CN104219682A - 农田混合供电无线传感器网络的网络层次构建方法及系统 - Google Patents

Abstract

本发明公开了一种无线传感器网络的网络层次构建方法，包括：对无线传感器网络的采集节点进行分组；汇聚节点定期接收采集节点的节点信息和获取的天气预报指数信息构造采集节点的特性向量；根据特性向量选取骨干节点；根据骨干节点选取采集节点中的非骨干节点，并根据非骨干节点在其自身的通信范围内是否存在骨干节点，划分非骨干节点的等级；根据骨干节点以及非骨干节点的等级构建网络层次，该方法通过汇聚节点定期接收采集节点的特性信息和天气预报指数信息，构造采集节点的特性向量，通过建立具有解关联层、输入层和竞争层三个层次的神经网络进行样本的学习和骨干节点的选取，实现骨干节点的优化选择，从而实现了节点之间能耗的合理分配。

Description

农田混合供电无线传感器网络的网络层次构建方法及系统

技术领域

本发明涉及无线网络通信技术领域，具体涉及一种农田混合供电无线传感器网络的网络层次构建方法及系统。

背景技术

近年来绿色能源如太阳能、风能等可再生能源的利用技术逐渐成熟完善。考虑农田环境中存在丰富的太阳能资源，利用太阳能对无线传感器节点进行供电，能够解决农田无线传感器网络能量限制的问题，推动无线传感器网络在农田中的广泛应用。但是相比普通电池供电，太阳能供电需要额外的太阳能电池板、蓄电池等模块，因此其成本更高，安装更加复杂，且太阳能电池板在农田中安装会对农业生产造成一定的影响。因此在实际应用中，会综合考虑安装便捷性、功能、成本等因素，在网络中的部分节点采用太阳能供电，部分采用普通电池供电来平衡网络布设成本和网络寿命的要求。

现有技术中，针对无线传感器网络的特点，在网络层进行层次结构的构建，优化骨干层节点的选择，通过数据优先级收集和簇头选取策略，可以达到均衡能耗、提高网络寿命和性能的目的。对于太阳能节点无线传感器网络，基于节点剩余能量和可用太阳能情况建立的模型的拓扑控制策略，通过能量富余节点建立骨干网络承担大量数据传输提高网络性能。

上述方法针对的无线传感器网络，网络中所有节点的结构和供电方式相同，都是电池供电或者都是太阳能电池节点供电。因此在进行构建网络层次结构和进行骨干层节点选择时，考虑的因素较为单一，骨干层节点优化选择常基于的因素为：节点的剩余能量、节点度等。对于太阳能节点与普通电池节点同时存在的无线传感器网络，因供电类型的增加，网络层次构建需要考虑的因素也随之增加，而又由于不同供电类型的节点其能量变化规律不一致，在网络层次构建过程中遵循的规律也变得复杂。太阳能供电节点存在的无线传感器网络层次构建不仅需要考虑节点的剩余能量、节点度、节点位置等因素，同时需要考虑不同供电类型节点的特点等。针对太阳能电池供电的特性，光照情况影响节点对能量的获取，继而影响节点剩余能量的变化，因此太阳能获取情况是影响骨干层节点选择的重要因素，需要在骨干层节点选择中重点进行分析。当影响骨干层节点选择的因素增多，采用上述单纯基于能量和位置的骨干层节点选择算法不再适用于此类网络具体情况。

发明内容

针对现有技术中的缺陷，本发明提供一种农田混合供电无线传感器网络的网络层次构建方法及系统，实现了节点之间能耗的合理分配。

第一方面，本发明提供了一种农田混合供电无线传感器网络的网络层次构建方法，该方法包括：

对无线传感器网络的采集节点进行分组；

汇聚节点定期接收所述采集节点的节点信息和所述汇聚节点定期向服务器获取的天气预报指数信息，并根据所述节点信息和所述天气预报指数信息构造所述采集节点的特性向量；

根据所述分组的所述采集节点的特性向量，选取骨干节点；

根据所述骨干节点选取所述采集节点中的非骨干节点，并根据所述非骨干节点在其自身的通信范围内是否存在所述骨干节点，划分所述非骨干节点的等级；

根据所述骨干节点以及所述非骨干节点的等级构建网络层次；

其中，所述采集节点包括太阳能供电节点和普通电池供电节点。

可选的，所述对无线传感器网络的采集节点进行分组，包括：

将所述采集节点中的所述每个太阳能供电节点分别与其邻居节点分成一个组；

若存在互为邻居节点的普通电池供电节点有三个或三个以上时，且所述三个或三个以上的普通电池供电节点均不属于任何已有小组，则将所述三个或三个以上的普通电池供电节点组成一个新的分组；

其中，所述分组之间允许存在所述采集节点的交叠。

可选的，所述节点信息包括所述采集节点的节点类型、节点剩余能量、节点度信息和所述太阳能供电节点的太阳能电池板输出功率信息。

可选的，所述汇聚节点定期接收所述采集节点的节点信息，包括：

所述采集节点定期向所述汇聚节点上传自身的节点信息、所述汇聚节点根据当前存储时间段内的太阳能电池板的输出功率信息预测未来某时刻的太阳能电池板的输出功率信息。

可选的，所述汇聚节点定期从服务器获取的天气预报指数信息，包括：

所述汇聚节点根据定期从服务器获取的未来几天的天气预报信息，通过对所述天气预报信息反模糊化处理，计算当前的天气预报指数信息。

可选的，所述根据所述分组的所述采集节点的特性向量，选取骨干节点，包括：

对所述每个分组构造神经网络，并对所述神经网络的权值进行初始化；

对所述神经网络进行训练，获得训练完成后调整的权值；

将所述采集节点的特性向量和预设的输入解关联向量输入训练完成的神经网络，选取骨干节点。

可选的，所述神经网络包括解关联层、输入层和竞争层。

可选的，所述根据所述非骨干节点在其自身的通信范围内是否存在所述骨干节点，划分所述非骨干节点的等级，包括：

若在所述非骨干节点通信范围内存在所述骨干节点，则所述非骨干节点直接向所述骨干节点发送采集数据，则所述非骨干节点为一级非骨干节点；

若在所述非骨干节点通信范围内不存在所述骨干节点，则所述非骨干节点通过最近的所述一级非骨干节点向所述骨干节点发送采集信息，则所述非骨干节点为二级非骨干节点。

可选的，所述根据所述等级构建网络层次，包括：

骨干节点、一级非骨干节点和二级非骨干节点。

第二方面，本发明还提供了一种农田混合供电无线传感器网络的网络层次构建系统，该系统包括：分组单元、特征向量采集单元、骨干节点选取单元、非骨干节点等级划分单元和网络层次构建单元；

所述分组单元，用于对无线传感器网络的采集节点进行分组；

所述特征向量采集单元，用于通过汇聚节点定期接收所述采集节点的节点信息和所述汇聚节点定期向服务器获取的天气预报指数信息，并根据所述节点信息和所述天气预报指数信息构造所述采集节点的特性向量；

所述骨干节点选取单元，用于根据所述分组的所述采集节点的特性向量，选取骨干节点；

所述非骨干节点等级划分单元，用于根据所述骨干节点选取所述采集节点中的非骨干节点，并根据所述非骨干节点在其自身的通信范围内是否存在所述骨干节点，划分所述非骨干节点的等级；

所述网络层次构建单元，用于根据所述骨干节点以及所述非骨干节点的等级构建网络层次；

其中，所述采集节点包括太阳能供电节点和普通电池供电节点。

由上述技术方案可知，本发明提供了一种农田混合供电无线传感器网络的网络层次构建方法及系统，该方法通过汇聚节点定期接收所述采集节点的节点信息和所述汇聚节点定期向服务器获取的天气预报指数信息，构造采集节点的特性向量，通过建立具有解关联层、输入层和竞争层三个层次的神经网络进行样本的学习和骨干节点的选取，实现骨干节点的优化选择，从而实现了节点之间能耗的合理分配。

附图说明

图1为本发明实施例提供的农田混合供电无线传感器网络的网络层次构建方法流程图；

图2为本发明实施例提供的节点分组示意图；

图3为本发明实施例提供的神经网络层次结构图；

图4为本发明实施例提供的骨干节点选取流程图；

图5为本发明实施例提供的神经网络训练流程图。

具体实施方式

下面结合附图，对发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

在农田无线传感器网络中采用太阳能与普通电池节点协同工作，可以解决农田无线传感器网络应用中存在的能量瓶颈。综合考虑网络布设的成本与便捷性，农田网络布设的太阳能供电节点有限，并且希望尽量通过增加太阳能供电节点的能量利用来延长网络寿命。

针对这一具体应用情况，本发明提出在太阳能节点与普通电池节点同时工作的无线传感器网络中，太阳能节点有限的的情况下，提高太阳能节点的能量使用率，降低普通电池的能耗，最终达到延长网络寿命的目标。本发明提出一种网络层次结构构建方法，将网络分为骨干传输层、采集层两个层次，提出了太阳能与普通蓄电池混合供电的农田无线传感器网络骨干层节点的选取方法。本发明提出通过对节点的多个特性进行分析，从而选出最适合的骨干层节点。从网络运行某时刻来看，选择的合适的骨干层节点能够保证网络的稳定运行，减少因为节点能耗过度引起的数据采集、传输失败，造成农田区域监测空洞；从网络运行的整个过程来看，能够通过骨干传输层节点的选择，更多的利用太阳能节点从环境中获取的太阳能进行网络能量的补充，并且降低无法从环境中获取能量的普通电池节点的能耗，从而延长网络寿命。

针对农田无线传感器应用中同时存在着太阳能供电节点与普通电池供电节点的具体情况，本发明提出一种无线传感器网络的网络层次构建方法，图1为本发明实施例提供的一种农田混合供电无线传感器网络的网络层次构建方法示意图，如图1所示，该方法包括：

S101、对无线传感器网络的采集节点进行分组；其中，所述采集节点包括太阳能供电节点和普通电池供电节点。

本步骤具体包括：将所述采集节点中的所述每个太阳能供电节点与其邻居节点分成一个组；若互为邻居节点的普通电池供电节点有三个或三个以上时，且所述三个或三个以上的普通电池供电节点均不属于任何已有小组，则将所述三个或三个以上的普通电池供电节点组成一个新的分组；其中，所述分组之间允许存在所述采集节点的交叠，即一个节点可同时属于多个分组。

S102、汇聚节点定期接收所述采集节点的节点信息和所述汇聚节点定期向服务器获取的天气预报指数信息，并根据所述节点信息和所述天气预报指数信息构造所述采集节点的特性向量；所述特征信息包括所述采集节点的节点类型、节点剩余能量、节点度信息和所述太阳能供电节点的太阳能电池板输出功率信息。

本步骤具体包括：所述采集节点定期向所述汇聚节点上传自身的特征信息，和，所述汇聚节点根据当前存储时间段内的太阳能电池板的输出功率信息预测未来某时刻的太阳能电池板的输出功率信息，和，所述汇聚节点根据获取未来几天的天气预报信息，通过对所述天气预报信息反模糊化处理，计算当前的天气预报指数信息。

S103、根据所述分组的所述采集节点的特性向量，选取骨干节点；

本步骤具体包括以下内容：

S1031、对所述每个分组构造神经网络，并对所述神经网络的权值初始化；

S1032、根据所述训练样本对所述神经网络进行训练，获得训练完成后调整的权值；

上述步骤S1032中，可以通过训练样本对所述神经网络进行训练，其中，训练样本为根据骨干节点选择的基本原则人为预先设定。

具体为：针对不同的组内节点总数以及其中太阳能节点的数目，预先根据能量、太阳能节点状态、节点度等信息，设计相应的训练样本。

S1033、将所述采集节点的特性向量和预设的输入解关联向量输入训练完成的神经网络，选取骨干节点。

上述预设的输入解关联向量为P₀＝[E_init n_solar 1 1 1]，其中，所有采集节点初始能量相同，E_init为采集节点的初始能量，n_solar为网络中太阳能供电采集节点的总数。

S104、根据所述骨干节点选取所述采集节点中的非骨干节点，并根据所述非骨干节点在其自身的通信范围内是否存在所述骨干节点，划分所述非骨干节点的等级；

本步骤具体包括：

S1041、若在所述非骨干节点通信范围内存在所述骨干节点，则所述非骨干节点向所述骨干节点发送采集数据，则所述非骨干节点为一级非骨干节点；

S1042、若在所述非骨干节点通信范围内不存在所述骨干节点，则所述非骨干节点通过最近的所述一级非骨干节点向所述骨干节点发送采集信息，则所述非骨干节点为二级非骨干节点。

S105、根据所述骨干节点以及所述非骨干节点的等级构建网络层次。

上述方法通过太阳能电池板输出功率的变化时间序列和反模糊化处理后的天气预报信息进行太阳能电池板输出功率的短期和长期预测，通过建立具有解关联层、输入层和竞争层三个层次的神经网络进行样本的学习和骨干节点的选取，实现骨干节点的优化选择，从而实现了节点之间能耗的合理分配。

