基于神经模糊方法的无线传感器网络能量高效聚类协议的开发

摘要

无线传感器网络(WSNs)由处理能力有限的传感器节点和有限的非充电电池组成。无线传感器网络的能量消耗是提高网络生存期的重要问题。在无线传感器网络中，为了降低能量消耗，提高网络生存期，必须开发一种能量感知的分簇协议。本文提出了一种神经模糊能量感知聚类方案(NFEACS)，以形成最优的能量感知聚类。NFEACS由两部分组成:模糊子系统和神经网络系统，实现了传感器网络中聚类和簇头的能量效率。NFEACS使用神经网络提供与能量相关的有效训练集和所有节点接收到的信号强度来估计试探性簇头的预期能量。利用基站中心位置对能量较高的传感器节点进行训练，选择能量感知的簇头。模糊规则用于输入形成聚类的模糊逻辑部分。NFEACS是为处理无线传感器网络中节点的移动性而设计的。将所提出的NFEACS算法与相关的聚类方案、基于模糊逻辑的簇首选举机制以及能量感知的模糊不等聚类进行了比较。 The experiment results show that NFEACS performs better than the other related schemes.

1.介绍

无线传感器网络是由能量低、处理能力有限的传感器节点组成的网络。无线传感器网络能够感知物理环境，并向基站报告环境数据。在关键应用中，传感器随机部署在特定区域，以监测环境[1]．在关键应用中，网络拓扑结构和能量消耗是提高网络性能的重要问题。现有的聚类方案在能源效率方面并不有效。聚类技术在有效维护网络拓扑结构方面起着非常重要的作用。它能有效地维护网络拓扑。人工神经网络[2，能源效率的分级不平等聚类[3.，连续时间递归神经网络[4，概率神经网络[5]神经模糊方法[6]，基于人工智能技术的入侵检测系统[7]的有效分类。在基于集群的无线传感器网络路由结构中，能量消耗是一个很大的问题。为了提高无线传感器网络的生存期，有必要开发一种高效的分簇协议。

在构建基于集群的无线传感器网络路由方案时，必须考虑能量效率问题。许多集群技术[8[已在相关工作中进行了调查。能量感知不等聚类模糊(EAUCF)方案[9]使用模糊逻辑选择簇头，考虑传感器节点的剩余能量和到基站的距离。节能集群形成（EECF）方案[10]之后是每个传感器及其相邻传感器之间的三向消息交换。考虑剩余能量和节点来选择簇头。相关方案EAUCF和EECF不被认为是形成集群的流动性因素，不能提供更好的解决方案。Balan等人[11]提出了一种利用模糊逻辑技术入侵检测系统检测节点恶意行为的系统，识别出了黑洞攻击和灰洞攻击等攻击。该系统还采用了高效的节点阻断机制来防止这种攻击。

本文提出了一种神经模糊能量感知聚类方案（NFEACS）将NFEACS与神经网络系统相结合，为暂定簇头提供期望的能量。然后，采用模糊集方法形成簇头和簇头，使其具有能量效率。NFEACS考虑了无线传感器网络中节点的移动性因素。为了提高能量效率，在roposed方法利用传感器节点的移动因子和剩余能量形成簇。

本文组织如下。节2，提出了与能量感知聚类方案相关的工作。节3.，我们提出了NFEACS。节4，给出了仿真结果和讨论。最后,部分5提出结论和未来发展方向。

2.相关的工作

无线传感器网络的节能分簇方案在文献中得到了广泛的讨论。分簇的目标是有效的拓扑管理和簇内路由。提出了一种基于模糊的分簇协议[12将聚类方法和模糊逻辑相结合，提高无线传感器网络的能源效率。场景中不考虑移动传感器节点。李及郑[13]提出了一种基于模糊逻辑的WSN能量预测聚类方法。许多能量感知聚类方案，如多目标模糊聚类[14，遗传算法[15，粒子群优化与遗传算法相结合的模糊逻辑[16，具有数据聚合的节能路由协议[17]和区间2型模糊逻辑系统[18]，以解决能源消耗问题。Nekooei和Manzuri-Shalmani [19提出了提高无线传感器网络生存期的软计算方法。

