CN112020030B - 基于模糊控制单神经元pid控制器的无线传感器网络的拥塞控制方法 - Google Patents

基于模糊控制单神经元pid控制器的无线传感器网络的拥塞控制方法 Download PDF

Info

Publication number
CN112020030B
CN112020030B CN202010924300.4A CN202010924300A CN112020030B CN 112020030 B CN112020030 B CN 112020030B CN 202010924300 A CN202010924300 A CN 202010924300A CN 112020030 B CN112020030 B CN 112020030B
Authority
CN
China
Prior art keywords
fuzzy
single neuron
queue length
control
node
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.)
Expired - Fee Related
Application number
CN202010924300.4A
Other languages
English (en)
Other versions
CN112020030A (zh
Inventor
杨晓萍
柳莹
王星乔
王萍
胡云峰
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202010924300.4A priority Critical patent/CN112020030B/zh
Publication of CN112020030A publication Critical patent/CN112020030A/zh
Application granted granted Critical
Publication of CN112020030B publication Critical patent/CN112020030B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0289—Congestion control

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于模糊控制单神经元PID控制器的无线传感器网络的拥塞控制方法,该方法属于主动队列控制方法,可以克服现有方法存在的满队列造成网络崩溃的问题，该方法包括步骤如下：1)相关参数定义；2)PID方法的实现；3)NPID方法的实现；4)采用模糊控制算法对NPID方法进行改进，得到FNPID方法；5)计算出丢弃概率p(k)，在满队列之前以丢弃概率p(k)主动丢包。本发明使用主动队列管理方法FNPID保证网络不会出现满队列的情况，持续保持良好的控制效果，降低时延和丢包率、提高吞吐量，维持网络的较高性能。

Description

基于模糊控制单神经元PID控制器的无线传感器网络的拥塞 控制方法
技术领域
本发明属于无线传感器网络的拥塞控制领域，具体涉及一种基于模糊控制单神经元PID控制器的无线传感器网络的拥塞控制方法，属于节点的主动队列管理范畴。
背景技术
在当今信息时代，随着5G技术的发展，万物互联，无线传感器网络(WirelessSensor Networks，WSN)的应用也越来越广泛，在智能家居、国防军事、生物医疗、智慧农业等领域都可以看到无线传感器网络的身影。无线传感器网络具有分布式的特点，是一种多跳的自组织网络。监测区域内大量的传感器节点可以协作地将采集到的信息发送到汇聚节点，再传送给网络的用户。随着大量数据的采集、处理和传输，网络的拥塞问题也不容忽视，因为网络拥塞意味着网络时延增大、丢包率增加以及吞吐量的下降，严重时还会导致网络崩溃。
在无线传感器网络的应用中，多对一传输的场景是十分普遍的，所以汇聚节点需要转发的数据量往往是比较大的，它的工作状态也最值得我们关注，如果汇聚节点一旦产生拥塞，网络的性能将会严重下降。由于单个传感器节点的缓存队列空间是有限的，一旦出现长时间的满队列的情况，十分容易引起网络的崩溃，另外，如果有突发性的数据流出现，网络也难以应对，所以WSN节点的拥塞问题也亟待解决。
主动队列管理是一种主动的拥塞控制机制，与“队尾丢弃”不同，并非等到满队列才进行丢包，它通过比较队列长度的期望值与队列长度的瞬时值来计算新的数据包的丢弃概率，从而进行主动丢包来控制队列长度，这样可以避免拥塞的发生。常见的主动队列管理算法有RED、REM、BLUE、PID等，其中PID算法是基于自动控制理论的主动队列管理算法，这类算法可以通过反馈情况及时地调整输入，且能将瞬时队列长度控制在可预设的期望值附近，存在较强的优势，但是，由于PID算法的参数固定，无法根据网络时变来自动调节参数以达到最好的控制效果，在很多的实际应用场景下已经显得能力有限，所以，本发明通过有机结合模糊控制算法和单神经元控制算法对PID算法参数进行自适应调节，从而解决了PID参数和单神经元增益固定的问题，即可以根据网络负载实时变化来动态调节PID和神经元控制的参数，降低时延、提升吞吐量，减小丢包率，最终提高了网络的性能。
发明内容
本发明所要解决的技术问题是克服了现有技术存在的PID算法参数固定，无法自动调节参数以适应无线传感器网络的负载时变性的问题，提出了一种基于模糊控制单神经元PID控制器的无线传感器网络节点的主动队列管理方法，通过单神经元技术的加入，使PID算法的参数具有自学习的能力，又引入模糊控制算法，对单神经元的固定增益进行实时调节，从而加速所施加控制的快速收敛，达到了良好的控制效果，避免拥塞发生，同时提高了吞吐量、降低时延、减小了丢包率。
基于模糊控制单神经元PID控制器的无线传感器网络的拥塞控制方法，具体步骤如下；
1)相关参数的定义：
Kp、Ki、Kd为PID方法中的三个参数；
K为单神经元的增益，初始值为K0，其值为0.96，△K为模糊控制器的输出，
增益；K＝K+△K；
e为瞬时队列长度和期望队列长度误差；
ec为瞬时队列长度和期望队列长度的误差变化率；
wi(k)为单神经元的权值，i的取值为1，2，3；
η1、η2、η3为神经元学习速率，η1、η2、η3取值范围均为[0.0000001,10]；
节点缓存队列长度为50Packets；
节点的期望队列长度为q0，值为20Packets；
节点的瞬时队列长度为q，初值为0；
p(k)为丢弃概率；
2)比例-积分-微分控制算法PID方法的实现：
根据PID原理，将PID方法进行编程，加入到NS2平台下，实现其无线传感器节点队列管理的功能。
3)单神经元比例-积分-微分控制算法NPID方法的实现：
由于无线传感器网络情况复杂，时刻变化，而单神经元具有自学习的特性，将单神经元控制技术引入，可以改进PID方法存在的无法根据网络实时变化自适应调节的问题，形成了单神经元比例-积分-微分控制算法，称为NPID方法，具体实现过程如下：
(1)NPID方法的输入：x1(k)＝q-q0＝e(k)，为瞬时队列长度与期望队列长度的误差；
x2(k)＝e(k)-e(k-1)，为误差的一次差分；
x3(k)＝e(k-1)-e(k-2)，为误差的二次差分；
则单神经元控制系统的输入xi(k)与输出u(k)关系如下：
Figure BDA0002667784770000041
其中，K(K>0)为单神经元的增益，是固定取值，wi(k)为单神经元输入量xi(k)的权重，i的取值为1,2,3，w1(k)、w2(k)、w3(k)分别对应PID方法中的Ki、Kp、Kd，再对w'i(k)进行规范化处理，可以表示为：
Figure BDA0002667784770000042
最终，得到节点丢包概率公式为：
Figure BDA0002667784770000043
4)模糊控制单神经元比例-积分-微分控制算法FNPID方法的实现：
利用模糊控制算法对NPID方法进行改进，将单神经元的固定增益K进行实时调节，可以使得系统一直维持良好的控制效果，得到模糊控制单神经元比例-积分-微分控制算法FNPID方法，具体实现过程如下：
(2)模糊化
模糊控制器的输入：e为瞬时队列长度与期望队列长度的误差，论域选取为[-3，3]；
ec为e的一次微分，表示误差变化率，论域取为[-0.3，0.3]；
模糊控制器的输出：△K，表示单神经元增益的变化量，论域取为[-0.3，0.3]；
其中，e，ec和ΔK均规定为模糊子集：{NB，NM，NS，Z，PS，PM，PB}，模糊子集中依次为：负大、负中、负小、零、正小、正中、正大。
在本发明中，隶属度函数选择三角形函数，如图15所示，隶属度函数表如表1、表2：
表1:e的隶属度函数表
e -3 -2 -1 0 1 2 3
NB 1 0.5 0 0 0 0 0
NM 0 1 0.5 0 0 0 0
NS 0 0.5 1 0.5 0 0 0
Z 0 0 0.5 1 0.5 0 0
PS 0 0 0 0.5 1 0.5 0
PM 0 0 0 0 0.5 1 0
PB 0 0 0 0 0 0.5 1
表2:ec和ΔK的隶属度函数表
Figure BDA0002667784770000051
(3)模糊规则及推理模糊控制的规则一般形式为：
if e is ei and ec is ecj thenΔK isΔKij(i,j＝1,2...7)
其中：ei、ecj和ΔKij分别代表相应的模糊子集。
在本发明中，模糊控制规则总结如表3所示：
表3:ΔK的模糊规则表
e/ec NB NM NS Z PS PM PB
NB NB NB NM NM NS Z Z
NM NB NB NM NS NS Z Z
NS NB NB NS NS Z PS PS
Z NM NM NS Z PS PM PM
PS NM NS Z PS PS PM PB
PM Z Z PS PS PM PB PB
PB Z Z PS PM PM PB PB
通过模糊规则表，可以得到单神经元增益变化量ΔK的取值。
(4)反模糊化
本发明中反模糊化采用的是最大隶属度函数法，将输出的模糊子集根据模糊规则以及隶属度转化为精确值。最终得到单神经元的增益K：
K＝K+△K
此时，增益K将随着该网络节点队列长度的变化而改变，从而调整了对节点施加控制的强度。
5)以FNPID方法得到的丢包概率p(k)主动丢包：
在FNPID方法将单神经元固定增益进行实时调节后，按照丢包概率公式
Figure BDA0002667784770000061
进行主动丢包，保证网络性能良好，避免拥塞发生。
为节点队列设置了期望队列长度，在拥塞发生之前，通过FNPID方法控制节点主动丢包从而使节点队列长度稳定在期望值附近，以避免网络拥塞的产生，并且又通过模糊控制对单神经元增益进行自适应调节，同时通过单神经元控制对PID参数进行自适应调节，从而FNPID方法使本发明的控制系统一直维持良好的状态，可以实时调节控制的效果。
与现有技术相比，本发明的有益效果是：
1、为解决无线传感器网络拥塞控制提供了一种在节点间使用的新的主动队列管理方法。
2、针对PID方法进行改进，结合单神经元控制的优势，使PID的固定参数实现了自学习的功能。
3、再将模糊控制引入其中，利用模糊控制解决单神经元固定增益的问题，可以在PID参数自学习调整的同时，还能依据网络负载情况实时调整单神经元的增益，使控制效果更好。
附图说明
图1为本发明之FNPID的流程示意图。
图2为本发明的PID控制框图。
图3为本发明的NPID控制框图。
图4为本发明的FNPID控制框图。
图5为本发明实施例中所选取的节点拓扑图。
图6为PID算法下的瞬时队列长度。
图7为NPID算法下的瞬时队列长度。
图8为PNPID算法下的瞬时队列长度。
图9为FNPID算法下的瞬时队列长度。
图10为四种算法队列长度的均值对比图。
图11为四种算法队列长度的均方差对比图。
图12为时延对比图。
图13为丢包率对比图。
图14为吞吐量对比图。
图15为模糊控制输入和输出的隶属度函数。
具体实施方式
参阅图1和图2所示，当数据包进入节点的缓存队列时，开始采集节点的队列长度，即瞬时队列长度q，通过与算法中设置的期望队列长度q0进行比较，得出误差e，将误差e反馈给单神经元控制部分，参阅图3，得到单神经元的输入：
x1(k)＝q-q0＝e(k)，为瞬时队列长度与期望队列长度的误差；
x2(k)＝e(k)-e(k-1)，为误差的一次差分；
x3(k)＝e(k-1)-e(k-2)，为误差的二次差分；
单神经元控制系统的输入xi(k)与输出u(k)关系如下：
Figure BDA0002667784770000081
其中，K(K>0)为单神经元的增益，wi(k)为单神经元输入量xi(k)的权重，w1(k)、w2(k)、w3(k)分别对应PID方法中的Ki、Kp、Kd，i的取值为1,2,3，再对w'i(k)进行规范化处理，可以表示为：
Figure BDA0002667784770000082
最终，得到节点丢包概率公式为：
Figure BDA0002667784770000083
这里的K取值是固定的0.96，而单神经元的固定增益往往难以应对复杂多变的网络，所以，我们再引入模糊控制器，参阅图4，对单神经元的增益K的取值，即丢包概率公式中的K进行改进，如下公式：
K＝K+△K
Figure BDA0002667784770000084
这里的增益K能随着网络负载实时调节，以达到最好的控制效果。
实施例
为了验证本发明的算法性能，本发明将PID、NPID、FNPID算法在NS2平台中进行仿真实验，此外，还与性能较好的PNPID方法的实验结果进行比较，内容如下：
1)将算法加入NS2仿真平台中，设置仿真环境如下：
节点传输范围 250m
MAC层协议 IEEE802.11
路由协议 AODV
节点最大缓存队列长度 50packets
节点期望队列长度 20packets
节点发送速率 800kb/s
节点个数 6
包大小 1024B
数据包类型 CBR
仿真时间 50s
参阅图5所示，图5为网络的节点仿真拓扑图，节点0、1、2为发送节点，节点3为瓶颈节点，节点3、4将数据包进行转发，最终传输到目的节点5。
本发明从队列长度、时延、丢包率和吞吐量这四个指标来评判网络的性能，进而对比各种拥塞控制方法的控制效果。其中，各队列长度为瓶颈节点3的缓存队列长度；时延为每个数据包从起始发送节点到目标接收节点所用的平均时间；吞吐量为单位时间内目的节点接收数据的kbit数量；丢包率为各节点丢弃的数据包总量占其发送数据包总量的百分比。
2)仿真结果分析：
参阅图6、图7、图8和图9可以看出，瓶颈节点3的瞬时队列长度，只有PID控制的情况下队列不稳定，存在大幅度震荡，而NPID效果相比PID提升很多，但仍不如本发明提出的FNPID算法稳定。参阅图10，本发明所述的FNPID方法所控制的队列长度均值最接近期望队列长度20个包，参阅图11，从均方差可以看出，本发明所述的FNPID方法所控制的队列长度的波动最小，也就是最稳定。
参阅图12，可以看出，本发明的FNPID方法下的时延几乎是最低的，由于PID方法的队列长度波动较大，所以时延也随之出现较大的波动，虽然存在较低的时延，但是由于算法不能稳定的保持，所以对网络的控制效果是不好的。
参阅图13，可以看出，本发明的FNPID方法下瓶颈节点3的丢包率在仿真时间内大多数时刻最低。
参阅图14，可以看出，本发明的FNPID方法下网络的吞吐量在仿真时间内的大多数时刻处于最高。
由以上分析可知，通过本发明所述的FNPID方法对无线传感器网络节点实施控制，可以降低时延和丢包率，提高吞吐量，从而保持良好的控制效果，明显改善了网络性能，避免了网络的拥塞发生。

