صفحه محصول - كاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده

دانلود پایان نامه کارشناسی ارشد مهندسی نرم افزار

كاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده

 
 
چکیده
 امروزه، در شبكه‌های حسگر بی‌سیم، پروتكل‌های مسیریابی مبتنی بر خوشه‌بندی از طریق تقسیم گره‌های همسایه به خوشه‌های مجزا و انتخاب سرخوشه‌های محلی برای تركیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گره‌های شبكه، بهترین كارایی را از لحاظ افزایش طول عمر و حفظ پوشش شبكه‌ای در مقایسه با سایر روش‌های مسیریابی به‌ دست می‌آورند. 
 
با این وجود، همه پروتكل‌های خوشه‌بندی ارایه شده تاكنون، تنها نزدیكی جغرافیایی(همسایگی) را به عنوان پارامتر تشكیل خوشه‌ها در نظر گرفته‌اند. در این تحقیق، یك پروتكل جدید خوشه‌بندی متمركز مبتنی بر انرژی با استفاده از شبكة عصبی نقشة خودسازماندهی برای شبكه‌های حسگر بی‌سیم ارایه می‌شود كه قادر به خوشه‌بندی گره‌های شبكه بر اساس سطح انرژی و مختصات گره‌ها می‌باشد. 
 
این پروتكل با استفاده از تعداد مشخصی از گره‌های پرانرژی در شبكه و اعمال آن‌ها به عنوان وزن نورون‌های نقشة خودسازماندهی، نزدیك‌ترین گره‌های كم‌انرژی را جذب گره‌های پرانرژی می‌كند؛ به طوری كه خوشه‌ها لزوماً از گره‌های مجاور تشكیل نشده و در واقع براساس دو پارامتر سطح انرژی و همسایگی، خوشه‌هایی با انرژی متوازن تشكیل خواهند شد. به علاوه یك تابع هزینه جدید به منظور تصمیم‌گیری در انتخاب گره‌های سرخوشه، پیشنهاد شده است كه سعی در تركیب معیارهای مختلف موثر در انتخاب بر اساس میزان اهمیت آن‌ها دارد. كارایی برتر این پروتكل از لحاظ افزایش طول عمر مفید شبكه و حفظ بهتر پوشش شبكه‌ای در مقایسه با پروتكل‌های پیشین نظیر LEACH و LEA2C و نیز تاثیر تابع هزینه پیشنهادی بر كارایی آن (با شبیه‌سازی) به اثبات رسیده است. 
 
 
 
واژه‌های كلیدی:

خوشه بندی

شبكه عصبی

شبكه های عصبی SOM

شبكه های حسگر بی‌سیم

كاهش مصرف انرژی در شبكه های حسگر بی‌سیم

 
 
 
 
مقدمه
یكی از مهمترین ابزار كسب اطلاعات و درك محیط كه تحقیقات گسترده‌ای را به خود معطوف نموده، شبكه‌های حسگر بی‌سیم است. با وجود پیشرفت‌های صورت گرفته در این نوع شبكه‌ها، گره‌های حسگر به دلیل تعداد زیاد، اندازه كوچك و روش قرارگیری اقتضایی، هنوز هم برای تامین انرژی خود، متكی به باتری‌هایی با توان اندك می‌باشند. همچنین معمولاً به‌ دلیل به‌كارگیری این نوع شبكه‌ها در محیط‌های خشن و غیر‌قابل‌دسترس، امكان شارژ مجدد یا تعویض گره‌های حسگر وجود ندارد.
 
 بنابراین یكی از مهمترین مسایل در شبكه‌های حسگر بی‌سیم، مسالة محدودیت شدید انرژی است. همچنین از آن جایی كه كارایی شبكه‌های حسگر به شدت به طول عمر شبكه و پوشش شبكه‌ای آن وابسته است، بنابراین لحاظ نمودن الگوریتم‌های ذخیرة انرژی در طراحی شبكه‌های حسگر با عمر طولانی، امری حیاتی است.  امروزه روش‌های مدیریت پویای توان كه به كاهش مصرف انرژی شبكه‌های 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 شبكه‌های عصبی رونق چشم‌گیری یافته است. 
 
یك شبكة عصبی، سیستمی بزرگ متشكل از عناصر پردازشی موازی یا توزیع شده است كه در یك توپولوژی گراف به هم متصل شده‌اند. داده‌ها جدا از پردازش ذخیره نمی‌شوند، زیرا داده‌ها فی‌نفسه به هم متصل هستند. شبكه‌های عصبی، الگوریتم‌های ریاضی هستند كه 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. كه همه این قابلیت‌ها در روش‌های كاهش مصرف انرژی در شبكه‌های حسگر بی‌سیم كاربرد دارند.
 
 ویژگی‌ها و قابلیت‌های منحصر به فرد شبكه‌های عصبی در كاهش ابعاد داده‌های ورودی، رده‌بندی  و پیش‌بینی داده‌های حسگر، انطباق خاصی با ویژگی‌ها و نیازمندی‌های شبكه‌های حسگر بی‌سیم دارد. از این رو شبكه‌های عصبی می‌توانند ابزار مناسبی برای به‌كارگیری در شبكه‌های حسگر بوده و با كاهش نیاز به برقراری ارتباطات بی‌سیم، تاثیر قابل ملاحظه‌ای در كاهش مصرف انرژی شبكه‌های حسگر و افزایش طول عمر آن‌ها داشته باشند. هدف ما از این تحقیق ارایه روشی بهینه برای كاهش مصرف انرژی در شبكه‌های حسگر با به‌كارگیری قابلیت‌های شبكه‌های 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 یك تحقیق علمی، پرداخته خواهد شد.
 
 
 
 
فهرست مطالب
 
فصل1 مقدمه 1
1-1. مقدمه 2
1-2. تعریف مساله و سئوالات اصلی تحقیق 3
1-3. فرضیه‌ها 4
1-4. اهداف تحقیق 5
1-5. روش تحقیق 5
1-6. مراحل انجام تحقیق 6
1-7. ساختار پایان‌نامه 6
 
فصل2 مروری بر منابع مطالعاتی 8
2-1. مقدمه 9

2-2. طبقه‌بندی روش‌های كاهش مصرف انرژی در شبكه‌های حسگر 14

2-2-1. چرخة وظایف 17
2-2-2. روش‌های داده‌گرا 19
2-2-3. روش‌های مبتنی بر قابلیت تحرك 22

2-3. نقش شبكه‌های عصبی در كاهش مصرف انرژی شبكه‌های حسگر 23

2-3-2. شبكه‌های عصبی در طرح‌های چرخه وظایف 29
2-3-3. شبكه‌های عصبی در كاهش داده 31

2-3-4. شبكه‌های عصبی در شبكه‌های حسگر متحرك 41

2-4. نتیجه‌گیری 43
 

فصل3 نقش شبكه‌های عصبی در مسیریابی انرژی آگاه 44

3-1. مقدمه 45

3-2. ویژگی‌های مسیریابی در شبكه حسگر بی‌سیم 46

3-3. روش‌های مسیریابی در شبكه‌های حسگر بی‌سیم 48

3-3-1. مسیریابی مسطح 49
3-3-2. مسیریابی مبتنی بر مكان 50

3-3-3. مسیریابی سلسه مراتبی(مبتنی بر خوشه‌بندی) 51

3-3-4. پروتكل خوشه‌بندیLEACH 52
3-3-5. پروتكل خوشه‌بندیLEACH متمركز 54

3-4. شبكه‌های عصبی در الگوریتم‌های مسیریابی آگاه از انرژی 56

3-4-1. شبكة عصبی انتشار معكوس در كشف مسیر 56
3-4-2. شبكة عصبی نقشة خودسازماندهی در مسیریابی 57

3-4-3. پروتكل‌های مسیریابی مبتنی بر نقشة خودسازماندهی 60

3-5. پروتكل خوشه‌بندی پیوندگرا وفقی با انرژی پایین 64
3-6. جمع‌بندی 67
 
فصل4 پروتكل جدید پیشنهادی 68
4-1. مقدمه 69

4-2. پروتكل مسیریابی خوشه‌بندی مبتنی بر انرژی خودسازمانده 70

4-3. فرضیات الگوریتم 70
4-4. مرحلة خوشه‌بندی 72
4-4-2. مرحلة اول : خوشه‌بندی با شبكة عصبی نقشة خودسازماندهی 74
4-4-3. مرحلة دوم : خوشه‌بندی با الگوریتم K-means 82
4-4-4. مرحلة انتخاب سرخوشه 84
4-5. مرحلة انتقال داده 87
4-6. مرحلة خوشه‌بندی مجدد 89
4-7. جمع‌بندی 94
 
فصل5 نتایج شبیه‌سازی و تحلیل آن‌ها 95
5-1. مقدمه 96
5-2. پارامترهای شبیه‌سازی 96
5-2. نتایج شبیه‌‌سازی 98

5-2-1. مقایسة نحوة تشكیل خوشه‌ها در EBCS  با پروتكل LEACH 98

5-2-2. مقایسة كارایی EBCS با پروتكل‌های پیشین از لحاظ طول عمر شبكه 101

5-2-3. ارزیابی تابع هزینه انتخاب  سرخوشه بركارایی EBCS 105

5-2-4. ارزیابی كارایی پروتكلEBCS در افزایش پوشش شبكه‌ای 108

5-3. جمع بندی 112
 
فصل6 جمع‌بندی و پیشنهاد‌ها 114
6-1. مقدمه 115
6-2. یافته‌های تحقیق 117
6-3. نوآوری تحقیق 118
6-4. پیشنهاد‌ها 119
مراجع 121
واژه‌نامه 131
 
 
 
 
 
 
فهرست علائم اختصاری
 
میانگین متحرك خودبازگشتی Auto Regressive Moving Average ARMA
واحد دارای بیشترین انطباق Best Matching Unit BMU
شبكة عصبی انتشار معكوس Back Propagation Neural Network BP NN
تشكیل پویای گره Dynamic Node Creation DNC
خوشه‌بندی مبتنی بر انرژی با نقشه خودسازماندهی Energy Based Clustering Self organizing map EBCS
الگوریتم ژنتیك Genetic Algorithm GA
سیستم موقعیت‌یاب جهانی Global Positioning System GPS
شبكة عصبی هاپفیلد Hopfield Neural Network HNN
شناسه IDentity ID
پروتكل اینترنت Internet Protocol IP
انتساب دادة احتمالی مشترك Joint Probabilistic Data Association JPDA
نقشة خودسازماندهی كوهونن 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 متمركز Low Energy Adaptive Connectionist Clustering- Centralized LEACH-C
شبكة عصبی با میدان‌های پذیرنده‌ة محلی Localized Receptive Field LRF NN
كنترل دستیابی رسانه Multiple Access Control MAC
نرم‌افزار مطلب MATrix Laboratory MATLAB
تخمین‌زنندة اتصال با الهام از شبكة ‌عصبی Neurally Inspired Contact Estimator NICE
شبكة‌ عصبی Neural Network NN
شبكة عصبی با تابع شعاعی Radial Basis Function Neural Network RBF NN
شبكة‌عصبی‌نقشة‌خودسازماندهی Self Organizing Map Neural Network SOM NN
شبكة حسگر بی‌سیم Wireless Sensor Network WSN
 
 

 

فایل های دیگر این دسته