CN107295453A - 一种无线传感器网络数据融合方法 - Google Patents
一种无线传感器网络数据融合方法 Download PDFInfo
- Publication number
- CN107295453A CN107295453A CN201610197432.5A CN201610197432A CN107295453A CN 107295453 A CN107295453 A CN 107295453A CN 201610197432 A CN201610197432 A CN 201610197432A CN 107295453 A CN107295453 A CN 107295453A
- Authority
- CN
- China
- Prior art keywords
- node
- cluster head
- cluster
- data
- sensor
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000001537 neural effect Effects 0.000 claims abstract description 3
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 62
- 241000254158 Lampyridae Species 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 10
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 abstract description 8
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 241000131894 Lampyris noctiluca Species 0.000 abstract 1
- 238000004220 aggregation Methods 0.000 abstract 1
- 230000002776 aggregation Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
Classifications
-
- 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
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
- H04W52/0219—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave where the power saving management affects multiple terminals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor 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)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明提出一种基于萤火虫算法优化RBF神经网络的无线传感器网络数据融合方法,每个传感器节点对其采集到的数据按照输入层神经元函数进行初步处理,获得少量的特征数据,然后将特征数据发送给其所在簇的簇头节点;簇头节点根据隐层神经元函数和输出层神经元函数对特征数据做进一步处理,获得融合后数据;簇头节点将融合后数据发送给汇聚节点。本发明能有效减少信息在网内的传输量,可以在降低传感器节点功耗的同时节省网络通信带宽。
Description
技术领域
本发明属于无线传感器网络技术领域,具体涉及一种基于萤火虫算法优化RBF神经网络的无线传感器网络数据融合方法。
背景技术
无线传感器网络是由部署在监测区域内大量传感器节点相互通信形成的多跳自组织网络***,是物联网底层网络的重要技术形式。由于传感器节点的体积小、资源非常有限,故在无线传感器网络覆盖区域内,传感器节点分分布往往具有高密性和分布不均匀性,使传感器节点采集的数据具有很高的冗余性。如果所有信息都发送到汇聚节点,会造成传感器节点能源消耗过快,严重缩短无线传感器网络的使用寿命。为了避免上述问题的产生,无线传感器网络在釆集数据的过程中需要使用数据融合技术,以减少信息在网内的传输量,可以在降低传感器节点功耗的同时节省网络通信带宽。
神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络***,它反映了人脑功能的许多基本特征,能够模拟人的大脑活动,具有极强的非线性逼近、分布式存储、大规模并行处理、自训练学习、自组织和容错能力等优点,特别适合处理需要同时考虑诸多因素和条件的、不精确和模糊的信息处理问题。无线传感器网络和神经网络有特别相似的地方:无线传感器网络中的传感器节点就好比神经元,具有感受和处理的功能;而无线传感器节点之间的连接则相当于连接神经元的突触,完成信号的传递。无线传感器网络的数据融合与神经网络具有一个共同的基本特征,即通过对大量的数据进行一定的运算和处理,得到能够反映这些数据特征的结论性的结果。因此,可以利用神经网络的方法来实现和解决无线传感器网络中的数据融合问题。神经网络用于无线传感器网络的数据融合已经被证明是非常有效的。
