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。     

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。     

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。     

基于网络编码的WSNs数据收集方法

无线传感器网络(WSNs)监测数据的收集方式方法是目前的研究热点,而无线传输的广播特性又使得网络编码非常适合于无线网络。在介绍网络编码原理、核心思想以及在WSNs应用现状的基础上,提出了一种基于部分网络编码的自适应WSNs数据收集方法,该方法针对簇网络拓扑结构,簇成员节点把网络编码数据发送给簇头节点,簇头节点利用随机网络编码的方式把数据传输到Sink节点。实验结果表明:该机制具有能耗较低和汇报数据较准确的特点。     

基于量子遗传算法的无线传感器网络路径优化

无线传感器网络作为一种有广泛应用前景的新型信息获取和处理技术,引起了国内外学术界和产业界的高度关注;文章采用量子遗传算法对无线传感器网络进行路径优化,将节点能耗和路由恢复时间等实际因素作为路径优化问题的约束条件,按照重要性考虑各种约束条件和多种目标的优先次序,并对量子遗传算法的各个环节进行了细致的分析与设计,包括量子比特编码、适应度函数设计、量子门更新、量子变异等;仿真实验表明,使用量子遗传算法能找到无线传感器网络有效的优化路径,并且优于相关算法。     

时延受限能耗均衡的无线传感网数据采集树

为延长网络寿命,缩短网络汇聚时延,提出了一个时延受限,能耗均衡的传感网数据采集树构建方法。该方法以节点的剩余能量和节点间距离为参数构建权值函数,使用Dijkstra算法计算一个最小加权能耗生成树。在此基础上,沿最小加权路径,对生成树进行局部调整,从而在满足时延要求的同时,均衡网络能耗。实验表明,该方法延长了网络平均生存期,达到了均衡网络能耗的目的。     

无线传感器网络能量高效数据收集的分簇算法*

传感器网络所具有的集中式数据收集、多跳数据传输、多对一流量模式这三种特征会造成漏斗效应的出现,这会导致严重的包碰撞、网络拥塞、包丢失,甚至拥塞崩溃,还会导致能量消耗的热点出现,使某些节点甚至整个网络过早死亡。利用感知数据的空间相关性,将相邻的节点分组,每组选出一个簇首作为整个组的代表,将其传送给基站来缓解漏斗效应问题。在CAG算法的基础上利用感知数据的空间特性提出了一个改进的节点分簇算法,该算法可以有效减少簇首数量,从而降低传输能量消耗。实验结果也验证了算法的有效性。     

一种移动终端辅助的传感器网络数据收集协议

提出了一种利用具有传感器通信接口的移动终端设备（如手机、手提电脑、个人数字助理等）进行辅助数据获取的传感器网络数据收集协议。网络中固定汇聚节点与移动终端共存,全部传感器节点都维护到固定汇聚节点的路由,移动终端进入网络后定期向其附近小范围内的传感器节点扩散自己的存在信息,传感器节点向距自己跳数最小的汇聚节点或移动终端发送或转发数据包,移动终端和传感器节点之间通过应答和重传的机制来保证数据的可靠传输。仿真研究证明,该协议在延长网络生存时间的同时可以获得较高的数据传输成功率和较短的数据传输延迟,而且可靠性、灵活性、可扩展性较强。     

WSNs中基于期望网络覆盖和分簇压缩感知的数据收集方案

为提高无线传感器网络数据收集精确度、降低网络能耗和改善数据包丢失情况下数据收集算法的鲁棒性,提出一种基于期望网络覆盖和分簇压缩感知的数据收集方案.首先设计期望网络覆盖优化算法,给出节点调度策略,实现对“特殊”区域重点观测和降低节点能耗的目的;然后通过分析网络分簇与节点部署之间的关系,设计弱相关性观测矩阵,降低数据包丢失对数据收集的影响;最后引入群居蜘蛛优化算法以提高汇聚节点处CS数据重构精度.仿真结果表明,与其他数据收集算法相比,所提出方案数据重构误差降低了约23.5{%     

优化无线传感器网络寿命的动态路由算法

针对多跳无线传感器网络能量受限的特点,以提高网络寿命为目标,建立基于最大最小节点寿命的线性规划网络模型。当传感器节点失效时,根据网络的拓扑结构动态更新节点的路由。仿真分析结果表明：基于网络拓扑结构变化动态更新节点路由的方法能够拓展网络寿命,大幅度地增加基站接收信息的数量和提高节点能量的使用效率。     

基于遗传算法的移动Sink数据采集信宿路算法

数据收集是部署无线传感网络WSNs(Wireless Sensor Networks)基本目的。而采用移动Sink方式收集节点数据是解决数据收集效率的有效措施。为此,提出基于遗传算法的移动Sink数据采集算法GMSDC(Genetic algorithm-based Mobile Sink Data Collecting)。GMSDC算法利用遗传算法求解最佳驻留点,再由这些驻留点构建Sink移动路径。仿真结果表明,相比于EDAMS算法,GMSDC算法增加了数据收集量。     

基于结构化噪声矩阵补全的WSNs收集数据重建方法

许多科学研究都需要对环境数据进行分析,这些环境数据通常是通过部署在研究区域内的无线传感器网络(Wireless sensor networks, WSNs)来收集的。收集数据的完整性和准确性决定了科研结果的可靠性。然而,在数据收集过程中普遍存在的数据丢失和错误影响了收集数据的可用性,为此需要利用收集到的数据重建完整的环境数据。基于环境数据低秩特性,将数据重建问题建模为L2,1范数正则化矩阵补全模型,提出一种基于结构化噪声矩阵补全的WSNs收集数据重建方法(Data reconstruction approach via matrix completion with structural noise, DRMCSN)。真实数据集上的实验结果表明,该方法性能优于现有算法,不仅能以较高的精度恢复缺失的环境数据,而且能辨识出收集到错误数据的传感器节点。