CN110708735B - 异构认知无线传感器网络分簇路由方法 - Google Patents

异构认知无线传感器网络分簇路由方法 Download PDF

Info

Publication number
CN110708735B
CN110708735B CN201910963375.0A CN201910963375A CN110708735B CN 110708735 B CN110708735 B CN 110708735B CN 201910963375 A CN201910963375 A CN 201910963375A CN 110708735 B CN110708735 B CN 110708735B
Authority
CN
China
Prior art keywords
cognitive
cluster
node
nodes
cluster head
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
CN201910963375.0A
Other languages
English (en)
Other versions
CN110708735A (zh
Inventor
陈桂芬
王俊喜
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.)
Changchun University of Science and Technology
Original Assignee
Changchun University of Science and Technology
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 Changchun University of Science and Technology filed Critical Changchun University of Science and Technology
Priority to CN201910963375.0A priority Critical patent/CN110708735B/zh
Publication of CN110708735A publication Critical patent/CN110708735A/zh
Application granted granted Critical
Publication of CN110708735B publication Critical patent/CN110708735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • 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
    • H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
    • 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)

Abstract

异构认知无线传感器网络分簇路由方法涉及无线传感器网络技术领域，解决了无线传感器网络的能量消耗高、网络的生命周期短、频谱资源短缺和硬件条件限制的问题，包括随机部署认知节点和普通节点；判断认知节点的剩余能量是否大于Emax，若大于则成为簇首，否则判断是否小于Emin，若小于则退出，否则在[0，1]之间随机选取一个数，比较该数与簇首当选概率，若小于，则退出，反之则成为簇首；非簇首节点根据自由传输模式下和多径传输模式下的能量放大倍数、其到基站的距离和其到簇首的距离选择簇首入簇，簇首当选概率根据空余信道数和边缘度确定。本发明降低了网络能量消耗、延长了网络生存周期、缓解了频谱紧缺、避免了硬件需求高的问题。

Description

异构认知无线传感器网络分簇路由方法
技术领域
本发明涉及无线传感器网络技术领域，具体涉及异构认知无线传感器网络分簇路由方法。
背景技术
无线传感器网络(WSN)是由随机部署在一片区域内的众多小型、廉价、低能耗的微型多功能传感器节点组成的一个自组织网络系统，节点通常由电池供电，网络中节点通过相互协作的方式感知和采集信息，再经过整合与处理后传送给用户。目前为止，国内外的学者针对不同的应用环境已经设计出许多无线传感器网络算法，其中，分簇路由算法凭借能量高效性和网络可扩展性方面的优势，已经成为了重要的研究课题。
在设计的无线传感器网络路由算法中，由于WSN与Wi-Fi、蓝牙、Zigbee等通信技术共享频段的方式会使频谱资源愈加短缺且传感器节点通常由电池供电，所以要考虑的最重要的因素就是频谱资源的限制与节点能量消耗问题。
无线传感器网络路由协议到目前已有多种，如LEACH、LEAUCH、DSAC、SEP及ECSEP，其中SEP算法在LEACH算法的基础上，将节点分为高级节点和普通节点，高级节点具有更高能量，算法以概率进行簇首选举，以节点与簇首的距离作为入簇依据，高级节点具有更高的概率成为簇首，各个节点轮流成为簇首，均衡了能耗。
无线传感器网络结合认知无线电技术，为缓解愈加严峻的频谱短缺问题提供了方法与技术，但认知节点对于接收机灵敏度等的需求要远高于传统传感器节点，使得认知无线传感器网络的普及受到了硬件条件的限制。所以在考虑缓解频谱资源短缺问题的同时也要考虑硬件条件的问题。无线传感器网络节点由电池供电，无线传感器网络的能量消耗较高、网络的生命周期较短限制了其网络价值。
发明内容
为了解决无线传感器网络的能量消耗较高、网络的生命周期较短、频谱资源短缺和硬件条件限制的问题，本发明提供异构认知无线传感器网络分簇路由方法。
本发明为解决技术问题所采用的技术方案如下：
异构认知无线传感器网络分簇路由方法，包括如下步骤：
步骤一、在检测区域范围内随机部署用于频谱感知的认知节点和用于事件感知的普通节点，所述认知节点和普通节点共N个，N为正整数；
步骤二、判断认知节点的剩余能量是否大于高能量阈值Emax，若大于Emax则认知节点成为簇首，否则进行步骤三；
步骤三、判断认知节点的剩余能量是否小于低能量阈值Emin，若小于Emin，则该认知节点退出簇首竞选，否则进行步骤四；
步骤四、如果存在上一轮分簇且认知节点在上一轮分簇中为簇首，则认知节点退出簇首竞选；否则，在[0，1]之间随机选取一个数，比较该数与簇首当选概率的大小，若小于簇首当选概率，则认知节点退出簇首竞选，若大于等于簇首当选概率，则认知节点成为簇首；所述簇首当选概率根据空余信道数和边缘度确定；
步骤五、普通节点和退出簇首竞选的认知节点作为非簇首节点，非簇首节点根据自由传输模式下的能量放大倍数、多径传输模式下的能量放大倍数、非簇首节点到基站的距离和非簇首节点到簇首的距离选择簇首入簇，完成一轮分簇；
步骤六、循环执行步骤二至步骤五，直至完成所有轮分簇。
本发明的有益效果是：
本发明异构认知无线传感器网络分簇路由方法通过认知传感器节点与普通传感器节点的协作，综合考虑了节点剩余能量、空闲信道数、与基站的距离等方面，结合双能量阈值、节点边缘度、全节点随机判决等方法，提出了新的簇首当选概率，引入了新的入簇机制，降低了网络的能量消耗、延长了网络生存周期，提高了数据传输量，缓解因无线传感器网络大量应用并与其他通信技术共享频段带来的频谱紧缺问题，避免了认知无线传感器网络硬件需求高的问题。
附图说明
图1为本发明的异构认知无线传感器网络分簇路由方法的流程图。
图2为检测区域的面积对于网络生命周期的影响对比图。
图3为网络传输数据包数对比图。
图4为节点平均剩余能量对比图。
图5为不同的比例对应的不同网络生命周期的对比。
图6为认知节点高于普通节点的能量比例对网络生命周期的影响示意图。
图7为认知节点占总节点数的比例对网络的影响对比图。
图8为认知节点高于普通节点的能量比例的变化对网络的影响示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
