论文部分内容阅读
在环境监测物联网中,为了能够快速而准确地完成对监测区域环境相关信息的采集、传输和处理,需要选择合适的路由算法。其中,分簇路由算法是目前研究的热点方向之一。同时,随着能量采集技术的不断成熟,网络节点可以利用环境中的能源来补充节点能量,改善节点电池能量受限的问题。目前,已经有学者将环境能量采集技术应用到分簇路由算法之中,并取得了很好的效果。另外,将数据融合技术应用到环境监测物联网中不仅可以消除大量的冗余数据、提高数据收集效率,而且可以提高获取信息的准确性。而基于神经网络的数据融合更是该领域研究的热点方向。因此,本文将基于能量采集技术的分簇路由算法和基于神经网络的数据融合技术应用到环境监测物联网之中,来提高环境监测物联网的整体性能。本文设计并实现了基于风能补给的分簇路由算法和基于神经网络的数据融合算法,利用监测区域的风能对网络中的传感器节点进行能量补给,并且对节点采集到的数据从时间相关性和空间相关性两个维度进行数据融合处理。具体完成的工作如下:首先,本文提出了基于风能补给的分簇路由算法,主要做了以下四个方面的工作。第一,通过将风功率预测算法引入到分簇路由算法来衡量节点风能补给能力,分别使用支持向量机(Support Vector Machine,SVM)、随机森林、BP(Back Propagation)神经网络来建立预测模型,选择效果最好的BP神经网络预测模型为最终能量补给预测模型。第二,在簇头选取阶段,综合考虑距离、节点电池剩余能量以及节点风能补给能力,使得距离汇聚节点近、电池剩余能量高且风能补给能力强的节点成为簇头节点。第三,在普通节点入簇时,使用数据融合率为平衡因子,使得节点可以加入整体能耗代价(普通节点到簇头节点以及簇头节点到汇聚节点整体消耗的能量)最小的簇。第四,设计节点睡眠唤醒机制,来合理利用补给能量。其次,本文利用神经网络技术从时间相关性和空间相关性两个维度对数据进行融合。在普通节点利用循环神经网络(Recurrent neural network,RNN)对数据进行时间特征的融合,而在簇头节点利用卷积神经网络(Convolutional Neural Network,CNN)进空间特征的融合,并且加入线性门控单元(Gated Linear Unit,GLU)对CNN进行改进。最后,本文利用网络仿真系统ONE来实现所提出的分簇路由算法和数据融合算法。从活动节点数、网络总体剩余能量和汇聚节点接收数据量三个方面将本文提出的分簇路由算法与已有分簇路由算法PHC进行对比。使用了加利福尼亚大学欧文分校(University of California Irvine,UCI)机器学习中心公开数据资源中的森林火灾和空气质量两个数据集进行实验。实验结果表明,本文所提出的基于时间相关性和空间相关性的数据融合算法在第一个数据集上分类预测准确率达到82%且回归预测效果表现最好,同时在第二个数据集分类预测准确率达到87%且回归预测效果表现最好。同时,本文所提出的分簇路由算法在三个评价指标上的表现都要优于已有分簇路由算法。以上结果表明本文所提出的分簇路由算法可行性高且性能优异。