和理想的数量在每个集群;如果前者小于后者,集群的传输能量的头将适当增加;如果前者大于后者,簇头节点的传输功率会适当减少,当他们有平等的价值,完成基于集群的网络拓扑结构的优化。

4.4。传输数据

完成后的集群,每个集群头分配时间槽TDMA其成员节点传输数据。当下一次再培训阈值的时间已经到来,网络节点停止传输数据和SOFMHTC继续运行(部分4.2.1)。

5。仿真和结果分析

我们使用Matlab进行仿真的网络由传感器节点随机分布在200年 正方形区域和水槽节点定位在任何角落。评估SOFMHTC的性能,仿真结果相比浸出的3),9 (4],ECHERP [5先生,(11)使用相同的参数如表所示1。

表1
主要参数设置。

数据2和3分别显示网络平均剩余能量和节点存活的数量和网络生命周期轮SOFMHTC时,浸出,9月,应用ECHERP,先生。如图所示从这些数据,我们发现SOFMHTC的性能大大优于LEACH, 9月,ECHERP,先生在同一轮。与LEACH相比,9月,ECHERP SOFMHTC采用竞争学习的SOFM神经网络优化簇头节点的数量和分布。在学习过程中,水池节点优先选择节点剩余能量,邻居们的平均距离最小为簇头,和簇头选择降低网络的能耗,提高网络的生命周期。因为它被显示在图1,SOFMHTC比先生也使用更长的网络寿命8.57% SOFM神经网络网络QoS路由和拓扑控制。这种效果的原因中可以找到这一事实,而SOFMHTC和爵士都使用SOFM神经网络训练和学习建立集群,SOFMHTC调整簇头传送功率优化集群头部覆盖。因此,集群头功率控制SOFMHTC比先生,在一个更合理的水平和网络拓扑优化。


图2
在轮平均剩余能量和网络的生命周期。

图3
活着的节点数量和网络的生命周期(轮)。

6。结论

一个设计良好的网络拓扑控制算法可以减少能源消耗和节点间的通信的干扰延长网络生命周期。SOFM神经网络具有自组织、自学习的特性。在本文中,我们应用SOFM神经网络网络拓扑控制,提出一种算法,SOFMHTC,完成簇头选择通过竞争学习中节点和节点剩余能量和距离的邻居节点聚类过程中考虑。然后我们动态调整簇头节点的传输功率使用功率控制来优化网络的能源消耗。仿真结果表明,SOFMHTC可能得到更好的节能性能和节点剩余能量和活着比LEACH, 9月,ECHERP,先生在一些网络的应用场景。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(批准号60905040),江苏省基础研究计划(自然科学基金)(批准号。BK2011756和BK20131382),中国博士后科学基金(批准号2012 m511251和2013 m531393),江苏计划项目博士后研究基金(批准号。1101006 b和1101006 c),南京邮电大学科学研究基金(批准号,NY213135和NY213152)和项目优先资助的学术程序开发江苏高等教育机构(批准号yx002001)。