CN107277889B - 一种基于k-means的无线传感器网络分簇方法 - Google Patents

一种基于k-means的无线传感器网络分簇方法 Download PDF

Info

Publication number
CN107277889B
CN107277889B CN201710655087.XA CN201710655087A CN107277889B CN 107277889 B CN107277889 B CN 107277889B CN 201710655087 A CN201710655087 A CN 201710655087A CN 107277889 B CN107277889 B CN 107277889B
Authority
CN
China
Prior art keywords
cluster
sensor
clustering
point
coordinates
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
Application number
CN201710655087.XA
Other languages
English (en)
Other versions
CN107277889A (zh
Inventor
王进
王凯
牛俊明
季欢
居春伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangzhou University
Original Assignee
Yangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangzhou University filed Critical Yangzhou University
Priority to CN201710655087.XA priority Critical patent/CN107277889B/zh
Publication of CN107277889A publication Critical patent/CN107277889A/zh
Application granted granted Critical
Publication of CN107277889B publication Critical patent/CN107277889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/02Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/04Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • H04W40/10Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W40/00Communication routing or communication path finding
    • H04W40/24Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/32Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W84/00Network topologies
    • H04W84/18Self-organising networks, e.g. ad-hoc networks or sensor networks
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing 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

本发明提出一种基于k‑means的无线传感器网络分簇方法。步骤一,计算网络中各传感器的中心点位置坐标,根据中心位置坐标计算聚类点的坐标;步骤二,计算网络中各传感器至各聚类点的距离,各传感器选择距离最近的聚类点加入到同一个簇中;在加入到同一个簇中的传感器中,选择距离相应聚类点最近的且其能量同时高于簇内传感器平均能量的传感器作为该簇的簇头;步骤三,对于每一个簇,计算簇内传感器的中心点位置坐标,将该中心点位置坐标作为新的聚类点的坐标;重复步骤二和三,直至簇内的传感器不再发生变化。本发明的减少了各传感器的能耗,延长无线传感器网络整体的生存时间。

Description

一种基于k-means的无线传感器网络分簇方法
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k-means的无线传感器网络节点分簇方法。
背景技术
无线传感器网络是由大量微型的传感器节点以自组织的方式组成的低成本、自适应性高的无线网络。它可以实时监测、感知各种环境和监测对象的信息,并将数据传送给所需的用户。随着物联网的发展,无线传感网具有十分广泛的前景,越来越多大规模的无线传感器网络投入使用。在无线传感器网络中节点能量来源主要是电池,由于庞大的节点规模和环境的限制给节点充电是很困难的事情,当节点耗尽能量后网络的监测范围就会出现空洞,不能达到全部覆盖,因此,在无线传感器网络中节点能量的保护成为了备受关注的问题。为了提高能量使用效率延长网络生存时间,必须开发新的高效的节能算法。
低能耗自适应分簇结构(LEACH)算法是使用在分布式簇结构中的一种典型的基于分簇协议的算法。在LEACH中,大量的节点被分成几个簇,每一个簇都有一个簇头,簇头是根据预定义的可能性选出来的,普通节点会选择最近的簇头节点发送检测数据,簇头节点负责把接收到簇内节点的数据发送到基站或者移动汇聚节点。但是,这种随机选择簇头节点的方式往往会导致较差的分簇结果,使得一些节点传输距离变长从而加快能量消耗,极大地缩短了生存时间。
发明内容
本发明的目的在于提出一种基于k-means的无线传感器网络分簇方法,减少了各传感器的能耗,延长无线传感器网络整体的生存时间。
为了解决上述技术问题,本发明提供一种基于k-means的无线传感器网络分簇方法,包括如下步骤:
步骤一,计算网络中各传感器的中心点位置坐标,根据中心位置坐标计算聚类点的坐标;
步骤二,计算网络中各传感器至各聚类点的距离,各传感器选择距离最近的聚类点加入到同一个簇中;在加入到同一个簇中的传感器中,选择距离相应聚类点最近的且其能量同时高于簇内传感器平均能量的传感器作为该簇的簇头;
步骤三,对于每一个簇,计算簇内传感器的中心点位置坐标,将该中心点位置坐标作为新的聚类点的坐标;
重复步骤二和三,直至簇内的传感器不再发生变化。
进一步,根据中心位置坐标计算聚类点的坐标的方法如下式所示,
Figure BDA0001369052900000021
其中,
Figure BDA0001369052900000022
为聚类点mp的坐标,k是所分的簇的数量,p=1,2,3,…,k, R为中心点与所有传感器的平均距离,Cx为中心点位置横坐标,Cy为中心点位置纵坐标。。
本发明与现有技术相比,其显著优点在于,在确定簇头节点时即考虑了传感器节点之间的平均距离,也考虑了传感器节点剩余能量,可以有效避免LEACH算法中随机产生簇头导致的分簇失衡问题,通过使用统一簇位置和平衡网络负载来延长网络整体的生存时间。
附图说明
图1是无线传感器网络示意图。
图2是本发明基于k-means的无线传感器网络节点分簇方法流程图。
图3是生成的初始聚类点的原理图。
图4是传感器节点选择聚类点原理图。
图5是分簇后重新计算新聚类点的原理图。
图6是传感器节点更换分簇原理图。
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明基于k-means的无线传感器网络分簇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。
图1所示为一个无线传感器网络结构示意图,在一个区域内分布着很多传感器节点,传感器节点在图中以圆圈表示。
如图2所示,本发明提出的基于k-means的无线传感器网络节点分簇方法括如下步骤:
首先,计算所有传感器节点的中心位置坐标以及初始聚类点的坐标。通过本步骤解决k-means算法在随机选择初始聚类点导致迭代次数大的问题,可以有效减少初始化时间。
所有传感器节点的中心点位置坐标C的计算方法如下式所示,
Figure BDA0001369052900000031
其中,n为传感器节点的个数,Xi是传感器节点i的位置坐标。将每个传感器节点位置的横坐标和纵坐标分别累加并除以n算出坐标的平均值,即为中心点位置坐标 C。
令R为中心点与所有传感器节点的平均距离,将每个传感器节点与中心点的距离相加求平均,平均距离R的计算方法如下式所示,
Figure BDA0001369052900000032
根据平均距离R和中心点位置坐标C计算初始聚类点的坐标
Figure BDA0001369052900000033
方法如下所示,
Figure BDA0001369052900000034
其中,k是所分的簇的数量,同时p=1,2,3,…,k。Cx为中心点位置横坐标,Cy为中心点位置纵坐标。
如图3所示生成初始聚类点的原理图。其中,圆圈表示传感器节点,黑色圆点表示通过上面步骤计算得出的初始聚类点,黑色三角形为中心点位置C。根据上述方法生成的初始化聚类点可以大大的减少建立簇时所需要的迭代时间。
其次,在计算出初始化聚类点之后,基于所有传感器节点的位置,基站会创建一些簇。
本发明使用k-means方法将无线传感器网络中的n个传感器节点划分成k个簇,每个传感器节点都会选择离自己最近的聚类点组成簇。对于k个簇的无线传感器网络, k-means方法可以用数学表达式表达为:
Figure BDA0001369052900000041
式中,Sp是第p个簇所含节点的集合,Xi是传感器节点的坐标,mp是聚类点的坐标,该式子主要是用来获得聚类点到各传感器节点之间最小的平均距离。通过上式所述方法可以保证划分好的簇p内所有节点到该簇聚类点mp的距离最短。
为了创建统一的分布式簇,需要计算聚类点到所有传感器节点的最短距离。当计算出初始聚类点后,传感器节点会加入到距离最短的簇。
如图4所示,如果在第t次迭代后Xi是最接近mp的,那么传感器节点i就会加入第p个簇、
Figure BDA0001369052900000042
式中每一个传感器节点准确地加入相应的簇内。该等式的主要目的是决定经过第t 次迭代后,传感器节点i应该属于哪个簇。
然后,当所有传感器节点都分好簇之后,根据以下等式计算新的聚类点坐标:
Figure BDA0001369052900000043
式中
Figure BDA0001369052900000044
表示簇p中传感器节点的数量。计算簇内节点的中心点,从而替代原有的聚类点。
如图5所示,是分好簇后重新计算新聚类点的原理图。虚线箭头表示某一轮所有传感器节点分好簇后计算出新的聚类点,然后将上一轮的聚类点用新聚类点替换掉。
最后,无线传感器网络中的每一个传感器节点都根据新的聚类点重新开始分簇,直到簇内传感器节点不再发生变化。
在传感器节点进行分簇计算时会出现图6的情况,黑色圆点表示上一轮的聚类点,灰色圆点表示重新计算出来的聚类点。传感器节点A在分簇计算时会重新计算到三个聚类点的距离选择最近的加入。上一轮节点A属于上面一个簇,更新聚类点后,距离2 大于距离3,所以节点A又加入到下面的簇中。这种情况表明节点分簇还处于不稳定状态,随着迭代次数的增加,结果不断收敛,最终各个簇内的节点不会发生改变,趋于稳定,分簇就完成了
本方法中提及的聚类点实际为理论的中心点,现实情况下没有对应的传感器节点实体,那么就需要在传感器节点中选择簇头节点。方法是将簇内的每个传感器节点与理论聚类点的距离升序排序,同时计算出簇内传感器节点的平均能量,选择距离理论聚类点最近的且传感器节点能量高于簇内平均能量的节点作为该簇实际的簇头节点。
网络拓扑结构建立好后,远程服务器通过基站将路由信息发送给传感器节点,让其根据路由接收和发送数据。由于簇头节点需要收集和压缩信息,所以能量消耗较大,因此每隔一定时间需要对整个网络重构一次,更换簇头节点。
本专利提出的基于k-means的无线传感器网络分簇方法,通过计算传感器节点的平均距离,同时将节点剩余能量作为是否能成为簇头节点的重要因素,对于分布式的无线传感器网络可以有效实现负载均衡,大大延长网络的生存时间,减少了维护成本。该方法与流行的LEACH相比较而言,解决了随机选择簇头节点带来的不确定性和不平衡性,不管是能量消耗还是生存时间都有显著提高。

Claims (1)

1.一种基于k-means的无线传感器网络分簇方法,其特征在于,包括如下步骤:
步骤一,计算网络中各传感器的中心点位置坐标,根据中心位置坐标计算聚类点的坐标;
所有传感器节点的中心点位置坐标C的计算方法如下式所示,
Figure FDA0002630801300000011
其中,n为传感器节点的个数,Xi是传感器节点i的位置坐标;将每个传感器节点位置的横坐标和纵坐标分别累加并除以n获得坐标的平均值,即为中心点位置坐标C;
根据中心点位置坐标C计算聚类点的坐标的方法如下式所示,
Figure FDA0002630801300000012
其中,
Figure FDA0002630801300000013
为聚类点mp的坐标,k是所分的簇的数量,p=1,2,3,…,k,R为中心点与所有传感器的平均距离,Cx为中心点位置横坐标,Cy为中心点位置纵坐标;平均距离R的计算方法如下式所示,
Figure FDA0002630801300000014
步骤二,计算网络中各传感器至各聚类点的距离,各传感器选择距离最近的聚类点加入到同一个簇中;在加入到同一个簇中的传感器中,选择距离相应聚类点最近的且其能量同时高于簇内传感器平均能量的传感器作为该簇的簇头;
步骤三,对于每一个簇,计算簇内传感器的中心点位置坐标,将该中心点位置坐标作为新的聚类点的坐标;
重复步骤二和三,直至簇内的传感器不再发生变化。
CN201710655087.XA 2017-08-03 2017-08-03 一种基于k-means的无线传感器网络分簇方法 Active CN107277889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710655087.XA CN107277889B (zh) 2017-08-03 2017-08-03 一种基于k-means的无线传感器网络分簇方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710655087.XA CN107277889B (zh) 2017-08-03 2017-08-03 一种基于k-means的无线传感器网络分簇方法

Publications (2)

Publication Number Publication Date
CN107277889A CN107277889A (zh) 2017-10-20
CN107277889B true CN107277889B (zh) 2020-10-20

Family

ID=60074937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710655087.XA Active CN107277889B (zh) 2017-08-03 2017-08-03 一种基于k-means的无线传感器网络分簇方法

Country Status (1)

Country Link
CN (1) CN107277889B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107659974B (zh) * 2017-11-03 2021-08-13 广东工业大学 无线传感网路由方法、装置、设备及计算机可读存储介质
CN107613540B (zh) * 2017-11-07 2019-08-30 合肥工业大学 一种无线可充电传感器网络聚类分簇路由方法
CN108055685B (zh) * 2017-12-29 2020-06-09 北京农业信息技术研究中心 无线传感器网络中的簇头节点和传感器节点
CN108419249B (zh) * 2018-03-02 2021-07-02 中南民族大学 三维无线传感器网络分簇覆盖方法、终端设备及存储介质
CN108684066B (zh) * 2018-05-15 2022-03-29 扬州大学 基于K-medoids的无线传感器网络分簇方法
CN109219011B (zh) * 2018-09-10 2021-12-17 广州市花林景观工程有限公司 淡水鱼养殖区域的水质健康智能监测系统
CN108829166B (zh) * 2018-09-10 2019-04-19 广州市蔚明仪器科技有限公司 医疗器械储存环境智能监测系统
CN109300336B (zh) * 2018-11-05 2021-07-06 华南农业大学 一种耕地质量监测节点的无人机遍历航线优化方法及系统
CN110418434B (zh) * 2019-07-08 2022-12-06 东南大学 一种无人机辅助的无线传感器网络充电方法与装置
CN110856184B (zh) * 2019-11-26 2022-08-19 西安航空学院 基于k均值算法的双层结构无线传感器网络节点部署方法
CN111867031B (zh) * 2020-06-17 2023-06-30 浙江工业大学 一种基于聚类的射频能量源布置和发送功率设置方法
CN112601265A (zh) * 2020-11-19 2021-04-02 广东沃科融合通讯有限公司 基于位置的中继控制方法、装置、电子设备和存储介质
CN114022790B (zh) * 2022-01-10 2022-04-26 成都国星宇航科技有限公司 遥感图像中云层检测及图像压缩方法、装置和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080253298A1 (en) * 2007-04-13 2008-10-16 Bhatti Ghulam M Method and System for Managing Routes in a Wireless Network of Nodes
US20150268686A1 (en) * 2014-03-19 2015-09-24 University Of Florida Research Foundation, Inc. Social networking reducing peak power consumption in smart grid
CN105072656B (zh) * 2015-07-10 2019-04-23 桂林电子科技大学 基于K-means聚类和蚁群算法的多级异构无线传感器网络分簇路由方法
CN105791051B (zh) * 2016-03-25 2019-06-21 中国地质大学(武汉) 基于人工免疫和k均值聚类的无线传感网异常检测方法及系统
CN105915451A (zh) * 2016-05-19 2016-08-31 东华大学 无线传感器网络的多sink部署与容错方法

Also Published As

Publication number Publication date
CN107277889A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
CN107277889B (zh) 一种基于k-means的无线传感器网络分簇方法
Liu et al. A new multi-path routing protocol based on cluster for underwater acoustic sensor networks
Wang et al. A K-medoids based clustering algorithm for wireless sensor networks
Mahajan et al. Improving the stable period of WSN using dynamic Stable leach Election Protocol
Patil et al. Some issues in clustering algorithms for wireless sensor networks
Feng et al. Confident information coverage hole prediction and repairing for healthcare big data collection in large-scale hybrid wireless sensor networks
Tirani et al. WDAT‐OMS: A two‐level scheme for efficient data gathering in mobile‐sink wireless sensor networks using compressive sensing theory
Nazi et al. Efficient communications in wireless sensor networks based on biological robustness
CN108684066B (zh) 基于K-medoids的无线传感器网络分簇方法
Latiff et al. Hybrid backtracking search optimization algorithm and k-means for clustering in wireless sensor networks
Hayat et al. Review of cluster-based energy routing protocols for WSNs
Amsalu et al. Design and performance evaluation of an energy efficient routing protocol for Wireless Sensor Networks
Pang et al. Energy-efficient improvements in Mod-LEACH protocol on optimal cluster heads selection
Peng et al. Energy-efficient and fault-tolerant evolution models for large-scale wireless sensor networks: A complex networks-based approach
Cisse et al. Energy efficient hybrid clustering algorithm for wireless sensor network
Huynh et al. Balance Particle Swarm Optimization and gravitational search algorithm for energy efficient in heterogeneous wireless sensor networks
Hanifi et al. Clustering for reduction of energy consumption in wireless sensor networks by AHP method
Rezaei et al. TDTCGE: Two-dimensional technique based on center of gravity and energy center in wireless sensor network
Li et al. Localized topologies with bounded node degree for three dimensional wireless sensor networks
Hassan et al. Optimization techniques for IoT using adaptive clustering
Kumrawat et al. Optimizing energy consumption in wireless sensor network through distributed weighted clustering algorithm
Jameel et al. Energy Efficient Smart Sensor Network Routing Protocol using Node Scheduling
Biradar et al. An energy efficient optimized cluster establishment methodology for sensor nodes in WSN
Dubey et al. Load Balanced Clustering protocol for lifetime enhancement of WSN
Ahmed et al. Development of SOM neural network based energy efficient clustering hierarchical protocol for 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
GR01 Patent grant
GR01 Patent grant