کاهش مصرف انرژی در شبکههای حسگربیسیم با استفاده از شبکههای عصبی SOM
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 417
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CITMC01_140
تاریخ نمایه سازی: 14 مرداد 1394
Abstract:
در سال های اخیر تمایلات شدیدی به استفاده از روش های هوش مصنوعی در کاهش مصرف انرژی شبکه های حسگر بیسیم ایجاد شده است.در شبکه های 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 وحفظ پوشش شبکهایدر 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 خود سازماندهی برای شبکه های 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 طوریکه 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 اهمیتآنها دارد.کارایی برتر این پروتکل از لحاظ افزایش طول عمر مفید شبکه و حفظ بهتر پوشش شبکهایدر مقایسه با پروتکلهای پیشین نظیر LEACH و LEA2C و نیز تاثیر تابع هزینه پیشنهادی بر کارایی آن با شبیهسازی به اثبات رسیده است.
Keywords:
Authors
فرامرز احمدنژاد
دانشگاه پیام نور مرکز بین المللی عسلویه
نیما جعفرزاده
دانشگاه آزاد اسلامی واحد تهران جنوب،
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :