基于PSO-BP的无线传感器网络数据融合算法研究

为提高无线传感器网络(WSN)数据融合效率,减少网络的通信量以及降低传感网的能量消耗,提出一种基于粒子群优化BP神经网络的无线传感器网络数据融合算法;该算法将粒子群算法优化BP神经网络的权值和阈值后,与传感器网络分簇路由协议有机结合,将无线传感器网络中簇头和节点等同于BP神经网络里的神经元,利用优化后的BP神经网络有效地提取WSN数据融合原始数据之中的少量特征数据,之后把提取的特征数据发送到汇聚节点,进而提升数据融合效率,延长网络生存周期;仿真实验证明,与LEACH算法、BP神经网络和GABP算法相比,该算法可有效减少网络通信量,降低节点总能耗的15%,延长网络生存时间。     

基于SOFM神经网络的无线传感器网络数据融合算法

为了降低无线传感器网络的通信量,降低能耗,延长网络的生命周期,提出了一种基于SOFM(Self-Organizing Feature Mapping)神经网络的数据融合算法（SOFMDA）,该算法将自组织映射神经网络和无线传感器网络分簇路由协议相结合,使簇中的各个节点完成神经元的工作,按照数据的特征对其进行分类,提取同类数据的特征,将特征数据发送到汇聚节点,从而减少了数据发送量,延长网络的生命期。仿真实验表明,与普通的数据融合方法相比,SOFMDA能够在保证数据准确性的前提下,有效减少网络通信量,延长网络生命期。在文中仿真实验的时间内,达到了LEACH算法性能的1.5倍。     

基于事件驱动和神经网络的无线传感网络数据融合算法研究

为降低突发事件监测的无线传感器网络(WSN)的能量消耗和数据冗余,设计并实现一种基于事件驱动的动态分簇BP神经网络数据融合算法(EBPDF)。其中动态成簇以及簇头选举过程基于事件严重程度和节点剩余能量,簇的生命周期和簇的覆盖范围根据事件紧急程度和节点剩余能量进行动态调整。同时,为减少网络通信量,将神经网络层次结构与WSN的簇结构相结合,在动态形成的簇结构中应用三层神经网络模型,通过神经网络算法从采集到的大量原始数据中提取出少量特征值,并发送到汇聚节点,从而延长网络生命周期,降低数据传输的冗余度。理论仿真实验证明,与LEACH算法相比,该算法既能有效降低网络通信流量,又能减少节点通信次数。     

无线传感器网络中基于神经网络的数据融合模型

数据融合技术通过减少传感器节点间的数据通信量,可以有效地节省传感器节点能耗,延长无线传感器网络的寿命.提出了独特的基于神经网络的数据融合模型(NNBA),该模型巧妙地将无线传感器网络的分簇层次结构与神经网络的层次结构相结合,将每个簇设计为一个三层感知器神经网络模型,通过神经网络方法从采集到的大量原始数据中提取特征数据,然后将特征数据发送给汇聚节点.以森林火灾实时监测网为应用实例,设计神经元模型及功能函数,并给出NNBA模型的仿真测试结果.     

基于非均匀分簇和蚁群神经网络的WSN数据融合算法

为了确保无线传感器网络在列车车厢中能高效稳定地工作,提出了一种基于蚁群优化神经网络的数据融合算法 (DFA-IACOBP)。该算法将无线传感器网络非均匀分簇结构与神经网络结构相结合,建立一个基于非均匀分簇路由神经网络的无线传感器网络数据融合模型。在非均匀分簇路由算法中,候选簇头根据竞争半径构造出大小不一的簇,并在每个簇中竞选出两个簇头。主簇头负责簇内信息采集和处理,副簇头承担簇间信息转发,神经网络的权值和阈值由蚁群算法优化寻得,优化后的神经网络能从存在大量冗余数据的无线传感器网络提取有效特征数据并传输至汇聚节点。仿真结果表明:DFA-IACOBP算法能大幅降低网络中冗余数据,减少网络数据通信量,提高特征数据采集效率和网络整体性能。     

WSN中基于压缩感知的分簇数据收集算法

为减少无线传感器网络的数据通信量和能量消耗,基于WSN节点数据时空相关性的特性,提出一种将K-means均衡分簇和CS理论相结合的数据收集方法。首先,通过K-means聚类算法均匀划分网络成簇。然后,各簇首对采集到的数据进行基于时空相关性的压缩感知并传输至基站Sink节点。最后,Sink节点采用OMP算法对收集到的数据进行精准重构。仿真结果表明,该算法有效减少了无线传感器网络的数据通信量和压缩感知算法重构过程所需要的观测量。     

