کاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده
کاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده
هدف از این پایان نامه کاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده می باشد
مشخصات فایل
تعداد صفحات | ۱۶۰ |
حجم | ۴ کیلوبایت |
فرمت فایل اصلی | doc |
دسته بندی | مهندسی نرم افزار |
توضیحات کامل
دانلود پایان نامه کارشناسی ارشد مهندسی نرم افزار
کاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده
چکیده
امروزه، در شبکههای حسگر بیسیم، پروتکلهای مسیریابی مبتنی بر خوشهبندی از طریق تقسیم گرههای همسایه به خوشههای مجزا و انتخاب سرخوشههای محلی برای ترکیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گرههای شبکه، بهترین کارایی را از لحاظ افزایش طول عمر و حفظ پوشش شبکهای در مقایسه با سایر روشهای مسیریابی به دست میآورند.
با این وجود، همه پروتکلهای خوشهبندی ارایه شده تاکنون، تنها نزدیکی جغرافیایی(همسایگی) را به عنوان پارامتر تشکیل خوشهها در نظر گرفتهاند. در این تحقیق، یک پروتکل جدید خوشهبندی متمرکز مبتنی بر انرژی با استفاده از شبکه عصبی نقشه خودسازماندهی برای شبکههای حسگر بیسیم ارایه میشود که قادر به خوشهبندی گرههای شبکه بر اساس سطح انرژی و مختصات گرهها میباشد.
این پروتکل با استفاده از تعداد مشخصی از گرههای پرانرژی در شبکه و اعمال آنها به عنوان وزن نورونهای نقشه خودسازماندهی، نزدیکترین گرههای کمانرژی را جذب گرههای پرانرژی میکند؛ به طوری که خوشهها لزوماً از گرههای مجاور تشکیل نشده و در واقع براساس دو پارامتر سطح انرژی و همسایگی، خوشههایی با انرژی متوازن تشکیل خواهند شد. به علاوه یک تابع هزینه جدید به منظور تصمیمگیری در انتخاب گرههای سرخوشه، پیشنهاد شده است که سعی در ترکیب معیارهای مختلف موثر در انتخاب بر اساس میزان اهمیت آنها دارد. کارایی برتر این پروتکل از لحاظ افزایش طول عمر مفید شبکه و حفظ بهتر پوشش شبکهای در مقایسه با پروتکلهای پیشین نظیر LEACH و LEA2C و نیز تاثیر تابع هزینه پیشنهادی بر کارایی آن (با شبیهسازی) به اثبات رسیده است.
واژههای کلیدی:
خوشه بندی
شبکه عصبی
شبکه های عصبی SOM
شبکه های حسگر بیسیم
کاهش مصرف انرژی در شبکه های حسگر بیسیم
مقدمه
یکی از مهمترین ابزار کسب اطلاعات و درک محیط که تحقیقات گستردهای را به خود معطوف نموده، شبکههای حسگر بیسیم است. با وجود پیشرفتهای صورت گرفته در این نوع شبکهها، گرههای حسگر به دلیل تعداد زیاد، اندازه کوچک و روش قرارگیری اقتضایی، هنوز هم برای تامین انرژی خود، متکی به باتریهایی با توان اندک میباشند. همچنین معمولاً به دلیل بهکارگیری این نوع شبکهها در محیطهای خشن و غیرقابلدسترس، امکان شارژ مجدد یا تعویض گرههای حسگر وجود ندارد.
بنابراین یکی از مهمترین مسایل در شبکههای حسگر بیسیم، مساله محدودیت شدید انرژی است. همچنین از آن جایی که کارایی شبکههای حسگر به شدت به طول عمر شبکه و پوشش شبکهای آن وابسته است، بنابراین لحاظ نمودن الگوریتمهای ذخیره انرژی در طراحی شبکههای حسگر با عمر طولانی، امری حیاتی است. امروزه روشهای مدیریت پویای توان که به کاهش مصرف انرژی شبکههای حسگر بعد از طراحی و قرارگیری آنها میپردازند، از بالاترین اهمیت برخوردار میباشند. در سالهای اخیر برای مدیریت پویای توان، توجه به ابزارهای هوشمند و توانمندی نظیر شبکههای عصبی رونق چشمگیری یافته است.
