一種能量感知型分布式分簇路由協(xié)議設計方法
【技術領域】
[0001] 本發(fā)明設及能量采集型無線傳感網(wǎng)路由協(xié)議設計領域，尤其設及一種能量感知型 分布式分簇路由協(xié)議設計方法。
【背景技術】
[0002] 無線傳感網(wǎng)被廣泛地應用到環(huán)境監(jiān)測，工業(yè)控制和跟蹤等領域。近些年來，能量采 集型無線傳感網(wǎng)由于其能夠突破傳統(tǒng)無線傳感網(wǎng)電池容量的限制而得到廣泛關注。由于能 量采集型無線傳感網(wǎng)的許多特性(例如節(jié)點能量分布不均衡，無限的能量供應，對環(huán)境敏感 等），傳統(tǒng)無線傳感網(wǎng)中原有的路由協(xié)議已不再適用。為能量采集型無線傳感網(wǎng)設計適用的 路由協(xié)議是本發(fā)明的研究背景。
[0003] 在能量采集型無線傳感網(wǎng)的分簇路由協(xié)議設計中，如何精確預測節(jié)點的采集能量 是要解決的關鍵問題之一。通過預測節(jié)點的采集能量，提高選擇有較強采集能力的節(jié)點做 簇首的概率，同時降低選擇有較弱采集能力的節(jié)點做簇首的概率，進而達到平衡節(jié)點能量 消耗，提高網(wǎng)絡性能的目的。基于太陽能的能量采集型無線傳感網(wǎng)是應用最廣泛的一類能 量采集型無線傳感網(wǎng)。而太陽能福射在時間上的相關性也為對節(jié)點采集特性的預測提供了 可能。
[0004] 本發(fā)明考慮基于太陽能的能量采集型無線傳感網(wǎng)中的分布式分簇路由協(xié)議設計 問題。如何對節(jié)點采集的太陽能進行預測，改進現(xiàn)有協(xié)議使之適用于能量采集型無線傳感 網(wǎng)是本發(fā)明的關注點。針對太陽能預測，前人已經(jīng)提出了很多預測模型，但是很少有人將預 測模型運用到無線傳感網(wǎng)的路由設計中。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是為能量采集型無線傳感網(wǎng)提出的一種能量感知型分布式分簇路 由協(xié)議設計方法，通過構建一個基于神經(jīng)網(wǎng)絡的太陽能預測模型，使每個傳感器節(jié)點具有 預測自身短期內(nèi)采集能量的能力，而預測能量將被用到選擇簇首的過程中。通過本發(fā)明方 法使得剩余能量和預測能量高的節(jié)點有更高的幾率成為簇首，有更強的均衡網(wǎng)絡節(jié)點能量 消耗的能力，同時能夠提高網(wǎng)絡的吞吐量。
[0006] 本發(fā)明提供的能量感知型分布式分簇路由協(xié)議設計方法，實現(xiàn)步驟如下：
[0007] 步驟1，采集網(wǎng)絡中各傳感器節(jié)點在設定時間段內(nèi)采集的太陽能能量，建立太陽能 預測矩陣；
[000引太陽能預測矩陣中，每一列代表一天中的不同小時，矩陣的每一行代表不同的天； 標記節(jié)點i在第r輪中第d天采集的太陽能能量為EharvQ，d，r)，標記節(jié)點i在第r輪中第d天 的預測能量為EpreQ，d，;r);
[0009]對于給定的天數(shù)和輪數(shù)，節(jié)點i在第r輪中第d天的預測能量Epre(i，d，r)表示為節(jié) 點i在第r輪中當天之前n天采集的太陽能能量和之前k輪中第d天采集到的太陽能能量的函 數(shù)fANN，表示為：
[0010] EpreQ，d,;r) =fANN化har^i，d-l ,r) ,Eharv(i，d-2,;r),. . . ,Ehar^i ,d-n'r),
[00"] Eharv(i，d,;r-l),Eharv(i，d,;r-2),. . . ,Eharv(i，d,;r-k))
[001 ^ 函數(shù)fANN中，包含n+k個參數(shù)。
[0013] 步驟2,訓練太陽能預測模型，太陽能預測模型為一個具有n+k個輸入節(jié)點和I個輸 出節(jié)點的神經(jīng)網(wǎng)絡；
[0014] 神經(jīng)網(wǎng)絡的n+k個輸入節(jié)點對應函數(shù)fANN中的n+k個參數(shù)，神經(jīng)網(wǎng)絡的輸出節(jié)點對 應函數(shù)fANN中的Epre(i，d，r);設定測試精度，用存儲的太陽能預測矩陣中數(shù)據(jù)對神經(jīng)網(wǎng)絡進 行訓練，將訓練好的神經(jīng)網(wǎng)絡用作所有傳感器節(jié)點的太陽能預測模型。
[001引步驟3,將步驟2得到的太陽能預測模型運用到分布式分簇路由協(xié)議中去；
[0016] 分布式分簇路由協(xié)議按輪進行，每輪分為兩個階段:建立階段和穩(wěn)定狀態(tài)階段;在 每一輪的建立階段，節(jié)點i WP( i，d，r)的概率選取自身作為簇首；
[0017] 節(jié)點i選取自身成為簇首的概率P(i，d，r)定義為：
