CN104837155A - 类bp神经网络的分簇传感网络数据收集方法 - Google Patents
类bp神经网络的分簇传感网络数据收集方法 Download PDFInfo
- Publication number
- CN104837155A CN104837155A CN201510153642.XA CN201510153642A CN104837155A CN 104837155 A CN104837155 A CN 104837155A CN 201510153642 A CN201510153642 A CN 201510153642A CN 104837155 A CN104837155 A CN 104837155A
- Authority
- CN
- China
- Prior art keywords
- network
- node
- cluster
- central point
- neural net
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013480 data collection Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 title abstract description 5
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000001537 neural effect Effects 0.000 claims description 26
- 230000009191 jumping Effects 0.000 claims description 21
- 238000013481 data capture Methods 0.000 claims description 10
- 210000002364 input neuron Anatomy 0.000 claims description 7
- 230000003750 conditioning effect Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000009331 sowing Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出一种类BP神经网络的分簇传感网络数据收集方法。首先对监控的无线传感器网络进行初始化处理,依节点的GPS信息寻找网络的地理中心位置，其次根据节点的位置信息选举网络簇头节点并构建簇，再由已经完成的分簇网络建立BP神经网络模型，最后根据网络的总传输跳数动态调整网络的分簇数量，至网络达到最优簇头数目的稳态。本发明能适用于不同规模大小的网络，以最优分簇数量收集网络数据，具有减少网络能耗、延长网络生命周期、降低网络延时等优点。
Description
技术领域
本发明主要涉及到无线通信领域，特别涉及到无线传感器网络数据收集领域。
背景技术
无线传感器网络（WSN, Wireless Sensor Network）技术在当前无线通信技术飞速发展的大背景下得到了广阔的应用。该网络一般由大量能量受限的传感器节点与一个或几个基站组成，各传感器节点随机部署在需要监控的区域，形成自组织网络感知和收集数据。分簇型传感网络以簇为单位进行数据收集，首先将网络传感器节点分成不同的簇,簇内选举簇头节点融合数据，其次多个簇头将融合数据传输至sink节点，完成数据收集。
BP神经网络(Back Propagation Neural Network)是一种采用反向传播学习的多层前馈型神经网络，是一种有监督的机器学习算法。BP神经网络算法模型通常由一个输入层、一个输出层以及一个或多个隐含层组成。神经网络可以通过训练后由特定的输入得到要求的输出数据。BP算法的基本思想是对于一个输入数据，经过权值、阈值和激励函数运算后，得到输出数据，然后与期望样本数据比较，将误差反向传播，进行权值、阈值调整，使得网络输出与期望输出一致。
在分簇传感网络中若分簇数量过少，许多普通节点将数据传递至簇头节点将需经过多跳网络传输，这势必会增加网络的总跳数，损耗传感器节点的能量，使得网络的生命周期大大降低；若分簇数量过多，每个簇头节点都需要负责融合处理数据并传递给sink节点，这将加大网络的整体处理量,损耗簇头节点能量，使得这也会使得网络的生命周期大大降低。故此，亟需一种有效的分簇数调整方法，获取最优分簇数目,延长网络生命周期。基于此，设计了一种类BP神经网络的分簇传感网络数据收集方法。
发明内容
本发明公开了一种类BP神经网络的分簇传感网络数据收集方法，主要应用BP神经网络对分簇传感网中最优分簇数量进行调整，使得网络以最优分簇数量进行数据收集，减少网络的延时，降低网络的能耗，延长网络的生命周期。
根据本发明应用背景，提供一种类BP神经网络的分簇传感网络数据收集方法，包括以下步骤：
步骤1、网络场景的布置以及网络的初始化处理；
1）在需要监控的区域随机的播撒数量为 的传感器节点；
2）所有传感器节点具有相同的初始能量以及传输速率；
3）所有传感器节点可以通过GPS等定位方法获取自身地理位置信息。
步骤2、根据节点的地理位置信息获取初始数量设定为的中心点。
步骤3、根据初始数量设定为的中心点位置，选取个簇头节点，组成分簇网络，其特征在于所述的成簇方法至少还包括以下步骤：
1）所有距离中心点为以内的节点被选为候选簇头节点，其中为节点的传输半径，为设定的跳数；
2）候选簇头节点计算自身与中心点距离大小，彼此广播此信息，进行排序，然后将距离最小的候选簇头节点当选为簇头节点。簇头节点向周围普通节点广播包括其身份信息、位置信息以及此信息经过的跳数，信息包的格式为；
3）普通节点选择各簇头节点中信息经过的跳数最小的簇头加入其簇中，网络完成分簇处理。
步骤4、根据分簇完成的网络，其特征在于所述的建立BP神经网络模型至少还包括以下步骤：
1）在分簇结构中，普通节点映射于BP神经网络的输入层，充当输入神经元采集数据；
2）在分簇结构中，簇头节点映射于BP神经网络的隐藏层，负责融合并传递数据；
3）在分簇结构中，sink节点映射于BP神经网络的输出层，负责接收并处理数据；
4）输入神经元的数据流，经隐藏层传至输出层，输出层对数据进行分析，并反馈给网络，至此，完成BP神经网络模型的建立。
步骤5、根据BP神经网络模型，对网络进行动态调整，其特征在于所述的调整方法至少还包括以下步骤：
1）若簇头节点死亡，则由中心点位置重新从候选簇头节点中以最短距离重新选择簇头节点；
2）sink节点根据前轮网络的总传输跳数与上一轮传输跳数进行比较（其中设置网络初始总跳数为无穷大），若跳数减少，则继续以步长增加中心点的数量；若跳数增加，则设定网络的中心点数量为上轮中心点数量，网络以此数量的簇头数目进行数据收集，网络达到稳态。
与现有技术相比，本方法的优点在于：
1、将BP神经网络与分簇传感网络结合，动态调整不同规模网络的分簇数量，能训练网络以最优簇头数收集数据，减少网络耗能，延长网络的生命周期；
2、优化网络的分簇，能减少边界节点以及网络的总传输跳数，降低网络的整体延时。
附图说明
图1是本发明的流程图；
图2是本发明的中心点位置图；
图3是本发明的4中心点分簇示意图；
图4是本发明的BP神经网络模型图；
图5是本发明的5中心点分簇示意图；
图6是本发明的仿真结果图。
具体实施方式
如图1所示，本发明技术方案的具体步骤为：
步骤1、如图2所示，网络场景的布置以及网络的初始化处理：
1）在需要监控的区域随机的播撒数量为51的传感器节点以及1个sink节点；
2）所有传感器节点具有相同的初始能量以及传输速率；
3）所有传感器节点可以通过GPS等定位方法获取自身地理位置信息。
步骤2、根据节点的地理位置信息获取初始数量设定为4的网络地理中心点，如图2所示，4个中心点的GPS位置为。
步骤3、根据初始数量设定为4的中心点位置，如图3所示，选取4个簇头节点，组成分簇网络，其特征在于所述的成簇方法至少还包括以下步骤：
1）所有距离中心点1跳以内的节点被选为候选簇头节点；
2）候选簇头节点计算自身与中心点距离大小，彼此广播此信息，进行排序，然后将距离最小的候选簇头节点当选为簇头节点。簇头节点向周围普通节点广播包括其身份信息、位置信息以及此信息经过的跳数，信息包的格式为；
3）普通节点选择各簇头节点中信息经过的跳数最小的簇头（即信息包中的大小）加入其簇中，网络完成分簇处理。
步骤4、根据分簇完成的网络，如图3与图4所示，其特征在于所述的建立BP神经网络模型至少还包括以下步骤：
1）在分簇结构中，普通节点映射于BP神经网络的输入层，充当输入神经元采集数据，各普通节点通过最短路径算法，将收集到的数据传送到簇头节点；
2）在分簇结构中，簇头节点映射于BP神经网络的隐藏层，负责融合并传递数据，通过构建一棵连接所有簇头节点以及sink节点的路由树，将网络收集到的数据传递给sink节点；
3）在分簇结构中，sink节点映射于BP神经网络的输出层，负责接收并处理数据，sink节点通过构建的路由树向簇头节点反馈信息；
4）输入神经元的数据流，经隐藏层传至输出层，输出层对数据进行分析，并反馈给网络，至此，完成BP神经网络模型的建立。
步骤5、根据BP神经网络模型，如图5所示，对网络进行动态调整，其特征在于所述的调整方法至少还包括以下步骤：
1）若簇头节点死亡，则由中心点位置重新从候选簇头节点中以最短距离重新选择簇头节点；
2）sink节点根据前轮网络的总传输跳数与上一轮传输跳数进行比较（其中设置网络初始总跳数为无穷大），若跳数减少，则继续以步长增加中心点的数量，以图5为例，以步长1增加网络中心点的数量，，网络被分为5个簇进行数据收集；若跳数增加，则设定网络的中心点数量为上轮中心点数量，网络以此数量的簇头数目进行数据收集，网络达到稳态。
为了验证本发明的有效性，本方法通过Matlab仿真平台进行试验，将400个节点部署在监控区域内，基站坐标为。以不同的分簇数量对网络进行数据收集并计算网络的总传输跳数，从图6可知，当网络分簇数量增加时，网络的传输跳数减少；当分簇数量达到一个确定的值后，随着分簇数量的增加，网络的传输跳数增加。综上所述，网络中存在分簇数量的最优值，以此分簇数量进行数据收集，能减少网络能耗、延长网络生命周期、降低网络延时。
Claims (6)
1.类BP神经网络的分簇传感网络数据收集方法，其特征在于所述方法至少包括以下步骤：
步骤1、网络场景的布置以及网络的初始化处理；
步骤2、根据节点的GPS信息，以及初始化设定的中心点数量 （为网络中的节点数量），寻找网络的地理中心位置；
步骤3、网络根据步骤2 中得到的地理中心位置选举簇头，距离各中心点最近的节点将会被选为簇头节点，普通节点根据已获得的簇头节点的位置信息选择加入不同簇中；
步骤4、根据步骤3得到的分簇结构建立BP神经网络模型，普通节点充当神经网络的输入神经元采集数据，簇头节点充当神经网络的隐藏层进行数据融合与传递，sink节点充当神经网络的输出层接收处理数据；
步骤5、若此轮中簇头节点死亡，则跳转步骤3，由地理中心点位置重新从候选簇头节点中以最短距离重新选择簇头节点；
步骤6、输出层sink节点根据网络总传输跳数，将跳数信息反馈至全网，若跳数减少，以步长增加中心点的数量跳转步骤2；若跳数增加，则设定网络的中心点数量为上轮中心点数量，网络以此数量的簇头数目进行数据收集，网络达到稳态。
2.根据权利要求1所述的类BP神经网络的分簇传感网络数据收集方法，其特征在于所述的网络场景布置以及网络初始化处理至少还包括以下步骤：
1）在需要监控的区域随机的播撒数量为的传感器节点；
2）所有传感器节点具有相同的初始能量以及传输速率；
3）所有传感器节点可以通过GPS等定位方法获取自身地理位置信息。
3.根据权利要求1或2所述的类BP神经网络的分簇传感网络数据收集方法，其特征在于根据节点的地理位置信息获取初始数量设定为的中心点。
4.根据权利要求1所述的类BP神经网络的分簇传感网络数据收集方法，其特征在于所述的成簇方法至少还包括以下步骤：
1）所有距离中心点为以内的节点被选为候选簇头节点，其中为节点的传输半径，为设定的跳数；
2）候选簇头节点计算自身与中心点距离大小，彼此广播此信息，进行排序，然后将距离最小的候选簇头节点当选为簇头节点；簇头节点向周围普通节点广播包括其身份信息、位置信息以及此信息经过的跳数，信息包的格式为；
3）普通节点选择各簇头节点中信息经过的跳数最小的簇头加入其簇中，网络完成分簇处理。
5.根据权利要求1或4所述的类BP神经网络的分簇传感网络数据收集方法，其特征在于所述的建立BP神经网络模型至少还包括以下步骤：
1）在分簇结构中，普通节点映射于BP神经网络的输入层，充当输入神经元采集数据；
2）在分簇结构中，簇头节点映射于BP神经网络的隐藏层，负责融合并传递数据；
3）在分簇结构中，sink节点映射于BP神经网络的输出层，负责接收并处理数据；
4）输入神经元的数据流，经隐藏层传至输出层，输出层对数据进行分析，并反馈给网络，至此，完成BP神经网络模型的建立。
6.根据权利要求1所述的类BP神经网络的分簇传感网络数据收集方法，其特征在于所述的动态调整中心点数量至少还包括以下步骤：
1）若簇头节点死亡，则由中心点位置重新从候选簇头节点中以最短距离重新选择簇头节点；
2）sink节点根据前轮网络的总传输跳数与上一轮传输跳数进行比较（其中设置网络初始总跳数为无穷大），若跳数减少，则继续以步长增加中心点的数量；若跳数增加，则设定网络的中心点数量为上轮中心点数量，网络以此数量的簇头数目进行数据收集，网络达到稳态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510153642.XA CN104837155B (zh) | 2015-04-02 | 2015-04-02 | 类bp神经网络的分簇传感网络数据收集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510153642.XA CN104837155B (zh) | 2015-04-02 | 2015-04-02 | 类bp神经网络的分簇传感网络数据收集方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104837155A true CN104837155A (zh) | 2015-08-12 |
| CN104837155B CN104837155B (zh) | 2016-08-31 |
Family
ID=53814733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510153642.XA Expired - Fee Related CN104837155B (zh) | 2015-04-02 | 2015-04-02 | 类bp神经网络的分簇传感网络数据收集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104837155B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647292A (zh) * | 2018-05-07 | 2018-10-12 | 前海梧桐（深圳）数据有限公司 | 基于神经网络算法的企业特性分类计算方法及*** |
