无线多媒体传感器网络路由技术研究

来源 :西安电子科技大学 | 被引量 : 0次 | 上传用户:Liujc
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
无线多媒体传感器网络(Wireless Multimedia Sensor Networks,WMSNs)主要实现分布式监视和系统控制功能,依靠路由算法将目标区域内采集到的数据传输给用户,使用户能及时准确地获取监测信息。传统的低功耗自适应成簇分层路由协议(Low Energy Adaptive Clustering Hierarchy,LEACH)中,构建簇的过程随机性较大,节点的资源得不到充分利用,节点死亡速度较快,网络生命周期短且性能不够稳定。另外,路由的维护过程比较繁琐且会占用大量带宽。而WMSNs的特性要求好的路由协议能充分利用有限的网络资源,在数据服务质量表现上给予一定保障。本文主要研究了传感器网络中分簇结构的路由协议,提出了一个基于能效的最优簇数与二分k-means相结合的分簇算法,综合能量、距离和簇中心化三因素改善了簇头选举方式,并能自适应网络状况进行路由更新。该算法均衡了网络负载,在有限的能量下有效提高了网络的生存时间,并且在数据端到端时延和分组成功投递率上的表现也有所提升。论文主要工作包括以下内容:(1)针对传感器网络的节点分布和能量消耗模型,以最小化网络的整体能耗为目标,建立了最优的簇数。(2)针对传统LEACH分簇过程中簇头信息广播造成的资源浪费,优化了分簇的过程。以全网所有簇的距离误差平方和最小为准则,结合最优簇数量,采用二分k-means算法进行分簇。分簇结果提高了簇内节点的距离相似度,降低簇内路由开销。(3)针对现有分簇路由协议中簇头选举策略的局限性,提出了一种基于簇内节点归一化能量、节点到基站的距离和节点到簇中心距离的簇头轮换策略,能够提高簇头选举的公平性和合理性。(4)优化了每一轮路由算法中网络的更新过程。既减少不必要的重新分簇过程,又能保证簇头及时轮换。在网络生命后期自适应地调整分簇结构,以使路由算法能更好适应节点状况更差的网络环境。最后通过NS2仿真实验对提出的路由协议进行了性能验证。结果表明,在一定的传感器监测区域内,本文的路由算法大幅提升了网络生存周期,且提升了数据的传输质量。
其他文献
传统的机器学习分类算法中,基本假设是训练数据与测试数据满足同一分布,而在实际场景中这种假设往往是不成立的。若训练数据与测试数据之间存在很大的分布差异,通过传统分类
人脸年龄估计因其在消费推荐、安全监控等领域的普遍应用而成为一个重要的研究范例,引起了广泛的关注。一方面,尽管当前已有许多年龄估计模型被提出,然而它们大多着重考虑引
随着5G的发展和移动智能设备的升级,基于位置的服务(location-based service,LBS)已经应用在交通出行、外卖餐饮、物流跟踪等各种领域。虽然基于位置的服务给人们带来了新的
廖平是清末民初著名的经学大师,同时也是近代对中国经学研究有着重要影响的思想家。廖平以其学术研究中的“经学六变”的特点出现在经学研究领域,许多学者的视野都放到廖平经
农村基层组织在我国的基层治理体系中发挥着关键作用,连接着党、政府以及广大人民群众,党和政府在广大人民群众中的地位与形象、党的执政地位和政府的执政能力都与基层组织的表现和行为密切相关。本文基于对村两委整顿农村基层组织软弱涣散现象的实地调研,探讨基层组织软弱涣散的成因。本文在迈克尔·曼基础权力概念的基础上,提出了基础权力视角下村两委建设的分析框架。笔者利用基础权力视角下村两委建设的分析框架对基层组织软
二战后,国际局势发生了深刻变化,传统意义上的西方列强已经无法继续其海外殖民地的统治。面对新生的印尼共和国,荷兰不愿意放弃在当地的利益。从1945年二战结束开始至1965年
面孔研究自诞生之时就引起了各类心理学家及认知学者的关注,拓展出许多研究分支,尤其近几年兴起的面孔吸引力研究急速占据着人们的视线,成为面孔研究中的热门话题。以往的研
对现实世界中自然场景的模拟仿真一直是计算机图形学中重要的研究方向之一,云作为一种常见的自然现象,其外形变化多样,光线在云中的传播十分复杂,这让云的三维仿真模拟成为计
家永三郎(1913-2002)是日本备受关注的历史学者,其研究范围从思想史至战争史、宪法史,时间跨度从古代到近代,几乎遍及日本史的全部领域。学术成果丰硕的家永没有将自己封闭在
由于极限学习机(ELM)在训练速度,预测精度和泛化性方面表现优越,使得基于ELM的机器学习算法被提出并用于室内定位。然而,大多数现有的研究工作都是基于二维(2D)室内环境。在本文中,我们将扩展应用场景,并在室内多楼层环境中研究基于ELM的定位技术。主要贡献如下:1.多楼层环境中的定位问题可以转换为机器学习问题,其通过基于ELM的学习技术来解决。本文提出的算法包含两个主要阶段:(1)粗定位阶段:楼层