异构认知无线传感器网络分簇路由方法，本发明是在SEP算法的基础上，提出了异构认知无线传感器网络分簇路由方法，考虑了认知无线传感器网络铺设的高需求问题，具体实现过程如下：
步骤一、在检测区域范围内随机部署认知节点和普通节点，认知节点和普通节点共N个，N为正整数，认知节点M个。本实施方式中认知节点和普通节点的数量比例是1：3。其中，认知节点感知空闲信道等信息可以动态地接入并传输数据，担任成为簇首的任务，由认知节点作为簇首能更大的体现认知技术的优势。普通节点负责感知事件信息，发送给所在簇簇首；认知节点负责频谱感知，发送给所在簇簇首。
步骤二、判断认知节点的剩余能量是否大于高能量阈值Emax，若大于Emax则认知节点成为簇首，否则进行步骤三。
步骤三、判断认知节点的剩余能量是否小于低能量阈值Emin，若小于Emin，则该认知节点退出簇首竞选，成为非簇首节点，否则进行步骤四；
步骤四、如果存在上一轮分簇且认知节点在上一轮分簇中为簇首，则认知节点退出簇首竞选；否则在[0，1]之间随机选取一个数，比较该数与簇首当选概率的大小。若随机选取这个数小于簇首当选概率，则认知节点退出簇首竞选，成为非簇首节点，若随机选取这个数大于等于簇首当选概率，则认知节点成为簇首。簇首当选概率根据空余信道数和边缘度确定。也就是说如果是首轮分簇，则可直接进行在[0，1]之间随机选取一个数。
所有认知节点经过步骤二至步骤四后，簇首竞选完成。
步骤五、普通节点和退出簇首竞选的认知节点作为非簇首节点，即普通节点和退出簇首竞选的认知节点统称非簇首节点，各个非簇首节点均根据自由传输模式下的能量放大倍数、多径传输模式下的能量放大倍数、非簇首节点到基站的距离和非簇首节点到簇首的距离选择簇首入簇，非簇首节点入簇完成则完成一轮分簇。
步骤六、循环执行步骤二至步骤五，直至完成所有轮的分簇，所有轮的分簇完成则网络分簇完成。
每个认知节点的簇首当选概率根据空余信道数和边缘度确定，具体认知节点成为簇首的概率(簇首当选概率)公式由两部分组成，其一如公式(1)所示：
Figure BDA0002229705870000041
其中，β为概率比例系数，t为时间，C为认知节点感知的空闲信道数，i和j均表示认知节点，均为正整数，即Ci为认知节点i感知的空闲信道数，Cj为认知节点j感知的空闲信道数，N为整个网络中全部节点数(认知节点和普通节点的总数)，K为每轮中簇首个数，其二如公式(2)所示：
Figure BDA0002229705870000042
其中Popt为最佳簇首比例，E(i)为认知节点i的剩余能量，Ei(0)为认知节点i的初始能量，Etotal和Ea如公式(3)和公式(4)所示：
Figure BDA0002229705870000051
Figure BDA0002229705870000052
其中r为当前分簇轮次，rmax为最大分簇轮次。
将认知节点感知到的空闲信道数在竞选簇首时就加以引用，强调了空闲信道数多的优势，降低了当选簇首的高能量节点具有低空闲信道数的误差概率，如下又引入边缘度edge(i)的概念，使靠近sink节点(基站)的高能量认知节点更容易成为簇首，降低远距离认知节点成为簇首的概率，边缘度的计算公式如公式(5)所示：
Figure BDA0002229705870000053
dis(i)为认知节点i距离基站的距离，dismax为所有认知节点距离基站的距离的最大值，所以簇首当选概率公式P如公式(6)所示：
P＝edge(i)·[P1i(t)+P2i(t)] (6)
得出来的簇首当选概率P作为簇首判决公式。
判断认知节点的剩余能量，即通过设置双能量阈值，具有高剩余能量的认知节点直接宣布当选簇首，低能量的节点退出竞选，保护低能量节点，低能量阈值Emin公式如公式(7)所示：
Figure BDA0002229705870000054
高能量阈值Emax公式如公式(8)所示：
Figure BDA0002229705870000055
通过双能量阈值的设置的认知节点，即能量值位于Emax和Emin之间的认知节点，随机生成一个[0，1]的数，若随机生成的该数小于该认知节点的簇首当选概率P，则宣布该认知节点当选簇首。下一轮分簇开始后若该节点若是仍能通过所在轮的双能量阈值门限，也不再担任簇首，同样的，若认知节点上一轮为高能量认知节点，此轮仍为高能量节点，则仍能当选为簇首。
经双能量阈值的判别，保护了低能量节点，充分利用了高能量节点，均衡了网络消耗，延长了网络的实用期。
簇首选定结束后，非簇首认知节点和普通节点进行入簇选择，非簇首认知节点和普通节点统称为非簇首节点，入簇机制为非簇首节点根据自由传输模式下的能量放大倍数、多径传输模式下的能量放大倍数、非簇首认知节点或普通节点到基站的距离、以及非簇首认知节点或普通节点到簇首的距离进行入簇选择，具体的入簇机制如公式(9)所示：
Figure BDA0002229705870000061
式中：α为入簇机制比例系数，εfs为自由传输模式下的能量放大倍数，εmp为多径传输模式下的能量放大倍数，dtoCH为非簇首节点(非簇首认知节点或普通节点)到基站的距离，dtoSINK为非簇首节点(非簇首认知节点或普通节点)到簇首的距离，非簇首节点通过选择D最小值对应的簇首加入后，此时分簇结构就建立完成。每轮分簇结构建立完成后，簇首整合簇内所有认知节点的频谱感知信息和所有普通节点事件感知信息后发送给基站。
每轮簇首的能量消耗主要为接收本簇内普通传感器节点的传输消耗、接收本簇内认知传感器节点的传输消耗、数据整合消耗、与sink节点之间的通信消耗和其作为认知节点的自身消耗，此能量消耗计算公式如式(10)所示：
Figure BDA0002229705870000071
其中，round()为四舍五入取整函数，M表示检测区域范围内随机部署的认知节点个数，K表示每轮中簇首个数，L1表示事件感知数据包大小，L2表示频谱感知结果数据包大小，dtoBS为簇首到sink节点的平均距离，Esense为单个认知节点频谱感知能量的消耗，Eelec为簇首每发送或接收1Bit信息所消耗的能量，EDA为簇首每融合1Bit信息所消耗的能量。在假设所有节点都均匀分布的前提下，每个簇中有N/K个节点。异构认知无线传感器网络分簇路由方法的单轮建簇流程图如图1所示，图1仅示意性的首轮建簇过程。
无线传感器网络中传感器的异同是区分同构网络和异构网络的重要因素。同构传感器网络是指网络中所有的传感器都是相同的，包括能量、存储空间等。但是在实际应用中，传感器节点不可能做到完全一致，所以异构传感器网络更具有现实意义。本发明引入了异构认知无线传感器网络的概念，通过认知传感器节点与普通传感器节点的协作，缓解因无线传感器网络大量应用并与其他通信技术共享频段带来的频谱紧缺问题，避免了认知无线传感器网络硬件需求高的问题。本发明综合考虑了节点剩余能量、空闲信道数、与基站的距离等方面，结合双能量阈值、节点边缘度、全节点随机判决等方法，提出了新的簇首当选概率，引入了新的入簇机制，降低了网络的能量消耗、延长了网络生存周期，提高了数据传输量。
将本发明进行仿真分析，将本发明与SEP算法、EC-SEP算法和同样应用于认知无线传感器网络的LAEUCH算法进行对比。本发明的算法称之为CSEP算法。基站设置在检测区域中心，仿真研究了检测区域面积的变化对于网络性能的影响，过大的检测区域对于网络的负担较大，能量消耗较高，过小的检测区域具有较低实用性，因此，以相对均衡的检测区域面积100m×100m为例，设置总节点数100个、普通节点初始能量0.5焦耳。仿真实验参数如表1所示，其中d0为自由传输消耗模型和多径传输消耗模型距离门限值。
表1仿真环境参数设置
Figure BDA0002229705870000081
分析检测区域的面积对于网络生命周期的影响如图2所示，可知在不引入簇内成员感知事件的传输消耗的情况下，各算法均在检测区域增大后，生命周期有明显的减少，这主要是因为传输距离的增加，网络的传输损耗由自由传输损耗逐渐转变为多径衰落损耗，同时传输距离的增加也会导致消耗的增加。我们可以看到在检测区域边长为80m～120m范围内，CSEP算法与EC-SEP算法和SEP算法会有相对稳定的差值，本发明中基于的算法的生命周期高于EC-SEP算法约626轮，约为EC-SEP算法生命周期的37.5％。CSEP算法的生命周期高于SEP算法约784轮，约为SEP算法生命周期的52.9％。
LEAUCH算法在与CSEP算法具有相同节点数且网络总能量得到同样(1+am)倍的提高后，在小型检测区域的网络生命周期具有明显的优势，但是在实际应用中，实施耗费过高，使其应用局限性很大，而CSEP算法在检测区域的不断增大中，仍能保持一个相对稳定的生命周期，在100m～140m的边长区域范围内，其网络的生命周期比LEAUCH算法提高了61.7％以上，这也意味着CSEP算法具有更高的使用价值。
为了便于对比网络的数据传输量，将检测区域固定为100m×100m。提高LEAUCH算法节点总能量为原来的(1+am)倍，a为认知节点高于普通节点能量的比例，m为认知节点占总数目的比例，总数目为N。使其网络总能量与CSEP算法相同，将感知事件与认知节点的网络消耗引入网络，网络传输数据包数对比如图3所示，如图3可见，在引入数据融合率为0.6的条件下，SEP算法的生命周期约为1125轮，累计传输数据包数约为1.09×105个。LEAUCH算法生命周期约为1554轮，累计传输数据包数约为1.34×105个。EC-SEP算法的生命周期约为1740轮，累计传输数据包数约为1.50×105个。CSEP算法的生命周期约为1820轮，累计传输数据包数约为1.68×105个。可以看出，在引入感知事件及认知节点的消耗后，CSEP算法仍能有更高的生存周期，更多的数据传输量，比SEP算法提高了54.2％，比EC-SEP算法提高了12.6％，比LEAUCH算法提高了25.1％。
CSEP算法、EC-SEP算法、SEP算法设置a＝3、m＝0.25，提高LEAUCH算法节点能量为原来的(1+am)倍，网络检测区域设置为100m×100m。所有节点平均剩余能量对比如图4所示。如图4可见，LEAUCH算法在1260轮时节点平均剩余能量降为10％，SEP算法在1003轮时节点平均剩余能量降为10％，EC-SEP算法在1310轮时节点平均剩余能量降为10％，而CSEP算法在1582轮时节点平均剩余能量降为10％。可见，CSEP算法比SEP算法、EC-SEP算法、LEAUCH算法更加节能。
考虑CSEP算法认知节点与普通节点数目比例的变化对网络产生的影响，固定算法总能量为100J，确定在小区域检测环境中(100m×100m)，不同的比例对应的不同网络生命周期的对比如图5所示。如图5可见，在小范围检测区域内，节点的传输消耗模式主要为自由传输损耗，当认知节点数为网络节点总数的15％时，网络获得最多的生命周期。固定m＝0.15，认知节点高于普通节点的能量比例a对网络生命周期的影响如图6所示，如图6可见，在小范围检测区域内，认知节点的能量高于普通节点约三倍时，网络获得更多的生命周期。
在大范围检测区域(300m×300m)内，节点传输损耗模式主要为多径衰落，单节点每轮次损耗较大，以网络死亡节点过半数为依据对算法进行仿真，认知节点占总节点数的比例对网络的影响对比如图7所示。如图7可见，在大范围检测区域内，固定a＝2.5，网络总能量为100J且保持不变，当认知节点数约为总节点数的15％时，网络内的节点死亡速度较慢，也意味着更长的生命周期。同样的，保持总能量不变，固定m＝0.15，认知节点高于普通节点的能量比例a的变化对网络的影响对比如图8所示。为保证网络总能量不变，随比例a的增加，认知节点能量增加，普通节点能量降低。如图8可见，当比例a为2.5时，网络节点死亡速度最慢。
综上，当检测区域为小面积时，认知节点数目占总节点数的比例为15％即认知节点和普通节点的数量比为1.5:8.5，认知节点能量和普通节点能量比例为4:1时，网络具有更高的性能。当检测区域为大面积时，认知节点数目比例为15％，认知节点能量和普通节点能量比例为3.5:1时，网络具有更高的性能。

Claims (8)

1.异构认知无线传感器网络分簇路由方法，其特征在于，包括如下步骤：
步骤一、在检测区域范围内随机部署用于频谱感知的认知节点和用于事件感知的普通节点，所述认知节点和普通节点共N个，N为正整数；
步骤二、判断认知节点的剩余能量是否大于高能量阈值Emax，若大于Emax则认知节点成为簇首，否则进行步骤三；
步骤三、判断认知节点的剩余能量是否小于低能量阈值Emin，若小于Emin，则该认知节点退出簇首竞选，否则进行步骤四；
步骤四、如果存在上一轮分簇且认知节点在上一轮分簇中为簇首，则认知节点退出簇首竞选；否则，在[0，1]之间随机选取一个数，比较该数与簇首当选概率的大小，若小于簇首当选概率，则认知节点退出簇首竞选，若大于等于簇首当选概率，则认知节点成为簇首；所述簇首当选概率根据空余信道数和边缘度确定；
所述簇首当选概率P为：
P＝edge(i)·[P1i(t)+P2i(t)]，
Figure FDA0002902321800000011
Figure FDA0002902321800000012
Figure FDA0002902321800000013
Figure FDA0002902321800000014
Figure FDA0002902321800000015
dis(i)为认知节点i距离基站的距离，dismax为所有认知节点距离基站的距离的最大值，β为概率比例系数，K为每轮中簇首个数，Ci为认知节点i感知的空闲信道数，Cj为认知节点j感知的空闲信道数，Popt为最佳簇首比例，Ei(0)为认知节点i的初始能量，r为当前分簇轮次，rmax为最大分簇轮次，E(i)为认知节点i的剩余能量；
步骤五、普通节点和退出簇首竞选的认知节点作为非簇首节点，非簇首节点根据自由传输模式下的能量放大倍数、多径传输模式下的能量放大倍数、非簇首节点到基站的距离和非簇首节点到簇首的距离选择簇首入簇，完成一轮分簇；
步骤六、循环执行步骤二至步骤五，直至完成所有轮分簇。
2.如权利要求1所述的异构认知无线传感器网络分簇路由方法，其特征在于，所述高能量阈值Emax为：
Figure FDA0002902321800000021
其中，
Figure FDA0002902321800000022
E(i)为认知节点i的剩余能量，r为当前分簇轮次，rmax为最大分簇轮次。
3.如权利要求2所述的异构认知无线传感器网络分簇路由方法，其特征在于，所述低能量阈值Emin为
Figure FDA0002902321800000023
4.如权利要求1所述的异构认知无线传感器网络分簇路由方法，其特征在于，步骤五具体为普通节点和退出簇首竞选的认知节点均选择D最小值对应的簇首入簇，
Figure FDA0002902321800000024
其中α为入簇机制比例系数，εfs为自由传输模式下的能量放大倍数，εmp为多径传输模式下的能量放大倍数，dtoCH为非簇首节点到基站的距离，dtoSINK为非簇首节点到簇首的距离。
5.如权利要求1所述的异构认知无线传感器网络分簇路由方法，其特征在于，步骤五还包括簇首整合簇内所有认知节点的频谱感知信息和所有普通节点事件感知信息后发送给基站的步骤。
6.如权利要求1所述的异构认知无线传感器网络分簇路由方法，其特征在于，所述认知节点和普通节点的数量比为1.5:8.5。
7.如权利要求1所述的异构认知无线传感器网络分簇路由方法，其特征在于，所述认知节点能量和普通节点能量比例为3.5:1。
8.如权利要求1所述的异构认知无线传感器网络分簇路由方法，其特征在于，所述认知节点能量和普通节点能量比例为4:1。
CN201910963375.0A 2019-10-11 2019-10-11 异构认知无线传感器网络分簇路由方法 Active CN110708735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910963375.0A CN110708735B (zh) 2019-10-11 2019-10-11 异构认知无线传感器网络分簇路由方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910963375.0A CN110708735B (zh) 2019-10-11 2019-10-11 异构认知无线传感器网络分簇路由方法

Publications (2)

Publication Number Publication Date
CN110708735A CN110708735A (zh) 2020-01-17
CN110708735B true CN110708735B (zh) 2021-04-16

Family

ID=69199339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910963375.0A Active CN110708735B (zh) 2019-10-11 2019-10-11 异构认知无线传感器网络分簇路由方法

Country Status (1)

Country Link
CN (1) CN110708735B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111356110B (zh) * 2020-03-09 2020-12-29 北京奥康达体育产业股份有限公司 一种基于大数据的智能辅助锻炼系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104994558A (zh) * 2015-07-14 2015-10-21 重庆邮电大学 无线认知传感器网络中基于事件驱动的分簇路由方法
CN108566664A (zh) * 2018-05-08 2018-09-21 贵州大学 一种分布式高能效的wsn分簇路由优化方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120188057A1 (en) * 2011-01-24 2012-07-26 Ole Green Controller for a wireless sensor
CN102510572B (zh) * 2011-11-18 2014-08-06 浙江工业大学 一种面向异构无线传感器网络的分簇路由控制方法
CN108112048A (zh) * 2017-12-28 2018-06-01 重庆邮电大学 认知传感器网中一种基于稳定性的能效路由协议
CN109041161B (zh) * 2018-09-05 2021-07-06 重庆邮电大学 基于异质节点的无线认知传感器网络低能量适应性分簇方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104994558A (zh) * 2015-07-14 2015-10-21 重庆邮电大学 无线认知传感器网络中基于事件驱动的分簇路由方法
CN108566664A (zh) * 2018-05-08 2018-09-21 贵州大学 一种分布式高能效的wsn分簇路由优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
无线传感器网络LEACH协议的研究改进;刘闯，陈桂芬，马威风;《长春理工大学学报》;20180430;全文 *
能量异构无线传感器网络分簇路由改进算法;李安超，陈桂芬;《传感技术学报》;20171130;全文，尤其参见第2节 *

Also Published As

Publication number Publication date
CN110708735A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
Kour et al. Hybrid energy efficient distributed protocol for heterogeneous wireless sensor network
CN103716853B (zh) 一种终端直通通信系统中的自适应多中继选择方法
CN103298032A (zh) 一种无线传感器网络中的节点能耗均衡方法
Zhao et al. A survey of congestion control mechanisms in wireless sensor networks
CN102769894A (zh) 一种多网关多节点无线传感器网络及其多网关信道选择和节点自适应入网方法
Kai et al. Energy-efficient sensor grouping for IEEE 802.11 ah networks with max-min fairness guarantees
CN110149672B (zh) 一种改进的i-leach路由通信方法
Althunibat et al. Novel energy-efficient reporting scheme for spectrum sensing results in cognitive radio
CN110708735B (zh) 异构认知无线传感器网络分簇路由方法
Broustis et al. Implications of power control in wireless networks: A quantitative study
Almasri et al. A comparative analysis for WSNs clustering algorithms
Yuan et al. A new energy-efficient unequal clustering algorithm for wireless sensor networks
Lotfinezhad et al. Energy efficient clustering in sensor networks with mobile agents
Al-Khdour et al. An energy-efficient distributed schedule-based communication protocol for periodic wireless sensor networks
Yuan et al. An energy-efficient unequal clustering method for wireless sensor networks
Ebadi et al. Energy balancing in wireless sensor networks with selecting two cluster-heads in hierarchical clustering
Qin et al. A dynamic unequal energy efficient clustering in wireless sensor network
Nayak et al. A novel cluster head selection method for energy efficient wireless sensor network
CN114286417A (zh) 一种基于leach协议的分簇优化及多跳传输方法
Orim et al. Cluster-based random access scheme for 5G URLLC
CN108513332B (zh) 一种分簇路由方法及系统
Yue et al. A novel cluster-based data fusion algorithm for wireless sensor networks
CN104185288B (zh) 多用户调度方法以及基站
Chourse et al. A review on energy efficient of clustering-based routing protocol in wireless sensor network
CN113242587A (zh) 基于六边形质心的簇头选举和动态时隙分配的簇路由方法

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