共查询到15条相似文献,搜索用时 78 毫秒
1.
2.
无线传感器网络中基于Voronoi覆盖及Delaunay三角剖分图的最小刚性拓扑控制算法 总被引:1,自引:0,他引:1
为同时满足覆盖与节能应用需求,本文提出了无线传感器网络中一种最小刚性拓扑控制算法MRTc(Minimal rigid topology control algorithm based on Voronoi coverage and Delaunay triangulation).该算法基于Voronoi覆盖机制,准确控制节点工作状态,实现活动节点对目标区域的完全覆盖.在此基础上,MRTc利用Delaunay三角剖分图的特点,构建出适用于无线传感器网络的最小刚性拓扑结构.该结构有效约束了网络平均节点度,且同时具有容错性、覆盖性和稀疏性.此外,MRTc引入节点功率控制策略,在维持网络完全覆盖的基础上最小化节点能耗.仿真结果进一步验证了本文提出的MRTc算法的有效性. 相似文献
3.
刘敬贤 《网络安全技术与应用》2014,(3):17-17,20
无线传感器网络的拓扑控制可以生成能量高效的数据转发网络拓扑结构。本文从无线传感器网络拓扑控制的重要性与设计目标出发,就拓扑控制算法等方面的内容进行了分析与探讨。 相似文献
4.
无线传感器网络拓扑控制是在满足网络覆盖和连通度的前提下,通过骨干网节点选择,剔除节点之间不必要的无线通信链路,生成一个高效的数据转发网络拓扑结构。层次型的拓扑结构控制利用分簇机制,让一些节点作为簇头节点,由簇头节点形成一个处理并转发数据的骨干网,其他非骨干网节点可以暂时关闭通信模块,进入休眠状态以节省能量。研究了改进的GAF虚拟地理网格分簇算法和TopD isc成簇算法。 相似文献
5.
6.
提出了一种有效的双向边分布式造构Delaunay三角剖分拓扑图算法(MEDDEL),该算法仅利用一跳邻居节点的信息,高效构造MEDDEL拓扑图,避免了大量通信代价和能量消耗。然后给出了MEDDEL拓扑图下支撑值计算的证明。最后在传感器能量模型和MEDDEL拓扑图下,利用分布式最佳覆盖路下的最短穿越和最小能耗算法(SMBCP)解决无线传感器网络中栅栏覆盖最佳路径的问题。仿真实验结果分析表明,与RNG、GG、PLDEL、UDEL、DEL相比较,在MEDDEL拓扑结构下寻找到路径支撑值最小的情况下,运行SMBCP算法能找到最佳覆盖路径下的最短穿越路径和最小能耗路径。 相似文献
7.
自适应拓扑控制方法用到多跳两层无线传感器网络(WSNs),在每个簇中用两类传感器,有效且低开销的传感器节点N感知环境现象信息,并传输它们的信息到汇聚节点S,所有Ss协同工作去除随机信息并传输数据到基站BS。因为覆盖范围依赖于它的汇聚节点的工作情况,而汇聚节点的能耗在网络的生命期中是关键性因素。这个方法主要是从节点路由能量匹配角度出发,设计可控制数据流路由路径,用于尽可能有效地保持网络能量,并不是仅仅考虑路径的最优选择,而是考虑能效的最优方式选择路由,从而增加整个网络的生命期。 相似文献
8.
9.
10.
11.
12.
传感网中链路干扰优化的拓扑控制综述 总被引:1,自引:0,他引:1
拓扑控制是降低传感器网络能耗、为MAC及路由等上层协议提供支持的关键手段。对于广泛采用共享信道的传感器网络来说,并发链路的干扰严重降低了网络的传输效率、浪费了有限的网络资源。因此,降低干扰被认为是拓扑控制的最重要的目标之一。全面分析了面向链路干扰优化的传感器网络拓扑控制技术的研究进展,首先对不同的链路干扰模型进行了分析和比较,然后描述了基于不同模型的拓扑控制算法的执行流程和复杂度,分析了现有工作的特点和不足之处,同时指出了需要进一步研究的问题。 相似文献
13.
通过对现有拓扑控制算法的研究,针对无线传感器网络中节点能耗分布不均匀的问题,提出了一种能量高效的拓扑控制算法(EETCA)。该算法以均衡全局能耗为目标,综合考虑了节点的剩余能量、簇的规模、数据最优传输跳数等因素,避免了部分节点能量消耗过快,从而有效地均衡网络负载。仿真结果表明:EETCA在能耗均衡方面均优于原来的算法,延长了无线传感器网络的生命周期。 相似文献
14.
Extracting the topology of a set of a labeled data is expected to provide important information in order to analyze the data or to design a better decision system. In this work, we propose to extend the generative Gaussian graph to supervised learning in order to extract the topology of labeled data sets. The graph obtained learns the intra-class and inter-class connectedness and also the manifold-overlapping of the different classes. We propose a way to vizualize these topological features. We apply it to analyze the well-known Iris database and the three-phase pipe flow database. 相似文献