| CN109032225A (zh) * | 2018-09-27 | 2018-12-18 | 东莞幻鸟新材料有限公司 | 温室智能控制*** |
| CN109640283A (zh) * | 2018-12-28 | 2019-04-16 | 北京航天测控技术有限公司 | 一种基于自供能技术的低功耗无线传感网络设计方法 |
| CN110851265A (zh) * | 2018-07-25 | 2020-02-28 | 华为技术有限公司 | 一种数据处理方法、相关设备及*** |
| CN111935747A (zh) * | 2020-08-17 | 2020-11-13 | 南昌航空大学 | 一种采用gru预测无线传感器网络链路质量的方法 |
| CN113452629A (zh) * | 2021-07-15 | 2021-09-28 | 深圳市高德信通信股份有限公司 | 一种路由交换*** |
| CN115278521A (zh) * | 2022-07-13 | 2022-11-01 | 北京九天微星科技发展有限公司 | 一种无线接入方法和*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100090823A1 (en) * | 2008-10-09 | 2010-04-15 | Electronics And Telecommunications Research Institute | Hybrid clustering based data aggregation method for multi-target tracking in wireless sensor network |
| CN102244882A (zh) * | 2011-08-15 | 2011-11-16 | 南通大学 | 基于移动代理的无线传感器网络智能数据采集方法 |
| CN103619021A (zh) * | 2013-12-10 | 2014-03-05 | 天津工业大学 | 一种基于神经网络的无线传感器网络入侵检测算法 |
-
2015
- 2015-04-02 CN CN201510153642.XA patent/CN104837155B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100090823A1 (en) * | 2008-10-09 | 2010-04-15 | Electronics And Telecommunications Research Institute | Hybrid clustering based data aggregation method for multi-target tracking in wireless sensor network |
| CN102244882A (zh) * | 2011-08-15 | 2011-11-16 | 南通大学 | 基于移动代理的无线传感器网络智能数据采集方法 |
| CN103619021A (zh) * | 2013-12-10 | 2014-03-05 | 天津工业大学 | 一种基于神经网络的无线传感器网络入侵检测算法 |
Non-Patent Citations (1)
| Title |
|---|
| 孔玉静: "基于BP神经网络的无线传感器网络路由协议的研究", 《传感技术学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647292A (zh) * | 2018-05-07 | 2018-10-12 | 前海梧桐（深圳）数据有限公司 | 基于神经网络算法的企业特性分类计算方法及*** |
| CN110851265A (zh) * | 2018-07-25 | 2020-02-28 | 华为技术有限公司 | 一种数据处理方法、相关设备及*** |
| CN110851265B (zh) * | 2018-07-25 | 2023-09-08 | 华为云计算技术有限公司 | 一种数据处理方法、相关设备及*** |
| CN109032225A (zh) * | 2018-09-27 | 2018-12-18 | 东莞幻鸟新材料有限公司 | 温室智能控制*** |
| CN109032225B (zh) * | 2018-09-27 | 2020-07-14 | 长治市佳垚农业开发有限公司 | 温室智能控制*** |
| CN109640283A (zh) * | 2018-12-28 | 2019-04-16 | 北京航天测控技术有限公司 | 一种基于自供能技术的低功耗无线传感网络设计方法 |
| CN111935747A (zh) * | 2020-08-17 | 2020-11-13 | 南昌航空大学 | 一种采用gru预测无线传感器网络链路质量的方法 |
| CN113452629A (zh) * | 2021-07-15 | 2021-09-28 | 深圳市高德信通信股份有限公司 | 一种路由交换*** |
| CN115278521A (zh) * | 2022-07-13 | 2022-11-01 | 北京九天微星科技发展有限公司 | 一种无线接入方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104837155B (zh) | 2016-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104837155A (zh) | 类bp神经网络的分簇传感网络数据收集方法 | |
| Piltyay et al. | Wireless sensor network connectivity in heterogeneous 5G mobile systems | |
| EP3583797B1 (en) | Methods and systems for network self-optimization using deep learning | |
| Takaishi et al. | Toward energy efficient big data gathering in densely distributed sensor networks | |
| Liu et al. | Wireless distributed learning: A new hybrid split and federated learning approach | |
| CN107360612B (zh) | 一种基于蚁群多路径的无线传感器网络的数据传输方法 | |
| CN105959987A (zh) | 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 | |
| CN106572513A (zh) | 基于模糊多属性决策的无线传感器路由算法 | |
| CN109936865A (zh) | 一种基于深度强化学习算法的移动sink路径规划方法 | |
| Zhang et al. | A coverage inference protocol for wireless sensor networks | |
| Mohsenifard et al. | Data aggregation tree structure in wireless sensor networks using cuckoo optimization algorithm | |
| Yang et al. | Path planning of unmanned aerial vehicles for farmland information monitoring based on WSN | |
| WO2022262127A1 (zh) | 智慧物联网综合感知***及方法 | |
| Ammad-Udin et al. | UAV routing protocol for crop health management | |
| CN103874158A (zh) | 一种新型的聚类路由算法 | |
| Cao et al. | Comparison of particle swarm optimization algorithms in wireless sensor network node localization | |
| CN105357732B (zh) | 不依赖位置信息的无线传感器网络边缘节点识别方法 | |
| Zhang et al. | Cellular traffic offloading via link prediction in opportunistic networks | |
| CN110113807A (zh) | 无线传感器网络中基于数据相似度的节点休眠调度方法 | |
| Akbaş et al. | A preferential attachment model for primate social networks | |
| Lee et al. | Predictive data delivery to mobile users through mobility learning in wireless sensor networks | |
| Bomnale et al. | Power optimization in wireless sensor networks | |
| CN105430620B (zh) | 一种移动无线传感网络的数据收集方法 | |
| Shafik et al. | A mobile fuzzy sink scheme for wireless sensor network period improvement | |
| Abd Ellatief et al. | Energy efficient density-based clustering technique for wireless sensor network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160831 |