移动无线传感器网络中分布式重聚类算法,这篇传感器网络论文范文为免费优秀学术论文范文,可用于相关写作参考。
传感器网络论文参考文献：
摘 要： 移动无线传感器网络中,节点的移动性影响着层次化聚类之后的网络结构,从而影响聚类内部节点间通信时的数据送达率和能耗.为了降低节点移动性的影响,本文提出了一种分布式重聚类算法.该算法基于已聚类网络,利用粒子滤波算法对节点当前位置进行估计,并结合移动模型预测下一时刻位置；处于聚类边界的非簇头节点周期性地评估自身是否需要重聚类,并在需要时通过和所属聚类及目标聚类的簇头节点通信,将自身重聚类到目标聚类中.仿真结果表明,在重聚类周期较小时,该算法能够使节点在移动过程中保持合理的通信距离,并在数据送达率和能耗方面优于现有的算法.
关键词： 移动无线传感器网络； 聚类； 分布式； 重聚类； 数据送达率； 能耗
中图分类号： TN 929.5 文献标志码： A 文章编号： 1000-5137（2016）02-0202-07
0 概 述
移动无线传感器网络由大量移动节点组成,这些节点被布置于目标区域中以完成诸如目标跟踪和环境条件监测等任务.节点将采集到的数据发送至汇聚节点或者服务器进行处理,由于节点能量有限,为了延长网络的生命周期,必须对节点进行高效利用[1-2].
在无线传感器网络中,层次化聚类方法有利于降低网络能耗和提高数据发送效率等.文献[3]提出的LEACH是一种自适应的聚类算法,一些节点被随机地选为簇头,其他节点加入到距其最近的簇头节点形成聚类,该算法周期性地对簇头节点进行轮转以平衡节点之间能量消耗差异.文献[4]提出了一种分布式聚类算法,通过迭代过程实现聚类和簇头节点的选取,该算法根据节点的剩余能量对簇头节点进行轮转.考虑到节点的移动性,文献[5]提出了LEACH-mobile算法,该算法要求移动节点在移动时对所属聚类进行声明.
在已聚类的移动无线传感器网络中,节点的移动性随机、动态地影响着网络的拓扑结构,使得节点未处于合适的聚类中,非簇头节点和簇头节点之间的通信距离增加,导致通信能耗增加、数据送达率降低[6],降低了网络的服务质量.因此需要重聚类过程,使节点加入到合适的聚类中.在已有的聚类协议中,重聚类算法主要分为集中式重聚类算法和分布式重聚类算法.在集中式重聚类算法中,重聚类过程由簇头节点或汇聚节点控制,非簇头节点处于从属地位,并且重聚类主要目的是轮转簇头节点,非簇头节点仅在簇头节点轮转时才能被重聚类.在分布式重聚类算法中,非簇头节点可以评估自身是否需要重聚类,并在合适的时机进行重聚类.文献[7]提出了一种集中式重聚类算法,将簇头节点和汇聚节点控制的重聚类过程进行结合.文献[8]提出的self-incentive and semi-reclustering（SISR）是一种分布式重聚类算法,该算法主要处理簇头节点轮转时导致的非簇头节点重聚类问题,允许聚类边界区域的非簇头节点在必要时重聚类到更合适的聚类中.但是,SISR中重聚类过程仅在目标聚类下一次簇头轮转开始时才能进行,导致较长的重聚类周期.在大多数聚类协议中,节点的位置主要通过GPS或者其他定位方式获得,这将引入较大的能耗,同时也使得这些协议在GPS等定位方式无法使用的场景中失效.
本文作者提出了一种分布式重聚类算法,该算法基于已聚类的移动无线传感器网络,利用粒子滤波算法结合惯性传感器数据实现对节点当前时刻位置的估计,并根据节点移动模型预测节点下一时刻的位置；该算法允许处于聚类边界区域的非簇头节点对自身是否需要重聚类进行评估,并在必要时通过和所属聚类及目标聚类的簇头节点进行通信,自主地完成重聚类过程.
1 系统模型
移动无线传感器网络由移动节点组成,初始时这些节点被随机布置在目标区域中且初始位置已知,之后节点不能通过GPS或者其他类似定位方式获取位置.在运动过程中,每个节点都可以获得自身的运动速度和方向.本节主要介绍节点的移动模型以及节点之间通信时的能耗模型.
2 分布式重聚类算法
本文作者提出的分布式重聚类算法基于已层次化聚类的移动无线传感器网络,主要包括节点利用粒子滤波算法[10]对当前自身位置进行估计,节点根据移动模型预测下一时刻自身位置,处于聚类边界区域的非簇头节点通过和所属聚类的簇头节点通信,对自身是否需要重聚类进行估计,并在需要重聚类时,通过和所属聚类及目标聚类的簇头节点进行通信,将自身重聚类到目标聚类中.
本文作者对DRC算法在不同重聚类周期T（单位：时间间隔）条件下的性能进行了评估,并和文献[8]中提出的SISR算法进行了对比,每次仿真实验时长为1000个时间间隔,非簇头节点在每个时刻向所属聚类的簇头节点发送长度为1000比特的采集数据.
在已聚类的移动无线传感器网络中分别应用DRC算法（T等于1,2,4,8,16）和SISR算法,统计每个时刻非簇头节点和对应的簇头节点之间的平均通信距离
,图2为节点之间平均通信距离的累积分布函数曲线对比.从图2中可以看出,T等于1时DRC算法对应的节点之间平均通信距离值最小,随着T增加,节点之间平均通信距离增大；SISR算法相较于DRC算法（T等于1,2,4,8,16）,由于对节点的重聚类处理不及时,导致节点之间平均通信距离较大.
在仿真实验中,利用公式（3）和公式（5）计算节点通信造成的能耗,并根据节点之间的通信距离对数据送达率[6]进行计算.DRC算法（T等于1,2,4,8,16）和SISR算法关于平均数据送达率的累积分布函数曲线对比如图3所示.结合图2和图3可以看出,随着T增加,节点之间平均数据送达率降低,节点之间通信距离的增加导致了节点之间数据送达率的降低.相比SISR算法,DRC算法（T等于1,2,4,8,16）能够使节点之间通信时保持更高的数据送达率.
图4为DRC算法（T等于1,2,4,8,16）和SISR算法对应的节点平均剩余能量变化曲线对比.从图4中可以看出,随着T从1增大到8,DRC算法对应的节点剩余能量变化速度逐渐减缓,说明随着T增大,重聚类通信次数减少,其引起的能耗降低；然而在T等于16时,节点剩余能量变化速度和T等于4时相当,说明节点之间通信距离较大导致了节点之间单次通信耗能增加；而SISR算法由于节点之间通信距离过大,导致其对应的节点通信能耗较大.因此相比SISR算法,DRC算法（T等于1,2,4,8,16）能耗较低.
结论：大学硕士与本科传感器网络毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写无线传感器网络技术方面论文范文。
基于人工神经网络的聚类算法
摘要：研究连续型Hopfield神经网络的电路机理，推导出网络的权值计算公式，并运用连续型的神经网络模型构造出聚类算法；对20个随机生成数据计算。
谱聚类算法其在SAR图像分割中应用
摘 要：谱聚类算法作为一种高效的智能聚类算法被广泛地研究与应用，它与传统的聚类算法相比，具有明显的优势。文章首先对谱聚类理论进行了概述，介绍了图。
一种改进模糊聚类算法
摘 要：针对模糊C-均值聚类算法不能很好对非椭球形分布，或结构形状不对称分布的数据进行聚类的问题，文章提出了一种基于点密度的模糊C-均值聚类算法。
命运一次为了重聚的告别
从2016年俞心樵个展《安静》至今己过了半年之久，似乎命运的捉弄，关于此次展览及俞心樵本人在极不安静的状况下发生许多惊涛骇浪的变化，正如俞诗中所。