یک شبکه عصبی، سیستمی بزرگ متشکل از عناصر پردازشی موازی یا توزیع شده است که در یک توپولوژی گراف به هم متصل شدهاند. دادهها جدا از پردازش ذخیره نمیشوند، زیرا دادهها فینفسه به هم متصل هستند. شبکههای عصبی، الگوریتمهای ریاضی هستند که قادر به یادگیری نگاشتهایی بین ورودی(ها) و خروجی(ها) از طریق آموزش تحت نظارت بوده یا قادر به دستهبندی اطلاعات ورودی به روشی بدون نظارت میباشند. که همه این قابلیتها در روشهای کاهش مصرف انرژی در شبکههای حسگر بیسیم کاربرد دارند.
ویژگیها و قابلیتهای منحصر به فرد شبکههای عصبی در کاهش ابعاد دادههای ورودی، ردهبندی و پیشبینی دادههای حسگر، انطباق خاصی با ویژگیها و نیازمندیهای شبکههای حسگر بیسیم دارد. از این رو شبکههای عصبی میتوانند ابزار مناسبی برای بهکارگیری در شبکههای حسگر بوده و با کاهش نیاز به برقراری ارتباطات بیسیم، تاثیر قابل ملاحظهای در کاهش مصرف انرژی شبکههای حسگر و افزایش طول عمر آنها داشته باشند. هدف ما از این تحقیق ارایه روشی بهینه برای کاهش مصرف انرژی در شبکههای حسگر با بهکارگیری قابلیتهای شبکههای عصبی میباشد. به منظور دستیابی به ساختاری منسجم و مناسب برای انجام تحقیق، در ادامه این فصل به بیان مهمترین اصول و پاسخگویی به سئوالات اصلی یک تحقیق علمی، پرداخته خواهد شد.
فهرست مطالب
فصل۱ مقدمه ۱
۱-۱٫ مقدمه ۲
۱-۲٫ تعریف مساله و سئوالات اصلی تحقیق ۳
۱-۳٫ فرضیهها ۴
۱-۴٫ اهداف تحقیق ۵
۱-۵٫ روش تحقیق ۵
۱-۶٫ مراحل انجام تحقیق ۶
۱-۷٫ ساختار پایاننامه ۶
فصل۲ مروری بر منابع مطالعاتی ۸
۲-۱٫ مقدمه ۹
۲-۲٫ طبقهبندی روشهای کاهش مصرف انرژی در شبکههای حسگر ۱۴
۲-۲-۱٫ چرخه وظایف ۱۷
۲-۲-۲٫ روشهای دادهگرا ۱۹
۲-۲-۳٫ روشهای مبتنی بر قابلیت تحرک ۲۲
۲-۳٫ نقش شبکههای عصبی در کاهش مصرف انرژی شبکههای حسگر ۲۳
۲-۳-۲٫ شبکههای عصبی در طرحهای چرخه وظایف ۲۹
۲-۳-۳٫ شبکههای عصبی در کاهش داده ۳۱
۲-۳-۴٫ شبکههای عصبی در شبکههای حسگر متحرک ۴۱
۲-۴٫ نتیجهگیری ۴۳
فصل۳ نقش شبکههای عصبی در مسیریابی انرژی آگاه ۴۴
۳-۱٫ مقدمه ۴۵
۳-۲٫ ویژگیهای مسیریابی در شبکه حسگر بیسیم ۴۶
۳-۳٫ روشهای مسیریابی در شبکههای حسگر بیسیم ۴۸
۳-۳-۱٫ مسیریابی مسطح ۴۹
۳-۳-۲٫ مسیریابی مبتنی بر مکان ۵۰
۳-۳-۳٫ مسیریابی سلسه مراتبی(مبتنی بر خوشهبندی) ۵۱
۳-۳-۴٫ پروتکل خوشهبندیLEACH 52
۳-۳-۵٫ پروتکل خوشهبندیLEACH متمرکز ۵۴
۳-۴٫ شبکههای عصبی در الگوریتمهای مسیریابی آگاه از انرژی ۵۶
۳-۴-۱٫ شبکه عصبی انتشار معکوس در کشف مسیر ۵۶
۳-۴-۲٫ شبکه عصبی نقشه خودسازماندهی در مسیریابی ۵۷
۳-۴-۳٫ پروتکلهای مسیریابی مبتنی بر نقشه خودسازماندهی ۶۰
۳-۵٫ پروتکل خوشهبندی پیوندگرا وفقی با انرژی پایین ۶۴
۳-۶٫ جمعبندی ۶۷
فصل۴ پروتکل جدید پیشنهادی ۶۸
۴-۱٫ مقدمه ۶۹
۴-۲٫ پروتکل مسیریابی خوشهبندی مبتنی بر انرژی خودسازمانده ۷۰
۴-۳٫ فرضیات الگوریتم ۷۰
۴-۴٫ مرحله خوشهبندی ۷۲
۴-۴-۲٫ مرحله اول : خوشهبندی با شبکه عصبی نقشه خودسازماندهی ۷۴
۴-۴-۳٫ مرحله دوم : خوشهبندی با الگوریتم K-means 82
۴-۴-۴٫ مرحله انتخاب سرخوشه ۸۴
۴-۵٫ مرحله انتقال داده ۸۷
۴-۶٫ مرحله خوشهبندی مجدد ۸۹
۴-۷٫ جمعبندی ۹۴
فصل۵ نتایج شبیهسازی و تحلیل آنها ۹۵
۵-۱٫ مقدمه ۹۶
۵-۲٫ پارامترهای شبیهسازی ۹۶
۵-۲٫ نتایج شبیهسازی ۹۸
۵-۲-۱٫ مقایسه نحوه تشکیل خوشهها در EBCS با پروتکل LEACH 98
۵-۲-۲٫ مقایسه کارایی EBCS با پروتکلهای پیشین از لحاظ طول عمر شبکه ۱۰۱
۵-۲-۳٫ ارزیابی تابع هزینه انتخاب سرخوشه برکارایی EBCS 105
۵-۲-۴٫ ارزیابی کارایی پروتکلEBCS در افزایش پوشش شبکهای ۱۰۸
۵-۳٫ جمع بندی ۱۱۲
فصل۶ جمعبندی و پیشنهادها ۱۱۴
۶-۱٫ مقدمه ۱۱۵
۶-۲٫ یافتههای تحقیق ۱۱۷
۶-۳٫ نوآوری تحقیق ۱۱۸
۶-۴٫ پیشنهادها ۱۱۹
مراجع ۱۲۱
واژهنامه ۱۳۱
فهرست علائم اختصاری
میانگین متحرک خودبازگشتی Auto Regressive Moving Average ARMA
واحد دارای بیشترین انطباق Best Matching Unit BMU
شبکه عصبی انتشار معکوس Back Propagation Neural Network BP NN
تشکیل پویای گره Dynamic Node Creation DNC
خوشهبندی مبتنی بر انرژی با نقشه خودسازماندهی Energy Based Clustering Self organizing map EBCS
الگوریتم ژنتیک Genetic Algorithm GA
سیستم موقعیتیاب جهانی Global Positioning System GPS
شبکه عصبی هاپفیلد Hopfield Neural Network HNN
شناسه IDentity ID
پروتکل اینترنت Internet Protocol IP
انتساب داده احتمالی مشترک Joint Probabilistic Data Association JPDA
نقشه خودسازماندهی کوهونن Kohonen Self Organizing Map KSOM
خوشهبندی پیوندگرای وفقی با انرژی پایین Low Energy Adaptive Connectionist Clustering
LEA2C
سلسه مراتب خوشهبندی وفقی با انرژی پایین Low-Energy Adaptive Clustering Hierarchy
LEACH
LEACH متمرکز Low Energy Adaptive Connectionist Clustering- Centralized LEACH-C
شبکه عصبی با میدانهای پذیرندهه محلی Localized Receptive Field LRF NN
کنترل دستیابی رسانه Multiple Access Control MAC
نرمافزار مطلب MATrix Laboratory MATLAB
تخمینزننده اتصال با الهام از شبکه عصبی Neurally Inspired Contact Estimator NICE
شبکه عصبی Neural Network NN
شبکه عصبی با تابع شعاعی Radial Basis Function Neural Network RBF NN
شبکهعصبینقشهخودسازماندهی Self Organizing Map Neural Network SOM NN
شبکه حسگر بیسیم Wireless Sensor Network WSN
////////////////////////////////////
تحقیقات مرتبط با WSN:
امنیت در شبکه های WSN
شبکههای بیسیم حسگر WSN
مسیریابی در شبکه های WSN
بررسی نحوه محاسبه انرژی مصرفی گره در WSN و ارائه الگوریتمی برای تعیین مناسب سرگروه شدن گره
توضیحات بیشتر و دانلود
صدور پیش فاکتور، پرداخت آنلاین و دانلود
قوانین ارسال دیدگاه در سایت