CN105744566B - 一种基于感知器的自适应按需加权分簇方法 - Google Patents
一种基于感知器的自适应按需加权分簇方法 Download PDFInfo
- Publication number
- CN105744566B CN105744566B CN201610059876.2A CN201610059876A CN105744566B CN 105744566 B CN105744566 B CN 105744566B CN 201610059876 A CN201610059876 A CN 201610059876A CN 105744566 B CN105744566 B CN 105744566B
- Authority
- CN
- China
- Prior art keywords
- node
- clustering
- sub
- cluster
- network
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/082—Load balancing or load distribution among bearers or channels
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于感知器的自适应按需加权分簇方法,具体为:步骤一、通过感知器算法确定网络中投放的训练节点权值参数的系数;步骤二、针对网络中的待分簇节点,获取每个待分簇节点i的5个权值参数;步骤三、将待分簇节点i的5个权值参数归一化;步骤四、计算待分簇节点i的总权值Wi;步骤五、针对网络中所有待分簇节点,按每个待分簇节点的1跳邻居节点的个数从大到小排序,将排序后的待分簇节点序号存入iDes数组;步骤六、将网络中的待分簇节点按照iDes数组的先后顺序根据总权值的大小划分到具体的簇。优点在于:利用感知器算法去感知整个网络的权值参数系数,修正节点距离权值参数和相对移动性参数,改善了网络结构和提高网络的负载均衡因子。
Description
技术领域
本发明属于无线自组织网络分簇方法技术领域,具体是一种基于感知器的自适应按需加权分簇方法。
背景技术
无线自组网因其组网快速、灵活、使用方便等许多优良性能,在很多领域都有潜在的实用价值,如:军事机群通信、家庭电器通信、紧急服务通信等其他快速组网应用通信,但无线自组网的网络能量受限,每个网络节点只能携带能量十分有限的电池。而节点分簇能够使网络节点能量高效使用,有利于整个网络的生存时间。
常见的分簇方法按移动性分为适用于静态环境、低速环境和中高速环境的分簇方法;
适用于静态环境的分簇方法有基于连通支配集的分簇算法、基于地理信息的分簇算法等。
适用于低速环境的分簇方法有最小标识分簇算法LID(Lowest Identification)、结点最高连接度分簇算法HD(Highest Degree)、加权分簇算法WCA(Weighted ClusteringAlgorithm)和被动分簇算法等。
适用于中高速环境的分簇方法有最小相对移动速度分簇算法MOBIC(mobilitymetric clustering algorithm)、最大速度相似性分簇算法MMC(Mobility based Metricfor Clustering)和聚类传播分簇算法APCA(Affinity Propagation ClusteringAlgorithm)等。
在加权分簇算法WCA基础上,进行优化的算法有自适应按需加权分簇算法AOW(Adaptive On-demand Weighting)。AOW通过综合考虑多个因素作为簇头的选择标准;如节点度、节点移动速度、节点剩余电量、节点传输功率等,而不是只考虑节点度、节点移动速度、节点剩余电量、节点传输功率等中的单一因素。该算法的优势是可以灵活改变权重因子来适用不同场合。
通过在自适应按需加权分簇算法AOW基础上进一步优化,提出了改进的自适应按需加权分簇算法ImAOW。ImAOW用归一化的方法解决了AOW权值相加单位不统一的问题,使权值计算更加合理,优化簇头的竞争选择。
但是,通过对AOW和ImAOW算法的分析,可以发现以下问题:
1)、在AOW算法中,权值系数是人为设置的,会掺杂人为感性因素,会使节点加权后的总权值失真,从而影响簇头的竞争选择。
2)、在AOW算法中,计算节点i到邻居节点的平均距离(Distance)的权值参数Di时,直接对该节点的2跳邻居距离求和,即
节点i到节点j的距离(xi,yi,zi)为节点i
在网络中的坐标;(xj,yj,zj)为节点j在网络中的坐标;j∈Neb2(i)表示节点j是待分簇节点
i的2跳邻居节点。
这样会导致邻居节点远的节点容易成为簇头,而实际上,在相同的参数情况下,位于地理位置中心的节点才更容易成为簇头。
3)、在AOW算法中,把每个节点的绝对速度的历史累积(在一个时间周期T内) 作为移动性Mobility权值参数Mi,这样的确可以看出1个节点的绝对移动性。
节点i的权值参数Mi的计算方式如下:
其中:(Xt,Yt)分别为t时刻节点i在网络中坐标值;
但是移动速度Mi只能说明节点i这一个节点相对上一个位置(Xt-1,Yt-1)的稳定性,不能说明节点i相对整个簇的稳定性,也不能充分说明节点i作为簇头的稳定性。
如图1所示,图中旧簇头变慢的例子说明,最初簇cluster={2,3,12,24,26}都以200m/s 的速度整体往前移动,但由于簇头节点2电量消耗过大等原因,速度降为100m/s,会和该簇的其他节点{3,12,24,26}距离越来越大,显然已不再适合担任簇头了,若按上述公式计算的绝对速度权值参数Mi已不合适。
发明内容
本发明为了防止广播风暴,对无线自组织网络进行分簇,由簇头负责调度簇内资源,基于在最小化分簇计算开销、最大化负载均衡因子等矛盾间折衷考虑,最终达到网络的负载均衡,提出了一种基于感知器的自适应按需加权分簇方法。
具体步骤如下:
步骤一、在网络中投放已知分簇关系和权值参数的训练节点,通过感知器算法确定所有训练节点权值参数的系数;
训练节点序号表示为:1,2,...s,...N;N为训练节点的总数,为整数。
所有训练节点的权值参数系数都相同,分别为:节点度的系数C1、节点到邻居节点平均距离的系数C2、节点的移动性的系数C3、节点的剩余电量的系数C4和节点发射功率的系数C5。
步骤二、针对网络中的待分簇节点,获取每个待分簇节点i的5个权值参数;
待分簇节点分别为1,2,...i,...M;M为待分簇节点的总数,为整数。
具体步骤描述如下:
步骤201、针对待分簇节点i,在初始化阶段周期性地广播“hello(i,xi,yi,zi)”消息给邻居节点;
“hello(i,xi,yi,zi)”消息携带了节点i标识信息和位置坐标(xi,yi,zi)。
步骤202、若节点i收到节点j发送“hello(j,xj,yj,zj)”消息,则节点j为节点i的 1跳邻居节点;
邻居节点包括1跳邻居节点和2跳邻居节点,其中1跳邻居节点指与节点i直接相连的节点,2跳邻居节点是指与1跳邻居节点直接相连的节点。
步骤203、节点i建立1跳邻居节点表,存储1跳邻居节点j的信息;
“hello(j,xj,yj,zj)”消息携带了节点j标识信息和位置坐标(xj,yj,zj)。
步骤204、根据1跳邻居节点j信息,分别计算节点i的5个权值参数;
5个权值参数分别为:待分簇节点i的度Δi,待分簇节点i到邻居节点的平均距离Di,待分簇节点i的移动性Mi,待分簇节点i的剩余电量Ei,待分簇节点i的天线发射功率Pi。
1)、待分簇节点i的度Δi是指:节点i收到消息“hello(j,xj,yj,zj)”的邻居j数量后的剩余节点数量;
其中Neb1(i)表示节点i的1跳邻居节点集;j∈Neb1(i)表示节点j是待分簇节点i的1跳邻居节点。
2)、待分簇节点i到邻居节点的平均距离Di是指:节点i到其2跳邻居节点的平均距离;
Di的权值修正如下:
Dis(i,k)表示节点i与节点k之间的距离;k∈Neb2(i)表示节点k是节点i的2跳邻居节点;Neb2(i)表示节点i的2跳邻居节点集;Num{Neb1(i)}表示节点i的1跳邻居节点集的节点个数。2跳由广度优先搜索的复杂度为节点数的平方级决定。k∈Neb1(j) 表示节点k是待分簇节点j的1跳邻居节点,即待分簇节点i的2跳邻居节点集包含待分簇节点i的1跳邻居节点集。
3)、待分簇节点i的移动性Mi,表示节点i相对于其1跳邻居节点的相对速度;
Mi的计算公式如下:
Ri(j)是节点i的相对速度(Relative velocity)函数,表示相对移动性指标;通过计算节点i的邻居节点j在不同时刻的接收功率差来确定。
其中表示当前t时刻节点i收到来自节点j的hello(j,xj,yj,zj)消息的接收功率,表示上一分簇过程初始化t-1时刻节点i收到来自节点j的hello(j,xj,yj,zj) 消息的接收功率。
通过Mi的计算公式可知,Ri(j)越小,表示测量前后功率变化越小,修正后的Mi越小,说明该节点相对于邻居节点的移动性越低,该节点越稳定,越适合做簇头。
4)、待分簇节点i的剩余电量Ei,是由节点i上的电池总电量减去剩余电量得到;
5)、待分簇节点i的发射功率Pi,由节点i的天线参数获得;
步骤三、针对待分簇节点i,将5个权值参数分别归一化;
归一化公式如下:
上式中,Δmin表示网络中所有待分簇节点度的最小值,Δmax表示网络中所有待分簇节点度的最大值,表示待分簇节点i归一化的度。
Dmin表示网络中所有待分簇节点到邻居节点平均距离的最小值,Dmax表示网络中所有待分簇节点到邻居节点平均距离的最大值,表示待分簇节点i到邻居节点平均距离的归一化值。
Mmin表示网络中所有待分簇节点相对于其1跳邻居节点的相对移动性的最小值,Mmax表示网络中所有待分簇节点相对于其1跳邻居节点的相对移动性的最大值,表示待分簇节点i相对于其1跳邻居节点相对移动性的归一化值。
Emin表示网络中所有待分簇节点电池消耗电量的最小值,Emax表示网络中所有待分簇节点电池消耗电量的最大值,表示待分簇节点i归一化的电池消耗电量。
Pmin表示网络中所有待分簇节点天线发射功率的最小值,Pmax表示网络中所有待分簇节点天线发射功率的最大值,表示待分簇节点i归一化的天线发射功率。
步骤四、针对待分簇节点i,根据5个权值参数的系数和归一化后的5个权值参数计算节点i的总权值Wi;
步骤五、针对网络中所有待分簇节点,按每个待分簇节点的1跳邻居节点的个数从大到小排序,将排序后的待分簇节点序号存入iDes数组。
iDes数组表示如下:[iDes(1),iDes(2),...,iDes(i),...iDes(M)];iDes(1)存储1跳邻居节点数最多的节点序号,iDes(M)存储1跳邻居节点数最少的节点序号。如果有相等的1跳邻居节点个数,则按待分簇节点的序号从小到大存储;
步骤六、将网络中的待分簇节点按照iDes数组的先后顺序划分到具体的簇。
步骤601、依次取出iDes数组的某个元素iDes(i),选取该元素iDes(i)所在组的簇头节点head,并给邻居节点广播簇头消息clusterHeadMsg(head,clusterSet);
将元素iDes(i)节点的总权值和其1跳邻居节点的总权值逐一比较,选择总权值最小的节点作为元素iDes(i)所在组的簇头节点head;并将簇头节点以及簇头节点的邻居节点存储在簇集合clusterSeti中。如果有相等的总权值,则选节点序号较小的成为簇头;每个元素iDes(i)对应一个簇集合clusterSeti。
步骤602、1跳邻居节点p收到簇头消息后,判断1跳邻居节点p的簇头域是否为空,如果为空,进入步骤603;否则,簇头域非空,表明该节点已属于某个簇,不能成为簇头节点head的成员,丢弃此消息;
步骤603、判断节点p是否存在于簇集合clusterSet中,如果是,将节点p的簇头域标记为head,进入步骤604;否则丢弃此消息;
步骤604、节点p转发消息clusterHeadMsg(head,clusterSet)给节点p的所有1跳邻居节点,针对收到消息后的某个邻居节点q,判断节点q的簇头域是否为空,如果为空,进入步骤605;否则,簇头域非空,丢弃此消息;
步骤605、判断节点q是否存在于簇集合clusterSet中,如果是,将节点q的簇头域标记为head,并转发消息clusterHeadMsg(head,clusterSet)到节点q的所有1跳邻居节点;否则丢弃此消息;
步骤606、针对收到节点q转发消息的某个1跳邻居节点,继续判断簇头域是否为空,且邻居节点是否存在于簇集合clusterSet中;如果是,将邻居节点的簇头域标记为head;否则,簇头域非空,丢弃此消息。
步骤607、标记为head的邻居节点继续转发消息clusterHeadMsg(head,clusterSet) 并重复判断簇头域是否为空,且邻居节点是否存在于簇集合clusterSet中,直至将当前元素iDes(i)的簇集合clusterSet中所有邻居节点都划分完。
步骤608、iDes数组的当前元素iDes(i)分簇形成后,应用广度优先搜索算法更新未入簇节点的3个权值参数:未入簇节点的度;未入簇节点到邻居节点的平均距离和未分簇节点的相对移动性;
步骤609、选择iDes数组中的下一个元素,返回步骤601到步骤608,直至将所有元素完成全部分簇。
本发明的优点在于:
1)、一种基于感知器的自适应按需加权分簇方法,向网络中添加训练节点,利用感知器算法去感知整个网络的权值参数系数,而不是人为设置权值参数的系数,比传统的分簇方法更适合全自动化的时代。
2)、一种基于感知器的自适应按需加权分簇方法,将节点i的距离权值参数Di修正为节点i到其2跳邻居节点的平均距离,使簇头的选择竞争更加合理。
3)、一种基于感知器的自适应按需加权分簇方法,选择节点的相对速度而不是绝对速度来表示节点的移动性。同时,考虑到接收到的信号质量,增加发射功率的权值参数;使簇的生成过程考虑的因素更加全面。
4)一种基于感知器的自适应按需加权分簇方法,是在现有分簇方法AOW在最小化分簇计算开销、最大化负载均衡因子等矛盾间折衷考虑。扁平化通信模式,信息比特流先到簇头,再到簇成员;充分利用两层分级结构极大地简化了网络的结构,减少了通信时延。
附图说明
图1是根据移动性Mobility权值参数Mi的旧簇头变慢示意图;
图2是本发明一种基于感知器的自适应按需加权分簇方法流程图;
图3是本发明获取网络中的每个待分簇节点5个权值参数方法流程图;
图4是本发明将网络中的待分簇节点划分到具体的簇方法流程图;
图5是本发明节点广度优先搜索2跳邻居节点示意图;
图6是本发明分簇前的邻居关系节点分布图;
图7是本发明权值系数随迭代次数变化曲线图;
图8是本发明分簇后的分簇示意图;
图9是本发明簇的个数随节点总数变化曲线图;
图10是本发明簇内平均节点个数随节点总数变化曲线图;
图11是本发明负载均衡因子随节点间最大通信距离变化曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
一种基于感知器的自适应按需加权分簇方法,简称PerAOW(Perceptron-basedAdaptive On-demand Weighted algorithm),如图2所示,具体步骤如下:
步骤一、在网络中投放已知分簇关系和权值参数的训练节点,通过感知器算法确定权值参数的系数;
训练节点数量表示为:1,2,...s,...N;N为训练节点的总数,为整数;本实施例N为20。
如图6所示,组圆点{1,2,3,4,5}代表4组训练节点,节点5是簇头节点,节点 {1,2,3,4}是成员节点。所有训练节点的权值参数系数都相同,权值参数的系数分别为:节点度的系数C1、节点到邻居平均距离的系数C2、节点的移动性的系数C3、节点的剩余电量的系数C4和节点发射功率的系数C5。
感知器算法简写成数学模型,通过已知权值参数的矩阵和分簇关系的矩阵求矩阵方程的解得到。
分簇关系的矩阵中的元素为b[s]表示:第s个训练节点的通过待测网络已知输出值:
具体为:感知器算法和自适应滤波器原理类似,已知训练节点的输入为权值参数的矩阵真实输出值为分簇关系的矩阵和通过待测网络后测试输出矩阵利用反过来求***传输函数用第s个训练节点的通过待测网络已知输出值b[s]和第s个训练节点的通过待测网络后测试输出值Output[s]的差值来修正***参数,如果b[s] 和Output[s]相差较大,就修正***的幅度大一些;如果b[s]和Output[s]相差较小,就修正***的幅度小一些,从而实现网络的快速自适应调节。
步骤二、针对网络中的待分簇节点,获取每个待分簇节点i的5个权值参数;
待分簇节点分别为1,2,...i,...M;M为待分簇节点的总数,为整数。
网络初始化,待分簇节点i通过周期性的广播“hello(i,xi,yi,zi)”消息,同理,节点i收到邻居节点j发送的消息hello(j,xj,yj,zj)后,即可知道节点i的5个权值参数, 如图3所示,具体详细步骤描述如下:
步骤201、针对待分簇节点i,在初始化阶段周期性地广播“hello(i,xi,yi,zi)”消息给邻居节点;
“hello(i,xi,yi,zi)”消息携带了节点i标识信息和位置坐标(xi,yi,zi)。
步骤202、若节点i收到节点j发送“hello(j,xj,yj,zj)”消息,则节点j为节点i的 1跳邻居节点;
邻居节点包括1跳邻居节点和2跳邻居节点,其中1跳邻居节点指与节点i直接相连的节点,2跳邻居节点是指与1跳邻居节点直接相连的节点。
步骤203、节点i建立1跳邻居节点表,存储1跳邻居节点j的信息;
“hello(j,xj,yj,zj)”消息携带了节点j标识信息和位置坐标(xj,yj,zj)。
步骤204、根据1跳邻居节点j信息,分别计算节点i的5个权值参数;
5个权值参数分别为:待分簇节点i的度Δi,待分簇节点i到邻居节点的平均距离Di,待分簇节点i的移动性Mi,待分簇节点i的剩余电量Ei,待分簇节点i的天线发射功率Pi。
1)、待分簇节点i的度Δi是指:节点i收到消息“hello(j,xj,yj,zj)”的邻居j数量的剩余节点数量;
其中Neb1(i)表示节点i的1跳邻居节点集;j∈Neb1(i)表示节点j是待分簇节点i的1跳邻居节点。
2)、待分簇节点i到邻居节点的平均距离Di是指:节点i到其2跳邻居节点的平均距离;
Di的权值用如下公式计算。
其中节点i到节点j的距离为Dis(i,k)表
示节点i与节点k之间的距离;k∈Neb2(i)表示节点k是节点i的2跳邻居节点; Neb2(i)表示
节点i的2跳邻居节点集;Num{Neb1(i)}表示节点i的1跳邻居节点集的节点个数。2跳由广度
优先搜索的复杂度为节点数的平方级决定。k∈Neb1(j)表示节点k是待分簇节点j的1跳邻
居节点,即待分簇节点i的2跳邻居节点集包含待分簇节点i的1跳邻居节
点集。
如图5所示,在簇cluster={11,15,21}中,分别以节点15和21开始的广度优先搜索如下:
在节点15广搜的过程中,15的距离权值为:
在节点21广搜的过程中,21的距离权值为:
D21<D15显然21比15更适合做簇头。相反,如果计算D15中和计算D21不除以1 跳邻居数,会导致D21=D15簇头不确定或会选序号小的15。
3)、待分簇节点i的移动性Mi,表示节点ii相对于其1跳邻居节点的相对速度; Mi的计算公式如下:
选择节点的相对速度而不是绝对速度来表示节点的移动性;节点i通过计算来自某一邻居节点j的接收功率来确定相对移动性指标Ri(j),且定义节点i的相对速度(Relative velocity)函数其中表示当前t时刻节点i收到来自节点j的接收功率,表示上一分簇过程初始化t-1时刻节点i收到来自节点j的 hello(j,xj,yj,zj)消息的接收功率。