Claims (1)

1.一种基于模糊神经元PID的无线传感器网络拥塞控制方法，其特征在于：包括步骤如下：
1)相关参数的定义：
Kp、Ki、Kd为PID方法中的三个参数；
K为单神经元的增益，初始值为K0，其值为0.96，△K为模糊控制器的输出，增益；K＝K+△K；
e为瞬时队列长度和期望队列长度误差；
ec为瞬时队列长度和期望队列长度的误差变化率；
wi(k)为单神经元的权值，i的取值为1，2，3；
η1、η2、η3为神经元学习速率，η1、η2、η3取值范围均为[0.0000001,10]；
节点缓存队列长度为50Packets；
节点的期望队列长度为q0，值为20Packets；
节点的瞬时队列长度为q，初值为0；
p(k)为丢弃概率；
2)比例-积分-微分控制算法PID方法的实现：
根据PID原理，将PID方法进行编程，加入到NS2平台下，实现其无线传感器节点队列管理的功能；
3)单神经元比例-积分-微分控制算法NPID方法的实现：
由于无线传感器网络情况复杂，时刻变化，而单神经元具有自学习的特性，将单神经元控制技术引入，可以改进PID方法存在的无法根据网络实时变化自适应调节的问题，形成了单神经元比例-积分-微分控制算法，称为NPID方法，具体实现过程如下：
(1)NPID方法的输入：x1(k)＝q-q0＝e(k)，为瞬时队列长度与期望队列长度的误差；
x2(k)＝e(k)-e(k-1)，为误差的一次差分；
x3(k)＝e(k-1)-e(k-2)，为误差的二次差分；
则单神经元控制系统的输入xi(k)与输出u(k)关系如下：
Figure FDA0003042880680000021
其中，K(K>0)为单神经元的增益，是固定取值，wi(k)为单神经元输入量xi(k)的权重，i的取值为1,2,3，w1(k)、w2(k)、w3(k)分别对应PID方法中的Ki、Kp、Kd，再对w'i(k)进行规范化处理，可以表示为：
Figure FDA0003042880680000022
最终，得到节点丢包概率公式为：
Figure FDA0003042880680000023
4)模糊控制单神经元比例-积分-微分控制算法FNPID方法的实现：
利用模糊控制算法对NPID方法进行改进，将单神经元的固定增益K进行实时调节，可以使得系统一直维持良好的控制效果，得到模糊控制单神经元比例-积分-微分控制算法FNPID方法，具体实现过程如下：
(2)模糊化
模糊控制器的输入：e为瞬时队列长度与期望队列长度的误差，论域选取为[-3，3]；
ec为e的一次微分，表示误差变化率，论域取为[-0.3，0.3]；
模糊控制器的输出：△K，表示单神经元增益的变化量，论域取为[-0.3，0.3]；
其中，e，ec和ΔK均规定为模糊子集：{NB，NM，NS，Z，PS，PM，PB}，模糊子集中依次为：负大、负中、负小、零、正小、正中、正大；
隶属度函数选择三角形函数，隶属度函数表如表1、表2：
表1:e的隶属度函数表
e -3 -2 -1 0 1 2 3 NB 1 0.5 0 0 0 0 0 NM 0 1 0.5 0 0 0 0 NS 0 0.5 1 0.5 0 0 0 Z 0 0 0.5 1 0.5 0 0 PS 0 0 0 0.5 1 0.5 0 PM 0 0 0 0 0.5 1 0 PB 0 0 0 0 0 0.5 1
表2:ec和ΔK的隶属度函数表
ec/ΔK -0.3 -0.2 -0.1 0 0.1 0.2 0.3 NB 1 0.5 0 0 0 0 0 NM 0 1 0.5 0 0 0 0 NS 0 0.5 1 0.5 0 0 0 Z 0 0 0.5 1 0.5 0 0 PS 0 0 0 0.5 1 0.5 0 PM 0 0 0 0 0.5 1 0 PB 0 0 0 0 0 0.5 1
(3)模糊规则及推理
模糊控制的规则一般形式为：
if e is ei and ec is ecj thenΔK is ΔKij(i,j＝1,2...7)
其中：ei、ecj和ΔKij分别代表相应的模糊子集；
模糊控制规则总结如表3所示：
表3:ΔK的模糊规则表
e/ec NB NM NS Z PS PM PB NB NB NB NM NM NS Z Z NM NB NB NM NS NS Z Z NS NB NB NS NS Z PS PS Z NM NM NS Z PS PM PM PS NM NS Z PS PS PM PB PM Z Z PS PS PM PB PB PB Z Z PS PM PM PB PB
通过模糊规则表，可以得到单神经元增益变化量ΔK的取值；
(4)反模糊化：
反模糊化采用的是最大隶属度函数法，将输出的模糊子集根据模糊规则以及隶属度转化为精确值；最终得到单神经元的增益K：
K＝K+△K
此时，增益K将随着该网络节点队列长度的变化而改变，从而调整了对节点施加控制的强度；
5)以FNPID方法得到的丢包概率p(k)主动丢包：
在FNPID方法将单神经元固定增益进行实时调节后，按照丢包概率公式
Figure FDA0003042880680000041
进行主动丢包，保证网络性能良好，避免拥塞发生；
为节点队列设置了期望队列长度，在拥塞发生之前，通过FNPID方法控制节点主动丢包从而使节点队列长度稳定在期望值附近，以避免网络拥塞的产生，并且又通过模糊控制对单神经元增益进行自适应调节，同时通过单神经元控制对PID参数进行自适应调节。
CN202010924300.4A 2020-09-04 2020-09-04 基于模糊控制单神经元pid控制器的无线传感器网络的拥塞控制方法 Expired - Fee Related CN112020030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010924300.4A CN112020030B (zh) 2020-09-04 2020-09-04 基于模糊控制单神经元pid控制器的无线传感器网络的拥塞控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010924300.4A CN112020030B (zh) 2020-09-04 2020-09-04 基于模糊控制单神经元pid控制器的无线传感器网络的拥塞控制方法

Publications (2)

Publication Number Publication Date
CN112020030A CN112020030A (zh) 2020-12-01
CN112020030B true CN112020030B (zh) 2021-06-22

Family

ID=73516943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010924300.4A Expired - Fee Related CN112020030B (zh) 2020-09-04 2020-09-04 基于模糊控制单神经元pid控制器的无线传感器网络的拥塞控制方法

Country Status (1)

Country Link
CN (1) CN112020030B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114615199B (zh) * 2022-04-25 2023-10-13 曲阜师范大学 一种tcp网络拥塞控制方法、装置、终端及可读存储介质
CN115334002B (zh) * 2022-06-29 2024-04-26 沈阳理工大学 流量预测下结合改进队列管理算法的aos智能帧生成方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107040961A (zh) * 2017-06-15 2017-08-11 吉林大学 一种无线传感器网络拥塞控制方法
CN110167071A (zh) * 2019-06-06 2019-08-23 吉林大学 一种基于竞争的mac层逐跳双向拥塞控制方法
CN111083733A (zh) * 2020-02-10 2020-04-28 安徽理工大学 一种无线传感器网络拥塞控制方法及系统
CN111096027A (zh) * 2018-08-07 2020-05-01 Lg电子株式会社 在无线通信系统中操作节点的方法和使用该方法的装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8675678B2 (en) * 2010-09-10 2014-03-18 The Johns Hopkins University Adaptive medium access control
US10298505B1 (en) * 2017-11-20 2019-05-21 International Business Machines Corporation Data congestion control in hierarchical sensor networks
CN111093244A (zh) * 2019-12-25 2020-05-01 华北电力大学 一种无线传感器网络路由优化方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107040961A (zh) * 2017-06-15 2017-08-11 吉林大学 一种无线传感器网络拥塞控制方法
CN111096027A (zh) * 2018-08-07 2020-05-01 Lg电子株式会社 在无线通信系统中操作节点的方法和使用该方法的装置
CN110167071A (zh) * 2019-06-06 2019-08-23 吉林大学 一种基于竞争的mac层逐跳双向拥塞控制方法
CN111083733A (zh) * 2020-02-10 2020-04-28 安徽理工大学 一种无线传感器网络拥塞控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Simulation and implementation of adaptive fuzzy PID;Xiaoping Yang, Chunfeng Song.;《Journal of Networks》;20141231;全文 *
基于节点队列管理的无线传感器网络拥塞控制方法的研究;夏日婷;《中国优秀硕士学位论文全文数据库信息科技辑 》;20190115;全文 *

Also Published As

Publication number Publication date
CN112020030A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN112020030B (zh) 基于模糊控制单神经元pid控制器的无线传感器网络的拥塞控制方法
CN107070802B (zh) 基于pid控制器的无线传感器网络拥塞控制方法
CN107040961B (zh) 一种无线传感器网络拥塞控制方法
Baklizi et al. Fuzzy Logic Controller of Gentle Random Early Detection Based on Average Queue Length and Delay Rate.
Oudah et al. Fuzzy type 1 PID controllers design for TCP/AQM wireless networks
Wang et al. AFRED: an adaptive fuzzy-based control algorithm for active queue management
Wei et al. A congestion control scheme based on fuzzy logic for wireless sensor networks
Bhatti et al. Progressive fuzzy pso-pid congestion control algorithm for wsns
Mahawish et al. Survey on: A variety of AQM algorithm schemas and intelligent techniques developed for congestion control
Tabash et al. A fuzzy logic based network congestion control using active queue management techniques
Tabash et al. A congestion window control mechanism based on fuzzy logic to improve tcp performance in manets
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
Farahani Soft computing-based congestion control schemes in wireless sensor networks: research issues and challenges
Di Fatta et al. A fuzzy approach for the network congestion problem
Harrag et al. Fuzzy-ZRP: An Adaptive MANET Radius Zone Routing Protocol
Chandulal A Survey On Red Queue Mechanism For Reduce Congestion In Wireless Network
Sakurama et al. Scalable stability and time-scale separation of networked, cascaded systems
Altaha et al. Uneven clustering and fuzzy logic based energy-efficient wireless sensor networks
Mahawish et al. Developed the EX-RED Algorithm to Find Best Parameters Based on Load Connection Factor
Kusumawardani Active queue management (aqm) and adaptive neuro fuzzy inference system (anfis) as intranet traffic Control
Chen et al. TCP/AQM Network Switching Congestion Control with Input Saturation and Prescribed Performance
Safaiezadeh et al. A new fuzzy congestion control algorithm in computer networks
Soundararajan et al. Energy efficient congestion control scheme based on Modified Harris Hawks Optimization for heavy traffic Wireless Sensor Networks
Mishra et al. Expanding lifetime of wireless sensor network using fuzzy logic
Thakur et al. An adaptive packet drop probability approach using fuzzy logic to control congestion in manet

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210622

CF01 Termination of patent right due to non-payment of annual fee