基于BP神经网络的无线传感器网络路由协议的研究

由于无线传感器网络的资源比较有限,尤其是节点的能量受限,为了尽可能的减少信息收集与传输过程中的能耗,延长网络的寿命,本文提出了基于BP神经网络的路由协议改进算法模型,该算法模型将BP神经网络的层次结构与无线传感器网络路由协议的分簇结构相结合,在每个簇结构中应用设计一个三层的BP神经网络模型,把采集到的大量原始数据通过设计好的神经网络模型,得到能够反映原始数据特征的的少量的数据信息。只需要将融合得到的特征数据传送给汇聚节点,从而减少了数据信息的传送量,降低信息传送的通信能耗,延长网络生存时间。仿真结果表明：改进后的算法较LEACH协议在平衡节点能量和延长网络寿命方面具有更优越的性能．     

一种改进的基于神经网络的WSN数据融合算法

为降低无线传感网络的能量消耗,提出了一种基于神经网络的数据融合改进算法(NBPNA),该算法将无线传感网络的分簇路由协议与BP神经网络结合起来,通过神经网络方法对簇内节点采集到的信息进行数据拟合,提取训练拟合好的权值与阈值,把其作为信息融合值传输;同时再通过将上一次拟合好的权值与阈值赋予下一次网络训练来减少神经网络的训练步数,减少网络训练所需的耗能;通过实验验证,该算法可有效减少网络通信量,降低节点能耗,延长网络寿命,同时还验证了本算法在环境监测等方面的可行性和有效性。     

无线传感器网络分簇拓扑的覆盖区域节点调度优化算法研究

利用区域分割的方法建立了一种覆盖区域冗余节点的优化调度机制,实现对完全覆盖区域内冗余节点的休眠调度,并将该机制引入无线传感器网络的分簇结构中,提出一种基于分簇拓扑的节点调度优化算法。算法通过控制簇内冗余节点进行休眠,减少簇首的数据通信量和簇成员中工作的冗余节点个数,降低了网络能耗。仿真结果表明,与未考虑冗余节点休眠调度的分簇算法相比,该算法有效提高了网络能量利用率,延长了网络生命期。     

基于RSSI的无线传感网络梯度分簇算法

无线传感器网络(WSN)通常采用分簇结构以减少通信量,降低网络的能量消耗。针对无线传感网在数据收集模式下节点的负载不均衡问题,提出一种基于可接收信号强度指示（RSSI）的WSN梯度分簇(RGC)算法,以节点RSSI值为基础建立梯度,形成层次性结构。从具有不同梯度与相同梯度的相邻簇首节点两方面着手,设计了负载均衡的分簇算法,有效降低其复杂度和能耗,延长网络生命周期。实验证明了该算法的正确性和有效性。     

Functional Networks

In this letter we present functional networks. Unlike neural networks, in these networks there are no weightsassociated with the links connecting neurons, and the internal neuron functions are not fixed but learnable. These functions are not arbitrary, but subject to strong constraints to satisfy the compatibility conditions imposed by the existence of multiple links going from the last input layer to the same output units. In fact, writing the values of the output units in different forms, by considering these different links, a system of functional equations is obtained. When this system is solved, the numberof degrees of freedom of these initially multidimensional functions is considerably reduced. One example illustrates the process and shows that multidimensional functions can be reduced to functions with a single argument. To learn the resulting functions, a method based on minimizing a least squares error function is used, which, unlike the functions used in neural networks, has a single minimum.     

前馈过程神经网络的网络结构与泛化能力

基于提高过程神经网络泛化能力的角度,对前馈过程神经网络网络结构对泛化能力的影响进行研究,得出以下结论：其过程神经元隐层（时变隐层）起主要作用,一般神经元隐层（非时变隐层）并非是必须的,对于相同特征的样本,过程神经元对样本特征的抽取能力远远高于传统神经元。给出了一个基于提高泛化能力的前馈过程神经网络网络结构构造算法,并应用一个实例验证了其有效性。     

数据融合技术在无线传感器网络中的应用

在大规模的无线传感器网络中,传输数据量巨大,必然存在着数据传输可靠性、拥塞以及能耗等问题,高效的数据融合技术能够有效的解决这些问题。本文结合分簇路由算法的特征,采用两层融合技术,首先簇内节点与簇首节点的融合,簇内节点根据阈值来判断是否需要发送数据,簇首节点根据接收到的数据,进行数据一致性检验,剔除异常数据,第二层采用BP神经网络算法对簇首节点与基站的融合,得到所需要的结果。实验表明,进行融合后的数据可靠性高,较大减少了数据的传输量与冗余度、降低了能量的消耗,从而提高了整个网络的性能。     

基于二进神经网络的0/1分布系统可靠性分析

系统可靠性的计算依赖于各基本单元的0/1分布关系及其构成的布尔逻辑. 本文利用二进神经网络可以完备实现布尔逻辑的特性,提出一种基于二进神经网络的可靠性分析方法. 该方法针对每个二进神经元的输入都是0/1逻辑关系的线性组合这一特点,提出并且证明了0/1分布的线性组合的概率分布函数;建立系统功能与布尔函数间的等价关系,将系统转化为相应的二进神经网络;利用线性组合的概率分布函数,通过逐层计算该二进神经网络的0/1输出概率,解决了一般系统的可靠性计算问题.     

混沌神经网络的研究进展

回顾了近年来几种主要混沌神经元模型及混沌神经网络的研究进展，介绍了其特点及主要的应用。已有的研究结果表明，混沌神经网络在求解复杂优化问题和联想记忆等方面比现有网络有着更好的性能。     

基于分布式群身份认证的传感器网络设计与实现

在分析了无线传感器网络所面临的安全风险后的基础上，结合传感器网络的实际特点，提出了一种分布式群身份认证防御机制，该机制将网络划分群簇，在正常的传感器网络路由协议中引入群身份认证机制，使路由协议在选择数据传输下一跳时，需预先通过群首节点来验证候选节点群簇隶属身份的真实性。群首节点间认证通信采用基于公钥的分布式自组织的认证机制，以进一步保证这种群身份认证的真实性与可靠性。以常见的女巫攻击为例，介绍了该安全机制的设计过程。对该安全机制的安全性进行了总体性能评估。     

基于非均匀成簇的无线传感器网络多跳路由算法

针对复杂、不规则场景下无线传感网络的高效能组网问题,提出了一种基于非均匀成簇的无线传感器网络多跳路由算法MRAUC。根据应用场景形状不规则、汇聚节点远离检测区域等特点,首先将检测区域近似成汇聚节点位于扇心的扇环,建立了扇型场景下无线传感器网络的非均匀成簇模型;通过等间隔划分扇环,以第一扇环能耗最小为原则确定各扇环的簇首数目,进一步推导出各扇环内的最佳簇首比例;通过簇首发射功率的自适应调整实现非均匀分簇;同时,以MTE原则竞选出最佳中继簇首,有效解决了簇首间的路由中继问题。仿真结果表明,与传统算法相比,在不同应用场景下所提MRAUC算法在均衡网络节点能耗、延长网络生命周期方面具有显著优势,更适用于工程实际。     

常规分簇的超宽带传感网生存期的上界

考虑了n个传感节点和一个Sink组成的跳时脉冲无线电超宽带(time hopping impulse radio ultra wide band,简称TH-IR UWB)传感网,其中,n个传感节点均匀且独立地分布在正方形上.分别推导了常规分簇的密集和扩展TH-IR UWB传感网的生存期上界.常规分簇网络的簇头仅对本簇内的节点发送的数据进行融合,而对其他簇头发送的数据仅转发.研究结果表明,常规分簇密集TH-IR UWB传感网的生存期上界与节点密度(或节点数)成正比,扩展网络的生存期上界与部署区域大小(或节点数)成反比.研究结果也表明,对于密集网络,理想情形下的生存期上界比静态网络提高了(n/logn)1/2倍;而对于扩展网络,理想情形下生存期的上界比静态网络提高了(λn/log(λn))1/2倍.因此,节点或Sink在正方形内随机移动能够提高传感网生存期.     

A unified mathematical form for removing neurons based on orthogonal projection and crosswise propagation

It is a common practice to adjust the number of hidden neurons in training, and the removal of neurons in neural networks plays an indispensable role in this architecture manipulation. In this paper, a succinct and unified mathematical form is upgraded to the generic case for removing neurons based on orthogonal projection and crosswise propagation in a feedforward layer with different architectures of neural networks, and further developed for several neural networks with different architectures. For a trained neural network, the method is divided into three stages. In the first stage, the output vectors of the feedforward observation layer are classified to clusters. In the second stage, the orthogonal projection is performed to locate a neuron whose output vector can be approximated by the other output vectors in the same cluster with the least information loss. In the third stage, the previous located neuron is removed and the crosswise propagation is implemented in each cluster. On accomplishment of the three stages, the neural network with the pruned architecture is retrained. If the number of clusters is one, the method is degenerated into its special case with only one neuron being removed. The applications to different architectures of neural networks with an extension to the support vector machine are exemplified. The methodology supports in theory large-scale applications of neural networks in the real world. In addition, with minor modifications, the unified method is instructive in pruning other networks as far as they have similar network structure to the ones in this paper. It is concluded that the unified pruning method in this paper equips us an effective and powerful tool to simplify the architecture in neural networks.