共查询到20条相似文献,搜索用时 640 毫秒
1.
为了使无线传感器网络节点的能量均衡消耗,防止某些节点的能量过早耗尽,提出了一种延长网络生存时间的机会路由(PLOR)。针对机会路由的传输机制,根据节点的能量模型,综合考虑了节点的期望传输次数(ETX)和剩余能量(RE),提出了一种路由测度EC和基于它的候选转发节点集的选择策略。在候选转发节点的协调转发上,采用数据包序列表(PSL)的方式来增加传输协调的成功率。仿真实验表明:相比于ExOR,PLOR进一步提高了吞吐量,降低了能耗,尤其网络的生存时间有了明显的提高。 相似文献
2.
针对智能电网(SG)中电力线通信(PLC)网络中负载均衡的问题,提出了一个自适应机会路由协议——负载均衡的机会路由协议(LBORP)。在LBORP中,所有收到数据包的候选转发节点都有机会参与到数据包的转发中,不再局限于一条路由路径,避免了流量仅从一条链路经过导致的负载不均衡现象;而且候选转发节点的转发优先级不仅考虑到转发节点到目的节点的距离,还考虑到了PLC链路的不稳定性以及流量的变化。除此之外,在LBORP中采用一种隐式确认方案,进一步减少协议的端到端时延。在仿真实验中,与基于有序树的PLC路由协议(PLC-TR)和PLC机会路由协议(PLC-OR)相比,LBORP在时延上分别降低了19.7%和45.8%,在丢包率上分别降低了23.4%和32.5%。实验结果表明,LBORP能够实现网络的负载均衡,提升网络的可靠性并减小端到端时延。 相似文献
3.
4.
传统Ad Hoc等先决路由机制不再适合无线Mesh网络。相反,基于后择路由机制的机会路由已经获得越来越多的应用。机会路由中的转发候选集可有效增加无线Mesh网络吞吐量和降低重传数;但是,机会路由也正遭受安全问题困扰。针对节点间的共谋攻击行为,提出一种基于反馈可信度的信任模型,并结合到机会路由中,防止共谋节点加入机会路由转发候选集。建立一种基于反馈可信度的可信机会路由转发模型(简称FCTOR)。仿真实验表明,该模型较经典的ExOR协议可以有效抑制典型恶意节点,尤其面对共谋攻击行为时表现出良好的性能。 相似文献
5.
多跳无线网络中反馈式机会路由研究 总被引:1,自引:0,他引:1
提出多跳无线网络中反馈式机会路由(FOR).给出基于EPDTX指标的转发候选集产生策略,有效地做到了减少网络重发包数和传输时间消耗的平衡.根据候选集中节点ACK返回情况,分析网络局部拥塞状况,动态调整转发候选集和转发优先级,并给出基于ACK反馈的启发式候选集产生算法.仿真试验表明,FOR比传统路由算法(AODV)和极端机会路由算法(ExOR)多跳传输性能上有明显提升,并具有较强的抗网络拥塞能力. 相似文献
6.
7.
针对多跳无线网络中机会路由的副本传输问题,提出一种新的机会路由协议。提出的策略不再简单采用单跳广播的方式转发数据,而是通过节点间的距离确定转发开销,再让数据包携带下一跳候选节点信息并根据候选节点的ACK选择下一跳节点,从而保证了每个数据包只有一个候选节点进行转发。仿真结果显示,提出的方案能减少不必要的传输行为,有效改善了网络吞吐率。 相似文献
8.
在考虑节点信道质量、移动方向和速率、剩余能耗等本地信息的基础上,在移动传感网中提出了基于本地信息的机会路由策略(OR LI)。该策略采用能在一定程度上反映信道质量的接收信号强度指示值对数 常态分布模型建立节点机会概率值;引入移动速率和方向反映节点的移动性;使用节点的剩余能耗反映节点的剩余使用寿命,实现机会路由,并通过候选节点的优选序号来确定候选点的侦听转发时间以避免报文重发。与机会路由策略ExOR和OB比,新策略更适合移动传感网,具有传输有效性高、能耗低等优点。 相似文献
9.
机会路由OR(Opportunistic Routing)在水下传感网络中广泛应用。然而,现存OR协议忽略了一个问题:转发节点采用恒定转发优先级,其加剧了部分节点的能耗,也未能平衡节点间的能量消耗。为此,提出基于轮换转发优先级的机会路由RFP-OR(Rotating Forwarding Priority-based OR)。RFP-OR路由利用节点剩余能量,链路可靠性和水压差值构建候选转发节点集,再计算候选转发节点集内每个节点的适度值,并依据适度值给节点设置转发优先级。最后,依据节点的转发优先级设置定时器,进而产生下一跳转发节点。仿真数据表明,提出的RFP-OR路由的活动节点数得到有效的提高,并且数据包传递率也得到了提升。 相似文献
10.
部署于野外的感知网络在应用时广泛存在节点能量不足的问题,而新型的使用能量收集技术的节点可以通过周期性地从环境中获取能量来延长网络的生存周期.因此,针对使用能量收集型节点的无源感知网络,能耗不再像有源节点网络那样成为制约网络性能最关键的因素.综合考虑能耗和延迟,可以在使节点获得较长生存周期的同时提高数据到达基站的速度.针对现有应用于无源感知网络的路由协议大多不能兼顾能耗和延迟性能的问题,提出了能耗和延迟平衡的机会路由协议(balance of energy and delay opportunistic routing protocol,简称EDOR).该协议通过分析节点通信过程来估算节点的预期能耗值,使得节点选择令自己能耗较低的邻居节点作为转发候选.在最终确定转发节点时,该协议通过结合候选节点下一跳邻居节点的占空比信息来进行决策,使得发送节点选择能够更快将数据转发出去的候选节点来降低延迟,从而实现能耗和延迟性能的平衡.最后,该协议还通过设计退避策略来实现转发节点的单一性,减少机会路由过程中产生的不必要的数据包副本数量. 相似文献
11.
将泛函网络引入软件可靠性预测,利用其比神经网络更好的解释性及其他性能,提出了基于泛函网络的软件可靠性多模型综合预测方法。首先阐述了泛函网络的结构和学习过程,然后将多个单一模型的预测值作为泛函网络的输入,将实际值作为输出,建立泛函网络结构,给出了泛函网络的学习算法,制定了3种训练策略,并进行了实验分析。实验结果表明:在第三种训练策略下,基于泛函网络的软件可靠性多模型综合预测方法有较高的预测精度,其预测效果比单个模型和Lyu提出的线性综合模型都好。 相似文献
12.
13.
描述了基于重构性的复杂网络自相似模型。在分形思想的基础上提出了复杂网络的自相似性研究,指出了分形思想中容量维数的不足,提出利用信息维数研究复杂网络的自相似性,这种方法更能客观反映网络的自相似性。给出了复杂网络自相似性测量方法和基于信息维数的仿真结果,数值仿真验证了理论分析的正确性。最后提出了进一步研究的方向。 相似文献
14.
Growing radial basis neural networks: merging supervised andunsupervised learning with network growth techniques 总被引:12,自引:0,他引:12
This paper proposes a framework for constructing and training radial basis function (RBF) neural networks. The proposed growing radial basis function (GRBF) network begins with a small number of prototypes, which determine the locations of radial basis functions. In the process of training, the GRBF network gross by splitting one of the prototypes at each growing cycle. Two splitting criteria are proposed to determine which prototype to split in each growing cycle. The proposed hybrid learning scheme provides a framework for incorporating existing algorithms in the training of GRBF networks. These include unsupervised algorithms for clustering and learning vector quantization, as well as learning algorithms for training single-layer linear neural networks. A supervised learning scheme based on the minimization of the localized class-conditional variance is also proposed and tested. GRBF neural networks are evaluated and tested on a variety of data sets with very satisfactory results. 相似文献
15.
16.
针对大型无标度复杂网络的幂律分布特性,提出了一种基于分层抽样技术的算法SSBA,通过分析样本网络推导出大型无标度复杂网络的可靠性度量参数,并给出这些参数的Bootstrap置信区间。大量的实验表明,SSBA算法能有效估算出大型无标度复杂网络的可靠性度量参数。 相似文献
17.
18.
19.
20.
《Displays》2021
Complex network is graph network with non-trivial topological features often occurring in real systems, such as video monitoring networks, social networks and sensor networks. While there is growing research study on complex networks, the main focus has been on the analysis and modeling of large networks with static topology. Predicting and control of temporal complex networks with evolving patterns are urgently needed but have been rarely studied. In view of the research gaps we are motivated to propose a novel end-to-end deep learning based network model, which is called temporal graph convolution and attention (T-GAN) for prediction of temporal complex networks. To joint extract both spatial and temporal features of complex networks, we design new adaptive graph convolution and integrate it with Long Short-Term Memory (LSTM) cells. An encoder-decoder framework is applied to achieve the objectives of predicting properties and trends of complex networks. And we proposed a dual attention block to improve the sensitivity of the model to different time slices. Our proposed T-GAN architecture is general and scalable, which can be used for a wide range of real applications. We demonstrate the applications of T-GAN to three prediction tasks for evolving complex networks, namely, node classification, feature forecasting and topology prediction over 6 open datasets. Our T-GAN based approach significantly outperforms the existing models, achieving improvement of more than 4.7% in recall and 25.1% in precision. Additional experiments are also conducted to show the generalization of the proposed model on learning the characteristic of time-series images. Extensive experiments demonstrate the effectiveness of T-GAN in learning spatial and temporal feature and predicting properties for complex networks. 相似文献