無(wú)線傳感器網(wǎng)絡(luò)的系統(tǒng)化自適應(yīng)建模*

鐘杰卓 杜文才 吳 慰

(海南大學(xué)信息科學(xué)技術(shù)學(xué)院，?？冢?570228)

?

無(wú)線傳感器網(wǎng)絡(luò)的系統(tǒng)化自適應(yīng)建模*

鐘杰卓 杜文才 吳 慰

(海南大學(xué)信息科學(xué)技術(shù)學(xué)院，?？冢?570228)

無(wú)線傳感器網(wǎng)絡(luò)的系統(tǒng)能耗制約著全網(wǎng)絡(luò)的綜合應(yīng)用能力，其中節(jié)點(diǎn)有限的能量從根本上影響著傳感器網(wǎng)絡(luò)效能。針對(duì)無(wú)線傳感器網(wǎng)絡(luò)的全局能耗問(wèn)題，提出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)以及狀態(tài)空間表達(dá)的系統(tǒng)化建模方法?？紤]到無(wú)線傳感器網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與分級(jí)關(guān)系, 采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)自適應(yīng)實(shí)時(shí)規(guī)劃系統(tǒng)。鑒于各傳感器節(jié)點(diǎn)對(duì)數(shù)據(jù)的不同處理方式與能耗密切相關(guān), 對(duì)全系統(tǒng)能耗建立系統(tǒng)化矩陣模型。仿真分析表明該模型可根據(jù)實(shí)際應(yīng)用背景調(diào)整設(shè)置完成全局優(yōu)化。

無(wú)線傳感器網(wǎng)絡(luò)； 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)； 控制理論； 動(dòng)態(tài)優(yōu)化

引 言

在大規(guī)模集群計(jì)算中，能源維護(hù)成本極大，這與集群中的成員在線卻無(wú)法合理利用密切相關(guān)。類(lèi)似地,在無(wú)線傳感器網(wǎng)絡(luò)系統(tǒng)中也存在能源利用與數(shù)據(jù)計(jì)算的優(yōu)化問(wèn)題。更為重要的是,源感知節(jié)點(diǎn)和感知數(shù)據(jù)具有“生物酶”特性,亦即高耗能將導(dǎo)致失活并退出系統(tǒng),從而引起系統(tǒng)重構(gòu)。鑒于此,文獻(xiàn)[1]提出了采用自適應(yīng)控制策略重新配置移動(dòng)無(wú)線傳感器網(wǎng)絡(luò)(Mobile wireless sensor networks,MWSN)方案來(lái)實(shí)現(xiàn)能耗相關(guān)的及時(shí)準(zhǔn)確移動(dòng)與多目標(biāo)跟蹤(Mobile multi-target tracking,MMTT),采用控制論從源節(jié)點(diǎn)的啟動(dòng)與退出策略出發(fā)來(lái)捕獲數(shù)據(jù),這類(lèi)實(shí)時(shí)動(dòng)態(tài)方法,對(duì)于未知的動(dòng)態(tài)系統(tǒng)(如單節(jié)點(diǎn)受到大擾動(dòng)產(chǎn)生突變等)缺乏必要的先驗(yàn)知識(shí),需要額外的處理。Marcin Szczodrak等提出了動(dòng)態(tài)地重新配置無(wú)線傳感器網(wǎng)絡(luò)的框架[2],采用預(yù)置的上層系統(tǒng)網(wǎng)絡(luò)協(xié)議與對(duì)應(yīng)的采樣方法為應(yīng)用事件觸發(fā)WSN的重置,這是一種預(yù)置規(guī)劃方法。國(guó)內(nèi)外對(duì)于WSN的能耗與數(shù)據(jù)融合也做了很多有價(jià)值的研究[3-8]。無(wú)論是從系統(tǒng)物理結(jié)構(gòu)層控制還是數(shù)據(jù)傳輸層面,此類(lèi)WSN研究都有其相應(yīng)的實(shí)際應(yīng)用背景。如何讓一個(gè)無(wú)線傳感器網(wǎng)絡(luò)模型既能結(jié)構(gòu)化、整體化的可控表達(dá),又具備較強(qiáng)的適應(yīng)未知的動(dòng)態(tài)能力,這是本文的研究重點(diǎn)。

1 相關(guān)理論

1.1 無(wú)線傳感器網(wǎng)絡(luò)信號(hào)流程架構(gòu)