通过计算节点i和所有1跳邻居节点j(其中j∈Neb1(i))的相对移动性的绝对值平均值来得到节点i的移动性Mi,该绝对值越小,表示测量前后功率变化越小,该节点越稳定。修正后的Mi越小,说明节点相对于邻居节点的移动性越低,越适合做簇头。而又功率测量电路现实中简单易行,表明此节点移动性参数Mi可容易得到。
4)、待分簇节点i的剩余电量Ei,指节点i的电池消耗电量;是由节点i上的电池总电量减去剩余电量得到;
5)、待分簇节点i的发射功率Pi,由节点i的天线参数获得;
考虑到不同的天线长度的发射功率不同,而对单条链路而言,由路径损耗公式可知:
[Los](dB)=32.44+20lgd(km)+20lgf(MHz)
接收到的信号质量与发射功率Pi、通信距离d、信号频率f有关,又归一化后的待分簇节点i到邻居节点平均距离已考虑通信距离d,因此还需考虑节点发射功率大的节点做簇头,所以本发明PerAOW在AOW算法的4个权值参数(节点的度Δi,节点到邻居平均距离Di,节点的移动性Mi,节点的剩余电量Ei)的基础上引入第5 个权值参数节点发射功率Pi。
步骤三、针对待分簇节点i,将5个权值参数分别归一化;
归一化公式如下:
上式中,Δi表示待分簇节点i的度,Δmin表示网络中所有待分簇节点度的最小值,Δmax表示网络中所有待分簇节点度的最大值,则表示待分簇节点i归一化的度。
Dmin表示网络中所有待分簇节点到邻居节点平均距离的最小值,Dmax表示网络中所有待分簇节点到邻居节点平均距离的最大值,则表示待分簇节点i到邻居节点平均距离的归一化值。
Mmin表示网络中所有待分簇节点相对于其1跳邻居节点的相对速度的最小值, Mmax表示网络中所有待分簇节点相对于其1跳邻居节点的相对速度的最大值,则表示待分簇节点i到邻居节点平均距离的归一化值。
Emin表示网络中所有待分簇节点电池消耗电量的最小值,Emax表示网络中所有待分簇节点电池消耗电量的最大值,则表示待分簇节点i归一化的电池消耗电量。
Pmin表示网络中所有待分簇节点天线发射功率的最小值,Pmax表示网络中所有待分簇节点天线发射功率的最大值,则表示待分簇节点i归一化的天线发射功率。
步骤四、针对待分簇节点i,根据5个权值参数的系数和归一化后的5个权值参数计算节点i的总权值Wi;
步骤五、针对网络中所有待分簇节点,按每个待分簇节点的1跳邻居节点的个数从大到小排序,将排序后的待分簇节点序号存入iDes数组。
为了无线通信网络频率规划尽可能使簇的个数少些,先处理1跳邻居节点多的节点,网络中所有节点按1跳邻居节点个数降序排序后,节点序号存入iDes数组。
iDes数组表示如下:[iDes(1),iDes(2),...,iDes(i),...iDes(M)];iDes(1)存储1跳邻居节点数最多节点的序号,iDes(2)存储1跳邻居节点数次多节点的序号,直到iDes(M) 存储1跳邻居节点数最少节点的序号;如果有相等的1跳邻居节点个数,则按待分簇节点的序号从小到大存储。
如图6所示,网络中待分簇节点总共为30个,节点18的1跳邻居节点数最多,绕节点18周围逆时针方向的1跳邻居为{7,13,6,25,16,5,20,19}共8个,则iDes(1)=18。节点19的邻居节点,绕节点19周围逆时针方向的1跳邻居为{18,13,6,16,5,20,9}共7 个,则iDes(2)=19。依次将网络中待分簇节点序号存入iDes数组,直到邻居节点数最少的27节点,1跳邻居为{8}只有1个,则iDes(30)=27。
步骤六、将网络中的待分簇节点按照iDes数组的先后顺序划分到具体的簇。
如图4所示,具体步骤如下:
步骤601、依次取出iDes数组的某个元素iDes(i),选取该元素iDes(i)所在组的簇头节点head,并给邻居节点广播簇头消息clusterHeadMsg(head,clusterSet);
将元素iDes(i)节点的总权值和其1跳邻居节点的总权值逐一比较,选择总权值最小的节点作为元素iDes(i)所在组的簇头节点head;并将簇头节点以及簇头节点的邻居节点存储在簇集合clusterSeti中。
如图6所示,簇头节点13的簇集合clusterSet={7,13,6,25,16,5,20,19}∪{18};
如果有相等的总权值,则选节点序号较小的成为簇头;每个元素iDes(i)对应一个簇集合clusterSeti。
选择总权值最小是因为综合考虑5个权值参数,使节点的度最小的节点,到邻居节点的平均距离最小的节点,节点移动性最小的节点,消耗的电量最小的节点,发射功率最大的节点才适合做簇头。
如图6所示,取出iDes数组的第一个元素iDes(1)=18,节点18在邻居表中取出 1跳邻居为{7,13,6,25,16,5,20,19}。通过逐一比较节点18的总权值和8个1跳邻居的总权值,如表1描述了第一个簇形成前,待分簇节点序号对应的总权值,可知节点 13的总权值最小,则节点13为clusterSet={7,13,6,25,16,5,20,19}∪{18}这9个节点的簇头。
表1
节点序号 | 1 | 2 | 3 | 4 | 5 | 6 |
节点总权值 | 0.12972 | 0.1222949 | 0.128968 | 0.078718 | 0.131171 | 0.120748 |
节点序号 | 7 | 8 | 9 | 10 | 11 | 12 |
节点总权值 | 0.118451 | 0.037254 | 0.112003 | 0.10626 | 0.075406 | 0.135006 |
节点序号 | 13 | 14 | 15 | 16 | 17 | 18 |
节点总权值 | 0.093497 | 0.086039 | 0.106907 | 0.138886 | 0.095303 | 0.131045 |
节点序号 | 19 | 20 | 21 | 22 | 23 | 24 |
节点总权值 | 0.130797 | 0.133277 | 0.141358 | 0.143312 | 0.115939 | 0.075684 |
节点序号 | 25 | 26 | 27 | 28 | 29 | 30 |
节点总权值 | 0.123095 | 0.090999 | 0.018386 | 0.108362 | 0.110212 | 0.128756 |
