面向WSN的高精度预测算法和分簇路由研究.pdf
《面向WSN的高精度预测算法和分簇路由研究.pdf》由会员分享,可在线阅读,更多相关《面向WSN的高精度预测算法和分簇路由研究.pdf(13页珍藏版)》请在咨信网上搜索。
1、Software Engineering and Applications 软件工程与应用软件工程与应用,2023,12(4),587-599 Published Online August 2023 in Hans.https:/www.hanspub.org/journal/sea https:/doi.org/10.12677/sea.2023.124057 文章引用文章引用:王冬梅,葛钰晓,杨耀宗,史猛.面向 WSN 的高精度预测算法和分簇路由研究J.软件工程与应用,2023,12(4):587-599.DOI:10.12677/sea.2023.124057 面向面向WSN的高精度预
2、测算法和分簇路由研究的高精度预测算法和分簇路由研究 王冬梅王冬梅,葛钰晓葛钰晓,杨耀宗杨耀宗,史史 猛猛 北方工业大学,信息学院,北京 收稿日期:2023年5月16日;录用日期:2023年7月31日;发布日期:2023年8月8日 摘摘 要要 无线传感器网络无线传感器网络(WSNs)中的节点通常由电池供电,能量是限制网络性能的重要因素。尽管部分节能路由中的节点通常由电池供电,能量是限制网络性能的重要因素。尽管部分节能路由和低功耗协议的提出在一定程度上缓解了此问题,但是无法从根源上解决。太阳能是一种可再生清洁能和低功耗协议的提出在一定程度上缓解了此问题,但是无法从根源上解决。太阳能是一种可再生清洁
3、能源,是解决网络能量受限问题的有效途径,但由于能源具有不稳定性,因此针对此类能量收集无线传感源,是解决网络能量受限问题的有效途径,但由于能源具有不稳定性,因此针对此类能量收集无线传感器网络器网络(EH-WSN)进行充能预测和路由规划的研究具有重要意义,它是进行充能预测和路由规划的研究具有重要意义,它是EH-WSN中低功耗技术的重要研究中低功耗技术的重要研究内容。针对充能预测,本文提出一种基于分类和递归的高精度预测算法内容。针对充能预测,本文提出一种基于分类和递归的高精度预测算法k-LSTM,以实现更高效的能源管,以实现更高效的能源管理,为理,为WSN的路由规划提供有力支撑。此外,针对分簇路由中
4、簇首节点的路由规划提供有力支撑。此外,针对分簇路由中簇首节点选择不合理导致节点耗能加剧,选择不合理导致节点耗能加剧,网络性能不佳的问题,本文改进簇首适应度函数提出了一种基于粒子群的分簇算法,并对簇间路由下一网络性能不佳的问题,本文改进簇首适应度函数提出了一种基于粒子群的分簇算法,并对簇间路由下一跳的选择提出新的代价函数,进一步优化网络能源消耗。实验证明了所提方案对网络性能的提升优势,跳的选择提出新的代价函数,进一步优化网络能源消耗。实验证明了所提方案对网络性能的提升优势,延长了网络寿命,并提高了网络吞吐量。延长了网络寿命,并提高了网络吞吐量。关键词关键词 无线传感器网络,低功耗,能量收集,充能
5、预测,分簇路由无线传感器网络,低功耗,能量收集,充能预测,分簇路由 Research on High-Precision Prediction Algorithm and Clustering Routing for WSN Dongmei Wang,Yuxiao Ge,Yaozong Yang,Meng Shi College of Information,North China University of Technology,Beijing Received:May 16th,2023;accepted:Jul.31st,2023;published:Aug.8th,2023 Abstr
6、act Wireless Sensor Networks(WSNs)are usually powered by batteries,while energy is a critical fac-tor limiting network performance.Although some energy-saving routing and low-power protocols have been developed to alleviate this problem to some extent,they cannot solve it fundamentally.Solar energy
