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。     

无线传感网中一种智能数据融合算法的实现及仿真分析

在无线传感网中,传感器节点一般都由自身装配的电池供电,难以进行电量补充,因此节约电量对于无线传感网来说至关重要.为了提高无线传感网能量使用效率,延长网络生存时间,提出了一种结合遗传算法和粒子群算法优化BP神经网络的智能数据融合算法 GAPSOBP(BP Neural Network Data Fusion algorithm optimized by Genetic algorithm and Particle swarm).GAPSOBP算法将无线传感网的节点类比为BP神经网络中的神经元,通过神经网络提取无线传感网采集的感知数据并结合分簇路由对收集的传感数据进行融合处理,从而大幅减少发往汇聚节点的网络数据量.仿真结果表明,与经典LEACH算法和PSOBP算法相比,GAPSOBP算法能有效减少网络通信量,节约节点能量,显著延长网络生存时间.     

基于神经网络的无线传感器网络数据融合算法_cg10000147修改稿

为减少无线传感器网络的通信量,降低能量消耗,设计了一种基于神经网络的数据融合算法(BPNDA),该算法将BP神经网络和传感器网络分簇路由协议有机结合,将每个簇设计成一个神经网络模型,通过神经网络提取原始数据中的少量特征数据,然后将特征数据发送给汇聚节点,从而提高数据收集效率,延长网络生存时间。仿真实验证明,与LEACH算法相比,该算法可有效减少网络通信量,降低节点能耗。     

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．     

基于TEEN协议和BP神经网络的WSN数据融合模型

针对无线传感网感知数据中含有大量无效或冗余数据的现象,本文提出了一种基于TEEN协议和BP(Back Propagation, BP)神经网络的数据融合模型。该模型利用三层BP神经网络描述簇结构,通过TEEN阈值过滤非必要信息,在簇结构信息传输过程中运用神经网络功能函数处理大量感知数据,从中提取感知数据的特征值并转发至汇聚节点。实验仿真表明,该模型无论在数据通信量、使用寿命及网络消耗上都优于TEEN协议,在降低网络通信量和网络能耗的同时提升了网络的使用寿命,大大提升了数据采集的效率和性能。     

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。     

基于节点度-限制的数据融合树构建算法

在无线传感网络部分应用中,数据传输必须在指定时延约束下完成.因此,最小化网络时延和最大化网络寿命成为无线传感网络的研究热点.为此,提出基于节点度-限制的数据融合树构建DC-DATC(Degree-Constrained-Based Data Aggregation Tree Constructing)算法.DC-DATC算法减少了高节点度对数据融合时延的影响.依据预设的节点度阈值,只有节点度小于阈值的节点才能加入数据融合树.利用数据融合树传输数据,降低了数据传输量,提高了能量利用率.实验结果表明,DC-DATC算法降低了融合时延,且平衡了网络能耗,最终实现了网络寿命的扩延.     

传感器网络中基于簇的融合树构建算法

针对无线传感器网络中节点能量有限的特点,提出一种基于簇的数据融合树构建算法。该算法利用基于簇的层次结构减少路由维护代价并提高系统可扩展性;利用数据融合树处理网中冗余信息,降低数据传输量,实现了节点能量高效地使用。仿真结果表明,该算法能有效降低节点能量消耗,并延长网络生存期,性能优于典型算法。     

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。     

无线传感网络中的分簇融合决策方法

无线传感网络的簇划分和簇内节点访问顺序对数据融合决策能耗和耗时具有重要影响．对此,提出一种分簇融合方法,采用最大熵聚类法和蚁群算法实现分簇和节点访问顺序规划,在簇内由移动代理以渐近方式完成局部融合,中心服务节点通过二次融合得到最终结果．仿真实验以能耗×耗时为评价指标,分析了簇数目对数据融合效率和准确性的影响．验证了分簇融合决策方法能有效降低网络能耗和耗时．提高融合准确性和执行效率．     

权衡能耗与延迟的数据融合算法研究

在无线传感器网络的路由协议中考虑数据融合能极大地提高网络生存期性能,但随之会带来网络可靠性下降、数据传输延迟增加等问题。设计一种新的可权衡能耗与延迟的数据融合算法ECLT,通过二级模糊综合评判的方式来调整原有的路由信息,增加数据传输路径间的交叠,以提高数据融合度、延长网络生存期;同时,传感节点在转发数据的过程中还可根据本身状态来动态调整进行数据融合的等待时间,从而在均衡网络中各节点能耗的同时减少了数据传输延迟。经仿真验证,该算法能在极大的延长无线传感器网络使用寿命的同时降低数据的平均传输延迟。     

一种改进的多无线传感器数据分批估计自适应加权融合算法

为解决温室大棚中多无线传感器监测数据融合精度低的问题,提出了一种改进型的分批估计自适应加权融合算法。算法首先对单个无线温度传感节点一段时间内所采集的数据根据容许函数阈值剔除误差较大的数据,然后对该温度传感器的数据进行分批估计得出该节点某一段时间内的最优估计值,以此得到该区域所有无线温度传感节点最优估计值后,依据权值最优分配原则对每组传感器数据进行组内自适应加权融合,从而计算得到该段时间内温室大棚的温度精确值。通过实验验证得出：相对于平均值法与传统的分批估计算法,本算法数据融合易于实现,融合值相对误差值更低,稳健性更好。     

采用权函数计时的无线传感器网络分簇算法

为进一步降低无线传感器网络的能耗,提出了一种采用权函数计时的无线传感网络分簇路由算法。算法构建了节点聚合度与剩余能量之间的权函数,并以此为标准进行计时分簇,根据各节点权函数值与计时时长的差异来选举合理的簇头。在该路由算法下,周期性的分簇过程中节点不需交换各自的节点聚合度信息,降低了网络通信量,进而降低了网络能耗。仿真实验结果表明该算法成簇收敛性好,成簇规模稳定,能有效延长网络生存周期。     

基于深度学习的无线传感器网络数据融合

在无线传感器网络数据融合算法中,BP神经网络被广泛用于节点数据的特征提取和分类。为了解决BP神经网络收敛慢,易陷入局部最优值且泛化能力差从而影响数据融合效果的问题,提出一种将深度学习技术和分簇协议相结合的数据融合算法SAESMDA。SAESMDA用基于层叠自动编码器(SAE)的深度学习模型SAESM取代BP神经网络,算法首先在汇聚节点训练SAESM并对网络分簇,接着各簇节点通过SAESM对采集数据进行特征提取,之后由簇首将分类融合后的特征发送至汇聚节点。仿真实验表明,和采用BP神经网络的BPNDA算法相比,SAESMDA在网络能耗大致相同的情况下具有更高的特征提取分类正确率。     

基于簇首概率优化的LEACH协议改进

LEACH(Low Energy Adaptive Clustering Hierarchy)是一种经典的无线传感网络路由协议,已得到了广泛的认可。文中基于LEACH算法提出了一种改进的无线传感网络路由协议,利用了节点的属性,如距离、密度等,给予不同的节点以不同的簇首概率,让节点的簇首概率符合节点的实际情况,使簇首的选择更加合理。同时,增加传输选择,使部分节点将数据直接发送给基站,进一步减少能量消耗,从而延长无线传感网的寿命。仿真结果表明,该算法能更好地选出簇首和减少能量消耗,延长了整个无线传感网络的寿命。     

基于四叉树多层次感知数据融合的无线传感网络路由协议的研究

为有效减少网络中冗余信息传输,提出一种基于四叉树均匀分簇的无线传感网络路由协议----QUCRP。首先对监测区域按四叉树进行网格划分,并对划分的簇及簇群进行四叉树编码;接着从节点的剩余能量、网格中心距离、节点的功率等方面考虑,设计簇首选举算法;最后采用多层次的数据融合策略,对感知数据进行逐层融合并转发,有效降低数据传输能量消耗。仿真实验表明,QUCRP路由协议有效降低了冗余信息传输,延长了网络的生命周期。     

基于博弈理论的无线传感器网络数据融合算法

数据融合是无线传感器网络研究热点之一。为了减少传感器节点间的数据通信量,有效地节省传感器节点能耗,延长无线传感器网络的寿命,提高数据融合的准确性,减少网络时延,提出一种基于博弈理论的无线传感器网络数据融合算法。该方法将所有网络节点根据能耗最优进行分簇,簇头与监控中心通过博弈来自适应地选择不同融合因子的融合算法,使整个网络的总效益最大。实验仿真表明,在丢包率不同时,自适应融合算法可以得到最佳的融合因子,有效实现了时延和精确性的均衡。该方法为无线传感器网络中各个指标的折中提供了参考方向。     

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。     

基于数据流和网络编码的无线传感器网络数据聚合算法

为了减少分簇的无线传感器网络(WSN)中数据包传输的数量,并使传感器网络的能量效率最大化,提出了一种节能的自适应数据聚合算法.在该算法中,源节点凭借其存储和计算能力,利用数据流技术减少数据包的传输量;当数据从源节点传输到簇头时,簇头根据控制信息选择一组节点作为编码节点,当数据相关性低于某阈值时,该组节点对数据包进行网络编码,若数据相关性高于某阈值,该组节点则会成为聚合节点进行数据聚合,网络编码和数据聚合可以减少簇头冗余流量,提高能量效率.实验结果显示,使用该算法后,数据包交付率有所提高,能量消耗显著减少.