步骤602、1跳邻居节点p收到簇头消息后,判断1跳邻居节点p的簇头域是否为空,如果为空,进入步骤603;否则,簇头域非空,表明该节点已属于某个簇,不能成为簇头节点head的成员,丢弃此消息;
假设节点p是簇头节点head的某一个1跳(1-hop)邻居,节点q是节点p的某一个1跳(1-hop)邻居,但不是簇头节点head的1跳(1-hop)邻居,所以节点q是簇头节点head的2跳(2-hop)邻居。
簇头节点head广播消息clusterHeadMsg(head,clusterSet),假设簇头节点head的其某一个1跳(1-hop)邻居p收到此消息后,先判断p节点的簇头域是否为空,若为非空,丢弃此消息;
步骤603、判断节点p是否存在于簇集合clusterSet中,如果是,将节点p的簇头域标记为head,进入步骤604;否则丢弃此消息;
节点p的簇头域为空,进一步判断节点p自己是否在消息携带的clusterSet中,若不在,丢弃此消息;
步骤604、节点p转发消息clusterHeadMsg(head,clusterSet)给节点p的所有1跳邻居节点,针对收到消息后的某个邻居节点q,判断节点q的簇头域是否为空,如果为空,进入步骤605;否则,簇头域非空,丢弃此消息;
节点p自己在消息携带的clusterSet中,将节点p自己的簇头域标识设为head, 同时转发广播消息clusterHeadMs(g hea,d clusterS)e广t播给节点p的所有1跳邻居节点。若节点p的某一个1跳(1-hop)邻居节点q收到此消息后,同理,节点q先判断自己的簇头域是否为空,若为空,丢弃此消息;
步骤605、判断节点q是否存在于簇集合clusterSet中,如果是,将节点q的簇头域标记为head,并转发消息clusterHeadMsg(head,clusterSet)到节点q的所有1跳邻居节点;否则丢弃此消息;
节点q的簇头域非空,进一步判断判断节点q自己是否在clusterSet中,若不在,丢弃此消息;若在,将节点q自己的簇头域标识设为head,并转发到节点q的1跳 (1-hop)邻居节点。
步骤606、针对收到节点q转发消息的某个1跳邻居节点,继续判断簇头域是否为空,且邻居节点是否存在于簇集合clusterSet中;如果是,将邻居节点的簇头域标记为head;否则,簇头域非空,丢弃此消息。
步骤607、标记为head的邻居节点继续转发消息clusterHeadMsg(head,clusterSet) 并重复判断簇头域是否为空,且邻居节点是否存在于簇集合clusterSet中,直至将当前元素iDes(i)的簇集合clusterSet中所有邻居节点都划分到某簇。
这样一直不断转发,由簇头域为空和是否在clusterSet的两个判断限制,每条消息最多经过多跳以后的转发会被丢弃;直至clusterSet所有节点都属于某个簇为止,该簇才算生成成功。
如图6所示,簇头节点13广播消息clusterHeadMsg(13,clusterSet)给邻居节点;
clusterSet={7,13,6,25,16,5,20,19}∪{18},节点7收到此广播信息后,先判断节点7自己的簇头域是否为空,由于此clusterSet是第一个簇,所有节点的簇头域为空,所以再判断节点7是否在clusterSet中,发现7在,所以节点7将自己的簇头域标记为13,同时转发clusterHeadMsg(13,clusterSet)消息到7的邻居节点{6,13,18,19},节点6满足簇头域为空,且存在于簇集合clusterSet中,所以节点6的簇头域被标记为13,节点6再转发此消息到节点6的邻居节点{7,13,16,18,19,25},节点7的簇头域非空,直接扔弃此消息。节点13的簇头域非空,直接扔弃此消息。节点16簇头域为空,且在clusterSet中,节点16的簇头域被标记为13;节点16再转发此消息到节点16的邻居节点 {7,13,16,18,19,25},逐步进行相同的两步判断;直至将clusterSet中其他节点加入以13 为簇头的簇。
这样分簇的好处是:由骨干网而来的信息比特先经过簇头节点13,然后由簇头广播到clusterSet中的成员节点,这样有序的两层分级结构极大的简化了网络的结构,减少了通信时延。
步骤608、iDes数组的当前元素iDes(i)分簇形成后,应用广度优先搜索算法更新未入簇节点的3个权值参数:未入簇节点的度;未入簇节点到邻居节点的平均距离和未分簇节点的相对移动性;
由于每个簇形成后,有些节点已属于某些簇,不能成为下一个簇的成员节点了,同时也对待分簇节点的1跳邻居的数量、1跳邻居平均距离、相对移动性共3个参数有影响,所以要更新待分簇节点的前3权值参数,应用成熟的广度优先搜索算法对未入簇节点的邻居信息和权值进行更新,再开始下一个簇的生成过程。
步骤609、选择iDes数组中的下一个元素,返回步骤601到步骤608,直至将所有元素完成全部分簇。
具体实施例:
在1000米*1000米的网络中,随机放置30个节点,节点的速度在(0,800公里/ 小时)随机分布,簇头电量消耗速度是每秒消耗设备总电量的0.04%,普通成员节点电量消耗速度是每秒消耗设备总电量的0.01%,假设节点的初始电量都相同。可作为邻居通信的最大距离为250米,则分簇前的邻居图如图6所示:
图6中黑色数字标号的节点{1,2,3…28,29,30}为待分簇的节点。有三角形相连的节点间为节点间距离小于250米的邻居距离门限,因此线段两端的节点可作为邻居。图6中用圆点相连的4组节点{1,2,3,4,5}为在网络中投放用于确定权值参数系数的训练节点,已知了这些训练节点的分簇关系(节点5为节点{1,2,3,4}的簇头),通过感知器算法确定权值参数的系数C1、C2、C3、C4、C5,迭代过程如图7所示。
20个训练节点在25次迭代后,最终结果:
{C1,C2,C3,C4,C5}={0.02109,0.77329,0.042728,0.059707,0.11424}。虽然输入该感知器的训练样本线性不可分,但用超平面感知器映射到高维空间后线性可分,所以输出收敛。可见节点到邻居节点的平均距离占得权重 最大。
分簇的结果如图8所示:4组圆点{1,2,3,4,5}为训练节点。数字标号的节点 {1,2,3…28,29,30}为已分簇的节点,正方形标出的节点为簇头节点,三角形标出的节点为成员节点,正方形节点和三角形节点线段相连表示簇头节点与其成员节点的关系,三角形节点和三角形节点相连表示成员节点的转发关系。
