基于能量优化的LEACH路由协议改进

针对LEACH路由算法中簇头选举随机性和簇头与基站直接通信导致能量消耗过快且不平衡的特点,提出新的改进算法,以达到降低能耗目的。在改进算法中,簇头剩余能量高于网络平均能量。根据簇头节点与基站的相对位置划分不同区域,簇头节点发送数据采用多跳方式,避免簇头节点能量消耗过快,达到平衡网络能量消耗的目的。仿真表明,通过改进簇头选举条件和采用多跳路由的方式,即使在数据通信量增加的情况下,依然能够延长网络通信时间。     

基于LEACH协议的数据融合技术

提出一种基于LEACH协议的两层数据融合方案（MLDA-LEACH）。根据LEACH协议的分簇结构,首先,簇成员节点使用卡尔曼滤波算法对采集的源数据进行去噪处理;然后,簇首节点采用分布图法对数据进行预处理,再应用自适应加权算法进行数据融合。实验结果表明,这种基于LEACH协议的两层数据融合方案MLDA-LEACH与传统LEACH算法相比有效地减少了冗余数据,降低了传感器节点的能耗,延长了无线传感器网络的生命周期。     

无线传感器网络LEACH路由协议的研究与改进

针对LEACH算法簇头选举方式的不足进行了改进,采用的方法是选举出最优数目的高能量簇头集来担任簇头工作.仿真结果表明,改进后的算法能够提供更长的网络生命周期和更高的网络吞吐率.     

一种基于遗传算法的无线传感器网络LEACH路由协议的改进算法

针对LEACH协议存在的簇首数目与最优簇数目不一致,随机选择簇首,未考虑节点剩余能量、节点位置和节点密集度等问题,提出了一种基于遗传算法的新型路由算法LEACH-GEC,算法首先利用最优簇数目与遗传算法的结合对网络节点进行分簇,然后利用节点剩余能量、距簇内质心的距离、节点覆盖度和共享密钥数目等约束条件来选择簇首.仿真表明:改进后的路由算法较LEACH协议分簇更均匀,簇首选取更合理,有效延长了网络寿命,同时还可以确保簇内通信的安全性.     

无线传感器网络LEACH路由协议的改进

针对LEACH协议的不足,提出了一种基于k均值聚类的多跳分簇路由算法LEACH—KMCM．经过MATLAB仿真平台的测试,与LEACH协议相比,LEACH—KMCM使得整个网络的生命周期延长,具有较好的能量优化特性．     

无线传感器网络LEACH路由协议改进算法

路由协议是无线传感器网络网络层的核心技术,而路由协议中的路由算法却起着至关重要的作用。文章在LEACH协议基础上,提出了一种改进的LPEA路由算法。经过仿真分析,LPEA路由算法与LEACH算法相比,能进一步降低网络能量消耗,延长了网络生存周期。验证了该协议算法具有一定的可行性和有效性。     

无线传感器网络基于类的LEACH路由算法研究

无线传感器网络（WSN）融合了计算、通信和传感器这三项技术的交叉应用,具有十分广阔的应用前景。本文研究了无线传感器网络中基于类的路由算法-LEACH（Low Energy Adaptive Clustering Hierarchy）,分析了该协议的优点和局限性,并对进一步的研究提出了展望。     

基于备用节点的无线传感器网络LEACH协议的改进

无线传感器网络中路由协议最重要的设计目标是延长网络生存时间.基于已有的LEACH协议,融入了负载平衡和备用节点的思想,让备用节点尽量处于睡眠状态,对LEACH协议进行了改进.分析与仿真结果表明,当节点密度较大时,改进协议保证了簇的规模在整个网络中合理均匀的分布,并可显著地延长网络生存时间.     

一种基于多路数据融合的WSN路由协议

提出了一种基于多路数据融合的无线传感器网络路由协议,介绍了该协议运用的数据融合等相关技术,叙述了该协议的实现过程,并运用仿真工具评估了该协议的性能指标。仿真结果表明,由于使用了该协议,节省了网络节点能量,延长了网络的生存周期。     

一种应用于煤矿井下LEACH路由协议的改进

介绍感知矿山物联网的建设目的;分析了LEACH协议应用于煤矿井下的优势及不足。针对煤矿井下的特殊地理环境,分析了LEACH协议应用于煤矿井下形成的"热区"问题的原因,从而得出网络总能耗和传感器网络生命周期在煤矿井下的重要性。在此基础上,提出了适合于煤矿井下的LEACH—I协议。通过Matlab仿真,LEACH—I协议在网络总能耗和传感器网络生命周期等性能优于LEACH,更适合应用于煤矿井下。     

基于能量和距离的LEACH算法改进

本文重点研究WSN分簇路由协议LEACH,无线传感器网络节点数量庞大、单个节点资源极其有限,其路由协议设计的首要目标是提高能量有效性,延长网络生命周期。有针对性的选择了LEACH作为研究重点,针对其簇首选择时不考虑剩余能量,簇首直接与基站通信,远端节点耗能过大,容易出现热点问题,导致网络能耗严重不均衡的不足加以改进,提出了一种新的基于能量和距离的多跳路由算法EDMRCH(Low Energy and Distance Multi-hop Routing Clustering Hierarchy),其中借鉴了SPEED、DD等协议的优秀思想,概括为以下三点:改进了阀值T(n)的计算方法和簇的形成过程;引入簇间采取多跳通信方式,簇首节点只需将数据发送给邻近的节点而不是相距很远的Sink节点,有效的避免了热点问题,提升整个网络的负载均衡性。     

基于LEACH协议的改进路由算法

路由算法是无线传感器网络核心技术之一.算法设计的主要目标是减小网络中各个传感器节点的能量消耗,以提高各节点以及整个网络的运行寿命.在低功耗自适应集簇分层协议(LEACH)算法的基础上,结合链状路由算法,改进了数据传输方式和数据融合过程,提出了一种新路由算法,有效延长了网络生存时间,适用于较大规模的网络.     

基于代理和熵权的无线传感器网络数据融合

为了解决节点分布密集环境中网络数据融合能耗较大的问题,提出了一种基于代理和熵权的分组融合算法。该算法首先通过节点监测数据相似度的对比,摒除组内故障节点的影响;然后采用C/S模式对组内节点进行融合,以组融合数据代替节点数据参与融合;最后采用代理模式对各组融合数据进行熵权融合。仿真结果证明该方案能以较小的能耗代价获取准确的融合结果,有效减少了网络延迟。     

基于休眠簇头的LEACH算法研究

针对无线传感器网络中传感器有限能量的特点,在分析LEACH算法的基础上．提出一种休眠簇头的算法——S_LEACH,以达到延长网络生存期的目的。新算法一次性选定所需要的工作簇头和休眠簇头,并且只分一次簇,节省了在LEACH中N再次簇头选举和分簇消耗的能量。使用Matlab进行算法改进前后的仿真,结果表明改进后的算法网络生存期延长了大约34％。     

无线传感器网络簇内自适应融合算法研究*

无线传感器网络中采集的数据存在着较大的冗余与误差,且影响数据的可靠性。针对这个问题,分析了簇内数据误差成因,提出了一种改进后的自适应数据融合算法。该算法从节点测量数据自身着手,通过迭代得到各个节点测量数据的无偏估计值,以各个节点与估计值的欧氏距离作为各节点可信度的描述。实验证明,该融合算法提高了数据的精度和可信度。同时,通过与分批估计融合方法和传统的自适应加权融合方法的比较分析,表明该方法融合效果更好。     

无线传感器网络中基于代理的D-S数据融合

提出了一种无线传感器网络中基于移动代理带证据权的D S融合算法。引入证据权对证据进行修正以降低冲突数据对融合结果的影响。采用三级D S组合规则进行融合决策：节点级融合计算单个节点时间域融合检测概率;簇内级融合计算簇内节点间空间域融合检测概率获取局部决策结果;簇间级融合计算簇间的融合检测概率获取最终的全局决策结果。仿真结果表明,本算法能以较小的能耗代价获取准确的融合结果并有效降低冲突数据对融合结果的影响。     

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。     

一种基于LEACH协议高效节能的数据融合算法

针对无线传感器网络LEACH协议中簇首节点传输数据的冗余,使通信量过大,导致整个网络寿命短的问题,考虑到不同属性数据存在线性相关性,通过引入云理论和最小二乘的思想,提出了一种云加权—最小二乘（ CW-LS）数据融合算法。仿真结果和分析表明：该算法能够消除冗余信息,使数据更加准确,减少了数据传输量,从而有效地延长了网络寿命。     

一种无线传感器网络LEACH协议的改进方法

LEACH是一种经典的层次型路由协议,然而该算法簇头是自适应随机生成,未考虑当前节点剩余能量,因此簇头的选择会使网络中能量损耗不均衡,导致网络过早死亡.为了避免能量较少节点因为当选为簇头后过早死亡,提出了一种新的路由协议（LEACH-PHQ）.改进后的算法在簇头选择阶段综合考虑了各个节点的剩余能量,在数据传输阶段采用数据融合和多跳传输的策略.实验结果表明,改进后的方法有效地减少了网络能量消耗,保证了网络负载的平衡,又延长了网络的寿命.     

多分辨率数据融合算法的应用

在分析基于移动代理的多分辨率数据融合(MRI)算法的基础上,给出了一个确定灾难发生概率的应用实例。在实例中对基于移动代理的MRI算法进行了改进,实验结果表明基于移动代理的MRI改进方法与传统的基于客户端/服务端（C/S）模式的方法相比具有延迟短、能耗小、伸缩性强等优点。应用此方法预测某一事件的发生是成功的、可行的,并且具有较高的灵活性。