無(wú)線傳感器網(wǎng)絡(luò)的系統(tǒng)能量消耗主要集中在數(shù)據(jù)的發(fā)送、接收以及空閑狀態(tài),是大量的靜止或移動(dòng)的傳感器以自組織和多跳的方式構(gòu)成的無(wú)線網(wǎng)絡(luò),協(xié)作地探測(cè)、處理和傳輸網(wǎng)絡(luò)覆蓋區(qū)域內(nèi)感知對(duì)象的檢測(cè)信息,并上報(bào)處理[9]。由于電源能量有限,所以必須減少網(wǎng)絡(luò)中不必要的能耗,合理的設(shè)置信號(hào)采集和處理方式,最大限度地融合信息并提交給上層管理系統(tǒng)。

1.2 系統(tǒng)的狀態(tài)空間表達(dá)

系統(tǒng)由一組獨(dú)立的狀態(tài)矢量xT(t)=[x1(t),x2(t),…，xn(t)]構(gòu)成的一階微分方程組作為狀態(tài)方程,如果明確了系統(tǒng)的輸入u和輸出y,則可以確定系統(tǒng)的輸出方程。[10]狀態(tài)方程和輸出方程一并稱(chēng)為狀態(tài)空間表達(dá)式,用矢量矩陣表示為

(1)

式中：xT=[x1,x2,…,xn],A為n階系統(tǒng)矩陣,uT=[u1,u2,…,ur] 為r維輸入矢量,yT=[y1,y2,…,ym] 為m維輸出矢量。一個(gè)開(kāi)環(huán)系統(tǒng)的自適應(yīng)能力是有限的,系統(tǒng)設(shè)計(jì)往往采取實(shí)時(shí)負(fù)反饋閉環(huán)設(shè)計(jì)[11]。因此,有必要從管理單元引出反饋信號(hào)并加載到底層傳感器單元,適當(dāng)?shù)卣{(diào)節(jié)節(jié)點(diǎn)的加入、切除與采樣效率,調(diào)整系統(tǒng)輸入,實(shí)時(shí)動(dòng)態(tài)規(guī)劃網(wǎng)絡(luò)使得能耗與輸出最優(yōu)。

1.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

由于系統(tǒng)狀態(tài)一致有界，且狀態(tài)軌跡是周期性軌跡或者更一般的回歸軌跡[12]，這里系統(tǒng)采樣數(shù)據(jù)是離散化的。運(yùn)用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行逼近建模，并將學(xué)習(xí)到的知識(shí)存儲(chǔ)到神經(jīng)網(wǎng)絡(luò)的權(quán)值中，以此用于動(dòng)態(tài)環(huán)境下的控制。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial basis function neural networks,RBFNN)由于其非線性化結(jié)構(gòu)、并行分布式結(jié)構(gòu)、克服局部極小值以及自我學(xué)習(xí)與適應(yīng)能力等優(yōu)點(diǎn)使得其應(yīng)用不斷擴(kuò)大。

典型三層結(jié)構(gòu)模式與WSN有著極強(qiáng)的內(nèi)在聯(lián)系與計(jì)算相似性。輸入層類(lèi)似于傳感器源節(jié)點(diǎn),用于捕獲信號(hào); 隱含層則將捕獲的數(shù)據(jù)映射到一個(gè)相對(duì)高維度的空間,完成權(quán)值運(yùn)算后，降低維度輸出;網(wǎng)絡(luò)的輸出層類(lèi)似于匯聚單元,輸出數(shù)據(jù)到WSN系統(tǒng)的上層管理單元,用于下一步管理與分析。隱層空間的維數(shù)提高,網(wǎng)絡(luò)的逼近能力越強(qiáng),但因此帶來(lái)的計(jì)算復(fù)雜度也會(huì)相應(yīng)提高。

2 無(wú)線傳感器網(wǎng)絡(luò)模型

2.1 數(shù)據(jù)融合模型

按照實(shí)際情況,先分析位于同一塊毗連區(qū)域中的節(jié)點(diǎn)數(shù)據(jù)。假設(shè)在一個(gè)周期t內(nèi)某個(gè)節(jié)點(diǎn)xi采樣n類(lèi)不同測(cè)度的數(shù)據(jù),得到

(2)

式中：α表示采集強(qiáng)度系數(shù)，α=0時(shí)不采集，α=1時(shí)采集。一共有k個(gè)傳感器節(jié)點(diǎn),則采集到的原始值矩陣記為

(3)

對(duì)于同一個(gè)節(jié)點(diǎn),連續(xù)周期內(nèi)采樣值之間的歐幾里得距離是有限常數(shù)，有

(4)

式中：Xi(t1)，Xi(t2)分別表示單個(gè)節(jié)點(diǎn)在連續(xù)周期t1，t2內(nèi)測(cè)得的不同類(lèi)型的數(shù)據(jù)列向量, M為歐幾里得距離的上限值,且是一個(gè)有界數(shù)值。傳感器節(jié)點(diǎn)在連續(xù)周期內(nèi)采集到的數(shù)據(jù)之間差距不大,所以將每次采樣的數(shù)據(jù)都發(fā)送給上層管理系統(tǒng)會(huì)造成浪費(fèi)資源,因此對(duì)于同類(lèi)數(shù)據(jù)信號(hào)的采集與處理就顯得尤為重要。

對(duì)于分布在同一個(gè)劃分區(qū)域內(nèi)的不同節(jié)點(diǎn)測(cè)定的同類(lèi)信號(hào),在持續(xù)時(shí)間激勵(lì)下,測(cè)定值如果產(chǎn)生了較大變化,那么認(rèn)為它是優(yōu)先級(jí)影響變量并需要對(duì)其優(yōu)先處理,因此定義誤差影響為

(5)

式中：xsum-k表示所有節(jié)點(diǎn)在連續(xù)周期t1，t2內(nèi)測(cè)得的同類(lèi)信號(hào)的數(shù)據(jù),e(xsum-k)為該信號(hào)的總體誤差。

2.2 能耗函數(shù)模型

感知層采集數(shù)據(jù)并計(jì)算數(shù)值的能耗函數(shù)取[13]

(6)

式中：i表示單個(gè)傳感器,t表示時(shí)序，α表示采集強(qiáng)度系數(shù),α=0時(shí)不采集，α=1時(shí)采集; Es為單位采集能耗值; β表示計(jì)算強(qiáng)度系數(shù)，β∈[0,1]; Ec為單位計(jì)算能耗值。數(shù)據(jù)發(fā)送的能耗函數(shù)采用如下形式

(7)

式中：i表示單個(gè)源傳感器節(jié)點(diǎn),l表示發(fā)送數(shù)據(jù)的比特?cái)?shù),d表示發(fā)送到匯聚節(jié)點(diǎn)的距離，d0表示源節(jié)點(diǎn)到匯聚節(jié)點(diǎn)的臨界距離常數(shù),Esnd為單位發(fā)送數(shù)據(jù)能耗, εfs·d2為自由空間模型，εamp·d4為多徑衰落信道模型,用于表示功放的耗能。數(shù)據(jù)接收的能耗函數(shù)采用如下形式

(8)

式中：j表示單個(gè)匯聚節(jié)點(diǎn),l表示發(fā)送數(shù)據(jù)的比特?cái)?shù)。系統(tǒng)空閑、待機(jī)休眠狀態(tài)能耗設(shè)為恒值參數(shù)。

3 無(wú)線傳感器網(wǎng)絡(luò)的系統(tǒng)化建模

對(duì)于一個(gè)已定義的WSN系統(tǒng)F,從源節(jié)點(diǎn)到處理終端產(chǎn)生了時(shí)態(tài)序列數(shù)據(jù)Y=[y1,y2,…, yk],未知的系統(tǒng)動(dòng)態(tài)為p,目標(biāo)是建立節(jié)省全網(wǎng)絡(luò)能源并且具備較強(qiáng)適應(yīng)力的全系統(tǒng)狀態(tài)空間表達(dá)控制模式。系統(tǒng)參數(shù)設(shè)定: 對(duì)于一個(gè)無(wú)線傳感器網(wǎng)絡(luò)系統(tǒng),傳感器S數(shù)目為k,簇G的數(shù)目為r,設(shè)計(jì)如下的控制系統(tǒng)(圖1)。

假設(shè)1 同一個(gè)簇中的節(jié)點(diǎn)采樣同一類(lèi)數(shù)據(jù),且這些數(shù)據(jù)構(gòu)成一個(gè)輸出控制,在一個(gè)采樣周期中不能全部被關(guān)閉,即

(9)

式中α1,2,…,i為一個(gè)簇中的節(jié)點(diǎn)采集強(qiáng)度系數(shù)。

圖1 無(wú)線傳感器網(wǎng)絡(luò)控制系統(tǒng)模型Fig.1 Network control system of wireless sensor networks

設(shè)簇Gi區(qū)域內(nèi)分布著傳感器節(jié)點(diǎn)a(i,1),a(i,2),…,a(i,k1),每個(gè)節(jié)點(diǎn)監(jiān)測(cè)數(shù)據(jù)為xi,各節(jié)點(diǎn)的輸入權(quán)值為wi,節(jié)點(diǎn)的位置和標(biāo)識(shí)信息是確定的,且節(jié)點(diǎn)結(jié)構(gòu)相同,匯聚節(jié)點(diǎn)輸出y。

輸入的采集數(shù)據(jù)向量經(jīng)過(guò)隱含層神經(jīng)元映射,融合得到的數(shù)據(jù)為

(10)

輸入向量是一個(gè)有界緊集,Si(x)是徑向基函數(shù),通常選擇高斯基函數(shù)作為基函數(shù),表達(dá)形式為

(11)

其中ci∈Ωx (i=1,2,3,…m)為網(wǎng)絡(luò)的中心,ηi為學(xué)習(xí)速率。隱含層向輸出層輸出數(shù)據(jù)為

(12)

式中bj是偏置信號(hào),使用網(wǎng)絡(luò)的輸出作為融合后的數(shù)據(jù)作為發(fā)送處理數(shù)據(jù)。

可以看出,降低網(wǎng)絡(luò)損耗的關(guān)鍵集中于采樣數(shù)據(jù)的處理以及發(fā)送。因此建立能耗矩陣,在一次數(shù)據(jù)采集、處理和發(fā)送流程中,根據(jù)式(6～8)表達(dá),設(shè)每一個(gè)行向量為每一個(gè)簇的總能耗,依次包括: 每個(gè)感知節(jié)點(diǎn)接收及發(fā)送數(shù)據(jù)的能耗、神經(jīng)網(wǎng)絡(luò)接收每個(gè)數(shù)據(jù)能耗、神經(jīng)網(wǎng)絡(luò)計(jì)算數(shù)據(jù)能耗、神經(jīng)網(wǎng)絡(luò)發(fā)送數(shù)據(jù)能耗和系統(tǒng)自身?yè)p耗，則系統(tǒng)能耗為

(13)

從中提取適當(dāng)變量加入到神經(jīng)網(wǎng)絡(luò)權(quán)值的訓(xùn)練學(xué)習(xí),提取的方式根據(jù)實(shí)際應(yīng)用背景的不同而相異。設(shè)計(jì)提取規(guī)則后得到的傳播信號(hào)為

(14)

其中eE為提取到的數(shù)值信號(hào),Г為提取規(guī)則，該誤差信號(hào)參與調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值,是網(wǎng)絡(luò)傳播的誤差信號(hào)的一部分。另一部分的網(wǎng)絡(luò)調(diào)整信號(hào)為系統(tǒng)的實(shí)時(shí)誤差,簇Gi的誤差定義為

(15)

設(shè)計(jì)權(quán)值學(xué)習(xí)規(guī)則為

(16)

其中γ1,γ2分別為兩類(lèi)傳播信號(hào)參與調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)重。

4 數(shù)值仿真實(shí)驗(yàn)

根據(jù)3.2節(jié)所述,系統(tǒng)參數(shù)設(shè)置為:傳感器S數(shù)目k=15,簇G的數(shù)目r=3,提取規(guī)則Г為能源矩陣的行向量求和提取,γ1=0.8, γ2=0.2,α=1, β=1,由神經(jīng)網(wǎng)絡(luò)初始化隨機(jī)選擇。仿真得到的簇G1的能耗特性、隱含層神經(jīng)元權(quán)值特性如圖2～4所示。

Fig.3 Part of network weight convergence

圖2能耗曲線中,采用基本的全網(wǎng)絡(luò)處理方法，在數(shù)據(jù)捕獲以及發(fā)送的前期,系統(tǒng)并沒(méi)有大量耗能,然而一旦進(jìn)入發(fā)送處理環(huán)節(jié),系統(tǒng)能耗便會(huì)增加,但是整體能耗趨勢(shì)下滑迅速;從圖3可以看到,隨機(jī)給定網(wǎng)絡(luò)的初始權(quán)值,經(jīng)過(guò)系統(tǒng)的自適應(yīng)學(xué)習(xí)收斂到最佳的常值網(wǎng)絡(luò)，系統(tǒng)的自適應(yīng)能力較強(qiáng)。WSN自適應(yīng)方法隨著權(quán)值學(xué)習(xí)的穩(wěn)定而能耗逐步減小。需要注意的是,對(duì)于中型以上的網(wǎng)絡(luò)體系,圖3中采用自適應(yīng)的策略能夠從網(wǎng)絡(luò)底層便開(kāi)始處理數(shù)據(jù),雖然計(jì)算能耗多一些,但是對(duì)于下一階段的數(shù)據(jù)處理是必要的。全網(wǎng)絡(luò)的誤差收斂迅速，甚至在第25步時(shí)，新生成的神經(jīng)網(wǎng)絡(luò)中neurons=25,MSE=0.850 551，Goal=0.001,這也符合圖4中的能耗變化特征曲線。

5 結(jié)束語(yǔ)

本文提出了無(wú)線傳感器網(wǎng)絡(luò)的系統(tǒng)化建模分析方法，為無(wú)線傳感器網(wǎng)絡(luò)的應(yīng)用提供了一個(gè)模型化的計(jì)算模式。由于孤立的或者局部的能源函數(shù)分析和輸出準(zhǔn)確性分析也被考慮在內(nèi),所以在不同的應(yīng)用背景下，通過(guò)參數(shù)調(diào)節(jié)或者更新系統(tǒng)控制矩陣便可以得到較強(qiáng)適應(yīng)力的全局調(diào)度系統(tǒng)。實(shí)際上，通過(guò)配置節(jié)點(diǎn)的拓?fù)浣M成完成全局優(yōu)化是動(dòng)態(tài)過(guò)程，本文給出的算例也表明了該建模方法的有效性及動(dòng)態(tài)自適應(yīng)能力。下一步的工作將集中解決以下問(wèn)題。首先，需要更加系統(tǒng)的模型包含輸入矩陣,如何加入系統(tǒng)調(diào)節(jié)矩陣來(lái)完善系統(tǒng)的自動(dòng)化和智能化；其次，對(duì)于一個(gè)監(jiān)測(cè)區(qū)域內(nèi)的源節(jié)點(diǎn)，怎樣完成多類(lèi)數(shù)據(jù)的采集以及分發(fā)處理，同時(shí)需要考慮一旦系統(tǒng)故障如何快速響應(yīng)(如實(shí)時(shí)環(huán)境下某些監(jiān)測(cè)項(xiàng)突變對(duì)系統(tǒng)的危害，需要快速上報(bào)敏感數(shù)據(jù)項(xiàng)等)。大規(guī)模并行計(jì)算算法可以更好地減少冗余，但是帶來(lái)了網(wǎng)絡(luò)成本上升以及網(wǎng)絡(luò)時(shí)延，這些需要綜合考慮。

[1] Zhang X.Adaptive control and reconfiguration of mobile wireless sensor networks for dynamic multi-target tracking[J].IEEE Transactions on Automatic Control,2011,56(10):2429-2444.

[2] Szczodrak M,Gnawali O,Carloni L P. Dynamic reconfiguration of wireless sensor networks to support heterogeneous applications[C]∥2013 IEEE International Conference on Distributed Computing in Sensor Systems (DCOSS). Cambridge:IEEE,2013: 52-61.

[3] Tahir M,Javaid N,Iqbal A. On adaptive energy-efficient transmission in WSNs[J]. International Journal of Distributed Sensor Networks,2013,1:1-10.

[4] Wu Wei,Zhong Sheng,Zhou Guopeng. A study on PID intelligent optimization based on radial basis function neural networks[C]∥2013 3rdInternational Conference on Consumer Electronics,Communications and Networks (CECNet). Xianning,Hubei:IEEE,2013: 57-60.

[5] Pantazis N A,Vergados D D. A survey on power control issues in wireless sensor networks [J]. Communications Surveys & Tutorials,IEEE,2007,9(4): 86-107.

[6] 張德干,戴文博,牛慶肖. 基于局域世界的WSN拓?fù)浼訖?quán)演化模型[J]. 電子學(xué)報(bào),2012,40(5): 1000-1004.

Zhang Degan ,Dai Wenbo,Niu Qingxiao.Local-world weighted topology evolving model for wireless sensor networks[J].ACTA Electronica Sinica,2012,40(5): 1000-1004.

[7] 鄒學(xué)玉,曹陽(yáng). 基于能耗預(yù)測(cè)的WSN單跳路由分簇算法術(shù)[J]. 華南理工大學(xué)學(xué)報(bào)：自然科學(xué)版,2008,36(5):13-18.

Zou Xueyu,Cao Yang. Forecasted energy dissipation-based clustering a lgorithm of single-hop routing protocol for wireless sensor networks[J].Journal of South China University of Technology:Natural Science Edition,2008,36(5):13-18.

[8] 顧云麗,徐昕,杜杰,等. 基于區(qū)域不相交的無(wú)線傳感網(wǎng)任播路由算法[J]. 系統(tǒng)工程與電子技術(shù),2013,35(10): 2086-2092.

Gu Yunli,Xu Xin,Du Jie,et al.Any cast routing algorithm based on zone-disjoint scheme of wireless sensor networks[J].Systems Engineering and Electronics,2013,35(10): 2086-2092.

[9] Aquino A L,Carlos M， S,et al. Data stream based algorithms for wireless sensor networks applications[C]∥21st International Conference on Advanced Networking and Applications.Ontario:IEEE,2007:869-876.

[10]Landau I D,Lozano R,M′saad M. Adaptive control [M]. Berlin: Springer,1998,15-22.

[11]王聰,陳填銳,劉騰飛. 確定學(xué)習(xí)與基于數(shù)據(jù)的建模及控制[J]. 自動(dòng)化學(xué)報(bào),2009,6: 693-706.

Wang Cong,Chen Tianrui,Liu Tengfei. Deterministic learning and data-based modeling and control[J]. ACTA Electronica Sinica,2009,6: 693-706.

[12]王建平,陳改霞,孔德川,等.一種基于學(xué)習(xí)自動(dòng)機(jī)的WSN區(qū)域覆蓋算法[J]. 數(shù)據(jù)采集與處理,2014,29(6):1016-1022.

Wang Jianping,Chen Gaixia,Kong Dechuan,et al. Learning automata-based area coverage algorithm for wireles sensor networks[J].Journal of Data Acquisition and Processing, 2014,29(6):1016-1022.

[13]張玲華,姚紹芹,解偉超. 基于自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的語(yǔ)音轉(zhuǎn)換[J]. 數(shù)據(jù)采集與處理,2015,30(2):336-343.

Zhang Linghua,Yao Shaoqin,Xie Weichao.Voice conversion based on adaptive particle swarm optimization radial basis function neural network[J]. Journal of Data Acquisition and Processing, 2015,30(2):336-343.

鐘杰卓(1981-)，女，高級(jí)工程師，研究方向：云計(jì)算及虛擬化技術(shù)，分布式計(jì)算和大數(shù)據(jù)挖掘，E-mail:zjiezhuo@126.com。

杜文才(1953-)，通訊作者，男，博士，教授，博士生導(dǎo)師，研究方向：信息與通信工程和物聯(lián)網(wǎng)等，E-mail:Wucai@hainnu.edu.cn。

吳慰(1989-)，男，碩士研究生，研究方向：數(shù)據(jù)與知識(shí)工程、人工智能和控制理論與控制工程等，E-mail:Wuweiisle@163.com。

Adaptive Systemic Modeling for Wireless Sensor Networks

Zhong Jiezhuo, Du Wencai, Wu Wei

(College of Information Science and Technology, Hainan University， Haikou, 570228, China)

Global energy consumption in wireless sensor networks restricts the application of the entire networks, including the impact of limited energy capacity of a single node to the system fundamentally. This paper presents a systemic modeling approach for wireless sensor network based on radial basis function neural networks and status-sphere expression. In consideration about the topology and hierarchical structure of WSN, it introduces real-time adjusting of radial basis function neural networks, and establishes matrix model for systematic energy consumption adaptively. Results prove that this model performs effective global optimization by adjusting parameters according to real application circumstances.

wireless sensor networks; radial basis function neural networks; control theory; dynamic optimization

國(guó)家自然科學(xué)基金(61162010)資助項(xiàng)目；海南大學(xué)教育教學(xué)研究課題(Hdjy1325)資助項(xiàng)目；海南大學(xué)青年基金課題(Qnjj1186)資助項(xiàng)目；海南省研究生創(chuàng)新科研課題(Hys2014-18)資助項(xiàng)目；海南省自然科學(xué)基金(614232)資助項(xiàng)目；海南省產(chǎn)學(xué)研一體化專(zhuān)項(xiàng)基金項(xiàng)目(CXY20140002)資助項(xiàng)目。

2015-05-21；

2015-10-12

TP391

A