将本发明PerAOW方法的分簇与传统的AOW算法的分簇结果比较,簇的个数随节点总数变化曲线图如图9所示,当节点个数从10到150变化时,网络中随机初始化的节点采用PerAOW分簇方法簇的个数小于相同仿真参数环境下传统AOW分簇方法簇的个数。这说明PerAOW分簇方法有利于频谱资源紧缺的无线网络。究其原因是因为 PerAOW分簇方法在分簇之前,先将网络中的节点按邻居节点个数进行排序,先处理邻居节点多的节点,再处理邻居节点少的节点,以至于大簇不会因分簇而分散,这样能极大的减少簇的个数。需要另外说明的是:节点数为70时,AOW分簇算法出现的尖峰是因为网络随机初始化时节点间离散程度特别大,这在现实环境中也是存在的,导致簇的数目较多。
簇内平均节点个数随节点总数变化曲线图如图10所示,当节点个数从10到150 变化时,网络中随机初始化的节点采用PerAOW分簇方法簇的簇内平均节点个数大于相同仿真参数环境下传统AOW分簇方法簇的个数。这是因为PerAOW方法修正权值计算公式后,使权值比较更加精确,同时PerAOW方法将权值参数归一化后,使不同节点间的权值比较更加合理,否则会出现不同单位的量相加毫无意义。这同时与图9是相互呼应的。PerAOW方法分簇的个数少,必然会致使PerAOW方法分簇的簇内平均节点个数多。
为了量化簇头负载的均衡程度,而引入了负载均衡因子Load Balancing Factor(LBF)。LBF定义为簇内成员节点数(不包括簇头)的方差的倒数,即
其中nc是分簇后网络中簇的数量,Xi是第i个簇的成员节点数,表示网络中每个簇头的平均邻居节点数,N是网络中所有节点的数目。由LBF定义表示方差的倒数可知,LBF越大代表网络的负载均衡性能越好。在最理想的情况下(网络均匀分布),此时Xi=u,LBF趋向无穷大。
负载均衡因子随节点间最大通信距离的变化曲线图如图11所示,从仿真图11可以看出,在相同的仿真参数环境下,PerAOW的负载均衡因子大于传统AOW,优势在于本发明充分利用了感知器算法去感知网络的特性(特别是权值系数),而不是人为的设置权值系数,充分利用了感知器算法的“自学***衡的***。
Claims (5)
1.一种基于感知器的自适应按需加权分簇方法,其特征在于,包括以下步骤:
步骤一、在网络中投放已知分簇关系和权值参数的训练节点,通过感知器算法确定所有训练节点权值参数的系数;
所有训练节点的权值参数系数都相同,分别为:节点度的系数C1、节点到邻居节点平均距离的系数C2、节点的移动性的系数C3、节点的剩余电量的系数C4和节点发射功率的系数C5;
步骤二、针对网络中的待分簇节点,获取每个待分簇节点i的5个权值参数;
5个权值参数分别为:待分簇节点i的度Δi,待分簇节点i到邻居节点的平均距离Di,待分簇节点i的移动性Mi,待分簇节点i的剩余电量Ei,待分簇节点i的天线发射功率Pi;
步骤三、针对待分簇节点i,将5个权值参数分别归一化;
归一化公式如下:
上式中,Δmin表示网络中所有待分簇节点度的最小值,Δmax表示网络中所有待分簇节点度的最大值,表示待分簇节点i归一化的度;
Dmin表示网络中所有待分簇节点到邻居节点平均距离的最小值,Dmax表示网络中所有待分簇节点到邻居节点平均距离的最大值,表示待分簇节点i到邻居节点平均距离的归一化值;
Mmin表示网络中所有待分簇节点相对于其1跳邻居节点的相对移动性的最小值,Mmax表示网络中所有待分簇节点相对于其1跳邻居节点的相对移动性的最大值,表示待分簇节点i相对于其1跳邻居节点相对移动性的归一化值;
Emin表示网络中所有待分簇节点电池消耗电量的最小值,Emax表示网络中所有待分簇节点电池消耗电量的最大值,表示待分簇节点i归一化的电池消耗电量;
Pmin表示网络中所有待分簇节点天线发射功率的最小值,Pmax表示网络中所有待分簇节点天线发射功率的最大值,表示待分簇节点i归一化的天线发射功率;
步骤四、针对待分簇节点i,根据5个权值参数的系数和归一化后的5个权值参数计算节点i的总权值Wi;
步骤五、针对网络中所有待分簇节点,按每个待分簇节点的1跳邻居节点的个数从大到小排序,将排序后的待分簇节点序号存入iDes数组;
步骤六、将网络中的待分簇节点按照iDes数组的先后顺序划分到具体的簇;
步骤601、依次取出iDes数组的某个元素iDes(i),选取该元素iDes(i)所在组的簇头节点head,并给邻居节点广播簇头消息clusterHeadMsg(head,clusterSet);
步骤602、1跳邻居节点p收到簇头消息后,判断1跳邻居节点p的簇头域是否为空,如果为空,进入步骤603;否则,簇头域非空,丢弃此消息;
步骤603、判断节点p是否存在于簇集合clusterSet中,如果是,将节点p的簇头域标记为head,进入步骤604;否则丢弃此消息;
步骤604、节点p转发消息clusterHeadMsg(head,clusterSet)给节点p的所有1跳邻居节点,针对收到消息后的某个邻居节点q,判断节点q的簇头域是否为空,如果为空,进入步骤605;否则,簇头域非空,丢弃此消息;
步骤605、判断节点q是否存在于簇集合clusterSet中,如果是,将节点q的簇头域标记为head,并转发消息clusterHeadMsg(head,clusterSet)到节点q的所有1跳邻居节点;否则丢弃此消息;
步骤606、针对收到节点q转发消息的某个1跳邻居节点,继续判断簇头域是否为空,且邻居节点是否存在于簇集合clusterSet中;如果是,将邻居节点的簇头域标记为head;否则,簇头域非空,丢弃此消息;
步骤607、标记为head的邻居节点继续转发消息clusterHeadMsg(head,clusterSet)并重复判断簇头域是否为空,且邻居节点是否存在于簇集合clusterSet中,直至将当前元素iDes(i)的簇集合clusterSet中所有邻居节点都划分完;
步骤608、iDes数组的当前元素iDes(i)分簇形成后,应用广度优先搜索算法更新未入簇节点的3个权值参数:未入簇节点的度;未入簇节点到邻居节点的平均距离和未分簇节点的相对移动性;
步骤609、选择iDes数组中的下一个元素,返回步骤601到步骤608,直至将所有元素完成全部分簇。
2.如权利要求1所述的一种基于感知器的自适应按需加权分簇方法,其特征在于,所述的步骤二中具体为:
步骤201、针对待分簇节点i,在初始化阶段周期性地广播“hello(i,xi,yi,zi)”消息给邻居节点;
步骤202、若节点i收到节点j发送“hello(j,xj,yj,zj)”消息,则节点j为节点i的1跳邻居节点;
步骤203、节点i建立1跳邻居节点表,存储1跳邻居节点j的信息;
步骤204、根据1跳邻居节点j信息,分别计算节点i的5个权值参数;
1)、待分簇节点i的度Δi是指:节点i收到消息“hello(j,xj,yj,zj)”的邻居j数量后的剩余节点数量;
其中Neb1(i)表示节点i的1跳邻居节点集;j∈Neb1(i)表示节点j是待分簇节点i的1跳邻居节点;M为待分簇节点的总数,为整数;
2)、待分簇节点i到邻居节点的平均距离Di是指:节点i到其2跳邻居节点的平均距离;
Di的权值修正如下:
Dis(i,k)表示节点i与节点k之间的距离;k∈Neb2(i)表示节点k是节点i的2跳邻居节点;Neb2(i)表示节点i的2跳邻居节点集;Num{Neb1(i)}表示节点i的1跳邻居节点集的节点个数;k∈Neb1(j)表示节点k是待分簇节点j的1跳邻居节点,
3)、待分簇节点i的移动性Mi,表示节点i相对于其1跳邻居节点的相对速度;
Mi的计算公式如下:
Ri(j)是节点i相对于其所有1跳邻居节点j的相对速度函数,表示相对移动性指标:
其中Pt ij表示当前t时刻节点i收到来自节点j的hello(j,xj,yj,zj)消息的接收功率,表示上一分簇过程初始化t-1时刻节点i收到来自节点j的hello(j,xj,yj,zj)消息的接收功率;
4)、待分簇节点i的剩余电量Ei,是由节点i上的电池总电量减去剩余电量得到;
5)、待分簇节点i的发射功率Pi,由节点i的天线参数获得。
3.如权利要求2所述的一种基于感知器的自适应按需加权分簇方法,其特征在于,所述的1跳邻居节点指与节点i直接相连的节点;2跳邻居节点指与1跳邻居节点直接相连的节点。
4.如权利要求1所述的一种基于感知器的自适应按需加权分簇方法,其特征在于,步骤五中,iDes数组表示如下:[iDes(1),iDes(2),...,iDes(i),...iDes(M)];如果有相等的1跳邻居节点个数,则按待分簇节点的序号从小到大存储。
5.如权利要求1所述的一种基于感知器的自适应按需加权分簇方法,其特征在于,所述的步骤601具体为:将元素iDes(i)节点的总权值和其1跳邻居节点的总权值逐一比较,选择总权值最小的节点作为元素iDes(i)所在组的簇头节点head;并将簇头节点以及簇头节点的邻居节点存储在簇集合clusterSeti中;如果有相等的总权值,则选节点序号较小的成为簇头;每个元素iDes(i)对应一个簇集合clusterSeti。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610059876.2A CN105744566B (zh) | 2016-01-28 | 2016-01-28 | 一种基于感知器的自适应按需加权分簇方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610059876.2A CN105744566B (zh) | 2016-01-28 | 2016-01-28 | 一种基于感知器的自适应按需加权分簇方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105744566A CN105744566A (zh) | 2016-07-06 |
CN105744566B true CN105744566B (zh) | 2019-05-03 |
Family
ID=56247887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610059876.2A Active CN105744566B (zh) | 2016-01-28 | 2016-01-28 | 一种基于感知器的自适应按需加权分簇方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105744566B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107426794A (zh) * | 2017-03-17 | 2017-12-01 | 兰州交通大学 | 一种适用于vanet网络的组合加权簇头选取方法 |
CN110048945B (zh) * | 2019-04-24 | 2021-03-02 | 湖南城市学院 | 一种节点移动性分簇方法及*** |
CN110234146B (zh) * | 2019-05-25 | 2022-12-13 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 适用于自组织网络的分布式自适应分簇方法 |
CN111107603B (zh) * | 2019-12-31 | 2022-04-19 | 西安电子科技大学 | 提升分布式多跳网络可用性的分簇管理方法 |
CN112261665B (zh) * | 2020-10-15 | 2022-10-14 | 天津津航计算技术研究所 | 一种自组织网络的组网方法 |
CN113191505B (zh) * | 2021-05-21 | 2022-05-20 | 电子科技大学 | 一种地理分布式机器学习参数服务器放置方法 |
CN113965948A (zh) * | 2021-12-02 | 2022-01-21 | 辽宁铭钉科技有限公司 | 一种基于自适应分簇网络的传感器数据采集方法 |
CN115396981B (zh) * | 2022-10-28 | 2023-01-17 | 吉林信息安全测评中心 | 一种基于大数据技术的智能监测*** |
CN116074991A (zh) * | 2023-01-10 | 2023-05-05 | 中国人民解放军海军工程大学 | 一种基于K-means++聚类算法的智能集群分簇方法 |
CN117053851B (zh) * | 2023-08-21 | 2024-02-13 | 山东正赢电力工程有限公司 | 一种智能的仪表检测与控制*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101754321A (zh) * | 2009-11-27 | 2010-06-23 | 西安电子科技大学 | 基于mimo链路的认知路由方法 |
CN102970722A (zh) * | 2012-12-10 | 2013-03-13 | 北京科技大学 | 一种低时延的容迟容断传感器网络的组播路由算法 |
