基于粗糙集与BP神经网络的分布式数据挖掘算法

利用数据挖掘来提高网络中能量利用率是无线传感器网络(WSN)的一个重要研究方向.本文构建了基于粗糙集与神经网络相结合的无线传感器网络分布式数据挖掘算法.该算法用粗糙集对节点内的原始数据进行离散化与属性约简后得到的最简决策表训练BP神经网络,再将构造好的BP神经网络集成在每个传感器节点上.仿真结果表明,该算法可以降低数据维数,消除冗余数据、减少网络通信量、延长网络寿命.     

基于果蝇——广义回归神经网络优化的WSN节点定位算法

针对无线传感器网络(WSN)基于测距的定位算法中,利用节点坐标计算方法获得的节点坐标位置存在较大误差的问题,提出一种无需进行坐标计算的果蝇—广义回归神经网络(FOA-GRNN)优化的WSN节点定位算法.该算法利用广义回归神经网络(GRNN)较快的学习速度和较强的逼近能力建立WSN节点定位模型,通过果蝇优化算法(FOA)调整广义回归神经网络的平滑参数,降低调整平滑参数时人为因素的影响,由神经网络直接输出未知节点坐标.仿真实验表明,通过果蝇算法优化的FOA-GRNN模型的节点定位精度比未经优化的GRNN模型的节点定位精度高.同时,比较了FOA-GRNN模型与BP神经网络模型、虚拟节点BP网络模型(VNBP)在WSN节点定位中效果,表明FOA-GRNN模型在WSN节点定位精确性方面具有明显优势.     

基于VPRS和RBF神经网络的WSN节点故障诊断

为保障油料供给的安全性,研究无线传感器网络(WSN)节点故障诊断的可行性策略,提出变精度粗糙集(VPRS)和RBF神经网络结合的故障诊断方法.该方法由运行中的汇聚节点实时获取子节点故障征兆,建立初始决策表,利用VPRS作为前端处理系统,对初始决策表进行约简,删除冗余的、不重要的属性征兆,并将约简后的结果输入RBF神经网络实现节点故障识别.仿真实验结果表明:对于具有显著不确定性的WSN节点故障诊断,该方法能够准确快速地得出诊断结果,鲁棒性和适用性更强.     

一种新的WSN路由算法

针对无线传感器网络能量有效性问题,提出一种新的WSN路由算法ACPR.算法采用无线蜂窝网覆盖思想,使用角度比和距离比选取转发节点,并采取角度优先策略.通过NS2仿真验证,结果表明,在减少转发节点数和网络冲突次数上,综合考虑角度和距离信息选取转发节点策略优于距离选取策略,而且与DD和Activecast路由算法相比,ACPR算法提高了能量有效性.     

一种基于核方法的无线传感器网络定位算法

无线传感器网络（WSN）作为一种新兴的分布式网络技术,被认为是21世纪改变世界的十大革新技术之一。定位是无线传感器网络的重要支撑技术之一,实现传感器节点自定位是提供监测目标位置信息的必要条件。而实现高效、可靠、准确的节点定位对目标跟踪具有重要意义。不幸的是,环境噪声使得节点的定位精度降低。基于此,该文提出一种基于核方法的无线传感器网络定位算法。实验表明,在WSN中通过采用卡尔曼滤波的核方法定位算法,一定程度上减少了随机噪声对节点定位精度的影响,有效的降低了系统定位误差,实现一定程度的抗干扰。     

基于量子遗传算法的无线传感网络路由优化

考虑到无线传感网络(WSN)传感器节点的能量有限性,分析了WSN的网络模型和能量模型,提出一种基于改进量子遗传算法的路由优化算法.利用复杂连续函数测试,验证了算法的性能和可行性.经仿真分析,证明该算法应用于WSN路由优化问题时,能更快速和更稳定地求解最小能量代价的数据传输路径,从而减少WSN传感器节点的能量消耗,延长整个WSN网络的使用寿命.     

无线传感器网络覆盖优化策略

针对无线传感器网络节点覆盖容易出现空洞和盲区的问题,提出一种基于改进人工鱼群算法的无线传感器网络覆盖优化算法.首先构建网络节点的信任度模型,进行节点轮换调度修复路由,然后采用改进人工鱼群算法进行无线传感器网络节点的自适应定位寻优,以人工鱼群优化的节点分布模型重构无线传感器网络(WSN)节点覆盖连通图,实现优化网络覆盖.仿真实验结果表明,利用覆盖优化算法进行WSN网络节点设计,明显地改善了网络节点的覆盖质量,提高了无线传感器网络的安全性能.     

混沌逃逸粒子群优化算法在WSN覆盖优化中的应用

为了寻找最优的无线传感器网络(wireless sensor networks,WSN)覆盖优化算法,保持整个网络能量的平衡,提高无线传感器网络覆盖率,在基本粒子群优化算法的基础上,提出一种基于混沌逃逸粒子群优化算法(chaotic escape particle swarm optimization,ECPSO)的WSN节点覆盖优化方法。ECPSO算法以覆盖率为优化目标,建立WSN覆盖优化数学模型来描述节点覆盖问题,利用混沌逃逸粒子群算法对数学模型进行求解,实现节点覆盖优化。仿真结果表明,ECPSO算法加快了WSN覆盖优化速度,节点分布更加均匀,提高了传感器节点的覆盖率,是一种高效的WSN节点覆盖算法。     

无线传感器网络节点故障诊断算法研究

针对无线传感器网络(WSN)中传感数据缺失或偏离真实值从而降低网络运行可靠性的问题,开展了关于WSN中各种节点故障的检测和诊断算法的研究,提出了基于SVDD的无线传感器网络Outlier检测、多尺度主元分析的WSN节点故障诊断算法,并进行了实验验证.实验结果表明本文方法能够有效实现对节点运行状态的监视和诊断,确保感知数据的准确性和完整性,提高网络运行的可靠性.     

基于烟花优化的WSN数据融合算法

为减少无线传感器网络(WSN)中的数据冗余,延长网络生命周期,克服基于BP(反向传播)神经网络的数据融合算法收敛慢、数据精度低和易陷入局部最优的不足,提出一种基于烟花算法优化的无线传感器网络融合算法(IFWABP)．首先在烟花算法中使用Tent混沌图改进烟花种群的初始位置分布,使初始烟花分布更加均匀;然后利用改进的烟花算法优化BP神经网络的权重矩阵和阈值矩阵等参数进行数据融合;最后通过仿真对算法的性能进行测试和分析．仿真结果表明：对比其他算法,IFWABP算法提升了WSN数据融合的精度,降低了网络能耗,延长了网络生命周期．     

基于深度学习模型的WSN路由协议算法

为降低无线传感网网络(WSN)的能量消耗,延长网络生存周期,提出一种基于深度学习模型的WSN路由协议算法。算法首先在汇聚节点完成训练并进行分簇,将训练好的参数传递给各簇节点,各簇节点对采集的数据进行特征分类、提取、再融合后传递给汇聚节点。在进行分簇时,为使簇头的分布更均匀,在估算最优簇头数的基础上,改进分簇方法,减少分簇次数,节省网络能量消耗。通过仿真实验表明,基于深度学习模型的WSN路由协议算法减少网络能量消耗,延长网络生命周期,更适合大规模远距离通信。     

传感器网络节点分层动态ID分配算法

集成了传感器、微机电系统和网络3大技术而形成的无线传感器网络（WSN）是一种全新的信息获取和处理技术。无线通信模块是WSN节点最耗能的部件,节点标识是WSN节点每次通信必不可少的,减少发送数据量能够明显提高节点使用寿命,从匿名网络的角度考虑传感器网络节点分配问题,在分析了现有未知匿名网络标识分配算法缺陷的基础上,指出命名算法实现过程的3个阶段,并提出一种新的具有高效节能特性的分布式传感器网络节点分层动态ID分配（LDIA）算法,应用NS2仿真环境对该算法进行了验证,并同DFS算法、0—1-Split算法、L—P算法以及W＆L算法对比,仿真研究结果表明,该算法不仅能够满足WSN部署方便、成本低廉、灵活的可扩展性,而且具有高效、节能等特性。     

改进遗传算法在WSN路由选择问题中的应用

无线传感器(WSN)路由选择问题大多围绕降低路由选择过程中的传感器的能耗,以及防止节点早死亡等方面展开。基于细菌觅食算法良好的收敛特性,本文运用半解析解的思想提出了一种新的算法对传统遗传算法的计算过程进行了优化,并选取随机网络拓扑模型建立50节点和100节点的网络拓扑图以验证本文算法的适用性。结果表明在无线传感器(WSN)路由选择问题中,本算法同传统遗传算法、蚁群算法、免疫克隆算法、细菌觅食算法相比较,在计算效率、能量消耗、平均延时方面体现了良好的适用性,可大大降低能量消耗,延长网络生存时间。     