低能量自适应聚类层次(LEACH) [3.主要集中在形成簇和簇头的能量度量上。它还考虑了使用旋转基础选择集群头时的负载平衡机制。Cheng等[20.]提出了一种将遗传算法中的精英策略算子引入权值跟踪迭代的算法。传感器信息系统(PEGASIS)的功率高效采集[17]是对LEACH的一种改进，它形成了用于发送和接收节点的传感器节点链。它不适合大型网络，形成簇和簇头会浪费大量的能量。混合能源高效分布式集群(HEED) [21]使用了剩余能量和集群内通信成本等综合指标来选择集群和集群头。在[工作22，23]提出了遥感图像检测到变化时使用无监督学习的模糊聚类方案。在WSN中没有处理组冗余。Sert等[14]针对无线传感器网络中的热点问题，提出了多目标模糊聚类算法，该算法在移动传感器存在的情况下会消耗更多的能量[24]提出了一种基于人工神经网络的WSN能量耗尽攻击检测方法，该方法具有收集能量的能力。它们不考虑传感器的移动性。

3.一种神经模糊能量感知聚类方案

3．1.传感器网络模型

该网络模型的假设如下所示：(我)移动传感器节点以相同的能量水平随机部署。(ii)各传感器节点在区域内频繁移动。(3)节点之间的距离计算基于接收信号的强度。(iv)基站需要位于区域的中心。该方案采用能量感知不相等聚类模糊(EAUCF)方案[9经过一些修改。将神经网络系统集成到EAUCF中，用于训练与各节点能量和接收信号强度相关的网络。无线电模型[9]在模拟中用于消耗能量。在传输和接收过程中消耗的能量-比特信息到一个距离发射机与接收机之间的节点为

3．2.神经网络系统

网络训练采用有监督学习方法，网络训练采用单层感知器学习规则[2]： 在哪里的权重系数是th细胞,为输入单元格数，为学习速率，是该单元格的输入，是网络的输出，和是所需的输出。

重量的调整为 在哪里

是活跃的神经元，和是前一层向活跃神经元的输入。

每一层的输出速率表示为

系统有三个输入。通过神经网络对传感器节点的剩余能量和接收信号强度等输入进行训练。系统的输入用一个连续变量表示网络能耗。节点间的最佳质量连接是通过无线电信号强度来测量的 在哪里是信号强度和是可用的最大强度。

最后，通过训练有效链路质量和最大能量集，为模拟的簇头选择代表源与目的可靠传输的有效节点。这个输入连接到首先是神经网络的输入。第二个输入是离散值的基站位置，最后一个输入是反馈输出。三种输入在不同的条件下构成不同的场景(图)1)．

两个上神经元具有线性函数的固定权值。下两个神经元具有可训练权值，用于神经网络的s形函数。神经元可以将一组输入映射到一个期望的输出。传感器网络通过位于环境中心的类似场景的基站进行训练。单层感知器用来训练网络得到期望的输出。算法1给出了感知器学习规则和权值变化规则。网络训练和地图输出与以前的学习程序。提出的神经网络具有高效的簇头和可靠性，这在无线传感器网络中非常重要。结果表明，神经网络是WSN的最佳能效方案。

3．3.模糊逻辑系统

该方案采用能量感知的不平等聚类模糊（EAUCF）算法[10]，与流动因子结合。传感器随机部署在环境中。当需要时，传感器可以自由移动。该系统在环境的中心选择了一个基站的位置。NFEACS采用模糊逻辑方法选择簇头。表格1给出了NFEACS中簇头机会的模糊if-then映射规则。NFEACS基于一个神经网络，该网络提供了选择簇头所需的阈值。在此，我们考虑了剩余能量和迁移率因子权重因子，以形成有效的簇头。

