基于空间压缩的簇头优化选举算法制造技术

本发明专利技术公开了一种基于空间压缩的簇头优化选举算法，将N个感知节点随机散布在一个正方形的区域内，sink节点位于整个网络的正中心，传感器网络进入循环运行，每次循环首先进行簇的建立，利用簇头选举算法搜索簇头节点的最佳位置，感知节点选择距离最近的簇头节点自行成簇；然后进行数据传输，将感知节点数据传输至簇头节点，基于空间压缩原理压缩数据得到空间压缩数据，并将空间压缩数据传输至sink节点；最后进行数据重构，sink节点对数据进行实时重建。本发明专利技术实现网络中的簇头分布相对均匀以及进一步延长网络生命周期，解决簇头节点随机选举影响网络可靠性的技术问题。

【技术实现步骤摘要】
基于空间压缩的簇头优化选举算法
本专利技术属于无线传感器网络领域，具体涉及一种基于空间压缩的簇头优化选举算法。
技术介绍
无线传感器网络在监测、管理等多种智能服务中，发挥着越来越重要的作用，目前无线传感器网络已经应用于多个领域，其中包括军事、工业、环境监测以及医疗服务等。利用压缩感知(CompressedSensing，CS)技术挖掘无线传感器网络传输信号空间相关性。而CS技术的应用前提要求原始采集信号在某些域内具有一定相关性，限制了CS技术的应用范围。对于簇头选举方式来说，由于传统的研究内容是从减少数据传输量的角度出发，而忽略了网络自身的结构问题。从网络结构的角度，传统的簇头选举方案采用循环的方法平均网络能耗，但簇头的选择均为随机选择，其中每个感知节点成为簇头的概率均相同。在完成一定的循环次数后，剩余能量较多的感知节点与剩余能量较少的感知节点仍然具有相同的概率当选为簇头。若剩余能量较少的节点当选为簇头，则会加速该节点的死亡，同时也影响网络的可靠性，缩短了网络生命周期。不仅如此，传统的簇头选举方案也无法保证簇头的位置，簇的规模不受控制。为了有效的减少网络的能量消耗，实现对簇分布的有效控制，延长网络的生命周期，本方案考虑将压缩感知技术与簇头选举方式的优化技术结合在一起。
技术实现思路
本专利技术的目的在于减少网络的能量消耗，实现对簇分布的有效控制，提出一种基于空间压缩的簇头优化选举算法，通过引入能量与距离两种约束参数优化无线传感器网络簇头选举方法，并且深入挖掘感知数据的空间相关性，实现网络中的簇头分布相对均匀以及进一步延长网络生命周期，解决簇头节点随机选举影响网络可靠性的技术问题。本专利技术采用如下技术方案，一种基于空间压缩的簇头优化选举算法，将N个感知节点随机散布在一个正方形的区域内，汇聚(sink)节点位于整个网络的正中心，传感器网络进入循环运行，每次循环运行包括以下步骤：1)簇的建立：利用粒子群算法优化簇头选举算法，通过优化的簇头选举算法搜索簇头节点的最佳位置，感知节点选择距离最近的簇头节点自行成簇；2)数据传输：将感知节点数据传输至簇头节点，基于空间压缩原理压缩数据得到空间压缩数据，并将空间压缩数据传输至sink节点；3)数据重构：sink节点对数据进行实时重建。优选地，所述步骤1)中感知节点确定位置后将包含感知节点剩余能量与位置信息的数据包LM发送至sink节点，sink节点得到感知节点传输数据所消耗的能量ECM和感知节点与sink节点之间的距离di-sink，在sink节点中执行优化的簇头选举算法搜索簇头节点的最佳位置，并将簇头节点的最佳位置向全网络广播。优选地，搜索簇头节点的最佳位置具体步骤为：11)初始化S个粒子，每个粒子包含K个随机的簇头节点；12)计算第i个感知节点与粒子p中簇头节点k的距离并将第i个感知节点分配到距离最近的簇头节点；13)计算目标函数值cost及适应值，并进行迭代；cost＝β1f1+β2f2+β3f3其中，f1代表簇内感知节点与簇头节点的距离适应值；f2代表簇头节点的能量适应值；f3代表簇头节点与sink节点的距离适应值；β1，β2，β3为各适应值函数的权重系数，β1+β2+β3＝1；Cp，k表示粒子p中簇Ck，|Cp，k|表示粒子p中簇Ck所拥有的感知节点数量，CHp，k表示粒子p中的簇头节点k，ni表示第i个感知节点，E(ni)表示第i个感知节点的剩余能量，E(CHp，k)表示粒子p中的簇头节点k的剩余能量，N表示感知节点的数量，表示粒子p中簇头节点k与sink节点间的距离；14)确定每个粒子的个体最优簇头组位置Pj＝(pj1，pj2，…，pjd)以及全局最优簇头组位置Po＝(po1，po2，…pod)，更新每个粒子速度vjd与位置ljd，vjd＝αvjd+c1r1(pjd-ljd)+c2r2(pod-ljd)ljd＝ljd+vjd其中，第j个粒子的位置向量表示为lj＝(lj1，lj2，…ljd)，ljd为d维空间中第j个粒子的位置向量，第j个粒子的个体最优簇头组位置即为第j个粒子经历过的最佳位置Pj＝(pj1，pj2，…，pjd)，pjd为d维空间中第j个粒子经历过的最佳位置，全局最优簇头组位置即为所有粒子中经历过的最佳位置Po＝(po1，po2，…pod)，pod为d维空间中所有粒子中经历过的最佳位置，第j个粒子的飞行速度为Vj＝(vj1，vj2，…，vjd)，j＝1，2，…S，vjd为d维空间中第j个粒子的飞行速度，α为惯性权重，r1与r2是0～1间的随机数，c1与c2为加速系数；若粒子所处位置没有簇头节点，则将粒子移动至最近的簇头节点，即粒子的位置向量中存在位置分量不在节点位置，则将粒子的位置向量中相应的位置分量设置为最近的节点位置；15)重复步骤12)至步骤14)，直至最大迭代次数，计算出全局最优簇头组位置，即最优的K个簇头节点位置。优选地，所有感知节点的剩余能量基于一阶无线通信模型，具体为：发送数据的能量消耗ET为：接收数据的能量消耗ER为：ER＝(ERX+EDA)×L其中，L为数据包长度，ETX为传输数据时每比特的能量消耗，ERX为接收数据时每比特的能量消耗，ERX的值与ETX的值相等，Efs为自由空间模型下每比特的能量消耗，Emp为多径模型下每比特的能量消耗，Efs与Emp均为固定常数，EDA为数据融合的能量消耗，dnode表示两个感知节点间的距离，dthreshold为距离阈值。优选地，所述步骤2)具体步骤为：21)簇Ck∈{1，2，...，K}包含n个感知节点，每个感知节点在t个时隙内采集t个数据，簇Ck中感知节点i在t时隙内采集的感知数据xk，i并传输至簇头节点k，簇头节点k接收到所有簇内感知节点发送的感知数据xk，xk，i＝[xk，i1xk，i2xk，i3...xk，it]T其中，xk，i1xk，i2xk，i3和xk，it分别表示簇Ck内的感知节点i在时隙1、时隙2、时隙3以及时隙t采集的感知数据；xk＝[xk，1xk，2xk，3...xk，n]其中，xk，1xk，2xk，3和xk，n分别表示簇Ck内的感知节点1、感知节点2、感知节点3以及感知节点n在t时隙内采集的感知数据；x′k，j＝[xk，1jxk，2jxk，3j...xk，nj]T其中，x′k，j，j∈{1，2，...，t}表示在簇Ck内所有感知节点在同一时隙j采集的感知数据，xk，1jxk，2jxk，3j和xk，nj分别表示簇Ck内感知节点1、感知节点2、感知节点3以及感知节点n在时隙j采集的感知数据；22)采用m×n阶观测矩阵Φ对矩阵x′k进行空域压缩，矩阵x′k为感知数据xk的转置矩阵，矩阵x′k被压缩为m×t的矩阵yk∈Rm×t，yk为空间压缩数据；23)簇头节点k将空间压缩数据yk传输至sink节点。优选地，采用m×n阶观测矩阵Φ对矩阵x′k进行空域压缩具体为，yk＝Φ·x′k＝Φ·[x′k，1x′k，2x′k，3...x′k，t]＝Φ·Ψ·[θk，1θk，2θk，3...θk，t]＝Φ·Ψ·θk＝Θ·θk＝[yk，1yk，2yk，3…yk，t]其中，Φ为独立零均值的高斯矩阵，Ψ∈Rn×n为给定矩阵，x′k，j＝Ψθk，j；θk，j∈Rn为系数列向量，yk，1yk，2yk本文档来自技高网...

【技术保护点】
1.基于空间压缩的簇头优化选举算法，其特征在于，将N个感知节点随机散布在一个正方形的区域内，sink节点位于整个网络的正中心，传感器网络进入循环运行，每次循环运行包括以下步骤：1)簇的建立：利用粒子群算法优化簇头选举算法，通过优化的簇头选举算法搜索簇头节点的最佳位置，感知节点选择距离最近的簇头节点自行成簇；2)数据传输：将感知节点数据传输至簇头节点，基于空间压缩原理压缩数据得到空间压缩数据，并将空间压缩数据传输至sink节点；3)数据重构：sink节点对数据进行实时重建。

【技术特征摘要】
1.基于空间压缩的簇头优化选举算法，其特征在于，将N个感知节点随机散布在一个正方形的区域内，sink节点位于整个网络的正中心，传感器网络进入循环运行，每次循环运行包括以下步骤：1)簇的建立：利用粒子群算法优化簇头选举算法，通过优化的簇头选举算法搜索簇头节点的最佳位置，感知节点选择距离最近的簇头节点自行成簇；2)数据传输：将感知节点数据传输至簇头节点，基于空间压缩原理压缩数据得到空间压缩数据，并将空间压缩数据传输至sink节点；3)数据重构：sink节点对数据进行实时重建。2.根据权利要求1所述的基于最小风险的深度神经网络的异常用户检测方法，其特征在于，所述步骤1)中感知节点确定位置后将包含感知节点剩余能量与位置信息的数据包LM发送至sink节点，sink节点得到感知节点传输数据所消耗的能量ECM和感知节点与sink节点之间的距离di-sink，在sink节点中执行优化的簇头选举算法搜索簇头节点的最佳位置，并将簇头节点的最佳位置向全网络广播。3.根据权利要求1或2所述的基于最小风险的深度神经网络的异常用户检测方法，其特征在于，搜索簇头节点的最佳位置具体步骤为：11)初始化S个粒子，每个粒子包含K个随机的簇头节点；12)计算第i个感知节点与粒子p中簇头节点k的距离并将第i个感知节点分配到距离最近的簇头节点；13)计算目标函数值cost及适应值，并进行迭代；cost＝β1f1+β2f2+β3f3其中，f1代表簇内感知节点与簇头节点的距离适应值；f2代表簇头节点的能量适应值；f3代表簇头节点与sink节点的距离适应值；β1，β2，β3为各适应值函数的权重系数，β1+β2+β3＝1；Cp,k表示粒子p中簇Ck，|Cp,k|表示粒子p中簇Ck所拥有的感知节点数量，CHp,k表示粒子p中的簇头节点k，ni表示第i个感知节点，E(ni)表示第i个感知节点的剩余能量，E(CHp,k)表示粒子p中的簇头节点k的剩余能量，N表示感知节点的数量，表示粒子p中簇头节点k与sink节点间的距离；14)确定每个粒子的个体最优簇头组位置Pj＝(pj1,pj2,…,pjd)以及全局最优簇头组位置Po＝(po1,po2,…pod)，更新每个粒子速度vjd与位置ljd，vjd＝αvjd+c1r1(pjd-ljd)+c2r2(pod-ljd)ljd＝ljd+vjd其中，第j个粒子的位置向量表示为lj＝(lj1,lj2,…ljd)，ljd为d维空间中第j个粒子的位置向量，第j个粒子的个体最优簇头组位置即为第j个粒子经历过的最佳位置Pj＝(pj1,pj2,…,pjd)，pjd为d维空间中第j个粒子经历过的最佳位置，全局最优簇头组位置即为所有粒子中经历过的最佳位置Po＝(po1,po2,…pod)，pod为d维空间中所有粒子中经历过的最佳位置，第j个粒子的飞行速度为Vj＝(vj1,vj2,…,vjd),j＝1,2,…S，vjd为d维空间中第j个粒子的飞行速度，α为惯性权重，r1与r2是0～1间的随机数，c1与c2为加速系数；若粒子所处位置没有簇头节点，则将粒子移动至最近的簇头节点，即粒子的位置...

【专利技术属性】
技术研发人员：陈思光，张淑珺，周嘉声，王志浩，王堃，殷俊，孙雁飞，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32