径向基函数神经网络是一种高效的前馈式神经网络,三层结构,它具有其他前向网络所不具有的最佳逼近性能和全局最优特性,并且结构简单,训练速度快.同时,它也是一种可以广泛应用于模式识别、故障诊断、非线性函数逼近等领域的神经网络模型。
发明内容
本发明的目的在于提出一种基于萤火虫算法优化RBF神经网络的无线传感器网络数据融合方法,有效减少信息在网内的传输量,可以在降低传感器节点功耗的同时节省网络通信带宽。
为了解决上述技术问题,本发明提供一种无线传感器网络数据融合方法,每个传感器节点对其采集到的数据按照输入层神经元函数进行初步处理,获得少量的特征数据,然后将特征数据发送给其所在簇的簇头节点;簇头节点根据隐层神经元函数和输出层神经元函数对特征数据做进一步处理,获得融合后数据;簇头节点将融合后数据发送给汇聚节点。
进一步,上述方法的步骤为:簇头向汇聚节点传送其簇内传感器节点信息表;汇聚节点依据簇头及其簇内传感器节点信息,构造RBF神经网络;RBF神经网络检索样本数据库,搜集与簇成员信息匹配的样本进行训练,从而生成相应簇的神经网络参数;汇聚节点将基于萤火虫优化的RBF神经网络各神经元参数发送给对应传感器节点;分簇稳定工作后,簇头对接收信息进行融合并向汇聚节点传递融合后数据。
进一步,在无线传感器网络中选取簇头以及对传感器节点分簇的方法为:在每一轮簇的初始阶段,每个传感器节点随机生成一个[0,1]之间的数值,如果所述数值小于设置的阈值T(n),则该传感器节点作为簇头,其中,已经当过簇头的传感器节点的阈值T(n)为0;选定簇头后,簇头通过广播告知其他不作为簇头的传感器节点其已成为簇头节点的消息,其他不作为簇头的传感器节点根据接收信号的强度加入相应的簇头从而形成簇集;簇头根据加入的传感器节点的数量建立了一个时分多址的通信方案,为簇内每个传感器节点分配了一定的通信时隙,簇内传感器节点在分配给自己的通信时隙内发送数据给簇头。
进一步,将整个无线传感器网络作为一个RBF神经***,将各传感器节点作为输入层的神经元,将簇头作为隐层神经元,运用萤火虫算法进行模糊聚类,确认所述神经网络的径向基中心和基宽,具体为:计算数据对象隶属于各聚类中心的隶属度;计算每只萤火虫的适应度参数值,并更新每只萤火虫的荧光素值;在每只萤火虫的决策域半径内,选择高于自身荧光素值的萤火虫构成动态决策域,用轮盘赌选择萤火虫,更新萤火虫位置;更新每只萤火虫动态决策域半径;判断是否达到最大迭代次数,若达到,则终止;否则返还继续计算每只萤火虫的适应度参数值。
本发明与现有技术相比,其显著优点在于,(1)通过优化传统的RBF神经网络与无线传感网络相结合,本数据融合方法在每个簇内对原始信息进行数据融合处理,使网络收敛加速、传感器节点能耗降低、无线传感网络的寿命显著延长;(2)本发明方法可以结合任何分簇路由协议,实现数据融合,可以有效地降低无线传感器网络的能耗,提高了网络的生存时间。
附图说明
图1是本发明具体实施方案中的一个无线传感器网络的示意图;
图2是本发明具体实施方案中数据融合过程示意图;
图3是本发明具体实施方案的流程图。
具体实施方式
容易理解,依据本发明的技术方案,在不变更本发明的实质精神的情况下,本领域的一般技术人员可以想象出本发无线传感器网络数据融合方法的多种实施方式。因此,以下具体实施方式和附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。
本发明所述基于萤火虫算法优化RBF神经网络的无线传感器网络数据融合方法,每个传感器节点对其采集到的数据按照输入层神经元函数进行初步处理,获得少量的特征数据,然后将特征数据发送给其所在簇的簇头节点;簇头节点根据隐层神经元函数和输出层神经元函数对特征数据做进一步处理,获得最终需要传递的数据,即融合后数据;簇头节点将融合后数据发送给汇聚节点。从无线传感器网络的整体来看,簇成员节点即各传感器节点相当于输入层的神经元,簇头节点则是起到汇聚作用的隐层神经元,而整个无线传感器网络则可以被看成是一个复杂的神经***。具体包括以下步骤:
步骤一、无线传感器网络中传感器节点分簇和簇头节点选取
1.1选择簇头节点。在每一轮簇的初始阶段,每个传感器节点都会随机生成一个[0,1]之间的数,如果这个数小于设置的阈值T(n),则对应的传感器节点将会被选为簇头,从而广播其成为簇头的消息。而当过簇头的传感器节点将阈值T(n)置为0。阈值T(n)如下式所示:
其中,p表示簇头节点的个数与无线传感器网络中所有传感器节点个数的百分比,r表示选取当前簇头所进行的“轮”数,n是传感器节点的个数,G表示一个集合,该集合中的元素是在1/P轮中还未当选过簇头的传感器节点。
1.2选定簇头节点后,簇头节点通过广播告知整个无线传感器网络中的其他不作为簇头节点的传感器节点其已成为簇头节点的消息,其他不作为簇头节点的传感器节点根据接收信号的强度决定加入相应的簇头节点从而形成簇集,并通知其加入的簇头节点;
1.3簇头节点根据加入的传感器节点的数量建立了一个时分多址(TDMA)的通信方案,为簇内的每个传感器节点分配了一定的通信时隙,并将该通信方案发送给簇内传感器节点。簇内传感器节点只有在自己的通信时隙内才能发送数据给簇头节点,为了节省传感器节点有限的能量,在其他时间内设置传感器节点的通信模块处于休眠状态;
1.4经过一段时间后进入下一轮数据融合,重新选取簇头,保持传感器节点能量消耗均衡。
这样,如附图1所示的基于分簇的无线传感网络就构建完成了。
为了进一步说明在无线传感网络中数据是如何传输的,仍以上述分簇的无线传感网络为例,附图2表示无线传感器网络数据融合的过程,(X1,X2,X3…Xn)是指簇内成员节点采集的数据,(Y1,Y2,Y3…Ym)是传递给汇聚节点的数据,w是隐含层与输出层的连接权值。附图3是具体实施方案的技术流程图:
步骤二,运用萤火虫算法进行模糊聚类,下面是优化RBF神经网络的具体过程
2.1计算数据对象隶属于各聚类中心的隶属度,在萤火虫模糊聚类中,给定数据集X={x1,x2,…xi…xn},其中xi为含d个属性的数据对象,每个萤火虫由各聚类中心构成,共c个聚类中心,每一只萤火虫的位置用聚类中心表示,其位置为向量V=(v1,v2,…vi…vc),其中vi为第i个聚类中心,uij表示数据对象xi隶属于vj的隶属的度,U=(uij)为隶属度矩阵,m模糊权重系数,其中隶属度计算公式如下所示;
2.2计算每只萤火虫的适应度参数值,计算公式如下:
并更新每只萤火虫的荧光素值,计算公式如下:
li(t)=(1-ρ)li(t-1)+γJ(xi(t))
其中,li(t)是第t代第i只萤火虫的的荧光素,n是数据集表示数据的个数,nc为聚类样本数,yi为第i个样本,J(xi(t))代表所有数据到聚类中心cj(t)(j=1,2,…,n)的最小值,聚类的最优结果是所有的萤火虫群的适应度函数取最小值,xi(t)代表第t代第i只萤火虫的位置,J(xi(t))适应度函数值转换为荧光素,其中,ρ和γ分别为控制荧光素值、评价函数值的参数,取值在0到1之间。
2.3在每只萤火虫的决策域半径内,选择高于自身荧光素值的萤火虫构成动态决策域,计算每只萤火虫移动的概率,计算公式如下:
并更新萤火虫位置,新的萤火虫位置为xi(t+1),计算公式如下
其中,Pij(t)是指向决策域内每只萤火虫j移动概率,dij(t)为第t代萤火虫i与萤火虫j之间距离,为第t代萤火虫i的动态决策域半径,lj(t)是经过概率选择出的动态决策域萤火虫j的荧光素值,Ni(t)是第t代萤火虫i的动态决策域。
2.4更新每只萤火虫动态决策域半径。萤火虫的动态决策域半径取决于当前动态决策域半径的变化和个体感知半径,更新每只萤火虫动态决策域半径的方法如下公式所示:
其中,是第t代萤火虫i的感知半径,rs表示萤火虫初始感知半径,β表示动态决策域更新因子,nt表示动态决策域的初始阈值,|Ni(t)|表示动态决策域内的萤火虫数。
2.5判断是否达到最大迭代次数,若达到,则终止;否则转向步骤2.2。
步骤三、训练RBF神经网络的隐含层到输出层之间的权值
3.1计算隐含层的输出矩阵Φ,其中输出矩阵Φ的N个列向量 构成N维欧氏空间
3.2用伪逆方法计算网络的输出权值,并得到此时样本的输出误差;如果误差小于目标值,则终止算法,否则对前一步中剩下的N-1个向量作格莱姆-施密特正交化,使之正交于E1,得到
3.3找出与输出层数据y有最大投影的选择与输入层数据y对应的样本输入为第2个数据中心;计算输出权值和训练误差,并判断是否终止算法;
3.4重复步骤3.1-3.3,使网络的训练误差小于给定值ε,结束权值训练,ε是平衡最终网络精度和复杂的重要的参数。
步骤四,无线传感器网络汇聚节点对神经网络的训练数据进行融合
4.1簇头节点向汇聚节点传送其簇内传感器节点信息表;
4.2汇聚节点依据簇头及其簇内传感器节点信息,构造RBF神经网络;
4.3RBF神经网络检索样本数据库,搜集与簇成员信息匹配的样本进行训练,从而生成相应簇的神经网络参数;
4.4汇聚节点将基于萤火虫优化的RBF神经网络各神经元参数发送给对应传感器节点,包括簇头节点和成员节点;
4.5分簇稳定工作后,簇头节点对接收信息进行融合并向汇聚节点传递融合后数据。无线传感器网络运行过程中产生的历史记录也可添加至样本数据库。
Claims (4)
1.一种无线传感器网络数据融合方法,其特征在于,每个传感器节点对其采集到的数据按照输入层神经元函数进行初步处理,获得少量的特征数据,然后将特征数据发送给其所在簇的簇头节点;簇头节点根据隐层神经元函数和输出层神经元函数对特征数据做进一步处理,获得融合后数据;簇头节点将融合后数据发送给汇聚节点。
2.如权利要求1所述无线传感器网络数据融合方法,其特征在于,包括以下步骤:
2.1簇头向汇聚节点传送其簇内传感器节点信息表;
2.2汇聚节点依据簇头及其簇内传感器节点信息,构造RBF神经网络;
2.3RBF神经网络检索样本数据库,搜集与簇成员信息匹配的样本进行训练,从而生成相应簇的神经网络参数;
2.4汇聚节点将基于萤火虫优化的RBF神经网络各神经元参数发送给对应传感器节点;
2.5分簇稳定工作后,簇头对接收信息进行融合并向汇聚节点传递融合后数据。
3.如权利要求2所述无线传感器网络数据融合方法,其特征在于,在无线传感器网络中选取簇头以及对传感器节点分簇的方法为:
3.1在每一轮簇的初始阶段,每个传感器节点随机生成一个[0,1]之间的数值,如果所述数值小于设置的阈值T(n),则该传感器节点作为簇头,其中,已经当过簇头的传感器节点的阈值T(n)为0;
3.2选定簇头后,簇头通过广播告知其他不作为簇头的传感器节点其已成为簇头节点的消息,其他不作为簇头的传感器节点根据接收信号的强度加入相应的簇头从而形成簇集;
3.3簇头根据加入的传感器节点的数量建立了一个时分多址的通信方案,为簇内每个传感器节点分配了一定的通信时隙,簇内传感器节点在分配给自己的通信时隙内发送数据给簇头。
4.如权利要求3所述无线传感器网络数据融合方法,其特征在于,将整个无线传感器网络作为一个RBF神经***,将各传感器节点作为输入层的神经元,将簇头作为隐层神经元,运用萤火虫算法进行模糊聚类,确认所述神经网络的径向基中心和基宽,具体为:
4.1计算数据对象隶属于各聚类中心的隶属度;
4.2计算每只萤火虫的适应度参数值,并更新每只萤火虫的荧光素值;
4.3在每只萤火虫的决策域半径内,选择高于自身荧光素值的萤火虫构成动态决策域,用轮盘赌选择萤火虫,更新萤火虫位置;
4.4更新每只萤火虫动态决策域半径;
4.5判断是否达到最大迭代次数,若达到,则终止;否则转向步骤4.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610197432.5A CN107295453A (zh) | 2016-03-31 | 2016-03-31 | 一种无线传感器网络数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610197432.5A CN107295453A (zh) | 2016-03-31 | 2016-03-31 | 一种无线传感器网络数据融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107295453A true CN107295453A (zh) | 2017-10-24 |
Family
ID=60086828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610197432.5A Pending CN107295453A (zh) | 2016-03-31 | 2016-03-31 | 一种无线传感器网络数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107295453A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107911804A (zh) * | 2017-12-30 | 2018-04-13 | 天津科技大学 | 一种无线传感器网络数据融合方法 |
CN108512754A (zh) * | 2018-03-23 | 2018-09-07 | 南京邮电大学 | 一种基于移动sink的无线传感网分簇算法 |
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 |
CN110161861A (zh) * | 2019-05-30 | 2019-08-23 | 上海航天测控通信研究所 | 基于模糊神经网络的飞行器自组网路由决策方法及装置 |
CN111970218A (zh) * | 2020-08-27 | 2020-11-20 | 泰山学院 | 基于深度多跳网络进行通信自动调制识别的方法 |
CN112188518A (zh) * | 2020-09-07 | 2021-01-05 | 北京燧昀科技有限公司 | 一种传感器节点通信优化方法、装置及可读存储介质 |
CN112911599A (zh) * | 2021-01-20 | 2021-06-04 | 沈阳化工大学 | 支持完整性验证无线传感器网络低能耗数据融合隐性方法 |
CN114465909A (zh) * | 2022-02-09 | 2022-05-10 | 哈尔滨工业大学 | 智能感知边缘计算融合纳米组网结构 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835237A (zh) * | 2010-05-14 | 2010-09-15 | 南京邮电大学 | 一种无线传感器网络中的数据融合方法 |
CN102238705A (zh) * | 2011-07-04 | 2011-11-09 | 南京邮电大学 | 一种基于人工神经网络的无线传感器网络拓扑控制方法 |
CN103338494A (zh) * | 2013-07-04 | 2013-10-02 | 东南大学 | 一种基于能量收集的无线传感器网络异质分簇路由方法 |
CN103686925A (zh) * | 2013-11-22 | 2014-03-26 | 天津工业大学 | 水环境无线传感监测网的多跳分簇融合路由 |
CN104578051A (zh) * | 2014-12-28 | 2015-04-29 | 张海梁 | 一种基于萤火虫算法的配电网状态估计方法 |
CN105430598A (zh) * | 2015-11-04 | 2016-03-23 | 刘运成 | 无线传感器网络的数据分层传输方法及装置 |
-
2016
- 2016-03-31 CN CN201610197432.5A patent/CN107295453A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101835237A (zh) * | 2010-05-14 | 2010-09-15 | 南京邮电大学 | 一种无线传感器网络中的数据融合方法 |
CN102238705A (zh) * | 2011-07-04 | 2011-11-09 | 南京邮电大学 | 一种基于人工神经网络的无线传感器网络拓扑控制方法 |
CN103338494A (zh) * | 2013-07-04 | 2013-10-02 | 东南大学 | 一种基于能量收集的无线传感器网络异质分簇路由方法 |
CN103686925A (zh) * | 2013-11-22 | 2014-03-26 | 天津工业大学 | 水环境无线传感监测网的多跳分簇融合路由 |
CN104578051A (zh) * | 2014-12-28 | 2015-04-29 | 张海梁 | 一种基于萤火虫算法的配电网状态估计方法 |
CN105430598A (zh) * | 2015-11-04 | 2016-03-23 | 刘运成 | 无线传感器网络的数据分层传输方法及装置 |
Non-Patent Citations (3)
Title |
---|
MING-HUWI HORNG ET AL: "Firefly Meta-Heuristic Algorithm for Training the Radial Basis Function Network for Data Classification and Disease Diagnosis", 《THEORY AND NEW APPLICATIONS OF SWARM INTELLIGENCE》 * |
李斌: "基于WSN的分层路由算法研究", 《扬州大学硕士学位论文》 * |
林睦纲 刘芳菊 童小娇: "一种基于萤火虫算法的模糊聚类方法", 《计算机工程与应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107911804A (zh) * | 2017-12-30 | 2018-04-13 | 天津科技大学 | 一种无线传感器网络数据融合方法 |
CN108512754A (zh) * | 2018-03-23 | 2018-09-07 | 南京邮电大学 | 一种基于移动sink的无线传感网分簇算法 |
CN108512754B (zh) * | 2018-03-23 | 2020-12-01 | 南京邮电大学 | 一种基于移动sink的无线传感网分簇方法 |
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 |
CN110161861A (zh) * | 2019-05-30 | 2019-08-23 | 上海航天测控通信研究所 | 基于模糊神经网络的飞行器自组网路由决策方法及装置 |
CN110161861B (zh) * | 2019-05-30 | 2022-05-27 | 上海航天测控通信研究所 | 基于模糊神经网络的飞行器自组网路由决策方法及装置 |
CN111970218B (zh) * | 2020-08-27 | 2021-09-14 | 泰山学院 | 基于深度多跳网络进行通信自动调制识别的方法 |
CN111970218A (zh) * | 2020-08-27 | 2020-11-20 | 泰山学院 | 基于深度多跳网络进行通信自动调制识别的方法 |
CN112188518A (zh) * | 2020-09-07 | 2021-01-05 | 北京燧昀科技有限公司 | 一种传感器节点通信优化方法、装置及可读存储介质 |
CN112188518B (zh) * | 2020-09-07 | 2024-02-13 | 北京燧昀科技有限公司 | 一种传感器节点通信优化方法、装置及可读存储介质 |
CN112911599A (zh) * | 2021-01-20 | 2021-06-04 | 沈阳化工大学 | 支持完整性验证无线传感器网络低能耗数据融合隐性方法 |
CN114465909A (zh) * | 2022-02-09 | 2022-05-10 | 哈尔滨工业大学 | 智能感知边缘计算融合纳米组网结构 |
CN114465909B (zh) * | 2022-02-09 | 2024-03-22 | 哈尔滨工业大学 | 一种智能感知边缘计算融合纳米组网装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107295453A (zh) | 一种无线传感器网络数据融合方法 | |
Chen et al. | iRAF: A deep reinforcement learning approach for collaborative mobile edge computing IoT networks | |
Hussain et al. | Genetic algorithm for hierarchical wireless sensor networks. | |
CN112491712B (zh) | 一种基于多智能体深度强化学习的数据包路由算法 | |
Cao et al. | Swarm intelligence-based performance optimization for mobile wireless sensor networks: survey, challenges, and future directions | |
Romoozi et al. | A positioning method in wireless sensor networks using genetic algorithms | |
CN102238705B (zh) | 一种基于人工神经网络的无线传感器网络拓扑控制方法 | |
CN104135752B (zh) | 一种无线传感器网络簇头节点选择方法及分簇方法 | |
Wu et al. | Joint traffic control and multi-channel reassignment for core backbone network in SDN-IoT: a multi-agent deep reinforcement learning approach | |
Ajay et al. | Smart Spider Monkey Optimization (SSMO) for Energy‐Based Cluster‐Head Selection Adapted for Biomedical Engineering Applications | |
He et al. | Three-stage Stackelberg game enabled clustered federated learning in heterogeneous UAV swarms | |
CN106789320A (zh) | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 | |
Chithaluru et al. | Computational-intelligence-inspired adaptive opportunistic clustering approach for industrial IoT networks | |
Li et al. | Fedvanet: Efficient federated learning with non-iid data for vehicular ad hoc networks | |
Tuba et al. | Energy efficient sink placement in wireless sensor networks by brain storm optimization algorithm | |
Agrawal et al. | Optimization of the selection of cluster‐head using fuzzy logic and harmony search in wireless sensor networks | |
Guo et al. | A novel cluster-head selection algorithm based on hybrid genetic optimization for wireless sensor networks | |
Wu et al. | Fedle: Federated learning client selection with lifespan extension for edge iot networks | |
Darji et al. | Genetic algorithm for energy harvesting-wireless sensor networks | |
CN112261704A (zh) | 一种基于可充电无线传感器网络的重复博弈路由方法 | |
CN113938978B (zh) | 一种基于强化学习的异构无线传感器寻路方法 | |
Chen et al. | The contract net based task allocation algorithm for wireless sensor network | |
Bhowmik et al. | Dynamic PSO based fuzzy clustering algorithm for WSNs | |
Liu | Optimization analysis of WSN location process based on hybrid PSO algorithm | |
Sharma et al. | Simulated annealing based neural network for dynamic clustering in wireless sensor network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |
|
RJ01 | Rejection of invention patent application after publication |