7、is a renewable and clean energy source that offers an effective solution to the prob-王冬梅 等 DOI:10.12677/sea.2023.124057 588 软件工程与应用 lem of energy limitation in networks.However,due to the instability of energy,research on charging prediction and routing planning for energy-harvesting wireless sensor
8、 networks(EH-WSNs)is of significant importance and is a crucial research area in low-power technologies for EH-WSNs.For charging prediction,this paper proposes a high-precision prediction algorithm,k-LSTM,based on classification and recursion to achieve more efficient energy management and provide s
9、trong sup-port for WSN routing planning.Moreover,to address the problem of energy consumption due to the unreasonable selection of cluster heads in cluster routing,which leads to poor network perfor-mance,we propose an improved cluster head fitness function and a PSO-based clustering algo-rithm.We a
10、lso introduce a new cost function for selecting the next hop in inter-cluster routing to further optimize network energy consumption.Our experimental results demonstrate the advan-tages of the proposed solutions in improving network performance,significantly reducing the energy consumption of nodes,
11、prolonging network lifetime,and increasing network throughput.Keywords Wireless Sensor Networks,Low-Power,Energy Harvesting,Charging Prediction,Cluster Routing Copyright 2023 by author(s)and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License(CC BY
12、4.0).http:/creativecommons.org/licenses/by/4.0/1.引言引言 随着物联网的快速发展和应用领域的不断扩展,无线传感器网络作为物联网的重要组成部分,越来越受到关注1。无线传感器网络是由大量的无线传感器节点组成的分布式网络,这些节点具有自组织、低功耗、自适应等特点,能够实时感知环境信息,对环境进行监测和控制。但是,由于无线传感器节点的能源有限,如何延长无线传感器网络的寿命成为了研究的重点之一。为了解决由电池供电的传统 WSN 寿命有限问题,一些研究为传感器节点配备能量采集功能,能量收集成为了实现无线传感器网络(WSN)永久运行目标的最有前途的技术之一。由
13、于光伏系统已得到极大改善2,所以太阳能成为 WSN 供电的比较常见的能源之一。为了提高节点的能量利用效率和延长其寿命,需要对节点能量的充电和消耗情况进行预测和优化。而节点的充电情况与环境的能量供给密切相关,因此需要对环境能量进行分析和预测。现有与预测方案在天气频繁变化时准确率较低,以此作为能量感知路由的关键,节点死亡率较高。而低功率技术旨在采用适应于环境采集技术的路由协议和算法,通过优化能源效率维持网络稳定运行来延长整个传感器网络的寿命。大多研究采用分簇算法来对网络进行管理,降低网络功耗,但是由于分簇算法中簇首节点的重要地位,簇首节点的选举方式、能量消耗和位置不合理性极大地影响网络性能和数据传
14、输质量,因此需要综合多方面因素选择簇首节点并对簇间路由进行优化,维持网络长期稳定运行。2.相关工作相关工作 2.1.太阳能预测模型太阳能预测模型 在通信设备的小规模能量收集技术的快速普及以及其不确定的功率可用性带来的挑战的推动下,最近几年的许多工作都集中在能量收集无线传感器网络的能量预测技术3 4 5 6 7。常见的预测模型可以分为机器学习、统计学和随机三类3。考虑到随机模型的状态空间扩展困难这一较为显著的缺点,Open AccessOpen Access王冬梅 等 DOI:10.12677/sea.2023.124057 589 软件工程与应用 下面针对基于统计和机器学习的模型进行介绍。在基
15、于统计的模型方面,Cammarano 等人提出了一种能量预测统计模型 Pro-Energy 4,该模型将一天分为晴天、阴天或下雨并收集全天每个时间段的历史太阳辐照度,通过寻找与当天最相似的日期来预测未来一段时间内的太阳辐照度。Deb 5等人提出了一种利用过去及当前的能源观测来预测未来能源可用性的模型 Enhanced-Pro-Energy。其在 Pro-Energy 模型4的基础上,引入两个微调参数来匹配过去和当前的天气情况,进一步提高了预测精度。然而,此模型使用了一个固定权重因子(=0.51)作为过去和当前辐照度的参考占比,其取值对不同地区和季节的适用性仍需进一步验证和调整。基于传统概率统计
16、的充能预测模型的准确度与天气稳定性关系密切,在天气频繁变化的情况下,预测误差较大。基于机器学习的充能预测算法中,Acikgoz 6提出了一种基于卷积神经网络集成和深度特征选择的短期太阳辐射预测方法。该方法基于自适应噪声(EEMDAN)方法将全球太阳辐照度分解为莫函数,然后采用小波变换重建数据特征,利用级联卷积神经网络架构来提取深层特征。Rodrguez 7等人提出了一种基于人工神经网络(ANN)的预测算法,使用前 24 小时的辐照值来进行短期(10 分钟)预测,实验证明该算法可提高对微电网控制的效率。但是,机器学习相对于统计随机模型的计算开销更大,与此同时算法耗时增加。此类模型大多基于类似的环
17、境变化特征,忽略了时间序列太阳辐照度的多尺度特性和现象内部波动,预测准确率不理想。2.2.低功耗路由模型低功耗路由模型 近年来,WSN 在各行各业中得到了广泛应用,但是,由于传感器节点的能源受限,其功耗问题一直是它的一大研究难题。一些研究采用了低功耗技术的分簇算法使其适用于 EH-WSN。Omek 8等人设计了基于距离和能量约束的动态分簇协议来解决 WSN 寿命最大化问题。该协议根据所处位置和剩余电量合理选择簇头(CH),并动态更新备选簇头设置的剩余能量阈值。Bozorgi 9等人提出了一种新颖的节能分簇算法。这个分层路由协议包括处理和数据传输阶段。作者利用多跳路由根据传感器节点的当前能量来选
18、择簇头。在这个协议中,当执行集群分层和建立邻域信息的计算时,会引入额外的能量消耗。Ren 10等人提出了一个基于集群的方案。该方案为每个集群引入了一个调度节点概念,该调度节点监控集群成员和簇头的剩余能量以减少簇头的工作量。同时,所有传感器节点的通信半径可以动态调整,但是该方案忽略了节点的消耗能量不能超过收获的能量,如果消耗的能量大于收获的能量节点就会死亡。由于引入太阳能采集技术后,传感器节点由于部署环境和光伏板朝向等的因素导致了各节点收集能量不均衡,其次,各节点由于传输任务和转发数据的不同,能量消耗也不尽相同,这两者因素的叠加导致了各个传感器节点间能量不均衡情况加重,严重将导致路由空洞现象的出
19、现。部分节点虽然当前剩余能量较多但是未来充能较多且转发数据量少,部分节点能量少但是转发任务重,所处环境不利于其数据的大量收发导致了热节点过早死亡。综上,针对低功耗技术中的分簇算法研究,由于簇首节点承担传输和接收数据的重要任务,其能量消耗严重影响网络的能量均衡性。所以,现有分层路由算法仍需进一步改进,例如簇首节点消耗大量能量,选举方式较为随机,簇首节点位置较为密集但是剩余能量过低的情况时有发生。彼时个别簇首节点耗能较大导致其死亡,那么所在簇的节点数据将无法上传至基站,用户质量无法保证。因此,本文综合考虑节点剩余能量、预测充能、节点位置和簇结构的紧凑性,用适应度函数修改粒子群算法,通过优化簇头选择
20、来优化能源效率。并在数据传输阶段综合考量多种因素来优化集群间下一跳路由的选择。通过优化簇头选择和路由重建,来延长 WSN 寿命,维持网络稳定运行。王冬梅 等 DOI:10.12677/sea.2023.124057 590 软件工程与应用 3.系统设计系统设计 3.1.太阳辐照度预测太阳辐照度预测 3.1.1.模型设计模型设计 由于太阳能具有昼夜周期的循环特点,经过实践,我们发现直接使用回归模型难以精确地预测,通过对数据的观察发现,在不同类型的气候、季节和天气条件下,光能充电会产生很大的差异。因此,本文尝试设计一种算法,先对天气进行分类,再利用回归模型对天气进行预测,准确率有了明显的提高,超过
21、了目前的研究方法3 7。由于太阳辐照度是一类具有时间序列特征的数据,而递归模型是处理时间序列数据的有效方法,因此,本文尝试使用递归神经网络中模型针对时间序列适用能力较强的 LSTM 神经网络训练具有强相关性的天气数据。本文提出了结合分类和回归的预测算法 k-LSTM。其中,k-means+算法用来对数据进行聚类,以提高训练数据的相关性。LSTM 模型用来对分类数据进行训练,以挖掘太阳辐照数据潜在的特征(周期性和变化趋势)以便实现更精准的预测,LSTM 网络的输出预测值可作为路由算法中能量因素的预测分量参与路由计算,有效利用收获能量对路由算法进行改进。以下是实现太阳辐照度预测的步骤:1)数据准备
22、 收集历史太阳辐照度数据,并将其划分为训练集和测试集。并对数据进行归一化,以便更好地训练LSTM 模型。将太阳辐照度数据组织为 25 维数据,包括预测时间前 24 小时的太阳辐照度(24 维)、训练集中所有预测时间的平均太阳辐照度,作为模型的训练数据。2)k-means+算法聚类 通过对训练集数据进行聚类,来识别不同的辐照度模式。本文采用均方根误差(RMSE)来衡量预测值与真实值之间的距离,通过寻找最小的 RMSE 来确定聚类数量 K。具体地,评估公式如(1)所示:。()211RMSEEENprerealnn=(1)我们在选择聚类数量的范围为1 10,对不同聚类下的均方根误差进行评估,以确定最
23、佳聚类 K,详细效果如图 1。但是聚类数量的增加使模型的过拟合程度增强,导致误差变大,此时不利于模型的训练。可以看出,在聚类数量 K=4 时,均方根误差达到最小值,但是随着聚类数量增加到 5,预测误差开始上升。因此可以得出结论,太阳辐照度呈现出 4 种强相关的变化趋势,此时的模型有更好的预测能力。因此,本文将太阳辐照度分为 4 个聚类。Figure 1.The relationship between the number of clusters and the value of the error 图图 1.聚类个数与误差值的关系 王冬梅 等 DOI:10.12677/sea.2023.12
24、4057 591 软件工程与应用 3)LSTM 模型构建 将每个聚类中的时间序列数据转换为 LSTM 网络的输入序列。构建 LSTM 模型,将聚类组中的代表性辐照度值作为输入,并使用历史辐照度数据训练模型。模型的输出为下一个时刻的辐照度预测值。4)模型训练和调整 采用训练数据集训练 LSTM 模型,并使用测试数据集进行 LSTM 模型参数调整,以获得最佳性能。LSTM 的输入层包含 25 个神经元,即 1)中所述 25 维数据,隐含层采用经验公式(2)所示,经过实验,当隐含层个数为 7 时,效果更好,所以 LSTM 隐含层神经元个数设定为 7。输出层神经元个数设为 1,因为要预测的是单序列变量
25、,即预测时刻的太阳辐照度。()nmpa=+(2)5)辐照度预测 本文对于模型的训练和预测过程都是在与 sink 节点相连的基站进行的。实际应用里,输入历史数据进行训练,LSTM 网络对每个时间点的序列信息进行预测,输出下一个时间点的预测值。LSTM 模型训练的流程如图 2 所示。Figure 2.The process of training an LSTM model 图图 2.LSTM 模型训练的流程 3.1.2.仿真实验仿真实验 为了验证本文提出的预测算法在不同季节下的准确性,本文拟增加数据集的数量,采用可再生能源权威数据库中的数据集11来预测不同季节下的太阳辐照数据。我们选取冬季和夏季
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 面向 WSN 高精度 预测 算法 路由 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。