CN114079997B - 一种基于wsn改进路由协议的高性能通信方法 - Google Patents

一种基于wsn改进路由协议的高性能通信方法 Download PDF

Info

Publication number
CN114079997B
CN114079997B CN202111360109.2A CN202111360109A CN114079997B CN 114079997 B CN114079997 B CN 114079997B CN 202111360109 A CN202111360109 A CN 202111360109A CN 114079997 B CN114079997 B CN 114079997B
Authority
CN
China
Prior art keywords
distance
data point
data
data points
cluster
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
CN202111360109.2A
Other languages
English (en)
Other versions
CN114079997A (zh
Inventor
牛新征
刘鹏飞
常璐瑶
王仕民
欧阳宇翔
秦志旗
黄成�
崔涌泉
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111360109.2A priority Critical patent/CN114079997B/zh
Publication of CN114079997A publication Critical patent/CN114079997A/zh
Application granted granted Critical
Publication of CN114079997B publication Critical patent/CN114079997B/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
    • H04W40/24—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
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及WSN路由协议领域，提供了一种基于WSN改进路由协议的高性能通信方法，解决在WSN的无线通信过程中，现有路由协议无法兼顾平均网络能量消耗和簇头节点对网络的全面覆盖问题。技术方案主要包括将网络中的所有节点视为数据点集S，计算出所有数据点两两之间的直线距离值dij，把整个距离区间按照单位增量递增的方式划分为各个距离区间，统计内各个距离区间内的数据点分布数量xi和计算出所有距离区间的中值后使用进行拟合，对拟合结果应用概率模型，找到自适应参数K；根据自适应参数K计算自适应截止距离dci用于计算出每个数据点的局部密度ρ，根据局部密度ρ的大小关系，计算出距离参数δi；将ρi*δi作为聚类中心的选择指标。

Description

一种基于WSN改进路由协议的高性能通信方法
技术领域
本发明涉及路由协议领域，提供了一种基于WSN改进路由协议的高性能通信方法。
背景技术
无线传感器网络(Wireless Sensor Networks, WSN)是一种通过无线通信方式形成的多跳自组织分布式传感网络，它可以在不依赖任何既定结构的情况下构建网络，因此其设置灵活，设备位置可以随时更改。相较于传统式的网络和其他传感器，WSN具有组建方式自由、控制方式不集中、动态网络拓扑结构等特点。现如今，无线传感器网络已经广泛应用于灾情预报、国防军事、环境监测等多个领域，具有巨大的市场应用前景。
WSN主要包括节点、传感网络和用户三大部分。其中，节点一般是通过一定方式将节点覆盖在一定的范围，整个范围按照一定要求能够满足监测的范围；传感网络是最主要的部分，它是将所有的节点信息通过固定的渠道进行收集，然后对这些节点信息进行一定的分析计算，将分析后的结果汇总到一个基站，最后通过卫星通信传输到指定的用户端，从而实现无线传感的要求。传感器网络是WSN中最重要的部分，要想保证数据由源节点准确高效地传输到目的节点，就需要WSN中的路由协议来作保障。
现有路由协议的分类如下：以数据为中心的路由协议由于周期的洪泛机制，能量和时间消耗都较大，并且Sink的周期性广播不适合大规模网络。基于QoS的路由协议节点中会产生大量冗余信息，消耗大量存储资源。基于地理位置的路由协议可能会出现路由空洞，不适合在移动WSN中使用。分簇路由协议中的LEACH协议能够保证能耗的平均消耗，优化了网络中的数据量和传输数据所需的能量，但无法保证簇头选举以及分簇的公平性，因此无法保证簇头节点对网络的覆盖率。考虑到LEACH路由协议在实际应用中的高价值性，迫切需要一种能够保证其分簇合理性的算法。
发明内容
本发明的目的在于解决在WSN的无线通信过程中，现有路由协议无法兼顾平均网络能量消耗和簇头节点对网络的全面覆盖问题。在大规模WSN通信过程中，节点能量的不平均高消耗是制约发展的一个重要因素，簇头节点对网络的低覆盖率使得通信效率大大降低。
本发明为了解决上述技术问题，采用以下技术方案：
一种基于WSN改进路由协议的高性能通信方法，包括以下步骤：
步骤1：将网络中的所有节点视为数据点集S，记录每个节点Xi的经纬度值作为数据点的2D横纵坐标；
步骤2：对数据点集S中所有数据点Xi的2D横纵坐标使用欧几里得距离公式
Figure 100002_DEST_PATH_IMAGE002
，计算出所有节点两两之间的直线距离值dij并将计算结果放入集合D中，
Figure 100002_DEST_PATH_IMAGE004
其中，下标i、j为节点的编号，若数据集中数据点的个数为N，那么集合D的大小为N（N-1）/2；
步骤3：计算集合D中所有直线距离值
Figure 100002_DEST_PATH_IMAGE006
中的最大值max_d与最小值min_d的差，记为dis_dif，将dis_dif除以数据点总数N的商△作为单位增量；
把整个距离区间按照单位增量递增的方式划分为如下各个距离区间：[min_d,min_d+△), [min_d+△, min_d+2△) ,......,[max_d-△, max_d]，并统计出直线距离值dij落在各个距离区间内的个数作为区间数据点分布数量
Figure 100002_DEST_PATH_IMAGE008
，在上述各个距离区间中的任一区间[a , b]中，其距离区间中值c的计算方法为
Figure 100002_DEST_PATH_IMAGE010
，按上述公式计算出所有距离区间的中值；
步骤4：在二维平面坐标系中，以步骤3中计算得出各个距离区间的中值大小和作为区间数据点分布数量
Figure 100002_DEST_PATH_IMAGE008A
的统计结果作为横、纵轴，使用Gaussian distribution对其进行拟合；
步骤5：对步骤4中的拟合结果应用Gaussian distribution概率模型，找到拟合结果在μ-3σ临界点处的函数值作为自适应参数K，其中σ为数据标准差，μ为数据均值；
步骤6：将步骤5中得到的自适应参数K应用到数据点自适应截止距离dc i 的计算中，把每个数据点Xi和剩余N-1个点之间的距离数值按照升序排列，得到集合Si，
Figure 100002_DEST_PATH_IMAGE012
，
其中，i为当前待处理数据点编号，j、p、t......为与i点距离递增的数据点编号，选择集合Si中的第K个距离值作为数据点i的截止距离参数d ci ，K为步骤5中的自适应参数K；
步骤7：得到每一个数据点Xi的截止距离参数d ci 后，计算出每个数据点Xi的局部密度
Figure 100002_DEST_PATH_IMAGE014
，并根据密度大小，对数据点Xi密度
Figure DEST_PATH_IMAGE014A
按照降序排序，排序后下标为
Figure 100002_DEST_PATH_IMAGE016
，即有
Figure 100002_DEST_PATH_IMAGE018
；
根据当前数据点Xi的局部密度
Figure DEST_PATH_IMAGE014AA
的大小关系，计算出当前数据点Xi的距离参数δ；
步骤8：将计算得出的局部密度
Figure 100002_DEST_PATH_IMAGE020
和距离参数δi进行归一化，将归一化后的局部密度
Figure 995892DEST_PATH_IMAGE020
和距离参数δi的乘积γi作为聚类中心的选择指标，计算所有数据点的γi的值的平均数
Figure 100002_DEST_PATH_IMAGE022
，筛选出γi值大于
Figure 100002_DEST_PATH_IMAGE022A
的数据点作为初始簇节点，并将其放入集合C中，
Figure 100002_DEST_PATH_IMAGE024
其中，pointi为簇头节点的唯一标识符；
步骤9：将数据点集S中除被筛选为初始簇头节点之外的非簇头节点按照“最近优先”原则，分配到与数据点自身距离最近的簇头节点所在簇中。
步骤10：检查步骤9的分簇结果中是否存在簇的过度划分现象，
具体步骤如下：首先定义边界密度
Figure 100002_DEST_PATH_IMAGE026
：
Figure 100002_DEST_PATH_IMAGE026A
为两个不同簇临界边上的当前数据点Xi在截止距离参数d c 的距离内包含非自身所在簇的数据点个数，通过公式
Figure 100002_DEST_PATH_IMAGE028
，计算出当前数据点Xi的在截止距离参数d c 的距离内的所有数据点的的全局平均密度
Figure 100002_DEST_PATH_IMAGE030
，将边界密度
Figure 100002_DEST_PATH_IMAGE026AA
大于
Figure 100002_DEST_PATH_IMAGE030A
的簇群视为过度划分；
步骤11、当上述检查机制发现存在过度划分现象时，要进行簇的合并，合并操作的具体步骤如下：首先选取出待合并簇中具有最大
Figure 100002_DEST_PATH_IMAGE032
值的簇头作为合并后的新簇头，然后将待合并簇中的所有剩余数据点均归并到新的簇中，以本次的合并结果作为节点最终的分簇结果。
上述技术方案中，数据点Xi的局部密度
Figure DEST_PATH_IMAGE014AAA
计算公式如下：
Figure 100002_DEST_PATH_IMAGE034
其中
Figure 100002_DEST_PATH_IMAGE036
是数据点Xi和数据点Xj之间的欧几里得距离，函数
Figure 100002_DEST_PATH_IMAGE038
的定义如下
Figure 100002_DEST_PATH_IMAGE040
。
上述技术方案中，距离参数δi计算规则如下：
如果当前数据点Xi是数据点集S中局部密度
Figure DEST_PATH_IMAGE014AAAA
最大的数据点，则δ i 为数据点集S中与当前数据点Xi之间直线距离最大的数据点间的直线距离dij，否则从局部密度大于当前数据点Xi的数据点中的找出与当前数据点Xi之间直线距离最小的数据点B，δ i 为当前数据点Xi与数据点B之间的直线距离。
上述技术方案中，步骤4中，使用Gaussian distribution对其进行拟合，公式如下：
Figure 100002_DEST_PATH_IMAGE042
其中，σ i 为数据标准差，μ i 为数据均值，i∈{1,2……N}，计算公式如下：
Figure 100002_DEST_PATH_IMAGE044
Figure 100002_DEST_PATH_IMAGE046
/n
其中，xi在这里代表第i个距离区间内数据个数，n在这里代表距离区间的总数，
Figure 100002_DEST_PATH_IMAGE048
代表数据xj的平均值。
上述技术方案中，步骤5中，将μ-3σ带入公式：
Figure 588066DEST_PATH_IMAGE042
求得的值作为自适应参数K。
因为本发明采用上述技术方案，因此具备以下有益效果：
本发明以分簇路由协议为研究点，提出一种基于密度峰值聚类算法的自适应的节点高性能通信机制。在分簇阶段，首先通过有效的聚类算法自动确定最佳的簇头数目及分布，极大的避免了网络中冗余信息的产生；其次采用快速公平的分配策略完成剩余非簇头节点的分配工作，保证了网络中节点划分的合理性，均衡了网络能耗，保证节点对网络的高覆盖率，延长网络的生存周期，实现了WSN的高性能网络通信。
附图说明
图1为示例地图位置示意图；
图2为过度划分的边界点示意图；
图3为Gaussian distribution拟合结果示意图；
图4为两个独立Gaussian distribution的拟合结果示意图。
具体实施方式
以下将对本发明的实施例给出详细的说明。尽管本发明将结合一些具体实施方式进行阐述和说明，但需要注意的是本发明并不仅仅只局限于这些实施方式。相反，对本发明进行的修改或者等同替换，均应涵盖在本发明的权利要求范围当中。
另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员将理解，没有这些具体细节，本发明同样可以实施。
公平高覆盖率的簇头确定策略，包括以下步骤：
步骤1：将网络中的所有节点视为数据点集，记录每个节点的经纬度值作为数据点的2D横纵坐标；
步骤2：对数据集中所有数据点的2D横纵坐标使用欧几里得距离公式
Figure DEST_PATH_IMAGE002A
，计算出所有节点两两之间的直线距离dij并将计算结果放入集合D中，
Figure DEST_PATH_IMAGE004A
其中，下标i、j为节点的编号。若数据集中数据点的个数为N，那么集合D的大小为N（N-1）/2；
步骤3：计算出集合D中所有距离
Figure DEST_PATH_IMAGE006A
的最大值max_d与最小值min_d的差，记为dis_ dif，将dis_dif除以数据点总数N的商△作为单位增量；
把整个距离区间按照单位增量递增的方式划分为如下形式：[min_d, min_d+△),[min_d+△, min_d+2△) ,......,[max_d-△, max_d]，并统计出各个距离区间内所分布的数据点间的距离个数。在任一区间[a , b]中，其区间中值c的计算方法为
Figure DEST_PATH_IMAGE010A
，按上述公式计算出所有距离区间的中值；
步骤4：在二维平面坐标系中，以步骤3中计算得出距离区间的中值大小和区间内距离分布个数的统计结果作为横、纵轴，使用Gaussian distribution对其进行拟合，得到如图3所示的（距离区间中值，距离区间内数据个数）的连续曲线函数拟合结果，其中，横轴是距离区间，纵轴是在距离区间内的数据个数。在这里，若存在单一的高斯分布无法很好的满足拟合需求的情况，则可按如下公式使用N个相互独立的高斯分布相加来对数据进行拟合操作。两个独立的高斯分布拟合结果如图4所示；
Figure 446431DEST_PATH_IMAGE042
其中，σ i 为数据标准差，μ i 为数据均值，i∈{1,2……N}，计算公式如下
Figure DEST_PATH_IMAGE050
Figure DEST_PATH_IMAGE052
/n
其中，xi在这里代表第i个距离区间内数据个数，n在这里代表距离区间的总数。
步骤5：对步骤4中的拟合结果应用Gaussian distribution概率模型所遵从的3σ原则——数据集中所有数据点的数值分布在（μ-3σ，μ+3σ）中的概率为0.9974，落在（μ-3σ，μ +3σ）以外的概率小于0.3%（σ为数据标准差，μ为数据均值，计算方法与步骤4中的σ i 和μ i 相同），几乎不可能发生，称为小概率事件。我们在步骤4中所拟合的自、因变量分别为距离区间中值和在此距离区间内分布的距离个数。所以，μ-3σ所对应的临界点在本文中所表示的现实含义是，在此范围外所分布距离的概率非常小，几乎不可能发生。因此，对于拟合函数而言，把其自变量等于μ-3σ时所对应的函数值（在这里为避免出现非整数情况，要把得到的函数值进行向上取整）作为自适应参数K；
步骤6：将步骤5中得到的自适应参数K应用到数据点自适应截止距离dc i 的计算中。把每个数据点i和剩余N-1个点之间的距离数值按照升序排列，得到集合Si，
Figure DEST_PATH_IMAGE012A
，
其中，i为当前待处理数据点编号，j、p、t......为与i点距离递增的数据点编号。选择集合Si中的第K个距离值作为数据点i的截止距离参数d ci ；
步骤7：得到每一个数据点的截止距离参数d ci 后，按下列公式计算出其局部密度ρ
Figure DEST_PATH_IMAGE034A
其中，
Figure DEST_PATH_IMAGE054
是数据点i和数据点j之间的欧几里得距离，函数
Figure DEST_PATH_IMAGE056
的定义如下
Figure DEST_PATH_IMAGE058
假定一个一维数组q中存储的元素
Figure DEST_PATH_IMAGE060
是将数据点依据密度
Figure DEST_PATH_IMAGE062
的大小按照降序排列的数据点唯一标识序列，即它满足
Figure DEST_PATH_IMAGE064
。则每个数据点的距离参数δi可按如下方式进行定义。至此，已经完成聚类所需的两个参数ρ和δ的计算工作。
距离参数δi计算规则如下：
如果当前数据点Xi是数据点集S中局部密度
Figure DEST_PATH_IMAGE014_5A
最大的数据点，则δ i 为数据点集S中与当前数据点Xi之间直线距离最大的数据点间的直线距离dij，否则从局部密度大于当前数据点Xi的数据点中的找出与当前数据点Xi之间直线距离最小的数据点B，δ i 为当前数据点Xi与数据点B之间的直线距离。
步骤8：将计算得出的局部密度ρ和距离参数δ按照
Figure DEST_PATH_IMAGE066
原则进行归一化，以防止数据所处数量级的不同而对结果造成消极影响。综合考虑归一化后的ρ和δ两个参数，将其乘积 γi=ρi*δ i 作为聚类中心的选择指标。计算出所有数据点γ值的平均数
Figure DEST_PATH_IMAGE068
，其中，N为数据点总个数。初步筛选出γ值大于
Figure DEST_PATH_IMAGE022AA
的数据点作为初始簇中心，并将其放入集合C中，
Figure DEST_PATH_IMAGE024A
其中，pointi为簇头节点的唯一标识符；
步骤9：将数据集中除被筛选为初始簇头节点之外的非簇头节点按照“最近优先”原则，分配到与数据点自身距离最近的簇头节点所在簇中；
步骤10：检查步骤9的分簇结果中是否存在簇的过度划分现象。如图1所示，簇3和簇4本应属于同一簇，但若在分簇的过程中过度划分，就会出现黑色竖线所示的分界线，即所属同一簇内的数据点被划分为多个簇，那么就会造成资源调配的极大浪费，此时就要采取二次检查合并机制。具体步骤如下：首先定义边界密度为，两个不同簇临界边上的数据点在截止距离参数d c 的距离内包含非自身所在簇的数据点个数，通过公式
Figure DEST_PATH_IMAGE028A
，计算出数据点的全局平均密度
Figure DEST_PATH_IMAGE030AA
，将边界密度大于
Figure DEST_PATH_IMAGE030AAA
的簇群视为过度划分。然后，当上述检查机制发现存在过度划分现象时，要进行簇的合并。合并操作的具体步骤如下：首先选取出待合并簇中具有最大
Figure DEST_PATH_IMAGE070
值的簇头作为合并后的新簇头，然后将待合并簇中的所有剩余数据点均归并到新的簇中。以本次的合并结果作为节点最终的分簇结果。
本发明立足于WSN现存路由协议的不足之处，提出了一种基于DPC改进算法的网络节点分簇策略，保证了网络节点中分簇的公平性以及节点对所在网络的高覆盖性。二次检查合并机制能够最大程度降低网络能量的消耗。（以电科中的5个点为例）
记录经纬度坐标：
P1(103.927451,30.758303)，
P2(103.926851,30.752402)，
P3(103.93376,30.748788)，
P4(103.926765,30.75207)，
P5(103.93273.30.743698)；
5个数据点之间的距离值：（即步骤2中的dij）
Figure DEST_PATH_IMAGE072
计算增量△：（1.1477-0.2746）/10 = 0.0873
步骤3：分布的距离区间 [0.2746,0.3619),[0.3619,0.4492),[0.4492,0.5365),[0.5365,0.6238),
[0.6238,0.7111),[0.7111,0.7984),[0.7984,0.8857),[0.8857,0.9730),
[0.9730,1.0603),[1.0603,1.1477]；
统计出各个区间内分布的距离个数分别为：2，2，0，0，0，0，0，2，2，2；
上述10个区间的中值：（0.2746+0.3619）/2=0.31825，同理的其余9个中值分别为:0.40555, 0.49285,0.58015,0.66745,0.75475,0.84205,0.92935,1.0166,1.10400。
步骤4：对上述结果（距离区间中值，距离区间内数据个数）（0.31825,2）、（0.40555,2）（0.49285,0）、（0.58015,0）、（0.66745,0）、（0.75475,0）、（0.84205,0）、（0.92935,2）、（1.0166,2）、（1.10400,2） 使用Gaussian distribution进行拟合。拟合结果为：
f(x) = 3.291*exp(-((x-0.172)/0.2406)2) + 4.057*exp(-((x-1.06)/0.05196)2)
步骤5：使用3σ原则计算出自适应参数K值为1。
步骤6：自适应截止距离参数d c 的计算：对于数据点1而言，将其参与的距离值按升序进行排列，S1={0.3883，0.4198，1.1068，1.1477}，因为在步骤5中得到了K值为1，所以选取S1集合中的第一个数据点0.3883作为数据点1的d c 值。按照同样步骤计算得出数据点2、3、4、5的d c 值分别为0.3316、0.2746、0.3316、0.2746。
步骤7：按公式分别计算出5个数据点的密度参数和距离参数，计算两个参数归一化后的乘积，并选出乘积值大于平均乘积值的数据点作为初始簇头。
剩余点按照“最近优先”完成分配后，在全局范围内进行检查，对存在过度划分的簇进行合并，以合并后的结果作为最终分簇结果。

Claims (6)

1.一种基于WSN改进路由协议的高性能通信方法，其特征在于，包括以下步骤：
步骤1：将网络中的所有节点视为数据点集S，记录每个节点Xi的经纬度值作为数据点的2D横纵坐标；
步骤2：对数据点集S中所有数据点Xi的2D横纵坐标使用欧几里得距离公式
Figure DEST_PATH_IMAGE002
，计算出所有节点两两之间的直线距离值dij并将计算结果放入集合D中，
Figure DEST_PATH_IMAGE004
其中，下标i、j为节点的编号，若数据集中数据点的个数为N，那么集合D的大小为N（N-1）/2；
步骤3：计算集合D中所有直线距离值
Figure DEST_PATH_IMAGE006
中的最大值max_d与最小值min_d的差，记为dis_dif，将dis_dif除以数据点总数N的商△作为单位增量；
把整个距离区间按照单位增量递增的方式划分为如下各个距离区间：[min_d, min_d+△), [min_d+△ , min_d+2△) ,......,[max_d-△ , max_d]，并统计出直线距离值dij落在各个距离区间内的个数作为区间数据点分布数量
Figure DEST_PATH_IMAGE008
，在上述各个距离区间中的任一区间[a , b]中，其距离区间中值c的计算方法为
Figure DEST_PATH_IMAGE010
，按上述公式计算出所有距离区间的中值；
步骤4：在二维平面坐标系中，以步骤3中计算得出各个距离区间的中值大小和作为区间数据点分布数量
Figure DEST_PATH_IMAGE008A
的统计结果作为横、纵轴，使用Gaussian distribution对其进行拟合；
步骤5：对步骤4中的拟合结果应用Gaussian distribution概率模型，找到拟合结果在μ-3σ临界点处的函数值作为自适应参数K，其中σ为数据标准差，μ为数据均值；
步骤6：将步骤5中得到的自适应参数K应用到数据点自适应截止距离dc i 的计算中，把每个数据点Xi和剩余N-1个点之间的距离数值按照升序排列，得到集合Si，
Figure DEST_PATH_IMAGE012
，
其中，i为当前待处理数据点编号，j、p、t......为与i点距离递增的数据点编号，选择集合Si中的第K个距离值作为数据点i的截止距离参数d ci ，K为步骤5中的自适应参数K；
步骤7：得到每一个数据点Xi的截止距离参数d ci 后，计算出每个数据点Xi的局部密度ρ i ，并根据密度大小，对数据点Xi的密度按照降序排序，排序后下标为
Figure DEST_PATH_IMAGE014
，即有
Figure DEST_PATH_IMAGE016
；
根据当前数据点Xi的局部密度
Figure DEST_PATH_IMAGE018
的大小关系，计算出当前数据点Xi的距离参数δi；
步骤8：将计算得出的局部密度
Figure DEST_PATH_IMAGE020
和距离参数δi进行归一化，将归一化后的局部密度
Figure 879391DEST_PATH_IMAGE020
和距离参数δi的乘积γi作为聚类中心的选择指标，计算所有数据点的γi的值的平均数
Figure DEST_PATH_IMAGE022
，筛选出γi值大于
Figure DEST_PATH_IMAGE022A
的数据点作为初始簇头节点，并将其放入集合C中，
Figure DEST_PATH_IMAGE024
其中，pointi为簇头节点的唯一标识符；
步骤9：将数据点集S中除被筛选为初始簇头节点之外的非簇头节点按照“最近优先”原则，分配到与数据点自身距离最近的簇头节点所在簇中。
2.根据权利要求1所述的一种基于WSN改进路由协议的高性能通信方法，其特征在于，还包括步骤10，
检查步骤9的分簇结果中是否存在簇的过度划分现象，
具体步骤如下：首先定义边界密度
Figure DEST_PATH_IMAGE026
：
Figure DEST_PATH_IMAGE026A
为两个不同簇临界边上的当前数据点Xi在截止距离参数d ci 的距离内包含非自身所在簇的数据点个数，通过公式
Figure DEST_PATH_IMAGE028
，计算出当前数据点Xi的在截止距离参数d ci 的距离内的所有数据点的的全局平均密度
Figure DEST_PATH_IMAGE030
，将边界密度
Figure DEST_PATH_IMAGE026AA
大于
Figure DEST_PATH_IMAGE030A
的簇群视为过度划分；
步骤11、当上述检查机制发现存在过度划分现象时，要进行簇的合并，合并操作的具体步骤如下：首先选取出待合并簇中具有最大
Figure DEST_PATH_IMAGE032
值的簇头作为合并后的新簇头，然后将待合并簇中的所有剩余数据点均归并到新的簇中，以本次的合并结果作为节点最终的分簇结果。
3.根据权利要求1所述的一种基于WSN改进路由协议的高性能通信方法，其特征在于，数据点Xi的局部密度
Figure DEST_PATH_IMAGE018A
计算公式如下：
Figure DEST_PATH_IMAGE034
其中
Figure DEST_PATH_IMAGE036
是数据点Xi和数据点Xj之间的欧几里得距离，函数
Figure DEST_PATH_IMAGE038
的定义如下
Figure DEST_PATH_IMAGE040
。
4.根据权利要求1所述的一种基于WSN改进路由协议的高性能通信方法，其特征在于，距离参数δi计算规则如下：
如果当前数据点Xi是数据点集S中局部密度
Figure DEST_PATH_IMAGE018AA
最大的数据点，则δ i 为数据点集S中与当前数据点Xi之间直线距离最大的数据点间的直线距离dij，否则从局部密度大于当前数据点Xi的数据点中的找出与当前数据点Xi之间直线距离最小的数据点B，δ i 为当前数据点Xi与数据点B之间的直线距离。
5. 根据权利要求1所述的一种基于WSN改进路由协议的高性能通信方法，其特征在于，步骤4中，使用Gaussian distribution对其进行拟合，公式如下：
Figure DEST_PATH_IMAGE042
其中，σ i 为数据标准差，μ i 为数据均值，i∈{1,2……N}，计算公
式如下：
Figure DEST_PATH_IMAGE044
Figure DEST_PATH_IMAGE046
/n
其中，xj在这里代表第j个距离区间内数据个数，n在这里代表距离区间的总数，
Figure DEST_PATH_IMAGE048
代表数据xj的平均值。
6.根据权利要求5所述的一种基于WSN改进路由协议的高性能通信方法，其特征在于，步骤5中，将μ-3σ带入公式：
Figure 409248DEST_PATH_IMAGE042
求得的值作为自适应参数K。
CN202111360109.2A 2021-11-17 2021-11-17 一种基于wsn改进路由协议的高性能通信方法 Active CN114079997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111360109.2A CN114079997B (zh) 2021-11-17 2021-11-17 一种基于wsn改进路由协议的高性能通信方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111360109.2A CN114079997B (zh) 2021-11-17 2021-11-17 一种基于wsn改进路由协议的高性能通信方法

Publications (2)

Publication Number Publication Date
CN114079997A CN114079997A (zh) 2022-02-22
CN114079997B true CN114079997B (zh) 2022-06-03

Family

ID=80284297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111360109.2A Active CN114079997B (zh) 2021-11-17 2021-11-17 一种基于wsn改进路由协议的高性能通信方法

Country Status (1)

Country Link
CN (1) CN114079997B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056136A (zh) * 2016-05-20 2016-10-26 浙江工业大学 一种聚类中心快速确定的数据聚类方法
CN106304234A (zh) * 2016-08-09 2017-01-04 南京邮电大学 一种基于聚类路由协议的无线传感器网络能耗优化方法
WO2017030362A1 (ko) * 2015-08-18 2017-02-23 가천대학교 산학협력단 무선센서네트워크의 클러스터링 방법
CN111711929A (zh) * 2020-05-21 2020-09-25 佛山科学技术学院 一种均衡能耗的wsn网络分簇路由方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10524308B2 (en) * 2018-05-31 2019-12-31 Peyman Neamatollahi Method for decentralized clustering in wireless sensor networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017030362A1 (ko) * 2015-08-18 2017-02-23 가천대학교 산학협력단 무선센서네트워크의 클러스터링 방법
CN106056136A (zh) * 2016-05-20 2016-10-26 浙江工业大学 一种聚类中心快速确定的数据聚类方法
CN106304234A (zh) * 2016-08-09 2017-01-04 南京邮电大学 一种基于聚类路由协议的无线传感器网络能耗优化方法
CN111711929A (zh) * 2020-05-21 2020-09-25 佛山科学技术学院 一种均衡能耗的wsn网络分簇路由方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于能量的EBAPC分簇网络拓扑控制算法;崔可想等;《计算机工程》;20121205;第38卷(第23期);第104页-第108页 *

Also Published As

Publication number Publication date
CN114079997A (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN111356148B (zh) 一种实现网络优化的方法及相关设备
CN107547633B (zh) 一种用户常驻点的处理方法、装置和存储介质
CN104185275B (zh) 一种基于wlan的室内定位方法
CN111867049B (zh) 定位方法、装置及存储介质
CN105825242A (zh) 基于混合网格分层聚类的集群通信终端轨迹实时异常检测方法与系统
CN107622085A (zh) 一种基于网格和密度的自适应轨迹聚类方法
CN103699678B (zh) 一种基于多阶段分层采样的层次聚类方法和系统
CN110677864B (zh) 基于无线传感器网络的能量约束模糊c-均值聚类方法
Chu et al. Passenger demand prediction with cellular footprints
CN102665253B (zh) 一种基于无线传感网络的事件检测方法
CN114997737A (zh) 基于分层联邦学习的无人机小基站集群ran切片方法
CN111083724B (zh) 一种雾计算网络下基于ocwg-topsis的用户关联方法
Gu et al. A spatial-temporal transformer network for city-level cellular traffic analysis and prediction
CN114079997B (zh) 一种基于wsn改进路由协议的高性能通信方法
CN109391946B (zh) 一种基站簇规划的方法及装置
WO2017148246A1 (zh) 一种数据配置方法和装置
CN112994763B (zh) 一种天线阵列波束赋形参数的优化方法及装置
CN114827946B (zh) 一种车联网场景下基于任务相似度的边缘计算方法及系统
CN114205238B (zh) 网络资源优化、模型训练方法、装置、存储介质及设备
CN112003733B (zh) 一种智慧园区物联网综合管理方法及管理平台
CN114783215A (zh) 无人机分簇方法、装置和电子设备
CN110536373B (zh) 一种基于copula理论的光学无线传感器网络成簇方法
CN115334552B (zh) 一种分布式数据快速传输方法及传输平台
Lemelson et al. Automatic identification of fingerprint regions for quick and reliable location estimation
CN110753352B (zh) 一种设备选型方法和装置

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