无线传感器网络论文提纲,数据融合论文提纲

基于深度学习的WSN分簇路由算法研究

摘要：在当下的信息时代中无线传感器网络（Wireless Sensor Network,WSN）发挥着无以取代的作用。微型传感器节点被安置在监控区域中,由于其能量有限,节点会因能量用尽失去作用,对网络运行造成很大的影响。节点在无线通信模块能量消耗大,所以改进路由协议是降低节点能耗的一种有效手段。因此,在保证网络正常完成工作的同时,只能通过减少节点能耗的方式来延长网络的运行时间。经典的LEACH协议利用分簇的思想,节点轮流担任簇头,在一定程度上节约了能量。所以本文在LEACH协议的基础上进行的改进,本文主要的研究内容如下:（1）针对LEACH协议网络分簇时出现分簇不均匀的问题,本文用聚类算法对网络均匀分簇,避免了网络出现极大簇和极小簇的情况。（2）LEACH通过产生的随机数来选取簇头,没有将能量和距基站的距离等因素纳入考虑的范围,一旦低能量节点或离基站较远的节点被再次选为簇头,加快了该节点的死亡速度,影响了网络的正常运行。针对上述问题,在簇头选取时引入了竞争神经网络,同时考虑了节点能量和到基站的距离等因素,遵循胜者为王的原则,利用竞争神经网络模型竞争选取最佳簇头。（3）在LEACH协议中选择簇头后,簇头为簇内节点分配传输数据的时隙,如果节点没有采集到数据,会造成网络时隙的浪费。这里引入了轮询机制,有效地利用网络带宽。簇头负责簇内数据的融合任务,但没有提到具体的数据融合方法,本文引入了深度学习模型。利用逐层贪婪的方法训练深度自编码器来提取数据的特征,融合冗余的数据,使通信过程中数据的传输量变少了,从而节省了网络能量。（4）在LEACH协议中簇头向基站通过单跳的通信方式来传输数据,距离基站较远的簇头消耗的能量比较多,本文将以单跳和多跳相结合的通信方式向基站传输数据。最后在MATLAB平台上做了仿真实验,根据网络的三个指标来比较本文算法与三种对比算法的性能,仿真结果表明了本文算法有效的均衡了网络的能量,拓展了网络生存时间。 

关键词：无线传感器网络;数据融合

文章目录

摘要

Abstract

1 绪论

    1.1 课题研究的目的与意义

    1.2 无线传感器网络的研究现状

    1.3 无线传感器网络数据融合研究现状

    1.4 本文研究内容与结构

2 相关理论和技术基础

    2.1 无线传感器网络

        2.1.1 无线传感器网络体系结构与特点

        2.1.2 无线传感器网络路由算法概述

        2.1.3 无线传感器网络路由算法分类

    2.2 传感器网络的数据融合

        2.2.1 数据融合技术

        2.2.2 数据融合的作用

        2.2.3 数据融合的分类

    2.3 神经网络

        2.3.1 神经网络概述

        2.3.2 神经网络模型

        2.3.3 基于神经网络的数据融合

    2.4 本章小结

3 基于LEACH改进的路由算法

    3.1 引言

    3.2 LEACH算法

    3.3 网络能耗模型

    3.4 基于LEACH算法的改进

        3.4.1 网络成簇阶段

        3.4.2 簇头数目的确定

        3.4.3 选取簇头阶段

        3.4.4 网络数据通信阶段

    3.5 仿真结果及分析

    3.6 本章小结

4 基于深度自编码器数据融合算法设计

    4.1 引言

    4.2 深度自编码器

        4.2.1 自编码器模型

        4.2.2 贪婪逐层训练

    4.3 基于深度自编码器模型的数据融合算法

        4.3.1 深度自编码器应用于WSN中的关键问题

        4.3.2 基于深度自编码器的数据融合模型

    4.4 本章小结

5 数据融合的仿真实现

    5.1 数据集与仿真参数

    5.2 仿真结果与分析

        5.2.1 网络中存活节点数

        5.2.2 网络的剩余能量

        5.2.3 网络中数据通信量

        5.2.4 不同网络规模的对比

    5.3 本章小结

结论

工作展望

参考文献

[1]基于改进粒子群的BP神经网络WSN数据融合算法[J]. 王虹,徐佑宇,谭冲,刘洪,郑敏.  中国科学院大学学报. 2020(05)

[2]基于深度学习模型的WSN路由协议算法[J]. 王丽红,邵慧.  齐齐哈尔大学学报(自然科学版). 2019(02)

[3]基于环境能量自供电的无线传感器节点设计[J]. 屈辰,陶然,李刚.  科技创新导报. 2018(26)

[4]基于深度自编码器的WSN数据融合算法[J]. 潘琢金,秦蓓,罗振,杨华.  计算机工程与设计. 2018(05)

[5]改进的WSN节能分簇多跳路由算法[J]. 韩芳,靳宗信,张亚娟.  计算机系统应用. 2017(11)

[6]无线传感器网络分簇算法综述[J]. 徐晶晶,张欣慧,许必宵,孙知信.  计算机科学. 2017(02)

[7]基于FPGA WSN轮询接入控制协议的研究[J]. 刘龙军,丁洪伟,柳虔林,刘正纲.  通信学报. 2016(10)

[8]基于BP神经网络和蚁群的WSN分簇算法的研究[J]. 王改云,胡锦艳.  现代电子技术. 2015(17)

[9]基于深度学习的无线传感器网络数据融合[J]. 邱立达,刘天键,傅平.  计算机应用研究. 2016(01)

[10]无线传感器网络中基于数据融合树的压缩感知算法[J]. 黄海平,陈九天,王汝传,张永灿.  电子与信息学报. 2014(10)