專利名稱：基于場景自適應(yīng)能量均衡的傳感器網(wǎng)絡(luò)矢量量化分簇方法
技術(shù)領(lǐng)域：
本發(fā)明涉及無線通信技術(shù)領(lǐng)域，是一種既考慮整體網(wǎng)絡(luò)中節(jié)點(diǎn)的地理位置又顧及 到單個(gè)節(jié)點(diǎn)剩余能量的矢量量化分簇方法。該方法主要應(yīng)用于無線傳感器網(wǎng)絡(luò)中，能有效 地延長網(wǎng)絡(luò)的生命周期。
背景技術(shù)：
傳感器網(wǎng)絡(luò)是集成了監(jiān)測、控制以及無線通信的網(wǎng)絡(luò)系統(tǒng)。由于大部分傳感器節(jié) 點(diǎn)體積很小，并且分布在戶外，很難為其更換電池，所以傳感器節(jié)點(diǎn)具有能量、處理能力、存 儲(chǔ)能力和通信能力都十分有限的特點(diǎn)。如何高效使用有限能量來最大化網(wǎng)絡(luò)生命周期是傳 感器網(wǎng)絡(luò)面臨的首要挑戰(zhàn)。典型的傳感器網(wǎng)絡(luò)為了消除覆蓋區(qū)域的空洞，都會(huì)采用空間密集分布。因此，同一 感知區(qū)內(nèi)的多個(gè)傳感器節(jié)點(diǎn)會(huì)同時(shí)感知到同一事件，節(jié)點(diǎn)感知到的數(shù)據(jù)會(huì)有很大的相關(guān)性 和冗余性。在大規(guī)模、密集型基于隨機(jī)事件的無線傳感器網(wǎng)絡(luò)中，傳輸?shù)臄?shù)據(jù)大都具有高度 的空間相關(guān)性，很多傳感器節(jié)點(diǎn)檢測到的數(shù)據(jù)相似性程度很大，只需一部分節(jié)點(diǎn)將信息發(fā) 送到匯聚節(jié)點(diǎn)，就能監(jiān)測到事件的發(fā)生。目前傳感器網(wǎng)絡(luò)中常常采用分簇結(jié)構(gòu)來優(yōu)化網(wǎng)絡(luò)拓?fù)?，以均衡網(wǎng)絡(luò)負(fù)載，提高能 量效率和網(wǎng)絡(luò)擴(kuò)展性。在分簇結(jié)構(gòu)中，網(wǎng)絡(luò)中的節(jié)點(diǎn)被劃分為若干個(gè)稱為簇的節(jié)點(diǎn)集合， 每個(gè)簇通常由一個(gè)簇頭節(jié)點(diǎn)和多個(gè)成員節(jié)點(diǎn)組成，簇頭負(fù)責(zé)管理和控制簇成員節(jié)點(diǎn)的工 作，同時(shí)負(fù)責(zé)簇內(nèi)數(shù)據(jù)收集及簇間數(shù)據(jù)轉(zhuǎn)發(fā)。經(jīng)對(duì)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，傳統(tǒng)的經(jīng)典 分簇算法在分簇時(shí)都只是在能量和時(shí)延上進(jìn)行權(quán)衡，基本沒有把節(jié)點(diǎn)之間的空間相關(guān)特 性考慮在內(nèi)，而只在后續(xù)的簇頭節(jié)點(diǎn)收集和融合簇內(nèi)數(shù)據(jù)時(shí)考慮到了空間相關(guān)性。Wendi B. Heinzelman 等人提出的 LEACH (low energyadaptive clustering hierarchy)分族法最 具代表性。該方法通過各節(jié)點(diǎn)等概率地?fù)?dān)任簇頭，從而達(dá)到均衡網(wǎng)絡(luò)能量消耗，延長網(wǎng)絡(luò)壽 命的目的。但是LEACH中簇頭隨機(jī)選擇導(dǎo)致簇頭分布不均勻，同時(shí)簇頭的選擇未考慮節(jié)點(diǎn) 能量因素，從而導(dǎo)致部分節(jié)點(diǎn)過早死亡；并且簇頭采用單跳方式與匯聚節(jié)點(diǎn)通信，遠(yuǎn)離匯聚 節(jié)點(diǎn)的簇頭能量消耗很快。Xu Y等人提出的GAF(geographical adaptive fidelity)算 法是以節(jié)點(diǎn)地理位置為依據(jù)的分簇算法，提出了按虛擬單元格劃分簇區(qū)的思想。該算法也 沒有考慮到節(jié)點(diǎn)的剩余能量因素。雖然之后有很多科研人員對(duì)以上兩種經(jīng)典算法進(jìn)行了改 進(jìn)，也引入了能量因素，但是這些算法都沒有充分利用傳感器網(wǎng)絡(luò)空間相關(guān)特性，簇頭節(jié)點(diǎn) 需要完成數(shù)據(jù)融合、與匯聚節(jié)點(diǎn)通信等工作，消耗的能量大。在Sift MAC協(xié)議中，讓相關(guān)區(qū)域內(nèi)的節(jié)點(diǎn)利用時(shí)間競爭機(jī)制來選擇簇頭節(jié)點(diǎn)，但 其沒有具體說明如何劃分相關(guān)區(qū)域。在圖像壓縮技術(shù)中，矢量量化編碼技術(shù)是用于在失真 限度下找出相關(guān)節(jié)點(diǎn)的位置。矢量量化有效地利用了矢量中各分量的四種相關(guān)性(線性依 賴性、非線性依賴性、概率密度函數(shù)的形狀和矢量維數(shù)等)來消除數(shù)據(jù)的統(tǒng)計(jì)冗余度。所以 該方法可以被很好地用于解決相關(guān)區(qū)域劃分及簇頭節(jié)點(diǎn)篩選的問題。由于簇頭節(jié)點(diǎn)需要和簇區(qū)內(nèi)的節(jié)點(diǎn)進(jìn)行管理和控制上的通信，還要進(jìn)行簇區(qū)內(nèi)數(shù)
3據(jù)的收集和融合，需求消耗很多能量。因此，Mehmet C. Vuran等人提出用迭代節(jié)點(diǎn)選擇算 法(INS)來篩選出代表節(jié)點(diǎn)的數(shù)目和地理位置。代表節(jié)點(diǎn)和簇頭節(jié)點(diǎn)的唯一區(qū)別是代表節(jié) 點(diǎn)無需進(jìn)行數(shù)據(jù)融合，每個(gè)簇區(qū)只讓代表節(jié)點(diǎn)發(fā)送自身監(jiān)測的數(shù)據(jù)到匯聚節(jié)點(diǎn)。代表節(jié)點(diǎn) 的選擇采用了圖像編碼中的矢量量化算法來實(shí)現(xiàn)。INS算法只考慮了節(jié)點(diǎn)之間的空間相關(guān)性，沒有綜合考慮網(wǎng)絡(luò)的能量因素。由于隨 機(jī)分布的網(wǎng)絡(luò)拓?fù)浯嬖诓痪鶆蛉毕?，INS算法可能導(dǎo)致能量較少的節(jié)點(diǎn)重復(fù)選為代表節(jié)點(diǎn)， 致使網(wǎng)絡(luò)中出現(xiàn)部分節(jié)點(diǎn)過早死亡的現(xiàn)象，大大縮短了網(wǎng)絡(luò)壽命。

發(fā)明內(nèi)容
本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，提出一種基于場景自適應(yīng)能量均衡的矢量 量化分簇方法。該方法充分利用傳感器網(wǎng)絡(luò)特有的空間相關(guān)特性，并綜合考慮網(wǎng)絡(luò)節(jié)點(diǎn)的 能耗狀況，根據(jù)匯聚節(jié)點(diǎn)到事件源距離遠(yuǎn)近的不同場景，采用不同的方法確定代表節(jié)點(diǎn)的 具體位置。旨在于篩選出最少的簇頭節(jié)點(diǎn)數(shù)及其具體位置，減少網(wǎng)絡(luò)負(fù)載量，均衡各節(jié)點(diǎn)的 能量消耗，提高整個(gè)網(wǎng)絡(luò)的生命周期和資源利用率。本發(fā)明主要是通過改進(jìn)應(yīng)用于圖像編碼的矢量量化算法，在選碼書的時(shí)候引入節(jié) 點(diǎn)剩余能量因素，使其成為適用于無線傳感器網(wǎng)絡(luò)的分簇方法。根據(jù)匯聚節(jié)點(diǎn)離事件源感 知區(qū)的距離遠(yuǎn)近場景，設(shè)計(jì)出兩種方法來確定代表節(jié)點(diǎn)的具體位置。