CN101917730B - 基于场景自适应能量均衡的传感器网络矢量量化分簇方法 - Google Patents

Abstract

本发明公开了一种基于场景自适应能量均衡的无线传感器网络矢量量化分簇方法，包括在汇聚节点距离事件源较远时所采用的排除法确定最佳码书的方法，和在汇聚节点距离事件较近时所采用的权衡法确定最佳码书的方法；并采用迭代法筛选出最少的代表节点数。该发明充分考虑了节点的剩余能量因素，利用传感器网络的空间相关特性，采用基于剩余能量的矢量量化方法筛选出最少的代表节点数及其具***置，使事件源感知区内的节点相互协作，达到均衡网络能量的目的；并解决了能量过少节点被重复选为代表节点而造成的部分节点过早死亡的问题，从而大大提高了网络的生命周期和资源利用率。

Description

基于场景自适应能量均衡的传感器网络矢量量化分簇方法

技术领域

本发明涉及无线通信技术领域，是一种既考虑整体网络中节点的地理位置又顾及到单个节点剩余能量的矢量量化分簇方法。该方法主要应用于无线传感器网络中，能有效地延长网络的生命周期。

背景技术

传感器网络是集成了监测、控制以及无线通信的网络***。由于大部分传感器节点体积很小，并且分布在户外，很难为其更换电池，所以传感器节点具有能量、处理能力、存储能力和通信能力都十分有限的特点。如何高效使用有限能量来最大化网络生命周期是传感器网络面临的首要挑战。

典型的传感器网络为了消除覆盖区域的空洞，都会采用空间密集分布。因此，同一感知区内的多个传感器节点会同时感知到同一事件，节点感知到的数据会有很大的相关性和冗余性。在大规模、密集型基于随机事件的无线传感器网络中，传输的数据大都具有高度的空间相关性，很多传感器节点检测到的数据相似性程度很大，只需一部分节点将信息发送到汇聚节点，就能监测到事件的发生。

目前传感器网络中常常采用分簇结构来优化网络拓扑，以均衡网络负载，提高能量效率和网络扩展性。在分簇结构中，网络中的节点被划分为若干个称为簇的节点集合，每个簇通常由一个簇头节点和多个成员节点组成，簇头负责管理和控制簇成员节点的工作，同时负责簇内数据收集及簇间数据转发。经对现有技术的文献检索发现，传统的经典分簇算法在分簇时都只是在能量和时延上进行权衡，基本没有把节点之间的空间相关特性考虑在内，而只在后续的簇头节点收集和融合簇内数据时考虑到了空间相关性。Wendi B.Heinzelman等人提出的LEACH(low energyadaptive clustering hierarchy)分簇法最具代表性。该方法通过各节点等概率地担任簇头，从而达到均衡网络能量消耗，延长网络寿命的目的。但是LEACH中簇头随机选择导致簇头分布不均匀，同时簇头的选择未考虑节点能量因素，从而导致部分节点过早死亡；并且簇头采用单跳方式与汇聚节点通信，远离汇聚节点的簇头能量消耗很快。Xu Y等人提出的GAF(geographical adaptive fidelity)算法是以节点地理位置为依据的分簇算法，提出了按虚拟单元格划分簇区的思想。该算法也没有考虑到节点的剩余能量因素。虽然之后有很多科研人员对以上两种经典算法进行了改进，也引入了能量因素，但是这些算法都没有充分利用传感器网络空间相关特性，簇头节点需要完成数据融合、与汇聚节点通信等工作，消耗的能量大。

在Sift MAC协议中，让相关区域内的节点利用时间竞争机制来选择簇头节点，但其没有具体说明如何划分相关区域。在图像压缩技术中，矢量量化编码技术是用于在失真限度下找出相关节点的位置。矢量量化有效地利用了矢量中各分量的四种相关性(线性依赖性、非线性依赖性、概率密度函数的形状和矢量维数等)来消除数据的统计冗余度。所以该方法可以被很好地用于解决相关区域划分及簇头节点筛选的问题。

由于簇头节点需要和簇区内的节点进行管理和控制上的通信，还要进行簇区内数据的收集和融合，需求消耗很多能量。因此，Mehmet C.Vuran等人提出用迭代节点选择算法(INS)来筛选出代表节点的数目和地理位置。代表节点和簇头节点的唯一区别是代表节点无需进行数据融合，每个簇区只让代表节点发送自身监测的数据到汇聚节点。代表节点的选择采用了图像编码中的矢量量化算法来实现。

INS算法只考虑了节点之间的空间相关性，没有综合考虑网络的能量因素。由于随机分布的网络拓扑存在不均匀缺陷，INS算法可能导致能量较少的节点重复选为代表节点，致使网络中出现部分节点过早死亡的现象，大大缩短了网络寿命。

发明内容

本发明的目的是针对现有技术的不足，提出一种基于场景自适应能量均衡的矢量量化分簇方法。该方法充分利用传感器网络特有的空间相关特性，并综合考虑网络节点的能耗状况，根据汇聚节点到事件源距离远近的不同场景，采用不同的方法确定代表节点的具***置。旨在于筛选出最少的簇头节点数及其具***置，减少网络负载量，均衡各节点的能量消耗，提高整个网络的生命周期和资源利用率。

本发明主要是通过改进应用于图像编码的矢量量化算法，在选码书的时候引入节点剩余能量因素，使其成为适用于无线传感器网络的分簇方法。根据汇聚节点离事件源感知区的距离远近场景，设计出两种方法来确定代表节点的具***置。具体通过如下技术方案实现：

1.场景一：当汇聚节点在离事件源感知区较远的地方时，采用排除法来进行代表节点个数以及具***置的确定。排除法主要是指在迭代筛选代表节点的时候排除簇区内单个节点能量低于平均簇区能量的节点，只让节点能量高于簇区平均能量的节点参与代表节点的筛选过程，从而排除了能量较少节点被选为代表节点的可能性。该方法的具体步骤如下：

(1)采用某种适宜的方法(通常是随机选取)生成一个包含M个码字的初始码本。

(2)按照最近邻方法，以码字为中心，将训练集中的所有矢量进行分类，形成M个区域。

(3)将每个区域中剩余能量小于区域平均能量的节点排除在外，重新计算每个区域新的中心，并将离中心最近的节点作为该区域的新码字，计算新的平均失真率。

(4)跳回到(2)重新执行，直到完成预先设定的训练次数或者平均失真度小于某个预先设定的阈值。

2.场景二：当汇聚节点在离事件源感知区较近的地方，包括在事件源感知区内，此时每个簇区内节点到事件源的距离差别较大，离事件源近的节点感知到的信息量大，如果事件源较近的节点刚好能量稍微小于簇区的平均能量，如采用上述的排除法将不能使这些关键节点参与代表节点的筛选过程。因此，提出另一种适合该种场景的权衡法来筛选出最少的簇头节点及其具***置。权衡法的具体步骤如下：

(1)采用某种适宜的方法(通常是随机选取)生成一个包含M个码字的初始码本。

(2)按照最近邻方法，以码字为中心，将训练集中的所有矢量进行分类，形成M个区域。

(3)设定一个代价函数，定义为其中d(v_i，s)是每个区域中各节点到事件源的距离，

是每个区域中各节点的剩余能量。参数α和β主要权衡两种因素在筛选代表节点时所占的比重。传感器节点的代价函数值越小，表明该节点距离事件源越近，剩余能量越多，越适合成为代表节点。重新计算每个区域中各节点的代价函数值，将代价函数值最小的节点作为该区域的新码字，计算新的平均失真率。

(4)跳回到(2)重新执行，直到完成预先设定的训练次数或者平均失真度小于某个预先设定的阈值。

在本发明中无线传感器的生命周期被定义为网络中节点上报的信息在汇聚节点的失真度能满足最大失真度门限值下的网络生存时间，其中门限值由传感器网络上层的具体应用而定。代表节点和汇聚节点通过多跳方式通信。本发明所应用的网络模型中汇聚节点的能量不受限，各传感器节点的位置固定不变。汇聚节点预先知道各传感器节点的具***置和初始能量。整个算法的迭代过程都是在汇聚节点完成。由于处理开销损耗的能量比传输开销少很多，所以本发明中的通信开销和INS算法相比基本没有增加。

与上述现有技术相比，本发明具有如下有益效果：本发明利用矢量量化算法有效地压缩了传感器节点上报数据的冗余度，充分利用了传感器网络的空间相关性，并综合考虑了节点的剩余能量因素，保证每轮选出的代表节点能量不至过小，解决了由于能量较少的节点被重复选为代表节点而造成的部分节点过早死亡的问题。从而均衡了网络能量和负载，大大提高了网络的生命周期。

附图说明

图1为利用传感器网络的空间相关性合理的代表节点分布图。

图2为第一实施例的传感器节点和汇聚节点的网络拓扑图。

图3为第二实施例的传感器节点和汇聚节点的网络拓扑图。

图4为本发明基于场景自适应能量均衡的传感器网络分簇方法的具体流程图。

图5为本发明第一实施例中使用的排除法的具体流程图。

图6为本发明第二实施例中使用的权衡法的具体流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1：

本实施例是基于如图2所示的网络拓扑进行说明。主要说明汇聚节点离事件源较远情况下的分簇方法。应用网络模型具体如下：

将100个传感器节点随机分布在100m×100m的区域中，该网络有如下性质：

传感器网络节点为静态不移动节点；汇聚节点在(150，50)位置上；汇聚节点的能量不受限，并且可以获得网络节点的地理位置信息和初始能量信息。为简单起见，将事件源设定在该区域的中心(50，50)。传感器节点和汇聚节点的拓扑分布如图2所示。

假定事件源感知区内所有节点都上报信息到汇聚节点时，汇聚节点的信息失真度为最小。在划分簇区和筛选代表节点的过程中，除了代表节点的数目，还要考虑一下两个因素：(1)感知区内的传感器节点n_i与事件源S之间的相关系数，ρ(n_i，s)，失真度随节点n_i到事件源S的距离增大而线性增长，所以应该尽量选择事件源S周围的节点作为代表节点。(2)代表节点n_i和n_j之间的相关系数ρ(n_i，n_j)，代表节点之间的距离越远，上报信息之间的冗余度就越小，则汇聚节点的失真度也越小。所以应该尽量选择相关性较小的节点作为代表节点。如图1所示，应该尽量选择图1中所示的空心圆点作为代表节点。基于以上两个原则，将汇聚节点接收到信息的失真度用以下公式进行度量：

$D_E\left(M\right)={\mathrm{\σ}}_S^2-\frac{{\mathrm{\σ}}_S^4}{M({\mathrm{\σ}}_S^2+{\mathrm{\σ}}_N^2)}(2\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\mathrm{\ρ}(s,i)-1)+\frac{{\mathrm{\σ}}_S^6}{M^2{({\mathrm{\σ}}_S^2+{\mathrm{\σ}}_N^2)}^2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j\≠i}{\overset{M}{\mathrm{\Σ}}}\mathrm{\ρ}(i,j).$

其中M为代表节点的个数。

本实施例的网络工作流程如下：

(1)网络初始化：将100个节点随机分布在该100m×100m的区域中，所有节点将自身的地理位置信息和初始能量信息上报给离自身距离最近的汇聚节点。

(2)汇聚节点获取到以上信息后就可以进行基于场景自适应能量均衡的矢量量化分簇方法。

(3)初始化上报信息的节点个数M，让感知区内所有节点都上报信息到汇聚节点，即M等于总节点数。此时汇聚节点接收到信息的失真度为最小。

(4)将上报信息的节点个数M，即代表节点个数，减去固定步长k，M-k，并判断汇聚节点到事件源之间的距离。此时汇聚节点在感知区外，且距离事件源较远，采用排除法确定代表节点的具***置。

(5)代表节点的具***置确定后计算相关参数ρ(n_i，s)和ρ(n_i，n_j)，进而根据上述公式计算出此时汇聚节点接收到信息的失真度。

(6)如果信息的失真度小于最大失真度(门限值)，则跳转到步骤(4)，否则算法终止，并取算法终止之前的M+k值为最小代表节点数。

排除法的具体实施步骤如下：

(1)采用随机方法生成一个包含M个码字的初始码本。

(2)按照最近邻方法，以码字为中心，将训练集中的所有矢量进行分类，形成M个区域。

(3)将每个区域中剩余能量小于区域平均能量的节点排除在外，重新计算每个区域新的中心，并将离中心最近的节点作为该区域的新码字，计算新的平均失真率。

(4)跳回到(2)重新执行，直到前后训练得出的相对失真率之差小于某一门限制ε时算法终止，此时筛选出满足要求的代表节点的具***置。

排除法是在矢量量化算法的基础上考虑节点剩余能量，并通过迭代计算出符合失真率要求的码书及其具***置。在汇聚节点上执行的基于场景自适应能量均衡的矢量量化分簇方法是在失真度限制下筛选出数量最少的代表节点。

实施例2：

本实施例是基于如图3所示的网络拓扑进行说明。主要说明汇聚节点离事件源较近情况下的分簇方法。应用网络模型具体如下：

将100个传感器节点随机分布在100m×100m的区域中，该网络有如下性质：

传感器网络节点为静态不移动节点；汇聚节点在(50，50)位置上；汇聚节点的能量不受限，并且可以获得网络节点的地理位置信息和初始能量信息。为简单起见，将事件源设定在该区域的中心(50，50)。传感器节点和汇聚节点的拓扑分布如图3所示。

汇聚节点接收到信息的失真度用以下公式进行度量：

$D_E\left(M\right)={\mathrm{\σ}}_S^2-\frac{{\mathrm{\σ}}_S^4}{M({\mathrm{\σ}}_S^2+{\mathrm{\σ}}_N^2)}(2\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\mathrm{\ρ}(s,i)-1)+\frac{{\mathrm{\σ}}_S^6}{M^2{({\mathrm{\σ}}_S^2+{\mathrm{\σ}}_N^2)}^2}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j\≠i}{\overset{M}{\mathrm{\Σ}}}\mathrm{\ρ}(i,j).$

其中M为代表节点的个数。

本实施例的网络工作流程如下：

(1)网络初始化：将100个节点随机分布在该100m×100m的区域中，所有节点将自身的地理位置信息和初始能量信息上报给离自身距离最近的汇聚节点。

(2)汇聚节点获取到以上信息后就可以进行基于场景自适应能量均衡的矢量量化分簇方法。

(3)首先让感知区内所有节点都上报信息到汇聚节点，此时汇聚节点接收到信息的失真度为最小。

(4)将上报信息的节点个数，即代表节点个数，减去固定步长k，M-k，并判断汇聚节点到事件源之间的距离。此时汇聚节点在感知区内，表明汇聚节点离事件源较近，采用权衡法确定代表节点的具***置。

(5)代表节点的具***置确定后计算相关参数ρ(n_i，s)和ρ(n_i，n_j)，进而根据上述公式计算出此时汇聚节点接收到信息的失真度。

(6)如果信息的失真度小于最大失真度(门限值)，则跳转到步骤(4)，否则算法终止，并取算法终止之前的M+k值作为最小代表节点数。

权衡法的具体实施步骤如下：

(1)采用随机方法生成一个包含M个码字的初始码本。

(2)按照最近邻方法，以码字为中心，将训练集中的所有矢量进行分类，形成M个区域。

(3)设定一个代价函数，定义为将

其中d(v_i，s)是每个区域中各节点到事件源的距离，是每个区域中各节点的剩余能量。参数α和β主要权衡两种因素在筛选代表节点时所占的比重。重新计算每个区域中各节点的代价函数值，将代价函数值最小的节点作为该区域的新码字，计算新的平均失真率。

(4)跳回到(2)重新执行，直到前后训练得出的失真率之差小于某一门限值ε时算法终止，此时筛选出满足要求的代表节点的具***置。

权衡法是在矢量量化算法的基础上考虑节点剩余能量，并通过迭代计算出符合失真率要求的码书及其具***置。在汇聚节点上执行的基于场景自适应能量均衡的矢量量化分簇方法是在失真度限制下筛选出数量最少的代表节点。

Claims (1)

1.一种基于场景自适应能量均衡的传感器网络矢量量化分簇方法，其在汇聚节点上执行选簇过程的特征包括：

A.让事件源感知区内所有节点都上报信息到汇聚节点；

B.将上报信息的节点个数减小k，k为固定步长，并判断汇聚节点到事件源的距离，若距离较远，则采用排除法确定代表节点的具***置；若距离较近，则采用权衡法确定代表节点的具***置；

C.根据代表节点的具***置计算汇聚节点接收到信息的失真度；

D.判断接收到信息的失真度是否小于最大失真门限，若是，则算法终止，并将上一次迭代下的代表节点数作为满足最大失真度门限下的最小代表节点数；否则，跳转到步骤B；

其排除法特征在于，在进行每个区域新码书的迭代过程中，将每个区域中剩余能量小于该区域平均能量的节点排除在外，只让剩余能量超过或等于该区域平均能量的节点参与重新计算每个区域新的中心，并将离中心最近的节点作为该区域的新码字；

其权衡法特征在于，在进行每个区域新码书的迭代过程中，设定一个代价函数，定义为将

其中d(v_i，s)是每个区域中各节点到事件源的距离，

是每个区域中各节点的剩余能量，参数α和β主要权衡两种因素在筛选代表节点时所占的比重；重新计算每个区域中各节点的代价函数值，将代价函数值最小的节点作为该区域的新码字。

Images