CN113365323A - 一种用于无线传感网络中的低能耗多径传输方法 - Google Patents
一种用于无线传感网络中的低能耗多径传输方法 Download PDFInfo
- Publication number
- CN113365323A CN113365323A CN202110507978.7A CN202110507978A CN113365323A CN 113365323 A CN113365323 A CN 113365323A CN 202110507978 A CN202110507978 A CN 202110507978A CN 113365323 A CN113365323 A CN 113365323A
- Authority
- CN
- China
- Prior art keywords
- cluster
- energy
- node
- network
- matrix
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000005540 biological transmission Effects 0.000 title claims abstract description 22
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 21
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000004891 communication Methods 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000005562 fading Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- 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)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种用于无线传感网络中的低能耗多径传输方法。为了克服现有技术的无线传感网络聚类算法存在的高能耗和网络寿命较短的问题;本发明包括以下步骤:S1:部署无线传感网络并进行预处理;S2:进行谱聚类,确定最佳的簇数及无线传感器网络簇的集合;S3:选举网络的簇头;S4:数据传输,向每个节点分配它可以向信道传输数据的时间。本方案基于图论中的谱聚类,将网络连续划分为固定数量和最优数量的簇,以最小化无线传感网络的能量消耗和延长网络寿命。
Description
技术领域
本发明涉及一种无线传感网络领域,尤其涉及一种用于无线传感网络中的低能耗多径传输方法。
背景技术
集成数字电子、微机电系统和无线通信促进了微传感器的发展。这些传感器是多功能的小型设备,可以在短距离内自由通信,功耗低,成本低。这些传感器节点负责调节物理体验并将周期性结果传输到基站,基站感测、处理数据、将数据传送到基站,并共同形成无线传感器网络。在无线传感器网络中,传感器节点通常被随机或手动地分组并放置在大规模的给定区域中,当基站连接到互联网时,每个节点的传感数据被收集到一个汇聚点,以收集本地物理信息,对它们进行处理,并将其发送到基站,此外,无线传感器网络的一个显著特征是其节点能够协作并负责数据融合。传感器节点能够利用它们的处理能力在本地执行计算和融合操作,以仅传输所需的信息。
无线传感器网络的特点使其可以用于各种领域,特别是监视环境现象,在某些情况下,对观察到的现象做出反应。与传统技术相比,无线传感器网络技术在有效探测环境变化方面是一项很有前途的绿色技术。用于环境监测的无线传感器网络由大量低成本电池供电的传感器节点组成,这些节点紧密地分布在不可到达的物理区域或空间中。因此,在无线传感器网络中提出的主要挑战是传感器节点有限的处理能力资源。
在实践中,节点电池能量减少后很难更换或充电,因为节点部署在不利的环境中。因此,传感器网络协议必须首先关注能量管理,以最大化网络寿命,而传统网络旨在获得高水平的服务质量。这一领域涉及许多研究问题。然而,其中所提出的无线传感器网络高效分簇和能量优化算法的设计是其中最有前途的解决方案。
在无线传感器网络中,传感器节点被有效地分组到称为簇的各个不相交的集合中。在无线传感器网络中,提供了集群、对紧张资源的有效利用、网络可扩展性、资源分布,并赋予网络拓扑恒定性和能量经济属性。分簇还降低了通信开销,提高了资源利用率,从而降低了传感器节点的能量和干扰。
在分层网络结构中,每个簇都有一个领导者,也称为簇头,几个公共传感器节点作为成员只与其簇头通信。簇头通常执行数据融合、聚合和传输到基站的特殊任务。因此,各种社区卫生服务需要得到适当的解决,以保持社区卫生服务能耗的平衡;否则,由于数据转发和数据聚合的额外工作负载,它们将很快死亡。主要基于簇的路由算法最初随机或按概率选择CHs(簇头),然后形成簇。然而,在这种情况下,所有的CHs可以位于网络的一个小区域,一些普通的节点将被隔离,这可能导致网络功能障碍。能耗较高,网络寿命短。
例如,一种在中国专利文献上公开的“一种仿蛛网无线传感器网络通信方法及无线传感器网络”,其公告号CN111263323A,网络包括中心节点以及分布在中心节点周围的无线传感器节点,各无线传感器节点和中心节点构成通信区域;所述通信区域中包括若干簇头区,所述簇头区为两条以中心节点为起点的设定夹角的射线与通信区域边缘所围成的区域;簇头区内的无线传感器节点选举产生簇头,同一簇头区内的各簇头与中心节点在同一直线上或同一直线两侧设定范围内;非簇头的无线传感器节点通过簇头与中心节点通信。该类无线传感网络能耗较高,网络寿命短。
发明内容
本发明主要解决现有技术的无线传感网络聚类算法存在的高能耗和网络寿命较短的问题;提供一种用于无线传感网络中的低能耗多径传输方法,。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种用于无线传感网络中的低能耗多径传输方法,包括以下步骤:
S1:部署无线传感网络并进行预处理;
S2:进行谱聚类,确定最佳的簇数及无线传感器网络簇的集合;
S3:选举网络的簇头;
S4:数据传输,向每个节点分配它可以向信道传输数据的时间。
本方案基于图论中的谱聚类,将网络连续划分为固定数量和最优数量的簇,以最小化无线传感网络的能量消耗和延长网络寿命。
作为优选,所述的步骤S1包括以下步骤:
S11:部署无线传感网络,传感器节点随机分布在传感区域;
S12:无线传感网络的基站以一定功率水平向所有传感器节点广播测试消息;
S13:每个传感器节点基于接收测试消息的信号强度计算传感器节点到基站的近似距离;
S14:基站收集不同传感器节点的位置,并进入步骤S2。
作为优选,基于谱聚类原理,基站构建与无线传感网络对应的图;
设x=G(V,E)为传感器节点组成的观测向量。其中,G(V,E)为无向图,V为传感器节点的集合,E为通信链路的集合。
设A为无向图G的相似矩阵,A→RN×N即A为N×N阶相似矩阵;RN×N为N×N阶的矩阵;
相似矩阵A中的每个值aij与每对图节点(i,j)相关联,相似矩阵A的构造如下:
其中,d0为两种能量模型的阈值;
σ为标准差;
d(i,j)为节点i到j之间的距离;
关联到传感器节点i的边的总权重由下式给出:
N为传感器节点总数;
无向图G的度矩阵D,即RN×N是由下式定义的对角矩阵:
无向图G的N×N拉普拉斯矩阵L表示如下:
L=D-1A。
作为优选,所述的步骤S2包括以下步骤:
S21:预处理,对拉普拉斯矩阵L归一化处理;
S22:谱映射,计算预处理后的拉普拉斯矩阵L的若干特征向量;
S23:后期处理,使用分组算法对数据进行聚类。
作为优选,从与拉普拉斯矩阵L的K个最大特征值相关的K个特征向量中构造一个新的矩阵U;
将矩阵U的每一行作为RN×N中的一个点来处理,通过K均值聚类将它们聚类成K个簇;当且仅当矩阵U的行i被分配给集群Ck时,传感器节点i被分配给集群Ck,集群Ck表示第k个集群;
检查传感器节点是否存在,若存在,则进入步骤S3,否则,直接结束。
同时,该策略提出的最重要的问题是最优的聚类数K。为此,我们使用拉普拉斯矩阵的频谱分析,它提供了关于传感器网络结构的全局信息。这个频谱是由其对应特征值按大小排序组成的特征向量Λ={λ1,λ2,...,λK}。
最稳定的聚类由下式给出:
K0=maxΔi=max|λi-λi-1|,i={1,2,...,N}
Δi=|λi-λi-1|
λi为矩阵的特征值,当i=K时,有最大值:
K0=maxΔi=max|λK-λK-1|。
作为优选,所述的步骤S3包括以下步骤:
S31:考虑每个节点的剩余能量以确定集群的平均能量Ecluster;
如果给定节点的剩余能量大于阈值能量EminCH,则该节点被视为候选节点CH,阈值能量EminCH由下式给出:
EminCH=|Sk|*(ERx(L,d)+EAggregation)+ETx(L,d)
其中,|Sk|为集群k中的节点数;
ERx(L,d)为接收距离d的L-bit数据所需能量;
EAggregation为集群的CH处理数据所需总能量;
ETx(L,d)为L-bit数据传输距离d所需能量。
对于每个集群,选择一组节点,比如S1,其剩余能量大于EminCH和Ecluster;
S32:确定每个聚类的质心点;
从邻近质心点的样本集中选择候选中心点的子集,对于S1中的每个节点,计算它和质心之间的距离,确定代表高级候选簇头CHs的子集S2;
S2={i|i∈S1,d(i,centroidk)≤derreur}
centroidk为簇(集群)k的质心;
其中,i是S1的一个节点,并且属于聚类k;derreur为阈值;
S33:子集S2的每个节点计算它到基站的距离,选择每个集群中离基站最近的节点作为控制信道。
作为优选,所述的步骤S4基于id和集群k中节点|Sk|的数量,自动创建时分多址调度,以向每个节点分配它可以向信道传输数据的时间。
假设id=i的节点被选为CH,id=(i+1+|Sk|)mod(|Sk|)的节点被分配第一个周期来传输其数据。mod是求余函数。当选择信道分配时分多址时,避免了由于集群节点的同步而导致的能量消耗。为了在无线传感器网络中节省更多的能量,假设如果一个节点与基站之间的距离小于该节点与其信道之间的距离,则该节点将其数据直接传输到基站。
本发明的有益效果是:
基于图论中的谱聚类,将网络连续划分为固定数量和最优数量的簇,以最小化无线传感网络的能量消耗和延长网络寿命。
附图说明
图1是本发明的一种低能耗多径传输方法的流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例的一种用于无线传感网络中的低能耗多径传输方法,如图1所示,包括以下步骤:
S1:部署无线传感网络并进行预处理。
S11:部署无线传感网络,传感器节点随机分布在传感区域。
基于谱聚类原理,基站构建与无线传感网络对应的图。
设x=G(V,E)为传感器节点组成的观测向量。其中,G(V,E)为无向图,V为传感器节点(即索引标识的顶点)的集合,E为通信链路(即连接两个顶点的边)的集合。
设A为无向图G的相似矩阵,A→RN×N即A为N×N阶相似矩阵;RN×N为N×N阶的矩阵。
相似矩阵A中的每个值aij与每对图节点(i,j)相关联。
这种谱聚类方法可以表示为试图找到图的一个划分,使得随机游走在同一聚类内停留很长时间,并且很少在聚类之间跳跃。即试图找到一个图的划分,使得不同组之间的边具有非常低的权重(这意味着不同组中的点彼此不相似),而一个组内的边具有高权重(这意味着同一组内的点彼此相似),并且它是基于相似图中的随机行走。图中的随机游动是从一个顶点随机跳到另一个顶点的随机过程。
S12:无线传感网络的基站以一定功率水平向所有传感器节点广播测试消息。
在本实施例中,无线传感网络的基站相所有传感器节点广播“hello”消息。
S13:每个传感器节点基于接收测试消息的信号强度计算传感器节点到基站的近似距离。
当用自由空间模型计算集群内通信时,可以极大地节省这些通信所消耗的能量。因此,如果两个节点之间的距离大于d0,则两个节点之间不存在相似性。相似矩阵A的构造如下:
其中,d0为两种能量模型的阈值;
σ为标准差;
d(i,j)为节点i到j之间的距离。
关联到传感器节点i的边的总权重由下式给出:
N为传感器节点总数。
无向图G的度矩阵D,即RN×N是由下式定义的对角矩阵:
该图的N×N拉普拉斯矩阵L表示如下:
L=D-1A
S14:基站收集不同传感器节点的位置,并进入步骤S2。
S2:进行谱聚类,确定最佳的簇数及无线传感器网络簇的集合。
S21:预处理,对拉普拉斯矩阵L进行归一化处理。从平滑步骤开始,以确保矩阵没有病态。
S22:谱映射,计算预处理后的拉普拉斯矩阵L的若干特征向量。
将每个数据点i映射到一个元组,该元组表示上述特征向量中分量i的值。从与拉普拉斯矩阵L的K个最大特征值相关的K个特征向量中构造一个新的矩阵U。
S23:后期处理,使用分组算法对数据进行聚类。
将矩阵U的每一行作为RN×N中的一个点来处理,通过K均值聚类将它们聚类成K个簇(与上述特征向量个数相同),使得失真最小化。当且仅当矩阵U的行i(i对应传感器节点)被分配给集群Ck时,传感器节点i被分配给集群Ck,集群Ck表示第k个集群。
同时,该策略提出的最重要的问题是最优的聚类数K。为此,我们使用拉普拉斯矩阵的频谱分析,它提供了关于传感器网络结构的全局信息。这个频谱是由其对应特征值按大小排序组成的特征向量Λ={λ1,λ2,...,λK}。
最稳定的聚类由下式给出:
K0=maxΔi=max|λi-λi-1|,i={1,2,...,N}
Δi=|λi-λi-1|
λi为矩阵的特征值,当i=K时,有最大值:
K0=maxΔi=max|λK-λK-1|
检查传感器节点是否存在,若存在,则进入步骤S3,否则,直接结束。
S3:选举网络的簇头。
具体的,考虑每一轮消耗的总能量。通过考虑K簇,消耗的能量取决于每个簇的信道和非信道之间的距离以及信道和基站之间的距离。
然而,众所周知,多径衰落信道模型中的放大器能量大于自由空间模型中的放大器能量。因此,为了最大限度地减少开销,很大一部分传感器节点必须在自由空间模型中运行。因此,对于每个簇,考虑簇的不同节点的位置和能量,以便确定其信道。因此,给定集群的最优信道选择可以分三个阶段进行。
S31:考虑每个节点的剩余能量以确定集群的平均能量Ecluster。
如果给定节点的剩余能量大于阈值能量EminCH,则该节点被视为候选节点CH,阈值能量EminCH由下式给出:
EminCH=|Sk|*(ERx(L,d)+EAggregation)+ETx(L,d)
其中,|Sk|为集群k中的节点数;
ERx(L,d)为接收距离d的L-bit数据所需能量;
EAggregation为集群的CH处理数据所需总能量;
ETx(L,d)为L-bit数据传输距离d所需能量。
对于每个集群,选择一组节点,比如S1,其剩余能量大于EminCH和Ecluster。
S32:确定每个聚类的质心点。
从邻近质心点的样本集中选择候选中心点的子集。对于S1中的每个节点,计算它和质心之间的距离,确定代表高级候选簇头CHs的子集S2,。
S2={i|i∈S1,d(i,centroidk)≤derreur}
centroidk为簇(集群)k的质心。
其中,i是S1的一个节点,并且属于聚类k;derreur为阈值。考虑系统可能导致的错误,引入一个阈值derreur,表示用户可以接受的容错能力。
S33:子集S2的每个节点计算它到基站的距离,选择每个集群中离基站最近的节点作为控制信道。
S4:数据传输,向每个节点分配它可以向信道传输数据的时间。
基于id和集群k中节点|Sk|的数量,将自动创建时分多址调度,以向每个节点分配它可以向信道传输数据的时间。假设id=i的节点被选为CH,id=(i+1+|Sk|)mod(|Sk|)的节点被分配第一个周期来传输其数据。
mod是求余函数。
当选择信道分配时分多址时,避免了由于集群节点的同步而导致的能量消耗。为了在无线传感器网络中节省更多的能量,假设如果一个节点与基站之间的距离小于该节点与其信道之间的距离,则该节点将其数据直接传输到基站。
应理解,实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (7)
1.一种用于无线传感网络中的低能耗多径传输方法,其特征在于,包括以下步骤:
S1:部署无线传感网络并进行预处理;
S2:进行谱聚类,确定最佳的簇数及无线传感器网络簇的集合;
S3:选举网络的簇头;
S4:数据传输,向每个节点分配它可以向信道传输数据的时间。
2.根据权利要求1所述的一种用于无线传感网络中的低能耗多径传输方法,其特征在于,所述的步骤S1包括以下步骤:
S11:部署无线传感网络,传感器节点随机分布在传感区域;
S12:无线传感网络的基站以一定功率水平向所有传感器节点广播测试消息;
S13:每个传感器节点基于接收测试消息的信号强度计算传感器节点到基站的近似距离;
S14:基站收集不同传感器节点的位置,并进入步骤S2。
3.根据权利要求2所述的一种用于无线传感网络中的低能耗多径传输方法,其特征在于,基于谱聚类原理,基站构建与无线传感网络对应的图;
设x=G(V,E)为传感器节点组成的观测向量;
其中,G(V,E)为无向图,V为传感器节点的集合,E为通信链路的集合;
设A为无向图G的相似矩阵,A→RN×N即A为N×N阶相似矩阵;RN×N为N×N阶的矩阵;
相似矩阵A中的每个值aij与每对图节点(i,j)相关联,相似矩阵A的构造如下:
其中,d0为两种能量模型的阈值;
σ为标准差;
d(i,j)为节点i到j之间的距离;
关联到传感器节点i的边的总权重由下式给出:
N为传感器节点总数;
无向图G的度矩阵D,即RN×N是由下式定义的对角矩阵:
无向图G的N×N拉普拉斯矩阵L表示如下:
L=D-1A。
4.根据权利要求1所述的一种用于无线传感网络中的低能耗多径传输方法,其特征在于,所述的步骤S2包括以下步骤:
S21:预处理,对拉普拉斯矩阵L归一化处理;
S22:谱映射,计算预处理后的拉普拉斯矩阵L的若干特征向量;
S23:后期处理,使用分组算法对数据进行聚类。
5.根据权利要求4所述的一种用于无线传感网络中的低能耗多径传输方法,其特征在于,从与拉普拉斯矩阵L的K个最大特征值相关的K个特征向量中构造一个新的矩阵U;
将矩阵U的每一行作为RN×N中的一个点来处理,通过K均值聚类将它们聚类成K个簇;当且仅当矩阵U的行i被分配给集群Ck时,传感器节点i被分配给集群Ck,集群Ck表示第k个集群;
检查传感器节点是否存在,若存在,则进入步骤S3,否则,直接结束。
6.根据权利要求1所述的一种用于无线传感网络中的低能耗多径传输方法,其特征在于,所述的步骤S3包括以下步骤:
S31:考虑每个节点的剩余能量以确定集群的平均能量Ecluster;
如果给定节点的剩余能量大于阈值能量EminCH,则该节点被视为候选节点CH,阈值能量EminCH由下式给出:
EminCH=|Sk|*(ERx(L,d)+EAggregation)+ETx(L,d)
其中,|Sk|为集群k中的节点数;
ERx(L,d)为接收距离d的L-bit数据所需能量;
EAggregation为集群的CH处理数据所需总能量;
ETx(L,d)为L-bit数据传输距离d所需能量;
对于每个集群,选择一组节点,比如S1,其剩余能量大于EminCH和Ecluster;
S32:确定每个聚类的质心点;
从邻近质心点的样本集中选择候选中心点的子集,对于S1中的每个节点,计算它和质心之间的距离,确定代表高级候选簇头CHs的子集S2;
S2={i|i∈S1,d(i,centroidk)≤derreur}
centroidk为簇(集群)k的质心;
其中,i是S1的一个节点,并且属于聚类k;derreur为阈值;
S33:子集S2的每个节点计算它到基站的距离,选择每个集群中离基站最近的节点作为控制信道。
7.根据权利要求6所述的一种用于无线传感网络中的低能耗多径传输方法,其特征在于,所述的步骤S4基于id和集群k中节点|Sk|的数量,自动创建时分多址调度,以向每个节点分配它可以向信道传输数据的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110507978.7A CN113365323A (zh) | 2021-05-10 | 2021-05-10 | 一种用于无线传感网络中的低能耗多径传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110507978.7A CN113365323A (zh) | 2021-05-10 | 2021-05-10 | 一种用于无线传感网络中的低能耗多径传输方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113365323A true CN113365323A (zh) | 2021-09-07 |
Family
ID=77526183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110507978.7A Pending CN113365323A (zh) | 2021-05-10 | 2021-05-10 | 一种用于无线传感网络中的低能耗多径传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113365323A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113923620A (zh) * | 2021-11-17 | 2022-01-11 | 北京中海兴达建设有限公司 | 一种基于建筑消防设施的数据传输方法与系统 |
CN116170770A (zh) * | 2023-04-25 | 2023-05-26 | 杭州镭湖科技有限公司 | 基于物联网实现传感器的自动感应方法及装置 |
CN117061449A (zh) * | 2023-10-11 | 2023-11-14 | 广东百德朗科技有限公司 | 一种边缘网关的数据分批传输方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080109414A (ko) * | 2007-06-13 | 2008-12-17 | 성균관대학교산학협력단 | 에너지 효율성을 고려한 무선센서네트워크 운영방법 |
CN105701511A (zh) * | 2016-01-14 | 2016-06-22 | 河南科技大学 | 一种提取网络节点社区属性的自适应谱聚类方法 |
CN107727095A (zh) * | 2017-09-08 | 2018-02-23 | 西安电子科技大学 | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 |
CN111246535A (zh) * | 2019-12-18 | 2020-06-05 | 南京航空航天大学 | 一种基于谱聚类的车联网车辆节点分簇方法 |
-
2021
- 2021-05-10 CN CN202110507978.7A patent/CN113365323A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080109414A (ko) * | 2007-06-13 | 2008-12-17 | 성균관대학교산학협력단 | 에너지 효율성을 고려한 무선센서네트워크 운영방법 |
CN105701511A (zh) * | 2016-01-14 | 2016-06-22 | 河南科技大学 | 一种提取网络节点社区属性的自适应谱聚类方法 |
CN107727095A (zh) * | 2017-09-08 | 2018-02-23 | 西安电子科技大学 | 基于谱聚类和加权反向传播神经网络的3d室内定位方法 |
CN111246535A (zh) * | 2019-12-18 | 2020-06-05 | 南京航空航天大学 | 一种基于谱聚类的车联网车辆节点分簇方法 |
Non-Patent Citations (3)
Title |
---|
ALI JORIO ET AL: "Low Energy Adaptive Clustering in Wireless Sensor Network Based on Spectral Clustering", 《INTERNATIONAL JOURNAL ON ADVANCES IN NETWORKS AND SERVICES》 * |
崔晓华等: "基于节点剩余能量的能量异构网络分簇算法", 《控制工程》 * |
高梅等: "图论在无线传感网络路由协议中的应用研究", 《电子测量与仪器学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113923620A (zh) * | 2021-11-17 | 2022-01-11 | 北京中海兴达建设有限公司 | 一种基于建筑消防设施的数据传输方法与系统 |
CN113923620B (zh) * | 2021-11-17 | 2022-04-08 | 北京中海兴达建设有限公司 | 一种基于建筑消防设施的数据传输方法与系统 |
CN116170770A (zh) * | 2023-04-25 | 2023-05-26 | 杭州镭湖科技有限公司 | 基于物联网实现传感器的自动感应方法及装置 |
CN116170770B (zh) * | 2023-04-25 | 2024-04-12 | 杭州镭湖科技有限公司 | 基于物联网实现传感器的自动感应方法及装置 |
CN117061449A (zh) * | 2023-10-11 | 2023-11-14 | 广东百德朗科技有限公司 | 一种边缘网关的数据分批传输方法、装置、设备及介质 |
CN117061449B (zh) * | 2023-10-11 | 2024-01-30 | 广东百德朗科技有限公司 | 一种边缘网关的数据分批传输方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113365323A (zh) | 一种用于无线传感网络中的低能耗多径传输方法 | |
Rostami et al. | Survey on clustering in heterogeneous and homogeneous wireless sensor networks | |
CN102546059B (zh) | 认知自组织网络中基于无监督聚类的分布式合作频谱感知方法 | |
Zhang et al. | A clustering routing protocol for energy balance of wireless sensor network based on simulated annealing and genetic algorithm | |
WO2021211282A1 (en) | Architecture for machine learning (ml) assisted communications networks | |
CN105959987A (zh) | 一种提高无线传感器网络能量利用率和服务性能的数据融合算法 | |
Wang et al. | A spectrum-aware clustering algorithm based on weighted clustering metric in cognitive radio sensor networks | |
CN108737191B (zh) | 面向超密集无线传感器网基于无监督学习的拓扑控制方法 | |
CN105959988B (zh) | 一种基于支持向量机的认知无线自组织网络节点稳定性判决方法 | |
CN108055683B (zh) | 一种水下无线传感器网络均衡能耗并保持覆盖的方法 | |
CN109587753B (zh) | 基于目标阈值约束的改进leach协议的簇头选择算法 | |
Prasath et al. | RMCHS: Ridge method based cluster head selection for energy efficient clustering hierarchy protocol in WSN | |
CN112601240A (zh) | 物联网资源边缘智能调度方法 | |
CN107969008B (zh) | 一种软件定义传感网集中式路由计算方法 | |
Wu et al. | An efficient energy-aware and game-theory-based clustering protocol for wireless sensor networks | |
Tillett et al. | Particle swarm optimization for the clustering of wireless sensors | |
Farahani | Energy Consumption Reduction in Wireless Sensor Network Based on Clustering | |
Wang et al. | Joint shortest chain and fair transmission design for energy-balanced PEGASIS in WSNs | |
CN110113798B (zh) | 一种多源无线传感器网络环境下同构性路由协议方法 | |
Bensaid et al. | A combined cluster-chain based routing protocol for lifetime improvement in WSN | |
CN107801227B (zh) | 一种面向无线传感器网层次化分析的路由调度方法 | |
Chen et al. | New approach of energy-efficient hierarchical clustering based on neighbor rotation for RWSN | |
Sabit et al. | Distributed WSN data stream mining based on fuzzy clustering | |
CN113596951A (zh) | 基于量子礁鲨机制的无线传感器网络分簇路由方法 | |
Li et al. | A range-based sleep scheduling algorithm for desired area coverage in solar-powered wireless sensor networks |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |
|
RJ01 | Rejection of invention patent application after publication |