具體通過如下技術(shù)方 案實(shí)現(xiàn)1.場景一當(dāng)匯聚節(jié)點(diǎn)在離事件源感知區(qū)較遠(yuǎn)的地方時(shí)，采用排除法來進(jìn)行代表 節(jié)點(diǎn)個(gè)數(shù)以及具體位置的確定。排除法主要是指在迭代篩選代表節(jié)點(diǎn)的時(shí)候排除簇區(qū)內(nèi)單 個(gè)節(jié)點(diǎn)能量低于平均簇區(qū)能量的節(jié)點(diǎn)，只讓節(jié)點(diǎn)能量高于簇區(qū)平均能量的節(jié)點(diǎn)參與代表節(jié) 點(diǎn)的篩選過程，從而排除了能量較少節(jié)點(diǎn)被選為代表節(jié)點(diǎn)的可能性。該方法的具體步驟如 下(1)采用某種適宜的方法(通常是隨機(jī)選取)生成一個(gè)包含M個(gè)碼字的初始碼本。(2)按照最近鄰方法，以碼字為中心，將訓(xùn)練集中的所有矢量進(jìn)行分類，形成M個(gè) 區(qū)域。(3)將每個(gè)區(qū)域中剩余能量小于區(qū)域平均能量的節(jié)點(diǎn)排除在外，重新計(jì)算每個(gè)區(qū) 域新的中心，并將離中心最近的節(jié)點(diǎn)作為該區(qū)域的新碼字，計(jì)算新的平均失真率。(4)跳回到⑵重新執(zhí)行，直到完成預(yù)先設(shè)定的訓(xùn)練次數(shù)或者平均失真度小于某 個(gè)預(yù)先設(shè)定的閾值。2.場景二 當(dāng)匯聚節(jié)點(diǎn)在離事件源感知區(qū)較近的地方，包括在事件源感知區(qū)內(nèi)， 此時(shí)每個(gè)簇區(qū)內(nèi)節(jié)點(diǎn)到事件源的距離差別較大，離事件源近的節(jié)點(diǎn)感知到的信息量大，如 果事件源較近的節(jié)點(diǎn)剛好能量稍微小于簇區(qū)的平均能量，如采用上述的排除法將不能使這 些關(guān)鍵節(jié)點(diǎn)參與代表節(jié)點(diǎn)的篩選過程。因此，提出另一種適合該種場景的權(quán)衡法來篩選出 最少的簇頭節(jié)點(diǎn)及其具體位置。權(quán)衡法的具體步驟如下(1)采用某種適宜的方法(通常是隨機(jī)選取)生成一個(gè)包含M個(gè)碼字的初始碼本。(2)按照最近鄰方法，以碼字為中心，將訓(xùn)練集中的所有矢量進(jìn)行分類，形成M個(gè) 區(qū)域。(3)設(shè)定一個(gè)代價(jià)函數(shù)，定義為/(、·)=) + a,/9e
。其中
4(KvijS)是每個(gè)區(qū)域中各節(jié)點(diǎn)到事件源的距離，、是每個(gè)區(qū)域中各節(jié)點(diǎn)的剩余能量。參數(shù)α 和β主要權(quán)衡兩種因素在篩選代表節(jié)點(diǎn)時(shí)所占的比重。傳感器節(jié)點(diǎn)的代價(jià)函數(shù)值越小，表 明該節(jié)點(diǎn)距離事件源越近，剩余能量越多，越適合成為代表節(jié)點(diǎn)。重新計(jì)算每個(gè)區(qū)域中各節(jié) 點(diǎn)的代價(jià)函數(shù)值，將代價(jià)函數(shù)值最小的節(jié)點(diǎn)作為該區(qū)域的新碼字，計(jì)算新的平均失真率。(4)跳回到⑵重新執(zhí)行，直到完成預(yù)先設(shè)定的訓(xùn)練次數(shù)或者平均失真度小于某 個(gè)預(yù)先設(shè)定的閾值。在本發(fā)明中無線傳感器的生命周期被定義為網(wǎng)絡(luò)中節(jié)點(diǎn)上報(bào)的信息在匯聚節(jié)點(diǎn) 的失真度能滿足最大失真度門限值下的網(wǎng)絡(luò)生存時(shí)間，其中門限值由傳感器網(wǎng)絡(luò)上層的具 體應(yīng)用而定。代表節(jié)點(diǎn)和匯聚節(jié)點(diǎn)通過多跳方式通信。