引入数据融合的WSN定位算法

理论分析指出,一些不基于测距的WSN定位算法往往需要节点间进行大量的信息交互,存在大量的突发性通信,降低了网络工作效率,浪费了WSN中宝贵的能量。针对此问题,在定位算法中引入数据融合技术,通过仿真验证,引入数据融合的定位算法可以有效的减少执行定位算法所需的无线分组个数和总的通信量。     

基于蚁群算法的无线传感器网络优化

无线传感器网络（WSN）中的传感器节点由一次性电源供电,能量优化关乎整个网络的寿命.优化网络拓扑结构有利于提高WSN整体的能量利用率.ACO是一种基于种群（population based）的启发式仿生进化算法.提出了基于ACO的WSN的网络优化算法,以16个固定位置节点和20个任意位置节点的WSN为对象进行了仿真研究.实验结果验证了该算法的有效性.     

无线传感器网络节点协作的节能路由传输

针对无线传感器网络(WSN)中数据传输低能耗的需求,提出了一种节点协作的节能路由传输(ECGR)算法.该算法由以下2个方面构成:在物理层,WSN根据数据包循环冗余校验功能获得能够正确解包的节点,然后利用竞争选取算法推举出簇头节点,并通过与簇头节点进行信息交换,形成协作节点簇,从而进行协作发射信号,最终实现多节点分集增益;在网络层,协作节点簇利用基于地理位置信息路由算法,促使数据包始终向目的节点路由,避免了数据包路由向其他方向扩散.与其他同类算法相比,ECGR算法不仅增加了节点簇的传输距离,而且降低了网络整体能耗,并将能耗平衡分布于诸多节点,进而延长了网络寿命.仿真实验表明,当节点密度为0.03时,历经400次仿真,ECGR算法的节点存活率比基于地理位置的路由算法提高了70％.     

WSN中一种平衡节点能耗的分簇算法研究

针对无线传感器网络(WSN)中能量消耗和节点死亡过高的问题,在分析LEACH-C集中式分簇算法的基础上,提出了一种基于量子行为粒子群优化的WSN分簇算法.考虑到模拟退火算法在执行算法过程中的复杂性,利用具有全局搜索能力和收敛速度快等特点的量子行为粒子群优化算法,代替模拟退火算法对LEACH-C分簇算法中簇头的选取进行优化.通过MATLAB仿真分析,改进后的算法有效延长了传感器节点的生命,平衡了各节点的能量,提高了WSN的整体性能.     

基于蚁群神经网络的两级信息融合算法

为了保证地下车库空气质量的同时尽量降低系统能耗,针对地库环境监测系统,提出了一种基于蚁群神经网络的两级数据融合算法TLIFA-ACOBP,该算法将分簇结构与神经网络模型有效结合,设计了一个基于分簇的无线传感器网络两级数据融合模型.首先运用蚁群优化(ACO)算法对BP神经网络的权值进行优化,并将优化后的蚁群神经网络用于无线传感器网络的信息融合.通过对簇成员节点采集到的原始数据进行两级融合处理,只将代表原始数据的少量特征值发送给汇聚节点,大幅度减少节点数据通信量,提高了数据传输效率,同时降低了系统能耗.     

基于能量均衡的无线传感网络路由算法

有效的簇首选择策略可提高无线传感器网络（WSN）的负载均衡和簇首均匀分布程度,延长网络生存时间.现有算法在选取簇首时未充分考虑节点剩余能量和能耗速率,导致负载不均衡,部分节点因耗能过度而提前消亡.为此,本文提出一种基于能量均衡的WSN路由算法,该算法使用节点剩余能量、能量消耗速度、与Sink节点的距离作为簇首选择参数,并通过回退机制实现节点回退等待时间的自适应调整,从而保证高能量节点有更高机率成为簇首.实验表明,该算法可有效避免“热区”的出现,延长网络寿命     

基于节点地理位置路由算法的仿真实验研究

为了降低无线传感器网络(WSN)中节点间通信开销,进一步节省节点的能量,文献[1]提出一种新的基于分区管理节点的路由算法——基于节点地理位置的路由算法(I-ERIDSR).研究在Matlab仿真环境下,对新算法中影响分区半径取值的参数进行讨论,并将新算法与现存算法进行对比.仿真实验结果表明,采用新算法网络中节点耗能更均衡,新算法在降低节点通信开销的同时,延长了网络的寿命.