CN103124421A (zh) * | 2012-12-12 | 2013-05-29 | 南京邮电大学 | 一种无线传感器网络中移动节点的分簇方法 |
CN103874163A (zh) * | 2014-04-02 | 2014-06-18 | 赵永翼 | 基于能耗均衡的无线传感器网络分簇方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
US10075384B2 (en) * | 2013-03-15 | 2018-09-11 | Advanced Elemental Technologies, Inc. | Purposeful computing |
-
2016
- 2016-01-28 CN CN201610059876.2A patent/CN105744566B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101754321A (zh) * | 2009-11-27 | 2010-06-23 | 西安电子科技大学 | 基于mimo链路的认知路由方法 |
CN102970722A (zh) * | 2012-12-10 | 2013-03-13 | 北京科技大学 | 一种低时延的容迟容断传感器网络的组播路由算法 |
CN103124421A (zh) * | 2012-12-12 | 2013-05-29 | 南京邮电大学 | 一种无线传感器网络中移动节点的分簇方法 |
CN103874163A (zh) * | 2014-04-02 | 2014-06-18 | 赵永翼 | 基于能耗均衡的无线传感器网络分簇方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105744566A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105744566B (zh) | 一种基于感知器的自适应按需加权分簇方法 | |
Huang et al. | Cluster-based cooperative caching with mobility prediction in vehicular named data networking | |
CN108112049B (zh) | 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 | |
Ma et al. | Opportunities in mobile crowd sensing | |
Kuklinski et al. | Density based clustering algorithm for vehicular ad-hoc networks | |
CN109583665B (zh) | 一种无线传感器网络中的无人机充电任务调度方法 | |
CN112902969B (zh) | 一种无人机在数据收集过程中的路径规划方法 | |
CN102523617B (zh) | 基于节点通信半径和信标节点分布的改进型DV-Hop算法 | |
Hu et al. | An immune orthogonal learning particle swarm optimisation algorithm for routing recovery of wireless sensor networks with mobile sink | |
Khan et al. | Intelligent cluster routing scheme for flying ad hoc networks | |
Sangeetha et al. | An improved congestion-aware routing mechanism in sensor networks using fuzzy rule sets | |
Chandrashekar et al. | Providing full connectivity in large ad-hoc networks by dynamic placement of aerial platforms | |
Li et al. | Adaptive vehicular routing protocol based on ant colony optimization | |
CN107148064A (zh) | 一种基于粒子群的车载网络路由路径优化方法 | |
Fan et al. | Network selection based on evolutionary game and deep reinforcement learning in space-air-ground integrated network | |
Kazemi et al. | Optimum and reliable routing in VANETs: An opposition based ant colony algorithm scheme | |
CN116418730A (zh) | 一种基于关键节点的分布式可扩展智能路由方法 | |
CN108512754A (zh) | 一种基于移动sink的无线传感网分簇算法 | |
Dai et al. | Graph convolutional multi-agent reinforcement learning for UAV coverage control | |
CN105357681B (zh) | 基于多目标优化的物联网网关部署方法 | |
CN106658570A (zh) | 基于二次栅格划分的移动sink信息收集路径构建方法 | |
CN105025516A (zh) | 高动态环境下的移动状态累积加权路由方法 | |
CN108596778B (zh) | 一种基于兴趣空间的社区划分方法 | |
Rani et al. | Multiobjective sensor node deployment in wireless sensor networks | |
Murugeswari et al. | Bio‐inspired Mimosa pudica algorithm for energy‐efficient wireless video sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |