CN106714262A - 一种基于自适应模糊控制的无线传感器网络拓扑控制算法 - Google Patents
一种基于自适应模糊控制的无线传感器网络拓扑控制算法 Download PDFInfo
- Publication number
- CN106714262A CN106714262A CN201710014166.2A CN201710014166A CN106714262A CN 106714262 A CN106714262 A CN 106714262A CN 201710014166 A CN201710014166 A CN 201710014166A CN 106714262 A CN106714262 A CN 106714262A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- fuzzy
- energy consumption
- neural
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/08—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on transmission power
-
- 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
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
-
- 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)
- Mobile Radio Communication Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种无线传感器网络拓扑控制算法,特别是一种基于自适应模糊控制的无线传感器网络拓扑控制算法AFNTC(Adaptive Fuzzy Neural Topology Control algorithm for wireless sensor networks),算法中模糊控制器参数由人工神经网络训练后获得,可通过反馈、循环的方式,不断调整节点的通信范围来控制节点传输功率,从而使节点实际能耗接近预设的期望值。算法解决传统模糊控制方法构建隶属度函数和if‑then规则带来的复杂参数调节问题,降低网络能耗的同时提高网络动态性能。
Description
技术领域
本发明涉及一种无线传感器网络拓扑控制算法,特别是一种基于自适应模糊控制的无线传感器网络拓扑控制算法(Adaptive Fuzzy Neural Topology Control algorithmfor wireless sensor networks),算法中模糊控制器参数由人工神经网络训练后获得,可通过反馈、循环的方式,不断调整节点的通信范围来控制节点传输功率,从而使节点实际能耗接近预设的期望值,延长网络生命周期。
背景技术
目前广泛应用于环境监测、医疗保健、国家安全以及太空探索等诸多领域的无线传感器网络,因其具有自组织、部署方便、隐蔽性强等优势而成为研究热点。网络节点硬件资源及能量有限,延长网络生命周期是无线传感器网络首要解决的问题。而拓扑控制通过节点调度、链路选择、通信范围调节、功率控制等手段,优化网络结构,降低网络能量消耗,延长网络生命周期。
许多国内外专家已经对拓扑控制展开了大量研究,如传输功率自优化的拓扑控制算法在保证网络连通度及高服务质量的情况下,通过优化每个节点的传输功率来降低网络能耗,该算法虽然综合考虑网络连通性及服务质量,但算法复杂,增加了节点能耗。此外集中式拓扑控制算法,在保证网络连通性的同时减小每个节点的最大发送功率,从而延长网络生命周期,但未考虑算法调节的自适应能力。随着模糊理论在无线传感器网络优化决策、降低资源消耗方面展现的优越性能,其也用于拓扑控制,如基于模糊控制的拓扑控制算法,该算法中将实际节点度与期望节点度之间的误差、当前和前一个周期传输功率差值之间的比率作为模糊控制的两个输入项,将下一步的无线传输功率水平作为输出项,通过调整节点发射功率来控制网络拓扑。现有的方法都通过构建隶属度函数和if-then规则来设计模糊逻辑控制器,其对复杂且动态的实际无线传感器来说很难获得期望的性能。
发明内容
本发明所要解决的技术问题是针对现有基于模糊控制的拓扑控制方法通过构建隶属度函数和if-then规则带来的复杂参数调节问题,采用神经网络学习算法来替代繁杂的模糊控制器参数调整过程,通过调节每个节点的通信范围,控制节点发射功率,使节点在网络中的实际能耗达到期望值,降低网络能耗的同时提高网络动态性能。
本发明包含网络模型、模糊神经系统以及拓扑控制协议AFNTC三个部分。网络模型为算法实现提供网络模型,具体为圆形网络,且为了简化网络模型和方便分析,将圆形网络分割成多个扇形网络,每个扇形网络又被划分成几个宽度相同但面积不同的环,每个环又被分成若干面积相同的网格,所有节点向网络中唯一的汇聚节点传输数据。而模糊神经系统是为了使系统既具有模糊逻辑推理能力,同时也可以通过系统自适应来不断改进和调整,从而达到更好的控制效果。控制系统通过控制节点通信范围,即控制节点发射功率,达到节点能耗可控的目的。拓扑控制协议AFNTC基于模糊神经系统,并通过对训练数据集进行学习,在输入初始无线传感器网络拓扑后,经过模糊神经系统的调节和控制,输出相应的目标拓扑。
所述的网络模型为圆形网络的子网,即将圆形网络分割成多个扇形子网络,且每个扇形子网络区域被划分成几个宽度相同但面积不同的环,第i环被分成2i-1个面积相同的网格,所有节点向网络中唯一的汇聚节点传输数据。则可定义扇形网络为其中,α为网络圆心角,R为半径,整个扇形网络被分成N个网格和K个环。
所述的模糊神经系统使系统既具有模糊逻辑推理能力,同时也可以通过系统自适应来不断改进和调整,从而达到更好的控制效果。控制系统通过控制节点通信范围,即控制节点发射功率,达到节点能耗可控的目的。控制系统其中一个输入参量为节点期望能耗E(u)ref。此外,节点能耗往往和节点需要传输的数据包大小有很大关系:当数据包较大时,节点发送数据时的能耗大,近距离多跳传输能有效降低网络能耗;当数据包较小时,节点发送数据时的能耗小,远距离传输能更有效地降低网络能耗。因此,选取数据包大小Li作为模糊神经系统的另一个输入参量。实现通过对训练数据集的自学习来自动调整节点的发射功率,降低能耗及延长网络生命周期的目的。输出参量选为节点的通信范围CR。
所述的拓扑控制协议AFNTC基于模糊神经系统,并通过对训练数据集进行学习,在输入初始无线传感器网络拓扑后,经过模糊神经系统的调节和控制,输出相应的目标拓扑G(V,E),其中V为拓扑网中的节点集,E为连接这些节点的链路集。
由以上叙述可见本发明一种基于自适应模糊控制的无线传感器网络拓扑控制算法包含网络模型、模糊神经系统以及拓扑控制协议AFNTC三个部分,基于简化的扇形网络,采用模糊神经系统,形成拓扑控制协议AFNTC,实现对节点发射功率的自适应调节,降低节点能耗,最终延长网络生命周期。
附图说明
图1为本发明的总体框架;
图2为本发明的网络模型;
图3为本发明的模糊神经系统结构;
图4为本发明的模糊神经网络控制器结构;
图5为本发明的拓扑控制协议AFNTC工作过程;
图6为本发明的节点能耗与节点数量关系;
图7为本发明的不同发射功率时的收敛时间;
图8为本发明的发射功率与节点平均能耗关系。
具体实施方式
下面结合附图对本发明作进一步的详细说明,如图1所示,本发明一种基于自适应模糊控制的无线传感器网络拓扑控制算法包含网络模型、模糊神经系统以及拓扑控制协议AFNTC三个部分,基于简化的扇形网络,采用模糊神经系统,形成拓扑控制协议AFNTC。具体实现为采用神经网络学习算法来替代繁杂的模糊控制器参数调整过程,通过调节每个节点的通信范围,控制节点发射功率,使节点在网络中的实际能耗达到期望值,降低网络能耗的同时提高网络动态性能。
所述的网络模型为一圆形网络,均匀部署传感器节点,圆心处为Sink节点,如图2所示。为了简化网络模型和方便分析,将圆形网络分割成多个扇形子网络,且每个扇形子网络区域被划分成几个宽度相同但面积不同的环,第i环被分成2i-1个面积相同的网格,所有节点向网络中唯一的汇聚节点传输数据。则可定义扇形网络为其中,α为网络圆心角,R为半径,整个扇形网络被分成N个网格和K个环。如图1中的扇形网络包含4个环和16个网格,扇形网络圆心角为π/6,则其可表示为节点采集到信息后通过多跳方式将数据传输给汇聚节点,即第1环内的Sink节点。
所述的模糊神经系统既具有模糊逻辑推理能力,同时也可以通过系统自适应来不断改进和调整,从而达到更好的控制效果,其结构如图3所示。控制系统一个输入参量为节点期望能耗E(u)ref,在数值上E(u)ref=e。节点能耗往往和节点需要传输的数据包大小有很大关系:当数据包较大时,节点发送数据时的能耗大,近距离多跳传输能有效降低网络能耗;当数据包较小时,节点发送数据时的能耗小,远距离传输能更有效地降低网络能耗。因此,选取数据包大小Li作为另一个输入参量。在无线传感器网络中,通常节点硬件如CC2420等都具有调节发射功率的能力,节点发射功率越大,通信距离越长;发射功率越小,通信距离越短。考虑到节点可以通过调整通信范围来控制发射功率这一特性,输出参量选为节点的通信范围CR,进而控制节点能耗。在图3中,控制系统根据节点实际能耗与期望能耗之间的差值εE,调整θ的大小,θ值通过积分器积分后与初始数据包大小Li0求差值后,确定需要传输的数据包大小Li。向模糊神经网络控制器输入参量E(u)ref和Li,模糊神经网络控制器输出本次节点的通信范围CR,将该通信范围带入节点实际应用中,则可知节点实际能耗E,控制系统一轮调整完毕。在有限的轮数内,系统通过反馈、循环的方式不断调整节点的通信距离,控制节点传输功率,从而使节点实际能耗接近预设的期望值,延长网络生命周期。为了实现上述的模糊神经系统功能,具体步骤如下:
第一步:训练集获取
为了实现模糊神经系统的自学习能力,需要获取足够的训练数据集。训练数据集来自于节点能耗表达式式(1),其中LMAX为节点能够传输的最大数据包长度,假设网络中所有节点的数据传输速率为固定值,节点发送和接收数据耗用的时间与数据包大小成正比,则表示节点传输大小为Li的数据包所用的时间。式(1)中,si为第i个传感器节点,t(si)表示在网络中节点si能将数据传输至Sink节点的路径集,Ee为节点发送\接收电路上的能耗,Er为功率放大器能耗,Eid为节点空闲状态时的能耗,d表示两节点之间的距离。公式左半部分表示节点处于不同状态时的能量消耗与在该状态下持续时间的乘积,其中,第一部分表示节点u将数据传输至节点集v的过程中,节点u处于发送状态的能耗;第二部分表示节点u接收节点集v′传送来的数据包时消耗的能量;第三部分为节点u处于空闲状态时的能耗。由于节点处于睡眠状态时能耗很小,式(1)中不考虑节点处于睡眠状态时的能耗。
在实际网络中,节点能够传输的最大数据包长度LMAX、节点发送/接收电路上的能耗Ee、功率放大器能耗Er、节点空闲状态时的能耗Eid都为已知量,因此,式(1)即为系统输入E(u)ref、Li和输出CR之间的关系式,即E(u)ref=f(Li,CR)。利用输入-输出关系式E(u)ref=f(Li,CR)可以得到大量的训练集T,T为一个k×3矩阵,记为[E,L,CR],其中Li∈{l1,l2,…lk},CR∈{d1,d2,…dk}。
第二步:模糊神经网络控制器设计
模糊神经网络控制器结构如图4所示。网络各层分别为:
(1)输入层:网络设有两个输入,分别为E(u)ref和Li;
(2)输入变量隶属度函数层:根据采集到的节点期望能耗、数据包大小及通讯范围构造训练数据对[E,L,CR]用于模型的训练。其中E、L、CR分别代表节点期望能耗、数据包大小和节点通信范围。对于第j(j=1,2,…,n)对训练数据对[Ej,Lj,CRj],数据训练前先采用钟型函数进行输入变量的模糊化,得到各变量隶属度函数为
其中i表示模糊子集数,分别为隶属度函数的中心和宽度。
(3)规则层:进行模糊运算,输出为各神经元输入取积后的归一化值,即各条规则的激励强度归一化,各节点输出如下式所示:
(4)自适应运算层:该层结合四条控制规则完成自适应运算,计算出每条规则的输出。节点输出结果为:
其中{pi,qi,ri}是该节点的结论参数.
(5)输出层:网络训练总输出表示根据输入的节点期望能耗与数据包大小预测的节点通信范围值,其结果为自适应运算层中四个节点的输出总和
CR=C1+C2+C3+C4 (5)
将(2)、(3)、(4)式代入(5)式中,计算网络输出值CR:
第三步:学习过程分析
模糊神经网络控制器学习要达到的目的是根据实际采集的训练集输入、输出量确定被控参数和控制规则。系统学习的误差函数为:
其中CRd、CRc分别为网络期望输出和实际输出的节点通信范围值。在学习过程中调整的参数为权值ωi、高斯型隶属函数的中心和宽度其计算方式如下式(8)、(9)、(10):
式中,k为学习次数,α为网络学习率。网络通过不断地学习达到预期的控制效果。
第四步:θ、Li0值的确定
在自适应模糊神经控制系统中,若节点实际能耗E不等于期望能耗E(u)ref,则系统需通过调整节点数据包大小来使两者相等。
定义节点能耗差值εE,εE表示节点实际能耗与期望能耗之差,计算公式如式(11):
εE=E-e (11)
如图3所示,控制系统通过积分器来动态调节Li的大小,Li的值与θ和Li0的大小有关。当能耗差值εE>0,即节点实际能耗E大于期望能耗值e时,设定CR加快减小,从而使εE趋近于0。取θ=0.02,Li0=0.8。
所述的拓扑控制协议AFNTC基于模糊神经系统,并通过对训练数据集进行学习,在输入初始无线传感器网络拓扑后,经过模糊神经系统的调节和控制,输出相应的目标拓扑G(V,E),其中V为拓扑网中的节点集,E为连接这些节点的链路集。以下为针对任意节点u的拓扑控制算法伪代码,其中evalfis为MATLAB中模糊推理系统的函数,在已知输入量的情况下可以求出输出量的值。
输入:
输出:G(V,E)
需要的已知量:
拓扑控制协议AFNTC具体的工作过程如图5所示。假设网络选取s(1)、s(2)为两源节点,如图5(a)所示。待发送数据节点根据预设的节点期望能耗E(u)ref和数据包大小Li,通过算法计算后确定通信范围CRu,使得节点实际能耗达到期望值e,将数据传输至距离为CRu的下一跳节点,该下一跳节点即为拓扑子网络节点集V中的节点,然后以此方法通过多跳传输的方式将数据发送至第1环内的Sink节点,连接这些子网络节点集中所有节点的链路即为链路集E。图5(b)中实线代表节点经过AFNTC算法调整后,通信范围CRu所能通信的下一跳节点路径,虚线则为未被选中的路径。
为了验证本发明一种基于自适应模糊控制的无线传感器网络拓扑控制算法AFNTC的性能,使用MATLAB仿真工具,对AFNTC算法、传统FCTP算法和LMA算法进行比较分析。定义扇形网络其中R=700m,N=4900,α=70.节点最大数据包长度LMAX=5000B,发送/接收电路上的能耗Ee=50nj/bit,功率放大器能耗Er=0.01nj/bit/m2,节点空闲状态时的能耗Eid=50nj/bit,网络中源节点数量为80,节点随机分布在网络中。
首先在不同期望能耗情况下对节点数量与用AFNTC计算出的节点实际能耗的关系进行了分析,其结果如图6所示。从图中可见,当节点期望能耗为0.5mj时,节点实际能耗在期望值附近波动,基本接近期望值;当节点期望能耗预设值越小时,实际能耗略高于期望值的情况越明显,这是因为期望能耗越小,算法调整的难度就越大,在有限的算法循环轮数内,AFNTC算法尽量将节点实际能耗靠近期望能耗值。此外,随着节点数量的增加,节点实际能耗越趋近于期望能耗,原因是在算法调整节点通信范围时,节点越密集,节点通信范围CR所覆盖的节点区域就越精确,越有利于算法调整节点实际能耗。
网络收敛时间能反应网络在增减节点、重新部署及受到干扰时快速重组拓扑的能力。接下来对AFNTC、FCTP和LMA算法之间传输功率和收敛时间关系进行了比较,其结果如图7所示。LMA算法收敛时间随传输功率的增大而不断变长,原因是LMA算法调节时非常依赖于周围邻居节点,FCTP算法的收敛时间与AFNTC接近,收敛速度均优于LMA算法。
最后对三种算法在不同传输功率时节点平均总能耗进行了分析对比,结果如图8所示。AFNTC算法中,节点期望能耗E(u)ref=e=0.4mj。在传输功率为-14dBm之前,AFNTC算法的节点平均能耗略高于FCTP和LMA算法能耗。但在节点期望能耗附近,随着传输功率的增大,FCTP和LMA算法的能耗明显大于AFNTC算法。由于AFNTC算法自适应控制的特点,虽然设置的节点发射功率并非理想功率,但控制系统的反馈循环机制有效控制节点的实际能耗。节点平均实际能耗越低,无疑网络生命周期则越长。
本发明的一种基于自适应模糊控制的无线传感器网络拓扑控制算法AFNTC,其在人工神经网络学习训练集的基础上建立模糊控制系统,避免传统方法的复杂参数调节过程,并通过反馈、循环机制调整节点通信范围,以获得期望的节点能量消耗。从收敛时间、平均能耗方面对算法进行了仿真分析,结果表明相比FCTP和LMA算法,AFNTC性能较优,其能有效控制节点能耗,延长网络生命周期。
Claims (4)
1.一种基于自适应模糊控制的无线传感器网络拓扑控制算法,其特征在于:包括网络模型、模糊神经系统以及拓扑控制协议三个部分,基于简化的扇形网络,采用模糊神经系统,形成拓扑控制协议;采用神经网络学习算法来替代繁杂的模糊控制器参数调整过程,通过调节每个节点的通信范围,控制节点发射功率,使节点在网络中的实际能耗达到期望值,降低网络能耗的同时提高网络动态性能,并最终延长网络的生命周期。
2.根据权利要求1所述的基于自适应模糊控制的无线传感器网络拓扑控制算法,其特征在于:所述的模糊神经系统的数据训练集T由输入-输出关系式E(u)ref=f(Li,CR)计算得到,其中T为一个k×3矩阵,记为[E,L,CR],其中Li∈{l1,l2,…lk},CR∈{d1,d2,…dk},E(u)ref=f(Li,CR)具体表达式如下:
其中si为第i个传感器节点,t(si)表示在网络中节点si能将数据传输至Sink节点的路径集,Ee为节点发送\接收电路上的能耗,Er为功率放大器能耗,Eid为节点空闲状态时的能耗,d表示两节点之间的距离。
3.根据权利要求1所述的基于自适应模糊控制的无线传感器网络拓扑控制算法,其特征在于:所述的模糊神经系统的模糊神经网络控制器采用分层结构,分别为:
(1)输入层:网络设有两个输入,分别为节点期望能耗E(u)ref和需要传输的数据包大小Li;
(2)输入变量隶属度函数层:根据采集到的节点期望能耗、数据包大小及通讯范围构造训练数据对[E,L,CR]用于模型的训练,其中E、L、CR分别代表节点期望能耗、数据包大小和节点通信范围;对于第j(j=1,2,…,n)对训练数据对[Ej,Lj,CRj],数据训练前先采用钟型函数进行输入变量的模糊化,得到各变量隶属度函数为
其中i表示模糊子集数,分别为隶属度函数的中心和宽度。
(3)规则层:进行模糊运算,输出为各神经元输入取积后的归一化值,即各条规则的激励强度归一化,各节点输出如下式所示:
(4)自适应运算层:该层结合四条控制规则完成自适应运算,计算出每条规则的输出,节点输出结果为:
其中{pi,qi,ri}是该节点的结论参数。
(5)输出层:网络训练总输出表示根据输入的节点期望能耗与数据包大小预测的节点通信范围值,其结果为自适应运算层中四个节点的输出总和
CR=C1+C2+C3+C4 (4)
将(1)、(2)、(3)式代入(4)式中,计算网络输出值节点通信范围CR:
CR=[μ(E1)·μ(L1)·(p1·Ej+q1·Lj+r1)+μ(E1)·μ(L2)·(p2·Ej+q2·Lj+r2)+μ(E2)·μ(L1)·(p3·Ej+q3·Lj+r3)+μ(E2)·μ(L2)·(p4·Ej+q4·Lj+r4)]/[μ(E1)·μ(L1)+μ(E1)·μ(L2)+μ(E2)·μ(L1)+μ(E2)·μ(L2)] 。
4.根据权利要求1所述的基于自适应模糊控制的无线传感器网络拓扑控制算法,其特征在于:所述的拓扑控制协议基于模糊神经系统,并通过对训练数据集进行学习,在输入无线传感器网络初始拓扑后,经过模糊神经系统的调节和控制,输出相应的目标拓扑G(V,E),其中V为拓扑网中的节点集,E为连接这些节点的链路集。对网络任意节点u的拓扑控制算法伪代码如下,其中evalfis为MATLAB中模糊推理系统的函数,在已知输入量的情况下可以求出输出量的值。
输入:
输出:G(V,E)
需要的已知量:
(1):训练集:T=[E,L,CR];
(2):节点最大通信距离:rmax;
(3):节点期望能耗:E(u)ref=e;
(4):初始数据包大小:Li0;
(5):初始θ值:θ0;
(6):循环轮数rounds=15;
算法开始
(7):通过MATLAB中ANFIS工具训练T获得模糊神经网络控制器;
(8):
(9):
(10):while rounds>0 do
(11):计算节点以通信范围CRu传输数据包大小为Li时的实际能耗E;
(12):计算εE=E-e;
(13):ifεE>0then
(14):
(15):else
(16):θ=θ0;
(17):end if
(18):
(19):
(20):
(21):end while
(22):将节点u以CRu为通信范围所确定的下一跳节点加入拓扑子网络的节点集V
(23):将连接节点集V中所有节点的链路加入链路集E
(24):end 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014166.2A CN106714262B (zh) | 2017-01-09 | 2017-01-09 | 一种基于自适应模糊控制的无线传感器网络拓扑控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014166.2A CN106714262B (zh) | 2017-01-09 | 2017-01-09 | 一种基于自适应模糊控制的无线传感器网络拓扑控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106714262A true CN106714262A (zh) | 2017-05-24 |
CN106714262B CN106714262B (zh) | 2020-04-07 |
Family
ID=58907081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710014166.2A Active CN106714262B (zh) | 2017-01-09 | 2017-01-09 | 一种基于自适应模糊控制的无线传感器网络拓扑控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106714262B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108934054A (zh) * | 2018-06-19 | 2018-12-04 | 昆明理工大学 | 一种基于节点数据值的Ad-hoc网络分簇算法 |
CN109982422A (zh) * | 2019-04-09 | 2019-07-05 | 合肥工业大学 | 一种自适应无线传感器网络发射功率控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957602A (zh) * | 2009-07-15 | 2011-01-26 | 河南天擎机电技术有限公司 | 基于Zigbee的公共场所环境监测控制方法及其系统 |
CN103336992A (zh) * | 2013-06-27 | 2013-10-02 | 电子科技大学 | 一种模糊神经网络学习算法 |
CN103581974A (zh) * | 2012-12-26 | 2014-02-12 | 华平信息技术股份有限公司 | 链路质量评估方法及其系统 |
CN104133372A (zh) * | 2014-07-09 | 2014-11-05 | 河海大学常州校区 | 基于模糊神经网络的室温控制算法 |
-
2017
- 2017-01-09 CN CN201710014166.2A patent/CN106714262B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957602A (zh) * | 2009-07-15 | 2011-01-26 | 河南天擎机电技术有限公司 | 基于Zigbee的公共场所环境监测控制方法及其系统 |
CN103581974A (zh) * | 2012-12-26 | 2014-02-12 | 华平信息技术股份有限公司 | 链路质量评估方法及其系统 |
CN103336992A (zh) * | 2013-06-27 | 2013-10-02 | 电子科技大学 | 一种模糊神经网络学习算法 |
CN104133372A (zh) * | 2014-07-09 | 2014-11-05 | 河海大学常州校区 | 基于模糊神经网络的室温控制算法 |
Non-Patent Citations (4)
Title |
---|
MOHSEN NICKRAY,ET AL.: "Simultaneous power control and power management algorithm with sector-shaped topology for wireless sensor networks", 《WIRELESS COMMUNICATIONS AND NETWORKING》 * |
张小娟: "自适应神经模糊推理系统(ANFIS)及其仿真", 《电子设计工程》 * |
李建平等: "基于模糊神经网络的无线传感器网络可靠性评估", 《计算机应用》 * |
胡黄水: "可自维护的无线传感器网络拓扑控制算法研究", 《中国博士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108934054A (zh) * | 2018-06-19 | 2018-12-04 | 昆明理工大学 | 一种基于节点数据值的Ad-hoc网络分簇算法 |
CN108934054B (zh) * | 2018-06-19 | 2021-07-16 | 昆明理工大学 | 一种基于节点数据值的Ad-hoc网络分簇算法 |
CN109982422A (zh) * | 2019-04-09 | 2019-07-05 | 合肥工业大学 | 一种自适应无线传感器网络发射功率控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106714262B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Energy-efficient mode selection and resource allocation for D2D-enabled heterogeneous networks: A deep reinforcement learning approach | |
Liu et al. | Deep reinforcement learning for communication flow control in wireless mesh networks | |
US20220353783A1 (en) | Clustering Routing Optimization Method Based on Adaptive Evolutionary Algorithm for Wireless Sensor Network | |
Cicioğlu et al. | Energy-efficient and SDN-enabled routing algorithm for wireless body area networks | |
Bagci et al. | An energy aware fuzzy approach to unequal clustering in wireless sensor networks | |
Sabet et al. | An energy efficient multi-level route-aware clustering algorithm for wireless sensor networks: A self-organized approach | |
CN105684524B (zh) | 通信系统、接入网络节点和优化通信网络中能耗的方法和装置 | |
CN108112082B (zh) | 一种基于无状态q学习的无线网络分布式自主资源分配方法 | |
Xie et al. | A clustering routing protocol for WSN based on type-2 fuzzy logic and ant colony optimization | |
Singh et al. | An energy efficient approach for clustering in WSN using fuzzy logic | |
Dutta et al. | Low-energy adaptive unequal clustering protocol using fuzzy c-means in wireless sensor networks | |
CN107864507B (zh) | 基于量子猴群搜索机制的认知无线电功率控制方法 | |
CN105979539B (zh) | 移动自组织网络中基于模糊逻辑的分簇方法 | |
CN108848535B (zh) | 一种面向共享模式的雾计算环境资源分配方法 | |
Adeel et al. | Random neural network based novel decision making framework for optimized and autonomous power control in LTE uplink system | |
Li et al. | Parallel deep reinforcement learning based online user association optimization in heterogeneous networks | |
CN106714262A (zh) | 一种基于自适应模糊控制的无线传感器网络拓扑控制算法 | |
CN109152103A (zh) | 一种对无线传感器网络进行组网方法及装置 | |
Yuan et al. | A Q-learning-based hierarchical routing protocol with unequal clustering for underwater acoustic sensor networks | |
Wu et al. | Cognitive WSN control optimization for unmanned farms under the two-layer game | |
Bendouda et al. | An hybrid and proactive architecture based on SDN for Internet of Things | |
Gajjar et al. | Low energy fuzzy based unequal clustering multihop architecture for wireless sensor networks | |
CN107071876B (zh) | 一种采用两级模糊控制器的无线传感器网络功率控制方法 | |
CN111770512B (zh) | 一种基于模糊逻辑的无线传感器网络分扇路由方法 | |
CN113923802A (zh) | 软件定义无线传感器网络中能量高效的分层拓扑控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |