一种改进的基于神经网络的WSN数据融合算法

为降低无线传感网络的能量消耗,提出了一种基于神经网络的数据融合改进算法(NBPNA),该算法将无线传感网络的分簇路由协议与BP神经网络结合起来,通过神经网络方法对簇内节点采集到的信息进行数据拟合,提取训练拟合好的权值与阈值,把其作为信息融合值传输;同时再通过将上一次拟合好的权值与阈值赋予下一次网络训练来减少神经网络的训练步数,减少网络训练所需的耗能;通过实验验证,该算法可有效减少网络通信量,降低节点能耗,延长网络寿命,同时还验证了本算法在环境监测等方面的可行性和有效性。     

基于非均匀分簇和蚁群神经网络的WSN数据融合算法

为了确保无线传感器网络在列车车厢中能高效稳定地工作,提出了一种基于蚁群优化神经网络的数据融合算法 (DFA-IACOBP)。该算法将无线传感器网络非均匀分簇结构与神经网络结构相结合,建立一个基于非均匀分簇路由神经网络的无线传感器网络数据融合模型。在非均匀分簇路由算法中,候选簇头根据竞争半径构造出大小不一的簇,并在每个簇中竞选出两个簇头。主簇头负责簇内信息采集和处理,副簇头承担簇间信息转发,神经网络的权值和阈值由蚁群算法优化寻得,优化后的神经网络能从存在大量冗余数据的无线传感器网络提取有效特征数据并传输至汇聚节点。仿真结果表明:DFA-IACOBP算法能大幅降低网络中冗余数据,减少网络数据通信量,提高特征数据采集效率和网络整体性能。     

WSN中的一种多传感器数据融合算法

为了适应无线传感器网络资源受限的特点,提出一种多传感器数据融合算法,算法在传感层和网络层之间增加数据融合层,将采集的数据分为实时数据和非实时数据,对数据进行约筒处理,提高传感器节点传输被采集信息的效率.利用TinyOS进行仿真测试,结果表明:数据融合算法可以有效地减少网络中数据通讯流量,节省传感器节点能量,延长网络生存时间.     

基于无偏灰色马尔科夫预测WSN数据融合算法

为了降低无线传感器网络节点的能量消耗,延长网络工作时间,提出基于无偏马尔科夫链预测的井下数据融合算法.该算法考虑矿井下监测数据的时间相关性,通过无偏灰色马尔科夫链预测模型,利用以往的数据对未来的数据进行预测,并设置阈值来判断是否需要上传数据,减少数据上传量,从而减少整个网络传输数据的能量消耗,延长网络寿命.仿真结果表明随着阈值的增加,上传的数据比率越小,网络的能量消耗更少,网络的寿命得到有效的延长.     

基于TEEN协议和BP神经网络的WSN数据融合模型

针对无线传感网感知数据中含有大量无效或冗余数据的现象,本文提出了一种基于TEEN协议和BP(Back Propagation, BP)神经网络的数据融合模型。该模型利用三层BP神经网络描述簇结构,通过TEEN阈值过滤非必要信息,在簇结构信息传输过程中运用神经网络功能函数处理大量感知数据,从中提取感知数据的特征值并转发至汇聚节点。实验仿真表明,该模型无论在数据通信量、使用寿命及网络消耗上都优于TEEN协议,在降低网络通信量和网络能耗的同时提升了网络的使用寿命,大大提升了数据采集的效率和性能。     

基于能量优化的WSN数据收集和融合算法

针对WSN路由协议LEACH中簇头负载过重的问题,提出一种改进的数据收集和融合算法LEACH-E,在簇的建立阶段根据节点的剩余能量及相对距离选择簇头;在通信阶段,运用主成分分析法对簇头收到的数据进行降维处理,再将融合后的数据沿着蚁群算法找到的最优路径以多跳方式发送给基站。仿真结果表明,该算法在均匀分簇、均衡节点能耗、延长网络生命等方面有更好的性能。     

基于递推最小二乘和改进支持度的WSN数据融合算法

无线传感器网络(WSN)在空间和时间上均存在数据冗余问题。为了在保证精度的前提下减少冗余量,提出了基于递推最小二乘和改进支持度的WSN数据融合方法。针对单个传感器节点,采用递推最小二乘法进行数据融合。针对节点之间的冗余问题,应用分批融合思想对系统降维,将灰色接近度理论与自支持度结合改进支持度函数,对各子系统分别采用基于改进支持度函数的加权算法进行融合。采用一个包含7个传感器节点的无线传感器网络对该算法进行了检验。结果表明,该融合算法能够显著减少数据计算量与传输量。融合后的数据均方误差为0.1597,能够满足实际应用对精度的要求。     

基于异常数据预处理和自适应估计的WSN数据融合算法

针对无线传感器网络（wireless sensor network,WSN）存在节点能量受限、测量精度低、生存期短等问题,提出一种基于异常数据预处理和自适应估计加权融合算法（abnormal data-preprocessing adaptive estimation weighting fusion,ADAEWF）。为了提高算法可靠性,提出了基于异常数据检测、简单多数原则和节点综合支持度函数的数据预处理机制;为了减小测量误差对融合精度的影响,基于分批估计和自适应理论对节点测量值进行自适应估计加权数据融合;然后,建立了WSN仿真模型,并分别获得了ADAEWF、自适应预测加权数据融合算法（adaptive forecast weighting data fusion,AFWDF）和算术平均值法下融合结果的均方误差和网络有效生存期。仿真结果显示：ADAEWF算法融合精度和网络有效生存期均优于AFWDF和算术平均值法,表明ADAEWF算法在提高融合数据有效性、网络有效生存期和融合精度方面具有优越性。     

WSN中基于分簇的模糊加权数据融合算法

为在数据收集和传输中保证数据的准确性和实时性,提出一种基于分簇的模糊加权数据融合算法(FWADF)。在簇内利用模糊逻辑控制器分析节点数据的可信度,确保数据的可信性,同时加入对数据优先级的考虑,减少网络时延。在簇间采用模糊加权矩阵方法提高数据的准确性。在NS-2仿真工具上的实验结果表明,在同等数据流量的前提下,采用FWADF算法时数据到达基站的时间延迟最短,在节点收集相同数据量的情况下,与Proposed DF、VWFFA、FIM等算法相比,基站获得数据的平均准确率分别提高5.0%、16.1%、9.5%。     

一种改进的一致性数据融合算法

针对目前数字滤波算法中存在对先验信息要求苛刻及定义数据间支持度中门限的预先设定问题,在基于测量方差加权算法基础上,引入相对距离和置信距离的思想对其次优融合估计结果进行改进。仿真结果直观地说明了该估计算法的有效性。     

基于自适应动态均匀分簇的WSN数据融合算法

针对LEACH算法无法进行数据融合以及簇首分布不均匀引起的局部网络能耗过多、失效过快等问题,提出一种基于自适应动态均匀分簇的数据融合算法ADUC.ADUC算法在簇结构生成阶段引入逻辑区域划分机制和簇首能量优选机制,保证了簇首分布的均匀性和网络的能量均衡性;在数据融合阶段使用自适应加权融合机制来减小冗余和误差,并减少报文数据的数量.仿真结果证明,ADUC算法可以在提高监测数据精度的同时减少网络中43.1％的总体能耗.     

基于隐私分级的WSN数据融合

无线传感器网络数据融合的现有隐私技术没有提供隐私分级且能耗较大.为了保护数据融合隐私,在隐私分级的基础上,提出数据融合隐私分级保护,基于参与预处理数据的节点数而提供不同的隐私级.根据所需隐私级,同一簇内的所有节点被分为多个组,同一组内的所有节点具有相同的隐私级,数据仅在同一组内进行处理.与存在的技术比较,数据融合隐私分级保护在确保期望的隐私级时,具有较低的能耗.     

基于启发式萤火虫的BP神经网络数据融合算法

为了减少无线传感器网络(WSNs)中的冗余数据,降低通信能耗并延长网络生命周期,提出了一种基于启发式萤火虫的反向传播神经网络数据融合算法(HFABPNN).通过引入“历史最优”位置作为启发信息更新萤火虫的位置信息,同时加入权重因子和步长因子使算法跳出局部最优.结合启发式萤火虫算法和BP神经网络,将启发式萤火虫算法的最优...     

一种基于LEACH的改进WSN路由算法

针对无线传感器网络中网络能量损耗不均的问题,提出了一种基于LEACH的改进节能路由协议LEACH-PSOC.本文针对LEACH算法中的簇首选举方法进行了改进,首先利用粒子群算法良好的收敛性和全局优化能力将整个网络区域合理分割成多个子区域,然后在子区域内通过考虑节点剩余能量的因素进而选举出簇首.实验结果表明:与经典路由协议LEACH相比,该协议能够更加有效的平衡网络负载,提高了能量的利用率,延长了网络的生命周期.     

基于Hopfield神经网络算法的WSN路径优化

针对无线传感器网络（WSN）能量有限的特点,提出一种新的基于Hopfield神经网络的路由优化算法,同时给出能量函数各参数之间的关系。通过Matlab软件对不同规模的网络进行仿真,仿真结果表明,该算法是可行的。     

一种改进的WSN数据收集方案

目前基于树的数据收集方法经常会造成节点负载不均衡、树的高度无法控制等问题,从而使得数据收集延迟加大。针对该问题,提出一个新的数据收集算法(DBDG)。该算法从一棵最少跳数树出发,迭代地选择网络中的一条边加入树,通过限定树的高度满足延迟限定,采用使树上瓶颈节点的度最小化来延长树的生命周期。仿真实验结果表明,与目前已有的协议相比,该算法能在限定的高度内构造生命周期更长的生成树。     

基于改进BP神经网络的非均衡数据分类算法

传统的分类算法大都默认所有类别的分类代价一致,导致样本数据非均衡时产生分类性能急剧下降的问题.对于非均衡数据分类问题,结合神经网络与降噪自编码器,提出一种改进的神经网络实现非均衡数据分类算法,在神经网络模型输入层与隐层之间加入一层特征受损层,致使部分冗余特征值丢失,降低数据集的不平衡度,训练模型得到最优参数后进行特征分类得到结果.选取UCI标准数据集的3组非均衡数据集进行实验,结果表明采用该算法对小数据集的分类精度有明显改善,但是数据集较大时,分类效果低于某些分类器.该算法的整体分类效果要优于其他分类器.     

WSN中基于GM-LSSVM的数据融合方法

针对传统时间序列预测融合算法对于具有非线性、随机性和突发性的数据拟合度不佳的问题,提出了一种基于灰色最小二乘支持向量机(GM-LSSVM)预测的时序数据融合方法.利用少量监测数据对模型进行训练,以灰色回归预测数据作为最小二乘支持向量机的输入数据,并对下一步未知信息进行预测,以达到减少通信开销的目的.实际测量结果表明,该方法所需样本数量较少,预测准确率较高,能有效降低数据传输开销.     

一种改进的WSN成簇算法

从保证无线传感器网络(WSN)感知覆盖性能角度出发,分析节点剩余能量、重叠感知覆盖率与簇头选择的关系,改进LEACH协议中簇头阈值选择前的信息采集过程,提出一种适用于高密度随机部署的WSN成簇算法。实验结果表明,该算法可有效保持网络感知覆盖率,从而延长网络寿命。