基于蚁群优化的WSN网络数据融合算法

为了减少WSN网络中数据传输量、优化无线传输距离,提出了一种基于蚁群优化的WSN网络数据融合算法.该算法构造数据融合树并根据WSN网络的传输特点改进了蚁群算法,考虑了路径偏转角对路由的影响,调整节点选择概率;同时对最优的多个路径更新信息素,以提升最优路径的全局搜索能力.在WSN网络节点能量消耗、传输延迟方面与经典算法对比,发现该算法能够有效延长网络的生命周期、降低节点能耗,并能改善网络负载均衡.     

基于最小Steiner树的无线传感器网络数据融合算法

能源有效性是无线传感器网络(WSN)路由算法设计首要考虑的问题,可以通过数据融合合并冗余数据而有效地节约网络能耗.WSN数据融合可以看作是寻找覆盖源节点和Sink节点的最小Steiner树(MST)问题.文章提出了一种MAX-MIN蚂蚁系统算法和自适应蚁群系统算法相结合的MST构造算法(MMACS),在此基础上,提出了一种基于MST的WSN数据融合算法(DAMST),该算法采用定向扩散的机制进行兴趣散布;利用MMACS算法构造MST,源节点的数据发送到构造好的MST上,经过融合后传输到Sink节点,减少了网络中传输的数据量.通过与其它算法比较,仿真表明DAMST算法降低了网络总能耗和平均时延,延长了网络生存时间.     

WSN中一种新的基于蚁群优化的路由算法

针对无线传感器网络路由中网络节点能量和生存时间受限问题,提出了一种基于蚁群优化的WSN分簇路由算法.算法引入蚁群优化,对网络覆盖区域内的节点进行分簇处理,簇内利用蚁群优化算法进行最优路径搜索.仿真结果表明:该算法能有效平衡网络节点间能耗,延长网络生存期,蚁群增强了最优路径的可靠性,进一步降低了网络能耗.     

改进蚁群算法与BP网络融合预测铅酸蓄电池SOC

人工神经网络通过模拟人脑神经网络的方式记忆、处理信息,具有很高的智能性,近些年来,被广泛应用在太阳能用铅酸蓄电池剩余电量预测的研究中,但是,收敛速度慢、对初值敏感以及较易陷于局部极小值等是单一神经网络算法难以解决的缺点.针对该问题,将蚁群算法进行改进并与BP神经网络相融合,先采用改进的蚁群算法将BP神经网络的权值参数进行全局训练,然后,采用BP神经网络算法进一步进行局部学习,从而获得最优的BP神经网络权值.最后,通过MATLAB仿真和实验验证了本课题所采用的改进蚁群与BP网络融合算法能明显改善BP网络的收敛速度以及预测精度,能准确地预测出太阳能蓄电池SOC.     

基于PCA-RBF神经网络的WSN数据融合轴承故障诊断

为了减少基于无线传感器网络（WSN）的轴承故障诊断系统数据传输总量和网络负载同时提高故障诊断准确性,提出一种采用主元分析（PCA）与径向基（RBF）神经网络结合轴承数据的融合与故障诊断算法.首先建立基于LEACH协议的3层融合模型,然后簇首节点采用PCA对大量多传感器数据降维,最后Sink节点采用RBF对数据进行决策级融合.仿真结果表明：该算法3个成员节点各上传10个数据包,簇头节点融合后剩余4个,融合率为86.7%,每组故障识别准确率大于85%.该算法具有很好的识别率和高压缩率,能够很好应用于煤矿设备故障监测.     

基于深度自编码网络的实验室WSN数据压缩算法

针对无线传感器网络节点冗余和数据重叠的问题,提出一种基于深度自编码网络的实验室WSN数据压缩算法来减少传感器通信和计算开销.使用K-means算法将传感器节点划分为不同的簇,使用深度神经网络对相同簇中节点采集的数据进行压缩编码与分类,从而减小数据规模.使用贝叶斯估计算法对压缩编码后的数据特征进行融合.仿真测试与实验结果表明,所提出的算法能明显减少数据量,相比于Megrez算法与E-CPDA算法的数据融合精度分别提升了4.2%和19%,同时能够增加无线传感器网络的生命周期.     

一种高性能数据融合算法在无线传感器网络中的应用

无线传感器网络对信息的安全性和可靠性比较敏感,在数据融合过程中易受到节点生存期短和数据被伪造或篡改等方面的威胁,为了提高融合结果的真实性与可靠性,本文提出一种针对网络路由和节点的优化改进策略,路由方面应用流量分布加权算法最大化网络的生命周期;节点方面,应用BP神经网络算法融合簇头节点和基站的数据,最后采用信誉度评价机制对网络的整体性能进行分析。实验表明,改进后的融合方法可靠性提高,较大程度减少了数据的冗余度、降低了能量的消耗,提高了整个网络的性能。     

基于改进Kruskal算法的WSN故障节点检测方法

提出了一种基于改进Kruskal算法的无线传感器网络（WSN）故障节点检测方法. 该方法首先通过集中式的改进Kruskal最小生成树算法来获取可信的节点集合,之后依据可信节点,采用邻居节点比较算法对传感器节点的感知值进行分布式分析和处理,判定发生故障的传感器节点. 同时为了容忍节点的临时故障,引入了时间冗余. 仿真结果表明,在节点故障率高达35%时,该方法依然能快速定位故障节点,并且同时保证很高的检测精确度.     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

基于GA-BP网络的脑电与心电融合疲劳识别算法研究

针对脑电信息在识别疲劳时不能完全反应疲劳状态和传统BP神经网络识别率低的问题,提出了一种基于改进GA-BP神经网络的脑电信号与心电信号融合的疲劳识别算法,运用到单兵精神疲劳状态的预测.首先,利用无线数据采集装置进行脑电和心电的数据采集.然后,对生物电数据进行伪迹去除和噪声滤波的数据预处理,利用小波包变换和Pan-Tompkins算法分别对脑电和心电数据进行特征提取,再将高维特征数据进行PCA降维来加快网络的学习速度.最后,将遗传算法优化后的改进BP神经网络参数作为其初始权重和阈值进行疲劳预测.疲劳实验对30位受试者的疲劳状态进行了识别预测,结果表明:融合了两种生物电信号的改进GA-BP网络模型的识别正确率为90.8%,优于传统BP神经网络和支持向量机的识别率.     

改进的蚁群优化算法在无线传感器网络中的应用

针对无线传感器网络节点能量十分有限的特点,将蚁群优化算法应用到传感器网络的路由中,提出了一种改进的蚁群路由算法(IARA)。在考虑节点剩余能量、传输方向和节点距离等因素的基础上,对基本蚁群算法的概率选择公式和信息素更新公式进行了改进,实现了能量在整个传感器网络上的均衡消耗。仿真结果表明:该算法减少了传感器网络的能量消耗,并且使能量消耗更加均衡,从而提高了整个无线传感器网络的生存寿命。     

基于CACO的WSN中QoS组播路由优化研究

随着无线传感器网络的广泛使用,提出了如何在无线传感网络中实现QoS效率的问题。针对无线传感器网络的动态网络环境和能量约束的问题,在优化网络动态结构的基础上,提出用混沌蚁群算法求解无线传感器网络的QoS组播路由的方法。该算法采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值,求解QoS组播路由速度快,延长了网络寿命。仿真结果表明混沌蚁群算法求解无线传感器网络的QoS组播路由的可行性和有效性。     

一种基于蚁群算法优化的WSN分簇路由算法

为了实现无线传感器网络对节点能量的高效利用,提出了一种蚁群优化的分簇路由算法CRAACA。该算法引入簇内平均剩余能量参数,对簇首选择阈值进行改进,以均衡簇内能耗;根据节点间的位置关系建立节点的可中继节点集,控制蚁群算法的搜索空间;蚁群在对可中继节点集进行路径搜索时考虑节点间的距离和节点的剩余能量,以生成节能和较好均衡网络能耗的多跳网络路由;对生成的多径路由依相应概率选择数据传输的路径,提高数据传输的可靠性。仿真结果表明,该算法在网络能量的利用效率、数据传送成功率,以及延长网络生存周期等方面具有较好的性能。     

Swarm intelligence based dynamic obstacle avoidance for mobile robots under unknown environment using WSN

To solve dynamic obstacle avoidance problems, a novel algorithm was put forward with the advantages of wireless sensor network （WSN）. In view of moving velocity and direction of both the obstacles and robots, a mathematic model was built based on the exposure model, exposure direction and critical speeds of sensors. Ant colony optimization （ACO） algorithm based on bionic swarm intelligence was used for solution of the multi-objective optimization. Energy consumption and topology of the WSN were also discussed. A practical implementation with real WSN and real mobile robots were carried out. In environment with multiple obstacles, the convergence curve of the shortest path length shows that as iterative generation grows, the length of the shortest path decreases and finally reaches a stable and optimal value. Comparisons show that using sensor information fusion can greatly improve the accuracy in comparison with single sensor. The successful path of robots without collision validates the efficiency, stability and accuracy of the proposed algorithm, which is proved to be better than tradition genetic algorithm （GA） for dynamic obstacle avoidance in real time.     

基于蚁群优化算法的无线传感器网络跨层路由协议

针对无线传感器网络对实时性、鲁棒性及能耗平衡要求较高的特点,提出了基于蚁群算法和跨层优化的无线传感器网络路由协议ABCRO（Ant-Based＆Cross-layer Routing Optimization）。算法综合考虑各层之间的信息共享机制,将链路的通信开销和链路通信情况以数据的形式转换为网络性能优良的评估参数;通过将接纳控制网络节点机制、信息素禁忌表的双向更新、节点剩余能量信息维护及跳数更新等信息加入路由选择公式,有效增强算法的可扩展性,降低通信过程中的拥塞问题。仿真实验表明ABCRO算法能够较快的寻找出一条最优的路径,从而平衡网络能耗,降低冲突率,有效提高网络整体性能,延长网络寿命。     

一种多目标蚁群优化的虚拟机放置算法

已有对数据中心虚拟机放置的研究大多为优化数据中心能源消耗和物理机资源浪费等,很少考虑数据中心网络流量的优化,有可能影响数据中心网络的扩展性.为了兼顾考虑物理机资源浪费和网络总流量两个方面,将虚拟机放置建模为多目标优化问题,同时优化2个目标:最小化物理机资源浪费以提高数据中心物理机使用效率;最小化网络总流量以改善数据中心网络的扩展性.设计了一种基于多目标蚁群优化的虚拟机放置算法来求解该问题.仿真实验结果表明,该算法与首次适合递减算法相比降低了物理机资源浪费和网络总流量,算法具备有效性.     

Autoregressive moving average model as a multi-agent routing protocol for wireless sensor networks

A prediction-aided routing algorithm based on ant colony optimization mode(PRACO)to achieve energy-aware data-gathering routing structure in wireless sensor networks(WSN)is presented.We adopt autoregressive moving average model(ARMA)to predict dynamic tendency in data traffic and deduce the construction of load factor,which can help to reveal the future energy status of sensor in WSN.By checking the load factor in heuristic factor and guided by novel pheromone updating rule,multi-agent,i.e.,artificial ants,can adaptively foresee the local energy state of networks and the corresponding actions could be taken to enhance the energy efficiency in routing construction.Compared with some classic energy-saving routing schemes,the simulation results show that the proposed routing building scheme can ① effectively reinforce the robustness of routing structure by mining the temporal associability and introducing multi-agent optimization to balance the total energy cost for data transmission,② minimize the total communication consumption,and ③ prolong the lifetime of networks.     

基于蚁群聚类和裁剪方法的RBF神经网络优化算法

提出了一种基于蚁群聚类算法和裁剪方法的RBF神经网络优化算法。利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法,提出一种新的聚类算法来确定RBF神经网络中基函数的位置;通过一种裁减的方法,除去对整个网络的输出贡献不是很重要的隐层单元来约简隐含层的神经元,以达到简化RBF神经网络结构的目的。对非线性函数进行逼近仿真,结果表明:优化算法有比较好的优化效果,而且,优化后的RBF神经网络的结构小,RBFNN的泛化能力得到了提高。