基于BP神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)路由協(xié)議的研究*

孔玉靜，侯 鑫，華爾天，魏星鋒

(浙江工商大學(xué)計算機(jī)與信息工程學(xué)院，杭州310018)

無 線 傳 感 器 網(wǎng) 絡(luò)[1]WSN(Wireless Sensor Networks)是新型的信息監(jiān)測系統(tǒng)，主要由大量的傳感器節(jié)點協(xié)作完成數(shù)據(jù)的采集、傳輸及處理;傳感器節(jié)點的能量主要靠本身攜帶的電池供應(yīng)且容量有限，由于傳感器節(jié)點常部署在環(huán)境比較惡劣的地方，很難更換電池，導(dǎo)致節(jié)點能量有限且不能補(bǔ)充。

對于能量有限的無線傳感器網(wǎng)絡(luò)，減少能量的消耗是延長網(wǎng)絡(luò)壽命的重要措施。無線傳感器網(wǎng)絡(luò)節(jié)點的能量主要消耗在無線通信模塊上，文獻(xiàn)[2]表明傳輸1byte數(shù)據(jù)信息需要消耗的能量可以用來執(zhí)行數(shù)千條計算指令，而且所消耗的時間也少很多。因此，本文在路由協(xié)議分簇結(jié)構(gòu)中引入神經(jīng)網(wǎng)絡(luò)模型對傳感器節(jié)點采集的數(shù)據(jù)進(jìn)行融合處理，把融合得到的少量的特征數(shù)據(jù)傳送給匯聚節(jié)點，減少節(jié)點的數(shù)據(jù)通信量，節(jié)省網(wǎng)絡(luò)的能量消耗，延長無線傳感器網(wǎng)絡(luò)的生命周期。

無線傳感器網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)[3]NN(Neural Networks)在有些地方很類似，比如無線傳感器網(wǎng)絡(luò)中的傳感器節(jié)點具有感知數(shù)據(jù)處理信息的能力，好比神經(jīng)網(wǎng)絡(luò)中神經(jīng)元一樣;無線傳感器網(wǎng)絡(luò)節(jié)點之間通過一定的規(guī)則傳遞信息，則相當(dāng)于連接神經(jīng)元的突觸。神經(jīng)網(wǎng)絡(luò)算法與無線傳感器網(wǎng)絡(luò)中應(yīng)用的數(shù)據(jù)融合技術(shù)有相同的功能，即通過一定的規(guī)則對大量的數(shù)據(jù)進(jìn)行運算處理，從而得到反映這些數(shù)據(jù)特征的結(jié)果。因此，可以把神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到無線傳感器網(wǎng)絡(luò)中實現(xiàn)數(shù)據(jù)的融合。

在近幾年研究人員開展了很多把神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到無線傳感器網(wǎng)絡(luò)的研究，文獻(xiàn)[4]中提出在無線傳感器網(wǎng)絡(luò)中應(yīng)用一種神經(jīng)網(wǎng)絡(luò)模型來尋找最低的弱連通支配集，從而構(gòu)建新的直接融合算法，可以選擇一個合適的傳輸半徑，使網(wǎng)絡(luò)穩(wěn)定并延長網(wǎng)絡(luò)的生命周期。文獻(xiàn)[5]中用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)建立馬爾可夫模型計算了無線傳感器網(wǎng)絡(luò)的生命周期，該算法準(zhǔn)確地給出了最大生命周期的價值且降低了計算復(fù)雜度。文獻(xiàn)[6]提出了在無線傳感器網(wǎng)絡(luò)的分簇結(jié)構(gòu)中利用基于主元分析(PCA)的神經(jīng)網(wǎng)絡(luò)融合算法對采集的數(shù)據(jù)進(jìn)行處理，減少了數(shù)據(jù)的傳輸量并實現(xiàn)了不同參數(shù)類型的分類。文獻(xiàn)[7]提出利用神經(jīng)網(wǎng)絡(luò)的自組織特征映射，在無線傳感器網(wǎng)絡(luò)路由協(xié)議中利用神經(jīng)網(wǎng)絡(luò)修改拓?fù)浣Y(jié)構(gòu)，提高網(wǎng)絡(luò)能源的利用效率。文獻(xiàn)[8]將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到無線傳感器網(wǎng)絡(luò)的能源管理方法中，通過神經(jīng)網(wǎng)絡(luò)對傳感器數(shù)據(jù)進(jìn)行處理，降低傳輸數(shù)據(jù)的維數(shù)，從而降低通信成本及保護(hù)能源。文獻(xiàn)[9]針對傳感器的非線性輸出受環(huán)境參數(shù)影響，為獲得準(zhǔn)確信息彌補(bǔ)不良環(huán)境影響，在無線傳感器網(wǎng)絡(luò)中引入計算有效的拉蓋爾神經(jīng)網(wǎng)絡(luò)，從而彌補(bǔ)傳感器的非線性和環(huán)境影響，降低能源消耗。文獻(xiàn)[10]提出將神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)應(yīng)用到無線傳感器網(wǎng)絡(luò)的分簇結(jié)構(gòu)中，構(gòu)造一個基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型。該模型能夠降低網(wǎng)絡(luò)的傳輸能耗，延長網(wǎng)絡(luò)生命周期，但是該模型沒有考慮節(jié)點數(shù)量改變和簇首分布的情況。

本文把數(shù)據(jù)融合技術(shù)應(yīng)用到無線傳感器網(wǎng)絡(luò)的路由層中，在分層路由協(xié)議的基礎(chǔ)上引入BP神經(jīng)網(wǎng)絡(luò)，提出一種新的數(shù)據(jù)融合算法BPDFA(Back-Propagation Data Fusion Algorithm)。

1 基于神經(jīng)網(wǎng)絡(luò)的協(xié)議算法改進(jìn)

1．1 模型的假設(shè)條件

在現(xiàn)實的無線傳感器網(wǎng)絡(luò)應(yīng)用中有很多不同應(yīng)用類型的無線傳感器網(wǎng)絡(luò)，為方便討論，有必要對本文中所研究的網(wǎng)絡(luò)模型做一個條件假設(shè)，假設(shè)本文的無線傳感器網(wǎng)絡(luò)模型由N個傳感器節(jié)點和唯一的匯聚節(jié)點(即基站)組成，并且該WSN具有以下性質(zhì):

(1)N個傳感器節(jié)點隨機(jī)分布在監(jiān)測區(qū)域內(nèi)，傳感器節(jié)點部署好后就不再移動位置，并且所有節(jié)點都被事先編排了唯一的ID號，網(wǎng)絡(luò)中每個節(jié)點都能夠確認(rèn)自己的位置坐標(biāo)信息。

(2)每個傳感器節(jié)點具有相同的類型，相同的初始能量和相同的數(shù)據(jù)處理能力，且節(jié)點能量有限不能補(bǔ)充，每個成為簇頭的節(jié)點都消耗大致相同的能量。

(3)匯聚節(jié)點的位置是固定的且部署在監(jiān)測區(qū)域外距離無線傳感器網(wǎng)絡(luò)較遠(yuǎn)的地方。

(4)匯聚節(jié)點的能量是無限供給的，能夠以足夠大的功率向所有節(jié)點直接發(fā)送信息，且適合進(jìn)行復(fù)雜的運算，并不用擔(dān)心匯聚節(jié)點的能量消耗問題。

(5)無線傳感器網(wǎng)絡(luò)中每個節(jié)點具有相同的結(jié)構(gòu)，如表1所示。

表1 網(wǎng)絡(luò)節(jié)點結(jié)構(gòu)

1．2 分簇及簇首選取的改進(jìn)

已有的LEACH分簇路由協(xié)議[11]相比平面路由協(xié)議能夠提高網(wǎng)絡(luò)性能，但是LEACH分簇路由協(xié)議的簇首選取是隨機(jī)的，造成簇首在空間上分布不均勻，簇內(nèi)節(jié)點數(shù)目差異太大，簇首負(fù)載不均衡，而且在簇首選取時沒有考慮簇首節(jié)點的剩余能量，導(dǎo)致個別簇首過早死亡。此外，LEACH路由協(xié)議每輪循環(huán)都要重新構(gòu)造簇結(jié)構(gòu)，增加網(wǎng)絡(luò)能量的消耗。針對以上這些問題，本文對LEACH分簇路由協(xié)議進(jìn)行了改進(jìn)。

本文BPDFA算法根據(jù)無線傳感器網(wǎng)絡(luò)的情況估算出最優(yōu)簇首的數(shù)目K，結(jié)合統(tǒng)計的各個節(jié)點的鄰節(jié)點數(shù)目對整個網(wǎng)絡(luò)進(jìn)行分簇，根據(jù)一定的規(guī)則把網(wǎng)絡(luò)分成了K個區(qū)域，在各個區(qū)域內(nèi)根據(jù)節(jié)點的剩余能量信息和節(jié)點曾當(dāng)選過簇首的次數(shù)選取簇首，區(qū)域內(nèi)其余節(jié)點為簇內(nèi)節(jié)點從而構(gòu)造簇結(jié)構(gòu)。該算法無需每輪都進(jìn)行分簇結(jié)構(gòu)的構(gòu)造，只要在網(wǎng)絡(luò)初始布置的時候，運行一次分簇算法，得到穩(wěn)定的分簇結(jié)構(gòu)，在該結(jié)構(gòu)內(nèi)根據(jù)節(jié)點的剩余能量和節(jié)點曾當(dāng)選過簇首的次數(shù)循環(huán)選取簇首。只有當(dāng)網(wǎng)絡(luò)中有新的節(jié)點加入或者失效的節(jié)點退出(或者簇首節(jié)點的剩余能量不足以完成一輪數(shù)據(jù)處理)時，才會重新運行改進(jìn)算法。為了減少傳感器節(jié)點的負(fù)擔(dān)，本文把算法的運行放在匯聚節(jié)點中解決。

圖1為分簇和簇首選取的過程。根據(jù)文獻(xiàn)[12]中最優(yōu)簇首數(shù)公式

其中N為傳感器節(jié)點個數(shù);K為簇的個數(shù);dtoBS是簇首節(jié)點到基站(BS)的距離;εfs是簇成員與簇首通信時用的無線信號傳播參數(shù);εmp是簇首與基站通信時用的無線信號傳播參數(shù);S是整個無線傳感器網(wǎng)絡(luò)區(qū)域的面積。結(jié)合無線傳感器網(wǎng)絡(luò)的情況，可以估算出最優(yōu)簇首數(shù)目K。對網(wǎng)絡(luò)中各節(jié)點的鄰節(jié)點數(shù)目Mj進(jìn)行統(tǒng)計，設(shè)置網(wǎng)路分簇結(jié)構(gòu)中節(jié)點數(shù)最高值為M，當(dāng)Mj＞M時放棄該組節(jié)點成簇;當(dāng)Mj≤M時，根據(jù)各節(jié)點的鄰節(jié)點數(shù)目的大小進(jìn)行排序x1，x2，…，xi，…，xK，如果序列中有互鄰節(jié)點，則舍棄鄰節(jié)點個數(shù)少的節(jié)點，序列中后面的節(jié)點向前依次增補(bǔ)。最終，整個無線傳感器網(wǎng)絡(luò)被分為了K個區(qū)域。

圖1 分簇及簇首選取流程圖

假設(shè)Kj為任意的一個子區(qū)域，其中的節(jié)點集合為W，W={Qj|Qj是Kj中任意一個節(jié)點，且Qj的能量值為Ej}，簇首節(jié)點在一輪中所需的能量值為ECH，當(dāng)Ej＜ECH時，該節(jié)點不參與簇首競選進(jìn)入睡眠狀態(tài)，直到所有區(qū)域都競選出簇首節(jié)點;當(dāng)Ej≥ECH時，節(jié)點成為候選簇首集合S中的成員，參與簇首競選。任選S中一個節(jié)點Qi，其能量為EQi，計算max(EQi)，選取候選簇首集合S中剩余能量值最高的節(jié)點作為該區(qū)域的簇首節(jié)點。當(dāng)所有區(qū)域中簇首競選過程結(jié)束后，其他沒有參與競選的節(jié)點從睡眠狀態(tài)喚醒，成為簇首的節(jié)點向所在區(qū)域的其他節(jié)點發(fā)送自己是簇頭的信息，區(qū)域內(nèi)其他節(jié)點選擇加入該簇首。此時，網(wǎng)絡(luò)的分簇結(jié)構(gòu)就完全形成了。

1．3 BPDFA算法的模型結(jié)構(gòu)

本文BPDFA算法是基于改進(jìn)的無線傳感器網(wǎng)絡(luò)的分簇路由協(xié)議，在整個無線網(wǎng)絡(luò)中根據(jù)一定的規(guī)則選取最優(yōu)的簇首，形成穩(wěn)定的分簇結(jié)構(gòu)，在每個分簇結(jié)構(gòu)中，簇內(nèi)傳感器節(jié)點采集到大量的原始數(shù)據(jù)經(jīng)過預(yù)處理以后首先傳送給簇首節(jié)點，在簇首節(jié)點內(nèi)部進(jìn)行數(shù)據(jù)處理后再發(fā)送給匯聚節(jié)點。BPDFA算法就是在簇內(nèi)傳感器節(jié)點與簇首節(jié)點間利用BP神經(jīng)網(wǎng)絡(luò)算法來處理數(shù)據(jù)的。

本文采用單隱層的BP神經(jīng)網(wǎng)絡(luò)模型對無線傳感器網(wǎng)絡(luò)采集的數(shù)據(jù)進(jìn)行數(shù)據(jù)融合。相關(guān)研究已經(jīng)證明，只要隱層節(jié)點數(shù)足夠多，三層BP神經(jīng)網(wǎng)絡(luò)就具有模擬任意復(fù)雜的非線性映射的能力[13]。改進(jìn)算法將三層BP神經(jīng)網(wǎng)絡(luò)應(yīng)用各個簇中，在每個簇的神經(jīng)網(wǎng)絡(luò)模型中，簇內(nèi)節(jié)點采集數(shù)據(jù)后，利用輸入神經(jīng)元函數(shù)對采集到的數(shù)據(jù)進(jìn)行預(yù)處理，并將處理好的數(shù)據(jù)傳送到簇首節(jié)點。簇首節(jié)點將收到的數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)模型的隱層神經(jīng)元函數(shù)和輸出神經(jīng)元函數(shù)的共同處理后，得到一組反映網(wǎng)絡(luò)數(shù)據(jù)特性的特征值，最后把通過神經(jīng)網(wǎng)絡(luò)融合好的特征信息傳送給匯聚節(jié)點。數(shù)據(jù)融合后的特征值量遠(yuǎn)遠(yuǎn)少于采集到的數(shù)據(jù)量，從而減少數(shù)據(jù)的傳輸量，降低了能量的消耗，延長無線傳感器網(wǎng)絡(luò)的壽命。改進(jìn)算法的模型示意圖如圖2所示。

圖2 改進(jìn)算法的模型示意圖

假設(shè)無線傳感器網(wǎng)絡(luò)中每個簇的簇成員節(jié)點采集n種不同類型的數(shù)據(jù)，那么該神經(jīng)網(wǎng)絡(luò)模型的輸入層神經(jīng)元有n個。輸出神經(jīng)元的個數(shù)l可以根據(jù)實際應(yīng)用的需要進(jìn)行不同的調(diào)整，與簇內(nèi)節(jié)點的數(shù)量和采集的數(shù)據(jù)類型沒有必然的聯(lián)系，一般由所需的輸出信息來決定。隱層神經(jīng)元的數(shù)量m取決于訓(xùn)練樣本的多少及樣本中蘊含規(guī)律的復(fù)雜度，也與神經(jīng)網(wǎng)絡(luò)的輸入輸出神經(jīng)元的個數(shù)有關(guān)。確定最佳隱層節(jié)點數(shù)的一個常用方法稱為試湊法，可先設(shè)置較少的隱節(jié)點數(shù)訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加隱節(jié)點數(shù)，用同一樣本集進(jìn)行訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時對應(yīng)的隱節(jié)點數(shù)。在用試湊法時，可以用一些確定隱節(jié)點數(shù)的經(jīng)驗公式[14]。如或者，其中α為1～10之間的常數(shù)。這些公式計算出來的隱節(jié)點數(shù)只是一種粗略的估計值，可作為試湊法的初始值。

1．4 BPDFA算法工作流程

在本文BPDFA算法中，神經(jīng)網(wǎng)絡(luò)模型的建立需要首先知道一些運行參數(shù)的值(如神經(jīng)元之間的權(quán)值)，因此，當(dāng)無線傳感器網(wǎng)絡(luò)的分簇結(jié)構(gòu)穩(wěn)定以后，在網(wǎng)絡(luò)進(jìn)人穩(wěn)定的自治工作狀態(tài)之前，需要訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，從而得到神經(jīng)網(wǎng)絡(luò)相應(yīng)的參數(shù)值。由于無線傳感器網(wǎng)絡(luò)的節(jié)點能量有限且不能供給，為了盡可能減少傳感器節(jié)點的能耗，延長無線網(wǎng)絡(luò)的壽命，本算法將在無線傳感器網(wǎng)絡(luò)的匯聚節(jié)點內(nèi)部完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程

BPDFA算法的流程圖如圖4所示。無線傳感器網(wǎng)絡(luò)組網(wǎng)時先要確定網(wǎng)絡(luò)中節(jié)點的狀態(tài)及節(jié)點位置，進(jìn)行網(wǎng)絡(luò)的初始化，當(dāng)網(wǎng)絡(luò)節(jié)點狀態(tài)都確定好后，無線傳感器網(wǎng)絡(luò)開始進(jìn)行最優(yōu)簇首的選擇并建立分簇結(jié)構(gòu)，此時簇首獲得所有簇內(nèi)節(jié)點的信息，分簇結(jié)構(gòu)穩(wěn)定后，簇首節(jié)點把所有簇內(nèi)節(jié)點的相關(guān)信息發(fā)送給匯聚節(jié)點。匯聚節(jié)點依據(jù)獲得網(wǎng)絡(luò)信息構(gòu)造BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并搜集樣本數(shù)據(jù)庫中與簇內(nèi)節(jié)點信息相匹配的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，從而得到相關(guān)的神經(jīng)網(wǎng)絡(luò)參數(shù)。匯聚節(jié)點將神經(jīng)網(wǎng)絡(luò)各層的參數(shù)(權(quán)值、閾值)發(fā)送給對應(yīng)的簇節(jié)點。無線傳感器網(wǎng)絡(luò)各個分簇就可以利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)的融合處理，把處理好的數(shù)據(jù)以最短路徑傳送給匯聚節(jié)點。從而減少網(wǎng)絡(luò)中數(shù)據(jù)的傳輸量，降低網(wǎng)絡(luò)節(jié)點的能耗，延長網(wǎng)絡(luò)的生命周期。

圖4 改進(jìn)算法的流程圖

2 仿真實驗

本文仿真實驗通過網(wǎng)絡(luò)仿真工具NS2仿真軟件[15]對BPDFA算法進(jìn)行仿真測試，為了更好地展現(xiàn)改進(jìn)算法的有效性，對BPDFA算法和LEACH協(xié)議算法進(jìn)行了對比仿真，主要分析對比兩種算法對網(wǎng)絡(luò)節(jié)點平均能耗和網(wǎng)絡(luò)存活節(jié)點數(shù)目(網(wǎng)絡(luò)生存周期)這兩個指標(biāo)的影響。

2．1 仿真環(huán)境

仿真環(huán)境設(shè)置:在100 m×100 m的范圍內(nèi)隨機(jī)分布100個相同的節(jié)點，并把匯聚節(jié)點設(shè)置在離感知區(qū)域較遠(yuǎn)的位置，節(jié)點的初始能量為2J，數(shù)據(jù)包的長度為500 byte，無線信道的帶寬為1 Mbit/s，無線信號載頻為2．4 GHz，收發(fā)數(shù)據(jù)所耗的能量為50 nJ/bit，神經(jīng)網(wǎng)絡(luò)的權(quán)值初始值設(shè)置為1，閾值設(shè)為0．2，訓(xùn)練次數(shù)設(shè)為 1 000。

2．2 仿真結(jié)果

圖5 網(wǎng)絡(luò)節(jié)點平均能耗對比圖

圖5給出的是LEACH算法和BPDFA算法在網(wǎng)絡(luò)節(jié)點平均能耗參數(shù)方面的比較，對于無線傳感器網(wǎng)絡(luò)來說，節(jié)點的能量比較有限，能耗問題成為網(wǎng)絡(luò)生命周期的重要指標(biāo)。節(jié)點的能量消耗越少，網(wǎng)絡(luò)生命周期就越長。從圖中可以看出，BPDFA算法的節(jié)點能量消耗低于LEACH算法，這主要是因為改進(jìn)后的BPDFA算法根據(jù)網(wǎng)路的分布情況對網(wǎng)絡(luò)進(jìn)行分區(qū)，使簇首分布較LEACH算法均勻，在簇首的選擇時，考慮了節(jié)點的剩余能量值，使網(wǎng)絡(luò)內(nèi)的節(jié)點平擔(dān)能量的消耗，保證了整個網(wǎng)絡(luò)的能量消耗更均衡。

圖6顯示了LEACH算法和BPDFA算法在網(wǎng)絡(luò)存活節(jié)點數(shù)的對比情況。從圖中可以看到，LEACH算法在350 s的時候開始出現(xiàn)節(jié)點死亡，且隨著時間的推移節(jié)點死亡的速度逐漸加快，到460 s已經(jīng)沒有節(jié)點存活了，而BPDFA算法在450 s才開始有節(jié)點死亡，且死亡速度也沒有LEACH算法快。由此可見，本文提出的BPDFA算法較LEACH算法能更好地提高網(wǎng)絡(luò)的性能，延長網(wǎng)絡(luò)的生存周期。主要是因為在改進(jìn)后的分簇結(jié)構(gòu)中應(yīng)用了神經(jīng)網(wǎng)絡(luò)算法對簇內(nèi)節(jié)點采集的數(shù)據(jù)進(jìn)行了融合處理，減少了簇節(jié)點向基站傳送的數(shù)據(jù)量，降低了通信時的能量消耗，而且算法的運行選擇在匯聚節(jié)點中進(jìn)行，減少了傳感器節(jié)點的運行能耗，延長了節(jié)點壽命，從而提高了整個無線傳感器網(wǎng)絡(luò)的性能，延長了網(wǎng)絡(luò)壽命。

圖6 網(wǎng)絡(luò)存活節(jié)點數(shù)的對比圖

圖7是當(dāng)網(wǎng)絡(luò)中節(jié)點數(shù)不同時BPDFA算法與LEACH算法節(jié)點平均能耗的變化情況。從圖中可以看出使用BPDFA算法的網(wǎng)絡(luò)節(jié)點平均能耗明顯要比LEACH算法低，隨著網(wǎng)絡(luò)中節(jié)點數(shù)的減少，網(wǎng)絡(luò)的節(jié)點平均能耗逐漸增加，BPDFA算法的增加幅度要低于LEACH算法。

圖7 網(wǎng)絡(luò)節(jié)點個數(shù)－節(jié)點平均能耗

4 總結(jié)

對于無線傳感器網(wǎng)絡(luò)，能量有限是其重要的影響指標(biāo)，如何降低能耗，延長網(wǎng)絡(luò)生命周期成為一個研究熱點。本文在LEACH算法的基礎(chǔ)上對分簇結(jié)構(gòu)進(jìn)行了改進(jìn)，并把神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于改進(jìn)的分簇結(jié)構(gòu)中，提出了協(xié)議改進(jìn)BPDFA算法，對網(wǎng)絡(luò)采集的數(shù)據(jù)進(jìn)行融合處理，從而減少網(wǎng)絡(luò)中數(shù)據(jù)的傳輸量，降低整個網(wǎng)絡(luò)的能量消耗，達(dá)到延長網(wǎng)絡(luò)壽命的目的。

[1]孫利民，李建中，陳渝，等．無線傳感器網(wǎng)絡(luò)[M]．北京:清華大學(xué)出版杜，2005:5．

[2]Min R，Bhardwaj M，Seong-hwan Cho，et al．Energy-Centric Enabling Technologies for Wireless Sensor Networks[J]．IEEE Wireless Communications，2002，9(4):28－39．

[3]孫凌逸，黃先祥，蔡偉，等．基于神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J]．傳感器技術(shù)學(xué)報，2011，24(1):122－127．

[4]He Hongmei，Zhu Zhenhuan，M?kinen Erkki．A Neural Network Model to Minimize the Connected Dominating Set for Self-Configuration of Wireless Sensor Networks[J]．IEEE Transactions on Neural Networks，2009，20(6):973－982．

[5]Yang Wenjun，Wang Bingwen，Liu Zhuo．Back Propagation Neural Network Based Lifetime Analysis of Wireless Sensor Network[J]．Advances in Neural Networks-ISNN 2009，PT3，Proceedings，2009:956－962．

[6]Feng Xiufang，Xu Zhanwei．A Neural Data Fusion Algorithm in Wireless Sensor Network[C]//Proceedings of the 2009 Pacific-Asia Conference on Circuits，Communications and System，2009:54－57．

[7]PatraChiranjib，Roy Anjan Guha，Chattopadhyay Samiran．Designing Energy-Efficient Topologies for Wireless Sensor Network:Neural Approach[J]．International Journal of Distributed Sensor Networks，2010．

[8]Enami Neda，Moghadam Reza Askari，Haghighat Abolfazl．A Survey on Application of Neural Networks in Energy Conservation of Wireless Sensor Networks[J]．Recent Trends in Wireless and Mobile Networks，2010，84:283－294．

[9]Patra Jagdish Chandra，Meher Pramod Kumar，Chakraborty Goutam．Development of Laguerre Neural-Network-Based Intelligent Sensors for Wireless Sensor Networks[J]．IEEE Transactions on Instrumentation and Measurement，2011，60(3):725－734．

[10]俞黎陽，王能，張衛(wèi)．無線傳感器網(wǎng)絡(luò)中基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型[J]．計算機(jī)科學(xué)，2008，35(12):43－47．

[11]宋立軍．無線傳感器網(wǎng)絡(luò) LEACH路由協(xié)議的改進(jìn)與仿真[D]．武漢:武漢理工大學(xué)，2010．

[12]劉園莉，李臘元，盧迪．節(jié)能的無線傳感器網(wǎng)絡(luò)分簇路由協(xié)議的研究木[J]．傳感器技術(shù)學(xué)報，2010，23(12):1792－1797．

[13]Omido，Judith D．Neural Networks and Pattern Recognition[M]．San Diego:Academic Press，1998．

[14]李兆祥．無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合的算法研究[D]．武漢:武漢理工大學(xué)，2011．

[15]黃化吉，馮穗力，秦麗姣，等．NS網(wǎng)絡(luò)模擬和仿真[M]．北京:人民郵電出版社，2010．?