基于K-means算法改进的SOM神经网络调制识别分类器

通信过程中,获得情报信息的关键步骤是清楚接收到的调制信号的调制方式.随着现代通信技术的高速发展,人工智能广泛应用于调制方式识别领域.提出将自组织特征映射(Self-Organizing feature Map,简称SOM网络)神经网络用于调制制式的识别.用K均值(K-means)聚类算法来寻找每类特征参数的两个聚类中心...     

基于SOM网和K-means的聚类算法

K-means算法因对初始中心依赖性而导致聚类结果可能陷入局部极小.而恰当的选取初始中心向量就成为改进K-means算法的关键所在.因此可以先通过SOM进行聚类,较快确定聚类范围,再将其结果作为K-means方法的初始中心向量加以使用.实验证明结合这两种算法能够弥补这两种方法的缺陷,较好改善聚类效果.     

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K-means聚类点密度的WSNs加权质心定位算法

为降低无线传感器网络(WSNs)在节点众多时算法复杂度,提高定位精度,提出一种基于K-means聚类点密度的WSNs加权质心定位算法(KCPD-WCLA).首先,对空间中随机大量布设的锚节点进行分组,利用三边测量定位法在二维平面上得到许多接近真实值的结果;然后将K-means聚类算法引入到WSNs的定位问题中,对K个聚类点密度加以考虑,利用加权质心定位算法(WCLA)得到定位结果.理论分析与仿真结果表明:计算复杂度明显降低,定位精度比多边定位算法(MLA)和WCLA有显著提高.     

一种基于SOM和K-means的文档聚类算法

提出了一种把自组织特征映射SOM和K-means算法结合的聚类组合算法。先用SOM对文档聚类,然后以SOM的输出权值初始化K-means的聚类中心,再用K—means算法对文档聚类。实验结果表明,该聚类组合算法能改进文档聚类的性能。     

基于无线传感器网络的液压数据采集系统设计

介绍了一种基于SimpliciTI协议的小型无线网络的液压设备数据采集系统方案。本系统采用CC1110无线单片机作为无线采集终端控制芯片,ARM7处理器作为中心控制节点,实现无线终端与PC机的通信,通过自组织网络实现可调采样位数、采样频率的无线液压数据采集系统。     

一种用于水下监测的无线传感器网络的研究

无线传感器网络用于水下监测是近几年来提出的一种新型网络系统。本文对无线传感器节点TelosB的数据采集软件的设计与实现,进行了详细的分析与研究。无线传感器节点TelosB参与水下传感器网络组网平台,本文从硬件和软件两个角度对TelosB节点进行了详细的分析,提出了扩展口通信组网算法。最后结合TelosB节点扩展口通信参与组网时的通信方式,提出了一种扩展口组网算法—轮询监听算法,解决了应用中的通信问题。     

面向批量数据采集的无线传感器网络双路径采集协议

能耗和采集延时都是无线传感器网络批量数据采集应用的重要指标。在LEMR-multichannel的基础上提出一种基于跨层设计的双路径采集协议EEDP（Energy-Efficient Dual-Path）。通过在MAC层进行适当的时槽和信道分配, EEDP把整个网络划分成两棵独立的采集树,结合动态路径选择,EEDP使具有冗余路径的节点可以利用双路径进行数据传输,有效降低采集延时。另外,EEDP结合二次竞争和RTS/CTS的方法解决了LEMR-multichannel在解决隐藏终端问题上的不足。仿真结果表明,与LEMR-multichannel相比,EEDP有效减少了批量数据的采集延时,并获得了更低的能耗。     

基于nRF905的无线传感器网络节点的设计与实现

以STC12系列单片机和nRF905射频收发器为核心,设计了一种无线传感器网络节点和基于这种节点的自组织通信协议.给出了节点的整体结构,详细阐述了软件设计流程.试验表明该节点实现了自组织和多跳数传,通信稳定可靠,网络吞吐率达到无线传感器网络的要求.     

传感器网络启动式自组织方法

无线传感器网络如何形成一个有序的自组织网络结构是一项重要研究内容,针对按地理区域交替性工作的动态监测网络,提出了相应的网络自组织方法,该方法以启动式方式运行网络,通过单播信令的方式分配MAC地址,标记相邻节点。在数据转发过程中以局部最小代价函数为准则转发数据。仿真实验表明,该自组织方法具有较短的MAC地址,适宜相应的网络环境。     

DRAD:一种基于异步休眠调度的无线传感器网络数据收集协议

数据收集是无线传感器网络的基本功能之一,被大量应用到环境监测。如何降低网络能耗、延长网络生命周期是环境监测中数据收集的首要问题。大多数应用都选择使用休眠调度,通过监听空闲侦听的时间来节省能量,而这通常是在MAC层进行。本文则在网络层路由中考虑休眠调度的影响,将路由和休眠调度综合起来考虑,提出了一种基于异步休眠调度的无线传感器网络数据收集协议DRAD。DRAD通过异步休眠调度避免了时间同步的消耗,节点只需维护与邻居节点间的时间差,通过顺带时间差修正机制解决时间偏移问题,降低了能量开销。实验用占空比来衡量系统能量消耗,结果显示DRAD可以稳定在预先设定的占空比,有效降低网络能耗,延长网络寿命。     

面向动态传感器网络的数据汇集算法

传感器网络中移动终端广泛存在,针对无线传感器网络移动Sink场景,提出一种移动Sink代理机制和网络质量评估策略.根据网络质量决定Sink的移动路径,并在此基础上,从能量均衡的角度提出一种基于角度的数据汇集算法ADC-MS(Angle-based Data Collection algorithm for Mobile...     

基于SOM神经网和K-均值算法的图像分割

提出了一种基于SOM神经网络和K-均值的图像分割算法。SOM网络将多维数据映射到低维规则网格中,可以有效地用于大型数据的挖掘;而K-均值是一种动态聚类算法,适用于中小型数据的聚类。文中算法利用SOM网络将具有相似特征的象素S点映射到一个2-D神经网上,再根据神经元间的相似性,利用K-均值算法将神经元聚类。文中将该算法用于彩色图像的分割,并给出了经SOM神经网初聚类后,不同K值下神经元聚类对图像分割的结果及与单纯K-均值分割图像进行对比。     

一种新型无线传感器网络数据收集生成树

针对无线传感器网络精确数据收集,提出一种分布式生成树算法MLT.算法以一颗最小功率生成树为基础,在收集数据过程中不断统计节点剩余能量大小,找出瓶颈节点并与sink中存储的阈值比较,若低于阈值则转移瓶颈节点负担,优化树结构.研究表明随着阈值的增加网络生命周期先不断增大然后不断减小,阈值取值的合理性有效避免了因过于频繁变更树结构导致的额外能量消耗,使得所有节点能量较为均衡并延长了网络的生命周期,仿真实验验证了算法的有效性.     

压缩感知在无线传感器网络数据采集中的应用

提出了一种无线传感器网络中基于压缩感知的数据采集方法。通过分析信号压缩观测过程,提出了适合在硬件资源有限的传感器节点中实现的循环稀疏伯努利观测矩阵CSBM(Cyclic-Sparse-Bernoulli Measurement),该矩阵使用循环稀疏矩阵与伪随机伯努利序列,采用结构化的方法构造,具有非零元素少、良好的伪随机性、硬件易于实现等优点。仿真实验表明,与其他类型的观测矩阵相比,CSBM矩阵在一定信号重构精度前提下具有更低的压缩采样比CSR(Compress Sampling Rate)。在无线传感器网络数据采集应用中,感知节点可以通过压缩观测得到更少的观测数据,能够大大减少网络通信数据量。     

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。     

基于混合压缩感知的分簇式网络数据收集方法

为了减少分簇式传感器网络中的数据传输量并均衡网络负载,提出了一种采用混合压缩感知(compressive sensing, CS)进行数据收集的方法.1)选取各临时簇中距离簇质心最近的一些节点为候选簇头节点,然后依据已确定的簇头节点到未确定的候选簇头节点的距离依次确定簇头;2)各普通节点选择加入距离自己最近的簇中;3)贪婪构建一棵以Sink节点为根节点并连接所有簇头节点的数据传输树,对数据传输量高于门限值的节点使用CS压缩数据传输.仿真结果表明:当压缩比率为10时,数据传输量比Clustering without CS和SPT without CS分别减少了75%和65%,比SPT with Hybrid CS和Clustering with Hybrid CS分别减少了35%和20%;节点数据传输量标准差比Clustering without CS和SPT without CS分别减少了62%和81%,比SPT with Hybrid CS和Clustering with Hybrid CS分别减少了41%和19%.     

基于分簇多节点协作规划的无线传感器网络定位算法

为了提升无线传感器网络的定位精度,减少网络在进行定位运算时节点能量消耗过大等问题,提出一种基于分簇的多节点协作规划的无线传感器网络定位算法,该算法先通过将网络形成多个分簇,计算簇内节点间的相对距离,再通过协作规划的方法来提升节点坐标定位的准确度。得到簇内节点相对簇头的位置坐标后,再求出簇头相对于汇聚节点的位置坐标,从而实现在网络中对任意节点的精确定位。实验仿真结果表明,与基于加权质心和参考节点序列的定位算法相比,基于分簇的多节点协作规划的定位算法可以得到更好的定位精度。