本發(fā)明所應(yīng)用的網(wǎng)絡(luò)模型中匯聚節(jié) 點(diǎn)的能量不受限，各傳感器節(jié)點(diǎn)的位置固定不變。匯聚節(jié)點(diǎn)預(yù)先知道各傳感器節(jié)點(diǎn)的具體 位置和初始能量。整個(gè)算法的迭代過程都是在匯聚節(jié)點(diǎn)完成。由于處理開銷損耗的能量比 傳輸開銷少很多，所以本發(fā)明中的通信開銷和INS算法相比基本沒有增加。與上述現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果本發(fā)明利用矢量量化算法有效 地壓縮了傳感器節(jié)點(diǎn)上報(bào)數(shù)據(jù)的冗余度，充分利用了傳感器網(wǎng)絡(luò)的空間相關(guān)性，并綜合考 慮了節(jié)點(diǎn)的剩余能量因素，保證每輪選出的代表節(jié)點(diǎn)能量不至過小，解決了由于能量較少 的節(jié)點(diǎn)被重復(fù)選為代表節(jié)點(diǎn)而造成的部分節(jié)點(diǎn)過早死亡的問題。從而均衡了網(wǎng)絡(luò)能量和負(fù) 載，大大提高了網(wǎng)絡(luò)的生命周期。


圖1為利用傳感器網(wǎng)絡(luò)的空間相關(guān)性合理的代表節(jié)點(diǎn)分布圖。圖2為第一實(shí)施例的傳感器節(jié)點(diǎn)和匯聚節(jié)點(diǎn)的網(wǎng)絡(luò)拓?fù)鋱D。圖3為第二實(shí)施例的傳感器節(jié)點(diǎn)和匯聚節(jié)點(diǎn)的網(wǎng)絡(luò)拓?fù)鋱D。圖4為本發(fā)明基于場景自適應(yīng)能量均衡的傳感器網(wǎng)絡(luò)分簇方法的具體流程圖。圖5為本發(fā)明第一實(shí)施例中使用的排除法的具體流程圖。圖6為本發(fā)明第二實(shí)施例中使用的權(quán)衡法的具體流程圖。
具體實(shí)施例方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì) 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不 用于限定本發(fā)明。實(shí)施例1 本實(shí)施例是基于如圖2所示的網(wǎng)絡(luò)拓?fù)溥M(jìn)行說明。主要說明匯聚節(jié)點(diǎn)離事件源較 遠(yuǎn)情況下的分簇方法。應(yīng)用網(wǎng)絡(luò)模型具體如下將100個(gè)傳感器節(jié)點(diǎn)隨機(jī)分布在IOOmX IOOm的區(qū)域中，該網(wǎng)絡(luò)有如下性質(zhì)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)為靜態(tài)不移動(dòng)節(jié)點(diǎn)；匯聚節(jié)點(diǎn)在(150，50)位置上；匯聚節(jié)點(diǎn)的能 量不受限，并且可以獲得網(wǎng)絡(luò)節(jié)點(diǎn)的地理位置信息和初始能量信息。為簡單起見，將事件源 設(shè)定在該區(qū)域的中心(50，50)。傳感器節(jié)點(diǎn)和匯聚節(jié)點(diǎn)的拓?fù)浞植既鐖D2所示。假定事件源感知區(qū)內(nèi)所有節(jié)點(diǎn)都上報(bào)信息到匯聚節(jié)點(diǎn)時(shí)，匯聚節(jié)點(diǎn)的信息失真度 為最小。在劃分簇區(qū)和篩選代表節(jié)點(diǎn)的過程中，除了代表節(jié)點(diǎn)的數(shù)目，還要考慮一下兩個(gè)因素(1)感知區(qū)內(nèi)的傳感器節(jié)點(diǎn)叫與事件源S之間的相關(guān)系數(shù)，P (叫，s)，失真度隨節(jié)點(diǎn)Iii 到事件源S的距離增大而線性增長，所以應(yīng)該盡量選擇事件源S周圍的節(jié)點(diǎn)作為代表節(jié)點(diǎn)。 ⑵代表節(jié)點(diǎn)Iii和η」之間的相關(guān)系數(shù)P (η” η」)，代表節(jié)點(diǎn)之間的距離越遠(yuǎn)，上報(bào)信息之間 的冗余度就越小，則匯聚節(jié)點(diǎn)的失真度也越小。所以應(yīng)該盡量選擇相關(guān)性較小的節(jié)點(diǎn)作為 代表節(jié)點(diǎn)。如圖1所示，應(yīng)該盡量選擇圖1中所示的空心圓點(diǎn)作為代表節(jié)點(diǎn)?；谝陨蟽?個(gè)原則，將匯聚節(jié)點(diǎn)接收到信息的失真度用以下公式進(jìn)行度量
4M—6MMDe (M) = ^ - (2Σ 沖,0 一 D + Σ Σ pii, j).其中M為代表節(jié)點(diǎn)的個(gè)數(shù)。本實(shí)施例的網(wǎng)絡(luò)工作流程如下(1)網(wǎng)絡(luò)初始化將100個(gè)節(jié)點(diǎn)隨機(jī)分布在該IOOmX IOOm的區(qū)域中，所有節(jié)點(diǎn)將
自身的地理位置信息和初始能量信息上報(bào)給離自身距離最近的匯聚節(jié)點(diǎn)。(2)匯聚節(jié)點(diǎn)獲取到以上信息后就可以進(jìn)行基于場景自適應(yīng)能量均衡的矢量量化 分簇方法。(3)初始化上報(bào)信息的節(jié)點(diǎn)個(gè)數(shù)M，讓感知區(qū)內(nèi)所有節(jié)點(diǎn)都上報(bào)信息到匯聚節(jié)點(diǎn)， 即M等于總節(jié)點(diǎn)數(shù)。此時(shí)匯聚節(jié)點(diǎn)接收到信息的失真度為最小。(4)將上報(bào)信息的節(jié)點(diǎn)個(gè)數(shù)M,即代表節(jié)點(diǎn)個(gè)數(shù)，減去固定步長k，M_k，并判斷匯聚 節(jié)點(diǎn)到事件源之間的距離。此時(shí)匯聚節(jié)點(diǎn)在感知區(qū)外，且距離事件源較遠(yuǎn)，采用排除法確定 代表節(jié)點(diǎn)的具體位置。(5)代表節(jié)點(diǎn)的具體位置確定后計(jì)算相關(guān)參數(shù)P (ni;s)和P (ni，nj)，進(jìn)而根據(jù)上 述公式計(jì)算出此時(shí)匯聚節(jié)點(diǎn)接收到信息的失真度。(6)如果信息的失真度小于最大失真度(門限值)，則跳轉(zhuǎn)到步驟(4)，否則算法終 止，并取算法終止之前的M+k值為最小代表節(jié)點(diǎn)數(shù)。排除法的具體實(shí)施步驟如下(1)采用隨機(jī)方法生成一個(gè)包含M個(gè)碼字的初始碼本。(2)按照最近鄰方法，以碼字為中心，將訓(xùn)練集中的所有矢量進(jìn)行分類，形成M個(gè) 區(qū)域。(3)將每個(gè)區(qū)域中剩余能量小于區(qū)域平均能量的節(jié)點(diǎn)排除在外，重新計(jì)算每個(gè)區(qū) 域新的中心，并將離中心最近的節(jié)點(diǎn)作為該區(qū)域的新碼字，計(jì)算新的平均失真率。(4)跳回到(2)重新執(zhí)行，直到前后訓(xùn)練得出的相對(duì)失真率之差小于某一門限制 ε時(shí)算法終止，此時(shí)篩選出滿足要求的代表節(jié)點(diǎn)的具體位置。排除法是在矢量量化算法的基礎(chǔ)上考慮節(jié)點(diǎn)剩余能量，并通過迭代計(jì)算出符合失 真率要求的碼書及其具體位置。在匯聚節(jié)點(diǎn)上執(zhí)行的基于場景自適應(yīng)能量均衡的矢量量化 分簇方法是在失真度限制下篩選出數(shù)量最少的代表節(jié)點(diǎn)。實(shí)施例2 本實(shí)施例是基于如圖3所示的網(wǎng)絡(luò)拓?fù)溥M(jìn)行說明。主要說明匯聚節(jié)點(diǎn)離事件源較 近情況下的分簇方法。應(yīng)用網(wǎng)絡(luò)模型具體如下將100個(gè)傳感器節(jié)點(diǎn)隨機(jī)分布在IOOmX IOOm的區(qū)域中，該網(wǎng)絡(luò)有如下性質(zhì)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)為靜態(tài)不移動(dòng)節(jié)點(diǎn)；匯聚節(jié)點(diǎn)在(50，50)位置上；匯聚節(jié)點(diǎn)的能
6量不受限，并且可以獲得網(wǎng)絡(luò)節(jié)點(diǎn)的地理位置信息和初始能量信息。為簡單起見，將事件源 設(shè)定在該區(qū)域的中心(50，50)。傳感器節(jié)點(diǎn)和匯聚節(jié)點(diǎn)的拓?fù)浞植既鐖D3所示。匯聚節(jié)點(diǎn)接收到信息的失真度用以下公式進(jìn)行度量
其中M為代表節(jié)點(diǎn)的個(gè)數(shù)。本實(shí)施例的網(wǎng)絡(luò)工作流程如下(1)網(wǎng)絡(luò)初始化將100個(gè)節(jié)點(diǎn)隨機(jī)分布在該IOOmX IOOm的區(qū)域中，所有節(jié)點(diǎn)將
自身的地理位置信息和初始能量信息上報(bào)給離自身距離最近的匯聚節(jié)點(diǎn)。(2)匯聚節(jié)點(diǎn)獲取到以上信息后就可以進(jìn)行基于場景自適應(yīng)能量均衡的矢量量化 分簇方法。(3)首先讓感知區(qū)內(nèi)所有節(jié)點(diǎn)都上報(bào)信息到匯聚節(jié)點(diǎn)，此時(shí)匯聚節(jié)點(diǎn)接收到信息 的失真度為最小。(4)將上報(bào)信息的節(jié)點(diǎn)個(gè)數(shù)，即代表節(jié)點(diǎn)個(gè)數(shù)，減去固定步長k，M_k，并判斷匯聚 節(jié)點(diǎn)到事件源之間的距離。此時(shí)匯聚節(jié)點(diǎn)在感知區(qū)內(nèi)，表明匯聚節(jié)點(diǎn)離事件源較近，采用權(quán) 衡法確定代表節(jié)點(diǎn)的具體位置。(5)代表節(jié)點(diǎn)的具體位置確定后計(jì)算相關(guān)參數(shù)P (ni;s)和P (ni，nj)，進(jìn)而根據(jù)上 述公式計(jì)算出此時(shí)匯聚節(jié)點(diǎn)接收到信息的失真度。(6)如果信息的失真度小于最大失真度(門限值)，則跳轉(zhuǎn)到步驟(4)，否則算法終 止，并取算法終止之前的M+k值作為最小代表節(jié)點(diǎn)數(shù)。權(quán)衡法的具體實(shí)施步驟如下(1)采用隨機(jī)方法生成一個(gè)包含M個(gè)碼字的初始碼本。(2)按照最近鄰方法，以碼字為中心，將訓(xùn)練集中的所有矢量進(jìn)行分類，形成M個(gè) 區(qū)域。(3)設(shè)定一個(gè)代價(jià)函數(shù)，定義為將
其中
d(Vi，s)是每個(gè)區(qū)域中各節(jié)點(diǎn)到事件源的距離，是每個(gè)區(qū)域中各節(jié)點(diǎn)的剩余能量。參數(shù) α和β主要權(quán)衡兩種因素在篩選代表節(jié)點(diǎn)時(shí)所占的比重。重新計(jì)算每個(gè)區(qū)域中各節(jié)點(diǎn)的 代價(jià)函數(shù)值，將代價(jià)函數(shù)值最小的節(jié)點(diǎn)作為該區(qū)域的新碼字，計(jì)算新的平均失真率。(4)跳回到⑵重新執(zhí)行，直到前后訓(xùn)練得出的失真率之差小于某一門限值ε時(shí) 算法終止，此時(shí)篩選出滿足要求的代表節(jié)點(diǎn)的具體位置。權(quán)衡法是在矢量量化算法的基礎(chǔ)上考慮節(jié)點(diǎn)剩余能量，并通過迭代計(jì)算出符合失 真率要求的碼書及其具體位置。在匯聚節(jié)點(diǎn)上執(zhí)行的基于場景自適應(yīng)能量均衡的矢量量化 分簇方法是在失真度限制下篩選出數(shù)量最少的代表節(jié)點(diǎn)。
權(quán)利要求
一種基于場景自適應(yīng)能量均衡的傳感網(wǎng)網(wǎng)絡(luò)矢量量化分簇方法，其在匯聚節(jié)點(diǎn)上執(zhí)行選簇過程的特征包括A.讓事件源感知區(qū)內(nèi)所有節(jié)點(diǎn)都上報(bào)信息到匯聚節(jié)點(diǎn)；B.將上報(bào)信息的節(jié)點(diǎn)個(gè)數(shù)減小k(k為固定步長)，并判斷匯聚節(jié)點(diǎn)到事件源的距離，若距離較遠(yuǎn)，則采用排除法確定代表節(jié)點(diǎn)的具體位置；若距離較近，則采用權(quán)衡法確定代表節(jié)點(diǎn)的具體位置；C.根據(jù)代表節(jié)點(diǎn)的具體位置計(jì)算匯聚節(jié)點(diǎn)接收到信息的失真度；D.判斷接收到信息的失真度是否小于最大失真門限，若是，則算法終止，并將上一次迭代下的代表節(jié)點(diǎn)數(shù)作為滿足最大失真度門限下的最小代表節(jié)點(diǎn)數(shù)；否則，跳轉(zhuǎn)到步驟B。
2.如權(quán)利要求1所述方法，其排除法特征在于，在進(jìn)行每個(gè)區(qū)域新碼書的迭代過程中， 將每個(gè)區(qū)域中剩余能量小于該區(qū)域平均能量的節(jié)點(diǎn)排除在外，只讓剩余能量超過或等于該 區(qū)域平均能量的節(jié)點(diǎn)參與重新計(jì)算每個(gè)區(qū)域新的中心，并將離中心最近的節(jié)點(diǎn)作為該區(qū)域 的新碼字。
3.如權(quán)利要求1所述方法，其權(quán)衡法特征在于，在進(jìn)行每個(gè)區(qū)域新碼書的迭代過程中， 設(shè)定一個(gè)代價(jià)函數(shù)，定義為將/(、)= ^0一)+廠/% ,/^
。其中(1(\，s)是每個(gè)區(qū)域中各節(jié)點(diǎn)到事件源的距離，、是每個(gè)區(qū)域中各節(jié)點(diǎn)的剩余能量。參數(shù)α和β主要 權(quán)衡兩種因素在篩選代表節(jié)點(diǎn)時(shí)所占的比重。重新計(jì)算每個(gè)區(qū)域中各節(jié)點(diǎn)的代價(jià)函數(shù)值， 將代價(jià)函數(shù)值最小的節(jié)點(diǎn)作為該區(qū)域的新碼字。
全文摘要
本發(fā)明公開了一種基于場景自適應(yīng)能量均衡的無線傳感器網(wǎng)絡(luò)矢量量化分簇方法，包括在匯聚節(jié)點(diǎn)距離事件源較遠(yuǎn)時(shí)所采用的排除法確定最佳碼書的方法，和在匯聚節(jié)點(diǎn)距離事件較近時(shí)所采用的權(quán)衡法確定最佳碼書的方法；并采用迭代法篩選出最少的代表節(jié)點(diǎn)數(shù)。該發(fā)明充分考慮了節(jié)點(diǎn)的剩余能量因素，利用傳感器網(wǎng)絡(luò)的空間相關(guān)特性，采用基于剩余能量的矢量量化方法篩選出最少的代表節(jié)點(diǎn)數(shù)及其具體位置，使事件源感知區(qū)內(nèi)的節(jié)點(diǎn)相互協(xié)作，達(dá)到均衡網(wǎng)絡(luò)能量的目的；并解決了能量過少節(jié)點(diǎn)被重復(fù)選為代表節(jié)點(diǎn)而造成的部分節(jié)點(diǎn)過早死亡的問題，從而大大提高了網(wǎng)絡(luò)的生命周期和資源利用率。
文檔編號(hào)H04W40/20GK101917730SQ20101022793
公開日2010年12月15日 申請(qǐng)日期2010年7月16日 優(yōu)先權(quán)日2010年7月16日
發(fā)明者孫詠梅, 紀(jì)越峰, 駱淑云 申請(qǐng)人:北京郵電大學(xué)