下面通过具体的实施步骤对本发明所述的方法进行说明。

图4示出了骨干节点选取的流程框图，如图4所示，包括以下内容：

S201、对采集节点进行分组。

在无线传感器网络中，需要选出多个节点作为骨干节点。如图2所示的节点分组示意图，其中，A类分组为以太阳能节点为中心形成的分组；B类分组为三个或三个以上互为邻居节点的且均不属于A类分组的节点形成的分组。本发明首先通过分组策略对无线传感器网络节点进行分组，对每个分组建立竞争神经网络进行训练，每个竞争神经网络只有一个获胜节点，选取一个骨干节点。因此分组的数目决定骨干节点的数目，分组的位置决定骨干节点的大致位置。

首先由于太阳能节点具备较好的能源条件，因此本发明实施例以太阳能节点为中心选取骨干节点。将每个太阳能节点与其邻居节点分成一个小组：

太阳能节点o的邻居节点的集合记为：

A_o＝{x|x为节点o的邻居节点}

则与太阳能节点o组成小组的所有节点的集合描述如下：

B_o＝{x|x＝node||x∈A}

|B_o|代表B_o中元素的个数。

其次，如果太阳能节点数目不足，这些分组只能覆盖整个网络中较少的一部分节点，造成整个网络骨干节点数量不足，不能体现层次型网络结构的优势，需要根据太阳能节点的数目和分布情况选择新的分组。在本发明中，如果存在互为邻居节点的三个或三个以上节点，这些节点不属于任何已有小组，则这些节点组成一个新的分组。分组之间允许存在节点的交叠。

S202、每个采集节点周期性向汇聚节点上传自身的特性信息。

网络中的每个采集节点(包括太阳能供电节点和普通电池供电节点)定时采集自身的特性信息包括：节点类型FLAG_type、节点剩余能量E_res、节点度信息n_{node_degree}，并定时向汇聚节点上报的这些特性信息。汇聚节点在接收到这些信息后进行存储。

太阳能供电节点另外定时采集其自身的太阳能电池板输出功率信息，并定时向汇聚节点上报的这些特性信息。汇聚节点收到太阳能电池板输出功率信息后进行存储。对每个太阳能供电节点存储其两天内的所有电池板输出功率的历史数据。

S203、汇聚节点对太阳能电池板的输出功率的时间序列预测。

汇聚节点根据太阳能电池板的输出功率的时间序列，判断当前所处在昼夜周期的具体阶段，从而预测在未来数个小时到一天以内的短期的光照情况。本实施例中采用6小时的预测进行说明，具体的预测时间可以根据实际需要在数个小时到一天的范围内进行调整。

如太阳能节点o每隔1个小时上传其太阳能电池板输出功率，汇聚节点存储总共两天的太阳能电池板输出功率历史数据，从而使第二天能够参照第一天的数据判断所处时刻。对于任意太阳能供电节点o，汇聚节点记录其两天内的数据共48组，这些数据的时间序列记为：

W_his＝{W_his(0)，W_his(1)，…，W_his(q)，…，W_his(47)}

其中，W_his(q)(q＝0,1,2,…,47)是指当前时刻的前(47-q)个小时记录的太阳能电池板输出功率。

在某时刻t，根据记录的48组太阳能电池板输出功率历史数据，进行日光情况的短期预测。光照情况的预测主要基于两点：

1)根据当天光照的平均情况判断整体光照总体水平；

2)判断当前时刻所处的昼夜周期的时间段。

在t时刻，节点o的太阳能电池板输出功率为W_his(47)，预测t时刻之后h(0<h<6)小时的太阳能电池板输出总功率情况：

其中，表示当天与前一天太阳能电池板输出功率的比值：其中包括当前时刻往前6个小时的输出功率与前一天同一时刻往前6个小时输出功率比代表所处时间段光照水平总体趋势比值；当前时刻与前一天同一时刻功率比反映所处时间点光照水平比值。表示前一天的同一时刻之后h小时内的太阳能电池板输出总功率，是前一天在同一时间段的光照值参考。

S204、汇聚节点进行天气预报信息的反模糊化处理。

汇聚节点接收服务器的天气预报信息获取，从而判断未来几天的光照情况，及预测天气的变化情况对太阳能电池板的输出功率的影响。汇聚节点接收的天气预报情况为文字信息，描述较为模糊，为了能有效利用这些文字信息，首先进行文字信息的反模糊化处理，即将文字信息转化为可处理的数字信息，与节点的其它特性信息一同进行处理。

汇聚节点根据天气预报的晴、阴、雨的具体情况，根据下表进行天气预报信息的反模糊化。

设定论域X＝{0，1，2，3}

	0	1	2	3
					晴	0	0	0	1
多云	0	0	0.3	0.7
					阴	0	0.7	0.3	0
大雨	0.3	0.7	0	0
					中雨	0.1	0.7	0.2	0
小雨	0	0.7	0.3	0
					雾/霾/沙	0.3	0.5	0.2	0
其它	0	0.5	0.5	0

表一

根据天气预报中对天气进行描述的文字的信息，对照天气预报信息赋值表，进行天气预报信息的反模糊化处理。当预报信息中出现多个天气描述词，分别计算每个词的取值并取平均值。

如天气预报出现n个天气术语，第i(i＝1,2,…,n)个术语对应的天气预报信息赋值分别为：a_{i_1},a_{i_2},a_{i_3},a_{i_4}，则可计算天气预报指数：

$W_{\mathrm{pre}\_d}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{4}{\mathrm{\&Sigma;}}}{a}_{i\_j}$

其中。i表示第i(i＝1,2,…,n)个术语，j表示论域中第j个元素。

如天气预报“晴转多云”，则计算可得天气预报指数：

$W_{\mathrm{pre}\_d}=\frac{1}{2}[(3\&times;1)+(3\&times;0.7+2\&times;0.3)]=2.85$

太阳能电池板的输出功率反映其对太阳能的获取，是影响太阳能电池剩余能量变化的重要方面。太阳能电池板输出功率的预测可以反映太阳能电池剩余能量变化趋势。对太阳能电池板输出功率的短期、中长期预测作为影响太阳能节点当选为骨干节点的重要因素。

为了得到太阳能电池板在未来一段时间的输出功率信息，本发明通过电池板输出功率的时间序列分析判断当时所处的昼夜周期的具体阶段、当天总体光照情况，从而预测未来数个小时到一天以内的太阳能电池板输出功率情况。本发明中汇聚节点通过接收服务器下发的天气预报信息，然后对照天气术语赋值表进行天气预报信息的反模糊化后，再进行未来几天内的太阳能电池板输出功率预测。通过对天气预报信息的反模糊化处理与太阳能电池板输出功率的时间序列分析，用以预测在未来几小时与几天内的太阳能电池板输出功率，从而为太阳能供电节点的能量变化趋势提供参考信息。

S205、汇聚节点构造采集节点特性向量。

根据确定的影响节点当选为骨干节点的几个关键因素，将这几个因素作为每个节点的特性，组合成节点的特性向量。对于任意一个分组内的某个节点u，其特性向量为：

p_u＝[E_{res_u}(t) FLAG_type W_{pre_h} W_{pre_d} n_{node_degree}](u＝1,2,……,r)。

本发明相比采用单一供电形式的无线传感器网络，太阳能供电节点和普通电池供电节点同时存在的网络骨干节点选择更为复杂，因此本发明通过多因素综合分析决定骨干节点的选取：骨干节点需要消耗更多的能量用于数据转发,骨干节点选择考虑节点存在的剩余能量，避免一些能量较低的节点当选成为骨干节点，导致骨干节点能量很快耗尽，造成骨干节点覆盖的采集节点的数据无法上传，形成监测空洞；考虑节点的节点度因素，从而尽量降低采集节点与骨干节点之间通信的能耗；考虑节点类型信息，不同的供电类型能量变化规律不同，从而在骨干节点选择中区别对待；由于太阳能电池节点具有从环境中获取能量的能力，考虑光照情况对太阳能电池板输出功率的影响，即增加了太阳能电池供电节点对环境中能量获取的信息，与剩余能量信息一样，为骨干节点选择提供依据。

通过对影响骨干节点选取的几个关键因素：节点的剩余能量信息、节点类型信息，节点度信息，太阳能节点的太阳能电池板输出功率预测信息等进行综合考虑，从而在太阳能供电节点的有效利用、避免太阳能供电节点由于天气情况造成能量过耗。即节点的选取能够在满足提高太阳能节点的利用效率条件下，同时满足网络运行过程中网络的稳定性目标，避免由于天气情况造成太阳能供电节点能耗过度，以及避免部分普通电池供电节点过早死亡。

S206、选择一个分组构造神经网络。

如图3所示，此神经网络为改进型神经网络，在传统的神经网络的基础上增加了解关联层，该神经网络包括解关联层1、输入层2和竞争层3，每一层的神经元的个数均为成簇分组中无线传感器网络节点的个数。其中，r表示分组中节点的总数，W⁰ _ij(i＝1,2,…,r，j＝1,2,…,r)表示第i个节点特性向量到解关联层第j个神经元的权值，W⁰ _0j(j＝1,2,…,r)为解关联向量输入解关联层第j个元素的权值；W¹ _ij是指解关联层第i个神经元到输入层第j个神经元的权值(i＝1,2,…,r，j＝1,2,…,r)，W² _ij是指竞争层神经元i，j之间的权值(i＝1,2,…,r，j＝1,2,…,r)。p_i(i＝1,2,…,r)表示第r个节点的特性向量。n_i(i＝1,2,…,r)表示输入节点r的加权输入和。

孤立的某个节点自身特性的具体数值，不能决定该节点是否被选为骨干节点。小组内节点之间特性信息的比较，最终决定骨干节点的选取。即不同的节点特性组合导致不同的骨干节点选取效果，当小组中节点数目较多，组合变得复杂，导致神经网络训练和骨干节点选择的效果不佳。本发明通过增加解关联层，首先对各节点的特性向量进行处理，处理后的新的特性向量不仅包含本节点信息，也包含小组内全局信息、本节点与小组内其它节点的对比信息。通过解关联层的处理，向神经网络传递的节点信息之间的关联性减小，信息关联造成的复杂度降低，有利于神经网络的训练和骨干节点的选择。

本发明同时在传统的竞争神经网络的基础上增加解关联层。以节点特性信息作为神经网络输入，输入信息之间的比较结果影响骨干节点的最终选择，因此相互关联性较大，因此造成模式的训练、识别更加复杂。本发明增加的网络解关联层能够对输入的分析信息进行预处理，在进行骨干节点选择处理之前弱化信息之间的关联关系，为神经网络的训练和骨干节点的选取提供简洁信息，从而使得在神经网络的训练过程中，较快取得收敛，和取得较好的模式的识别效果。

S207、神经网络训练过程。

如图5所示，本步骤还具体包括以下子步骤：

S2071、选择一个竞争神经网络的权值进行初始化：

输入层权值按照要求：j＝1,2,…,r设定；

竞争层权值都是固定不变的，按照对称原则设定：即同时相同神经元之间的权值起加强的作用，即满足而不同神经元之间的权值相互抑制，对于k≠l有

S2072、从训练样本中选择一个样本P_in输入竞争神经网络

对于每个分组，其神经网络的输入表示为：P_in＝[p₁p₂…p_r]^T；p₁p₂…p_r代表组内所有r个节点的特性向量。

同时向竞争神经网络输入解关联向量：

P₀＝[E_init n_solar 1 1 1]

S2073、计算样本通过竞争神经网络输出

(1)首先进行神经网络输入向量的解关联：

对于太阳能节点i与其邻居节点所组成的小组，小组内节点个数为：|B_i|，小组内所有节点的平均剩余能量为：

$E_{\mathrm{average}}=\frac{1}{\left|B_i\right|}\underset{u=1}{\overset{\left|B_i\right|}{\mathrm{\&Sigma;}}}{E}_{\mathrm{res}\_u}\left(t\right)$

通过对每个节点剩余能量与小组内平均剩余能量、小组最大、最小能量、节点初始能量进行对比，得到每个节点与小组内其它节点能量对比信息：

${\mathrm{\&theta;}}_u=\frac{E_{\mathrm{res}\_u}\left(t\right)}{E_{\mathrm{average}}}+\frac{E_{\mathrm{res}\_u}\left(t\right)-E_{\min }}{E_{\max }-E_{\min }}+\frac{E_{\mathrm{res}\_u}\left(t\right)}{E_{\mathrm{init}}}$

通过对每个节点度与小组内其它节点的节点度进行对比，得到每个节点与小组内其它节点的节点度对比信息：

${\mathrm{\&gamma;}}_u=\frac{n_{\mathrm{node}\_\mathrm{degree}}}{n_{\max }}$

n_max代表小组内节点度最大的节点其节点度，n_{node_degree}代表当前节点的节点度。

n_solar表示小组中太阳能节点总数。

输入向量通过解关联层的运算，获得解关联后的向量，对于节点u，其解关联后向量为：

p′_u＝[θ_u σ_u W_{pre_h} W_{pre_d} γ_u]

(2)通过下式计算神经网络竞争层输出，竞争层的输出为输入节点的加权输入和与竞争层内互相抑制的加权输入之和。对于神经网络第k行神经元，其输出为：

p_{out_k}＝n_k+g_k；

其中， $n_k=\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}{w^1}_{\mathrm{jk}}\&CenterDot;p_j^{\&prime;};g_k=\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}{w^2}_{\mathrm{jk}}\&CenterDot;f\left(a_k\right).$

其中，当训练样本的结果为第l个节点获胜，则a_k＝1,k＝l；a_k＝0,k≠l。

S2074、权值的调整

对于某个样本，如果竞争神经网络的第k行神经元胜出，即竞争层第k行的输出为1，其它行的输出为0。则根据这个训练样本的输入输出修正神经网络的权值。对第k行的权值进行修正：

Δw_jk＝Δ(p_k-w_jk)

式中Δw_jk为学习速率，且0＜Δw_jk＜1，取值0.3；

S2075、选择另外的一个学习样本，返回子步骤S2072进行竞争神经网络的训练，直到所有样本学习完毕。

S2076、返回子步骤S2072进行竞争神经网络的训练，直到各连接权值的调整量达到阈值w或者达到训练总次数n_training。保存此神经网络训练完成后的权值。

S2077、选择新的分组，并返回步骤S206，直到所有的无线传感器网络节点分组都被训练完毕。

S208、神经网络进行骨干节点的选择

所有竞争神经网络确定后，根据各自分组的无线传感器网络节点上传的节点特性向量进行骨干节点的选举。

将分组内节点的特性向量：P_in＝[p₁p₂…p_u…p_r]^T和关联向量P₀＝[E_init n_solar 1 1 1]输入神经网络，其中p_u＝[E_{res_u}(t) FLAG_type W_{pre_h} W_{pre_d} n_{node_degree}]。通过计算，首先获得解关联向量：P′＝[p′₁p′₂…p′_u…p′_r]^T，其中p′_u＝[θ_u σ_u W_{pre_h} W_{pre_d}γ_u]，通过输入层的计算可得向量：P″＝[p″₁p″₂…p″_u…p″_r]^T，其中将向量P″输入竞争层，进行计算，得到：P″′＝[p″′₁p″′₂…p″′_u…p″′_r]^T，其中： $p_u^{\&prime;\&prime;\&prime;}=p_u^{\&prime;\&prime;}+\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}{w^2}_{\mathrm{jk}}\&CenterDot;f\left(a_k\right),$ 最后通过二值型激活函数{0，1}对P″′进行处理，使加权输入和为最大的节点赢得输出为1，而其他神经元的输出皆为0。输出为1的节点为获胜节点，当选为骨干节点。

S209、确定了骨干节点后，其他非骨干节点寻找在自身通信范围内是否存在骨干节点，如果是，选择离自身最近的骨干节点进行采集数据的发送，这些节点称为一级非骨干节点；如果通信范围内不存在骨干节点，则经最近的一级非骨干节点向骨干节点发送采集信息，这些节点称为二级非骨干节点。以此类推。

上述网络层次包括：骨干节点、一级非骨干节点和二级非骨干节点。

本发明针对农田无线传感器网络太阳能与干电池协同供电的情况，通过骨干节点优化选择，达到了提高网络中的太阳能节点的能量使用，降低普通电池能量使用，从而使得无线传感器网络的整个生命周期中，尽可能多利用从环境中获取可再生的太阳能，延长网络的寿命。

此外，本发明还提供了一种农田混合供电无线传感器网络的网络层次构建系统，该系统包括：分组单元、特征向量采集单元、骨干节点选取单元、非骨干节点等级划分单元和网络层次构建单元；

所述分组单元，用于对无线传感器网络的采集节点进行分组；

所述特征向量采集单元，用于通过汇聚节点定期接收所述采集节点的节点信息和所述汇聚节点定期向服务器获取的天气预报指数信息，并根据所述节点信息和所述天气预报指数信息构造所述采集节点的特性向量；

所述非骨干节点等级划分单元，用于根据所述骨干节点选取所述采集节点中的非骨干节点，并根据所述非骨干节点在其自身的通信范围内是否存在所述骨干节点，划分所述非骨干节点的等级；

所述网络层次构建单元，用于根据所述骨干节点以及所述非骨干节点的等级构建网络层次；

其中，所述采集节点包括太阳能供电节点和普通电池供电节点。

本发明所述的系统与本发明所述的方法是一一对应的。

以上所述各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种农田混合供电无线传感器网络的网络层次构建方法，其特征在于，该方法包括：

对无线传感器网络的采集节点进行分组；

汇聚节点定期接收所述采集节点的节点信息和所述汇聚节点定期向服务器获取的天气预报指数信息，并根据所述节点信息和所述天气预报指数信息构造所述采集节点的特性向量；

根据所述分组的所述采集节点的特性向量，选取骨干节点；

根据所述骨干节点选取所述采集节点中的非骨干节点，并根据所述非骨干节点在其自身的通信范围内是否存在所述骨干节点，划分所述非骨干节点的等级；

根据所述骨干节点以及所述非骨干节点的等级构建网络层次；

其中，所述采集节点包括太阳能供电节点和普通电池供电节点。

2.如权利要求1所述的方法，其特征在于，所述对无线传感器网络的采集节点进行分组，包括：

将所述采集节点中的所述每个太阳能供电节点分别与其邻居节点分成一个组；

若存在互为邻居节点的普通电池供电节点有三个或三个以上时，且所述三个或三个以上的普通电池供电节点均不属于任何已有小组，则将所述三个或三个以上的普通电池供电节点组成一个新的分组；

其中，所述分组之间允许存在所述采集节点的交叠。

3.如权利要求1所述的方法，其特征在于，所述节点信息包括所述采集节点的节点类型、节点剩余能量、节点度信息和所述太阳能供电节点的太阳能电池板输出功率信息。

4.如权利要求3所述的方法，其特征在于，所述汇聚节点定期接收所述采集节点的节点信息，包括：

所述采集节点定期向所述汇聚节点上传自身的节点信息、所述汇聚节点根据当前存储时间段内的太阳能电池板的输出功率信息预测未来某时刻的太阳能电池板的输出功率信息。

5.如权利要求3所述的方法，其特征在于，所述汇聚节点定期从服务器获取的天气预报指数信息，包括：

所述汇聚节点根据定期从服务器获取的未来几天的天气预报信息，通过对所述天气预报信息反模糊化处理，计算当前的天气预报指数信息。

6.如权利要求1所述的方法，其特征在于，所述根据所述分组的所述采集节点的特性向量，选取骨干节点，包括：

对所述每个分组构造神经网络，并对所述神经网络的权值进行初始化；

对所述神经网络进行训练，获得训练完成后调整的权值；

将所述采集节点的特性向量和预设的输入解关联向量输入训练完成的神经网络，选取骨干节点。

7.如权利要求6所述的方法，其特征在于，所述神经网络包括解关联层、输入层和竞争层。

8.如权利要求1所述的方法，其特征在于，所述根据所述非骨干节点在其自身的通信范围内是否存在所述骨干节点，划分所述非骨干节点的等级，包括：

若在所述非骨干节点通信范围内存在所述骨干节点，则所述非骨干节点直接向所述骨干节点发送采集数据，则所述非骨干节点为一级非骨干节点；

若在所述非骨干节点通信范围内不存在所述骨干节点，则所述非骨干节点通过所述一级非骨干节点向所述骨干节点发送采集信息，则所述非骨干节点为二级非骨干节点。

9.如权利要求8所述的方法，其特征在于，所述根据所述等级构建网络层次，包括：

骨干节点、一级非骨干节点和二级非骨干节点。

10.一种农田混合供电无线传感器网络的网络层次构建系统，其特征在于，该系统包括：分组单元、特征向量采集单元、骨干节点选取单元、非骨干节点等级划分单元和网络层次构建单元；

所述分组单元，用于对无线传感器网络的采集节点进行分组；

所述特征向量采集单元，用于通过汇聚节点定期接收所述采集节点的节点信息和所述汇聚节点定期向服务器获取的天气预报指数信息，并根据所述节点信息和所述天气预报指数信息构造所述采集节点的特性向量；

所述骨干节点选取单元，用于根据所述分组的所述采集节点的特性向量，选取骨干节点；

所述非骨干节点等级划分单元，用于根据所述骨干节点选取所述采集节点中的非骨干节点，并根据所述非骨干节点在其自身的通信范围内是否存在所述骨干节点，划分所述非骨干节点的等级；

所述网络层次构建单元，用于根据所述骨干节点以及所述非骨干节点的等级构建网络层次；

其中，所述采集节点包括太阳能供电节点和普通电池供电节点。