聚类算法如算法所示2．它选择了迁移率低、剩余能量高的簇头。

NFEACS利用剩余能量和迁移因子来选择簇头。它是由模糊if-then映射规则导出的。模糊系统采用两个模糊输入变量，如迁移率因子和剩余能量。模糊集语言变量如高、中、低被考虑为迁移因素。对于低变量和高变量选取梯形隶属函数。对中变量选择三角隶属函数。剩余能量选择高、中、低等语言变量。

数字2显示了高、中、低机动因素的模糊集输入变量。中语言变量采用三角形隶属函数。对于低变量和高变量选取梯形隶属函数。数字3.说明了剩余能量是模糊集的输入变量。对低、高语言变量采用梯形隶属函数，对中语言变量采用三角隶属函数。数字4说明了传输距离也是模糊集的输入变量。高变量表示选择最大传输范围在10m以上的节点作为簇头。对成员函数进行测试，以便为输入变量获得最优秀的函数，从而获得良好的结果。

4.仿真结果

提出的NFEACS方案采用神经模糊系统来提高有效簇形成的能量效率。传感器节点在50 ~ 200个传感器之间，随机部署在500 m × 500 m的模拟区域。传输距离为20米。对神经模糊能量感知聚类方案(NFEACS)进行了评价，并与能量感知不等聚类模糊方案(EAUCF)和能量高效聚类形成方案(EECF)进行了比较。基站位于感兴趣区域的中心。所有传感器节点初始分配为1j。NFEACS将神经网络系统与EAUCF方案相结合，取代了基于概率模型的簇首选择方法。在NFEACS中采用神经模糊方法获得能量感知簇和簇头。在我们的模拟中，我们使用了与[2),如= 100 pJ/位/m²,= 50 nJ/比特，聚合率10%和迁移率因子也被认为是EAUCF中未考虑的。

4．1.集群的开销

数字5显示与拟议方案和相关方案的轮数相关的簇数。与NFEACS相比，EAUCF和EECF在每一轮产生的集群数量更高。NFEACS在每一轮生成最小的集群。随着轮数的增加，NFEACS在轮数增加时形成最小簇和簇头。NFEACS使用的训练集提供了相对于剩余能量和迁移因子准确的权重值来选择簇头，而EAUCF仅使用模糊方法来选择提供比NFEACS更多簇的簇头和簇头。它会导致环境中包转发的开销。

4．2．网络生命周期

数字6显示网络生存期与不同数量的传感器。它是用来评估NFEACS的效率，从网络生命周期的角度。在我们的模拟中，传感器节点的数量是不同的，如50、100、150和200。NFEACS的性能通过网络生存期的效率来评估，这取决于网络中节点数与节点数的比值。数字4注意到，与其他相关方案相比，NFEACS采用神经模糊方法选择最优簇头，因此在网络生存期方面非常一致。随着节点数量的增加，网络生存期也随之增加。与相关方案相比，NFEACS节省了20%的网络生命周期。

4.3.端到端延迟

在我们的仿真中，提出的方案假设传感器节点是移动的，并遍历网络。数字7表明传感器节点的移动速度在0 ~ 20 m/s之间变化。与相关方案相比，NFEACS采用提供簇头参考的神经网络方法在所有簇中选择最优簇头，使得报文从目的地转发到基站的延迟最小。NFEACS实现了最小的能量消耗，因为迁移因子节点低，剩余能量高，被选为簇头。它消耗的能量最小，增加了网络的生存时间。NFEACS具有最小的延迟，即使传感器节点在网络中是移动的。该算法还采用模糊方法选择低迁移率节点和神经网络，形成高效的聚类和簇头。

4．4.丢包率

数字8结果表明，由于该方案采用模糊方法选择机动性较低的节点来选择簇头，因此与相关方案相比，该方案的丢包率最小。该方案在考虑传感器节点迁移因素的情况下，丢包率更高。数字6注意，当传感器节点在网络中移动时，NFEACS比相关方案具有最小的丢包率。与相关方案相比，NFEACS实现了37%的能量效率。

4．5.活节点数

数字9显示每个回合中活跃传感器节点的数量。它清楚地注意到NFEACS优于相关方案，因为它有多达450轮的活节点。相关方案中所有传感器节点都在400轮内死亡，降低了网络生命周期。NFEACS采用神经模糊系统，考虑传输距离、剩余能量和迁移因子三种类型的度量来形成簇和簇头。相关方案未考虑流动性因素形成集群。

4.6。信号强度比值

数字10通过改变传感器网络中的节点来表示信号强度比(SSR)。结果表明，所提出的方案比相关方案保持了更多的SSI。与相关方案相比，NFEACS的SSI传输的路由包最少。在相关的方案中，为了进行传输，会产生更多的路由包，从而导致路由开销。结果表明，NFEACS提供了更多的节点间的链接质量，包括簇的形成和簇头的选择。由于没有将其作为到集群的链路质量考虑，相关方案的SSI较小。通常情况下，由于SSI在同一时间内发送的数据量比相关方案多，所以SSI的值会降低。

表格2显示剩余三个方案的总数。该方案在迁移率和能量指标方面优于EAUCF和EECF。与NFEACS和EAUCF两种方案相比，EECF能耗最小，剩余能量较高，约为48.54 J。在选择低迁移率节点时，采用神经模糊方法，NFEACS比其他两种方法的效率提高了约37%。由于EAUCF是一种模糊聚类方案，其能源效率约为28.5%，比EECF提供了更有效的聚类方法。EECF性能最差，因为它在聚类过程中没有使用模糊方法。

5.结论

我们提出了一种新的方案NFEACS，该方案考虑了神经模糊方法来形成簇并选择能量感知簇头。NFEACS分析了无线传感器网络的网络生存期，研究了簇和网络能量的有效性。NFEACS使用模糊系统进行选择，可以显著地选择能量感知簇具有低迁移率的g传感器作为簇头。神经网络的特性可用于提供簇头参考，从而在无线传感器网络中产生最佳的能耗结果。我们得出的结论是，与相关方案相比，NFEAC的平均节能率提高了37%。此外，提出的结果分析了该方案利用无线传感器网络的能量消耗、丢包率和网络寿命等参数来验证算法的有效性。未来可能的研究方向是在神经网络训练集中加入节点度和接收信号强度等加权指标。

利益冲突

作者声明本文的发表不存在利益冲突。

参考文献

1. 党刚，程昕，“基于Zigbee的无线传感器网络在监控系统中的应用”IEEE工业应用高级研究与技术研讨会论文集（瓦蒂亚'14），第181-183页，加拿大渥太华，2014年9月。视图:出版商的网站|谷歌学者
2. r . j . Schalkoff人工神经网络， McGraw-Hill，纽约，纽约，美国，1997。
3. B. Baranidharan, S. Srividhya，和B. Santhi，“无线传感器网络的能量效率层次不平等聚类”，印度科学技术杂志，第7卷，第5期3, pp. 301 - 305,2014。视图:谷歌学者
4. “移动自组织网络中基于粒子群优化的能量感知多路径路由方案”，科学世界杂志， 2015年，第284276篇，9页，2015年。视图:出版商的网站|谷歌学者
5. 贾志军，梁振中，曹志军，李志军，“概率神经网络在细菌生化鉴定中的应用，”微生物方法杂志，第94卷，第2期，第86-87页，2013年。视图:出版商的网站|谷歌学者
6. K. N. Veena和B. P. V. Kumar，“无线传感器网络的动态聚类:一种神经模糊技术方法”，发表于IEEE计算智能与计算研究国际会议论文集(ICCIC’10)，第1-6页，印度哥印拜陀，2010年12月。视图:出版商的网站|谷歌学者
7. N. A. Alrajeh和J. Lloret，“基于无线传感器网络人工智能技术的入侵检测系统”，国际分布式传感器网络杂志， 2013年第3期，文章编号351047,6页，2013年。视图:出版商的网站|谷歌学者
8. 刘旭东，“无线传感器网络中分簇路由协议研究”，传感器，第12卷，第2期8, pp. 11113-11153, 2012。视图:出版商的网站|谷歌学者
9. H. Bagci和A. Yazici，“无线传感器网络中能量感知的不平等聚类模糊方法”，应用软计算，第13卷，第4期，第1741-17492013页。视图:出版商的网站|谷歌学者
10. A. Chamam和S. Pierre，“无线传感器网络的分布式节能集群协议”，计算机与电气工程，第36卷，第2期，第303-312页，2010年。视图:出版商的网站|谷歌学者|Zentralblatt数学
11. E. V. Balan, M. Priyan, C. Gokulnath，和G. U. Devi，“MANET中基于模糊的入侵检测系统”，Procedia计算机科学，第50卷，第109-114页，2015年。视图:出版商的网站|谷歌学者
12. 王伟，“一种基于模糊聚类的高效无线传感器网络协议”第二届计算机科学与电子工程国际会议论文集(ICCSEE’13)， pp. 2874-2878，中国杭州，2013年3月。视图:谷歌学者
13. js。李和w l。Cheng，“基于模糊逻辑的无线传感器网络聚类方法的能量预测，”IEEE传感器杂志，第12卷，第2期9, pp. 2891-2897, 2012。视图:出版商的网站|谷歌学者
14. S. A. Sert, H. Bagci，和A. Yazici，“MOFCA:无线传感器网络的多目标模糊聚类算法”，应用软计算杂志，第30卷，第151-165页，2015年。视图:出版商的网站|谷歌学者
15. y - Yoon和y - h。Kim，“在无线传感器网络中实现最大覆盖部署的高效遗传算法，”IEEE控制论学报，第43卷，第5期，第1473-1483页，2013年。视图:出版商的网站|谷歌学者
16. F. Valdez, P. Melin，和O. Castillo，“一种结合粒子群优化和遗传算法的模糊逻辑改进进化方法”，应用软计算杂志，第11卷，第5期。2, pp. 2625-2632, 2011。视图:出版商的网站|谷歌学者
17. S. Misra和P. D. Thomasinous，“一种简单、最短时间和高效的无线传感器网络一级数据聚合路由协议”，系统与软件杂志，第83卷，第5期，第852-860页，2010年。视图:出版商的网站|谷歌学者
18. “基于区间2型模糊逻辑系统的无线传感器网络生命周期分析”，模糊系统学报，第16卷，第2期，第416-427页，2008年。视图:出版商的网站|谷歌学者
19. S. M. Nekooei和M. T. Manzuri-Shalmani，“基于软计算方法的无线传感器网络定位”，发表于国际控制、自动化和系统工程会议论文集(CASE ' 11)，第1-5页，新加坡，2011年7月。视图:出版商的网站|谷歌学者
20. 程伟，史海华，尹旭东，“基于精英策略的无线传感器网络流模式发现算法”，IEEE通信信，第15卷，第5期。4, pp. 419-421, 2011。视图:出版商的网站|谷歌学者
21. O. Younis和S. Fahmy，“ad-hoc传感器网络中的分布式集群:一种混合的、节能的方法”IEEE计算机与通信学会第23届联合年会论文集(INFOCOM ' 04)， vol. 1, pp. 366-379, IEEE，香港，2004年3月。视图:出版商的网站|谷歌学者
22. A.Ghosh，N.S.Mishra和S.Ghosh，“遥感图像中无监督变化检测的模糊聚类算法，”信息科学，第181卷，第2期。4, pp. 699-715, 2011。视图:出版商的网站|谷歌学者
23. G.E.Tsekouras和J.Tsimikas，“关于使用输入输出模糊聚类和粒子群优化训练RBF神经网络，”模糊集与系统，第221卷，第65-89页，2013。视图:出版商的网站|谷歌学者|MathSciNet
24. N. A. Alrajeh, S. Khan, J. Lloret，和J. Loo，“基于人工神经网络检测能够收集能量的无线传感器网络中的能量耗尽攻击”，Ad-Hoc和传感器无线网络第22卷第2期1-2, pp. 109-133, 2014。视图:谷歌学者

版权

版权所有©2016 E. Golden Julie和S. Tamil Selvi。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。