论文部分内容阅读
无线传感器网络对嵌入式计算技术、传感器技术、分布式信息处理技术以及无线通信技术进行了综合,属于一种新型传感网络模型,其成本较低、监测范围广泛,因此获得了广泛的应用。近年来,伴随着这一技术应用的深入,能耗问题已经成为对其发展造成限制的一个重要因素,如何在满足无线传感器工作性能的前提下,降低其能耗也成为了当前的一个重要课题。在降低无线传感器网络能耗的过程中,引入蚁群算法具有很强的可行性,利用蚁群算法能够实现对于BP神经网络的优化。本文以实现最小化网络能耗为目标,对基于蚁群算法(ACO)和BP神经网络算法(BPNN)的数据融合ACOBP算法问题进行了研究,将数据融合和路由问题抽象成一个NPC问题,并利用ACO及BPNN的互补来实现WSN簇内节点的能耗均衡。论文的主要研究内容可以分为以下几个方面：1.主要分析了WSN的体系结构、系统构成以及节点的组成,还阐述了WSN的关键技术以及它的特点、应用。随后详细分析了数据融合的定义和模型、数据融合的主要分类等。2.在对WSN及数据融合概念进行了分析的基础上,详尽分析了ACO的基本原理,核心问题、实现方法、优缺点以及在WSN中数据融合中的应用,研究了一个基于ACO数据融合的典型模型,此模型之中运用ACO算法选择簇头,能提升数据融合的效率。3.详尽分析了BPNN的基本原理,重点问题、优劣以及在WSN中数据融合中的应用。将BP神经网络和数据融合进行结合,得出基于BPNN的数据融合模型。把蚁群算法应用到BP神经网络,进行其结构以及参数的优化,基于蚁群优化的神经网络的收敛速度比较快,还可以克服BP算法容易陷入局部最优解的缺点。随后运用优化之后的BP神经网络,有效地提取无线传感器网络数据融合原始数据之中的少量特征数据,再把特征数据发送到汇聚节点,进而提升数据收集效率,延长网络生存周期。也就是利用ACO和BPNN两种算法的互补,引入ACOBP数据融合算法模型,并详细描述其实现过程。最后通过MATLAB仿真,和LEACH、BP以及GABP算法进行了性能对比分析,对网络能耗的降低情况进行了验证,还将该算法和GABP算法进行了进化代数优化对比,发现该算法的收敛性得以改善,网络能耗明显降低,网络生存周期得到了有效的延长。