无线传感器网络分布式节能路由算法

来源 :浙江工业大学 | 被引量 : 0次 | 上传用户:fengwei27149
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
近年来,随着嵌入式计算、传感器和现代通信等技术的飞速发展和日益成熟,使得由各种低成本、低能耗、多功能的微型传感器组成的无线传感器网络被广泛应用于国防军事、环境监测、抗灾救灾等领域。由于无线传感器网络中的节点一般采用电池供电,并且通常部署于恶劣甚至危险的环境中,对它们进行电源补充非常困难,因此,设计能量有效的路由算法以延长网络生存时间是无线传感器网络研究领域的一个重要课题。基于簇的路由(Cluster-based Routing)是无线传感器网络中一种重要的能量有效的路由协议。在现有基于簇的路由协议中,簇头节点与基站(Sink节点)之间存在两种通信模式:单跳和多跳。在这两种通信模式下,簇头节点间长距离通信以及与Sink节点临近的节点转发其它节点数据消耗能量过大等因素,会造成“能量洞问题”(Energy hole problem),从而使得这些能量空洞区域不能继续执行监测任务,导致网络过早死亡,从而浪费大量剩余能量。为了克服与缓解能量洞问题,本文提出了一种新的基于簇的路由协议——基于网格的隔层传输的路由算法GRACT(Grid-based Routing Algorithm with Cross-level Transmission)。GRACT有以下优点:(1)将感知区域分成层(level)和网格(Grid),每个网格内的节点通过竞争的方式选出唯一的簇头节点,降低了选举簇头节点的控制消息开销和处理时间;(2)采用隔层传输这一特殊的多跳传输模式来均衡簇头节点的能耗,每个簇头节点按比例P将其数据分组传给更靠近基站的邻层簇头节点,而将剩余的分组(即比例1-P)传送给隔层簇头节点。此外,本文为GRACT建立了性能分析与优化模型,提出并解决了两个优化问题(称之为GRACT-Ⅰ和GRACT-Ⅱ)以最小化网络总能耗和最大化网络生存时间。最后,通过仿真实验验证GRACT在节约能耗,延长网络生存时间等方面的效果。本文的研究成果,可以应用于无线传感器网络。
其他文献
在模式识别中,根据学习方式的不同可将其分为两大类:有监督学习和无监督学习。由于无监督学习的准确率通常不能令人满意,在实际应用中人们趋向于运用有监督方法。支持向量机
数据仓库及基于此技术的商业智能已成为信息化时代发展的大趋势。本文在对数据仓库技术进行深入研究的基础上,结合近年来表单电子化和信息化发展的大趋势,针对市场竞争的加剧需
高光谱遥感图像凭借其较高的光谱分辨率,超高的光谱信息量以及相邻波段较高的相关性,具有较强的实用性,已成为遥感图像领域的一个研究热点,受到各国专家学者的青睐。相关向量机理论是2001年M.E.Tipping提出的一种新型的基于贝叶斯统计学习框架的有监督机器学习算法,该算法的提出弥补了传统SVM算法的不足。相关向量机通过回归估计获取预测值的概率分布,从而得到一个基于核函数的稀疏解,能够处理回归和分类问
进入“互联网+”时代,人们从生产、生活中积累的数据呈现爆发式增长,数据已成为重要的战略资源,如何利用海量数据发现新知识已成为数据挖掘领域的研究热点,其中,决策树分类算
人脸识别技术就是利用计算机分析人脸图像,提取有效的识别信息来辨认身份或者判别待定状态的一门技术。它结合人工智能、计算机图像处理、模式识别、心理学等研究领域,是当前
直接体绘制技术是三维数据可视化研究领域的一种重要方法,是科学可视化的研究热点之一。过去,体绘制中所有的计算都由CPU来完成,重建速度慢,很难达到实时绘制的要求,然而近年
NAND Flash通过Flash转换层把线性地址的Flash抽象成磁盘驱动器,‘使得基于磁盘驱动器的传统算法可以无需任何修改就能实现所有功能。但是由于NAND Flash的写速度小于读速度
随着社会经济的飞速发展,为了适应政策的变化以及预防潜在的经济危机,企业和政府管理部门就要适当的调整管理方式,甚至是业务处理过程。在这种背景下,传统的信息管理系统就面
高光谱数据含有的光谱波段数量少则几十多则数百,提供了大量的有价值信息,有利于对地物进行精细分类。而高光谱数据分类却面临着数据维数高,标记样本有限,人工标记成本昂贵等具有挑战性的问题。为了解决高光谱数据分类问题,不断有学者提出新的方法。无监督分类不需要人工进行标记,但是分类准确度相对较低。传统的监督学习取得了较好的分类效果,但需要大量的标记样本。此外,为了避免休斯现象,许多算法都需要对数据进行降维处
随着网格技术的发展与深入研究,地理上分散的异构资源可以通过网格技术组织成一个虚拟的超级计算机。网格任务调度就是如何最有效的管理和利用巨大的网格资源来的完成各种计