| كاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده
هدف از این پایان نامه كاهش مصرف انرژی در شبکه WSN با استفاده از شبکه های خودسازمان ده می باشد
|
 |
| دسته بندی | مهندسی نرم افزار |
| فرمت فایل | doc |
| حجم فایل | 4924 کیلو بایت |
| تعداد صفحات فایل | 160 |
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 مقدمه1
1-1. مقدمه2
1-2. تعریف مساله و سئوالات اصلی تحقیق3
1-3. فرضیه‌ها4
1-4. اهداف تحقیق5
1-5. روش تحقیق5
1-6. مراحل انجام تحقیق6
1-7. ساختار پایان‌نامه6
فصل2 مروری بر منابع مطالعاتی8
2-1. مقدمه9
2-2. طبقه‌بندی روش‌های كاهش مصرف انرژی در شبكه‌های حسگر14
2-2-1. چرخة وظایف17
2-2-2. روش‌های داده‌گرا19
2-2-3. روش‌های مبتنی بر قابلیت تحرك22
2-3. نقش شبكه‌های عصبی در كاهش مصرف انرژی شبكه‌های حسگر23
2-3-2. شبكه‌های عصبی در طرح‌های چرخه وظایف29
2-3-3. شبكه‌های عصبی در كاهش داده31
2-3-4. شبكه‌های عصبی در شبكه‌های حسگر متحرك41
2-4. نتیجه‌گیری43
فصل3 نقش شبكه‌های عصبی در مسیریابی انرژی آگاه44
3-1. مقدمه45
3-2. ویژگی‌های مسیریابی در شبكه حسگر بی‌سیم46
3-3. روش‌های مسیریابی در شبكه‌های حسگر بی‌سیم48
3-3-1. مسیریابی مسطح49
3-3-2. مسیریابی مبتنی بر مكان50
3-3-3. مسیریابی سلسه مراتبی(مبتنی بر خوشه‌بندی)51
3-3-4. پروتكل خوشه‌بندیLEACH52
3-3-5. پروتكل خوشه‌بندیLEACH متمركز54
3-4. شبكه‌های عصبی در الگوریتم‌های مسیریابی آگاه از انرژی56
3-4-1. شبكة عصبی انتشار معكوس در كشف مسیر56
3-4-2. شبكة عصبی نقشة خودسازماندهی در مسیریابی57
3-4-3. پروتكل‌های مسیریابی مبتنی بر نقشة خودسازماندهی60
3-5. پروتكل خوشه‌بندی پیوندگرا وفقی با انرژی پایین64
3-6. جمع‌بندی67
فصل4 پروتكل جدید پیشنهادی68
4-1. مقدمه69
4-2. پروتكل مسیریابی خوشه‌بندی مبتنی بر انرژی خودسازمانده70
4-3. فرضیات الگوریتم70
4-4. مرحلة خوشه‌بندی72
4-4-2. مرحلة اول : خوشه‌بندی با شبكة عصبی نقشة خودسازماندهی74
4-4-3. مرحلة دوم : خوشه‌بندی با الگوریتم K-means82
4-4-4. مرحلة انتخاب سرخوشه84
4-5. مرحلة انتقال داده87
4-6. مرحلة خوشه‌بندی مجدد89
4-7. جمع‌بندی94
فصل5 نتایج شبیهسازی و تحلیل آن‌ها95
5-1. مقدمه96
5-2. پارامترهای شبیهسازی96
5-2. نتایج شبیهسازی98
5-2-1. مقایسة نحوة تشكیل خوشه‌ها در EBCS با پروتكل LEACH98
5-2-2. مقایسة كارایی EBCS با پروتكل‌های پیشین از لحاظ طول عمر شبكه101
5-2-3. ارزیابی تابع هزینه انتخاب سرخوشه بركارایی EBCS105
5-2-4. ارزیابی كارایی پروتكلEBCS در افزایش پوشش شبكه‌ای108
5-3. جمع بندی112
فصل6 جمع‌بندی و پیشنهاد‌ها114
6-1. مقدمه115
6-2. یافته‌های تحقیق117
6-3. نوآوری تحقیق118
6-4. پیشنهاد‌ها119
مراجع121
واژه‌نامه131
فهرست علائم اختصاری
میانگین متحرك خودبازگشتی Auto Regressive Moving AverageARMA
واحد دارای بیشترین انطباقBest Matching UnitBMU
شبكة عصبی انتشار معكوسBack Propagation Neural NetworkBP NN
تشكیل پویای گرهDynamic Node CreationDNC
خوشه‌بندی مبتنی بر انرژی با نقشه خودسازماندهیEnergy Based Clustering Self organizing map EBCS
الگوریتم ژنتیكGenetic AlgorithmGA
سیستم موقعیت‌یاب جهانیGlobal Positioning SystemGPS
شبكة عصبی هاپفیلدHopfield Neural NetworkHNN
شناسهIDentityID
پروتكل اینترنتInternet ProtocolIP
انتساب دادة احتمالی مشتركJoint Probabilistic Data AssociationJPDA
نقشة خودسازماندهی كوهوننKohonen Self Organizing MapKSOM
خوشه‌بندی پیوندگرای وفقی با انرژی پایینLow Energy Adaptive Connectionist Clustering
LEA2C
سلسه مراتب خوشه‌بندی وفقی با انرژی پایینLow-Energy Adaptive Clustering Hierarchy
LEACH
LEACH متمركزLow Energy Adaptive Connectionist Clustering- CentralizedLEACH-C
شبكة عصبی با میدان‌های پذیرنده‌ة محلیLocalized Receptive FieldLRF NN
كنترل دستیابی رسانهMultiple Access ControlMAC
نرم‌افزار مطلبMATrix LaboratoryMATLAB
تخمین‌زنندة اتصال با الهام از شبكة عصبیNeurally Inspired Contact EstimatorNICE
شبكة عصبیNeural NetworkNN
شبكة عصبی با تابع شعاعیRadial Basis Function Neural NetworkRBF NN
شبكة‌عصبی‌نقشة‌خودسازماندهیSelf Organizing Map Neural NetworkSOM NN
شبكة حسگر بی‌سیمWireless Sensor NetworkWSN
دانلود طرح توجیهی مدرسـه غير انتـفاعي