[0019] 其中，EQ，d，;r-l)表示節(jié)點i在第r-l輪的第d天結束時刻的剩余能量，EpreQ，d，;r) 表示節(jié)點i在第r輪的第d天的預測能量，Etx化,dibs)表示節(jié)點i傳輸化k特數(shù)據(jù)到距離dibs的 基站所消耗的能量，P為本輪期望的簇的數(shù)目與網(wǎng)絡中所有節(jié)點數(shù)目之比，a和e是權重因 子，取值范圍均為(〇，1)。
[0020] 步驟4,簇首向所有非簇首節(jié)點發(fā)布廣播信息，每個非簇首節(jié)點W到達簇首需要消 耗的通信能量最少為標準決定本輪要加入的簇。
[0021] 所有非簇首節(jié)點都做出決定后，簇首發(fā)送給其成員節(jié)點TDMA調(diào)度信息;所有成員 節(jié)點收到TDMA調(diào)度信息W后，建立階段結束，穩(wěn)定狀態(tài)階段開始進行。
[0022] 對于處于睡眠狀態(tài)的節(jié)點將不加入任何簇，它們將保持睡眠狀體直至喚醒，然后 等待基站發(fā)送新一輪開始的消息，在收到新一輪開始的消息后，將加入簇首選舉過程。
[0023] 本發(fā)明的優(yōu)點與積極效果在于:本發(fā)明公開的能量感知型分布式分簇路由協(xié)議設 計方法，通過構建一個基于神經(jīng)網(wǎng)絡的太陽能預測模型，通過改進簇首選舉機制，使分簇路 由協(xié)議具有更好的平衡網(wǎng)絡節(jié)點能量消耗的能力。本發(fā)明方法適用于基于太陽能的能量采 集型無線傳感網(wǎng)，在均衡網(wǎng)絡節(jié)點能量消耗的能力的同時，具有良好的提高網(wǎng)絡的吞吐量 性能的優(yōu)點。
【附圖說明】
[0024] 圖1為本發(fā)明的能量感知型分布式分簇路由協(xié)議設計方法的流程示意圖；
[0025] 圖2為本發(fā)明路由協(xié)議設計方法所使用的太陽能預測矩陣的部分示意圖；
[0026] 圖3為本發(fā)明實施例所構建的基于神經(jīng)網(wǎng)絡的太陽能預測模型示意圖；
[0027] 圖4為本發(fā)明實施例仿真實驗得到的太陽能預測結果示意圖；
[0028] 圖5為本發(fā)明實施例在指標為可用傳感器節(jié)點個數(shù)時的性能對比圖；
[0029] 圖6為本發(fā)明實施例在指標為平均網(wǎng)絡吞吐量時的性能對比圖。
【具體實施方式】
[0030] 下面將結合附圖和實施例對本發(fā)明作進一步的詳細說明。描述中的附圖僅僅是本 發(fā)明的一些實施例，對于本領域的普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可 W根據(jù)運些附圖獲得其他附圖。所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部 的實施例?；诒景l(fā)明的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲 得的所有其他實施例，都屬于本發(fā)明的保護范圍。
[0031] 本發(fā)明提供的能量感知型分布式分簇路由協(xié)議設計方法，適用于基于太陽能的能 量采集型無線傳感網(wǎng)，整體步驟如圖1所示，下面對各步驟進行具體說明。
[0032] 步驟1，將網(wǎng)絡中各傳感器節(jié)點在一段時期內(nèi)采集的太陽能能量值存到一個矩陣 中，矩陣稱為太陽能預測矩陣。太陽能預測矩陣的每一列代表一天中的不同小時，矩陣的每 一行代表不同的天。對于給定的天數(shù)和輪數(shù)，認為節(jié)點在運一輪中能采集到的平均能量是 之前n天在運一輪采集到的能量和當天在之前k輪采集到的能量的函數(shù)，即：
[0033] EpreQ ,d'r) =fANN化har^i，d-l ,r) ,EharvQ，d-2,;r),,Ehar^i ,d-n'r),
[0034] Ehar^i，d,;r-l),Eharv(i，d,;r-2),. . . ,Ehar^i'd'r-k))
[0035] 其中，EharvQ，d，;r)和EpreQ，d，;r)分別是節(jié)點i在第d天第r輪中的采集能量和預測 能量。函數(shù)fANN中，包含n+k個輸入?yún)?shù)，輸出Epre(i，d，r)。n、k均為正整數(shù)。
[0036] 圖1為本發(fā)明實施例提供的某個節(jié)點在第k輪的太陽能預測矩陣的部分數(shù)據(jù)，圖中 標"?"的地方表示待預測的太陽能能量值。對于每個傳感器節(jié)點，每一輪數(shù)據(jù)采集都建立一 個太陽能預測矩陣。
[0037] 步驟2，訓練生成一個太陽能預測模型。
[0038] 選取一個具有n+k個輸入節(jié)點、1個輸出節(jié)點W及若干個隱藏節(jié)點的神經(jīng)網(wǎng)絡模型 作為太陽