吳子敬

基于BP神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)非均勻分簇路由協(xié)議

吳子敬

（齊齊哈爾大學(xué) 計(jì)算機(jī)與控制工程學(xué)院，黑龍江 齊齊哈爾 161006）

針對(duì)現(xiàn)有無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)負(fù)載不均問(wèn)題，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的無(wú)線傳器網(wǎng)絡(luò)非均勻分簇路由協(xié)議。通過(guò)引入競(jìng)爭(zhēng)半徑函數(shù)，完成節(jié)點(diǎn)入簇，并在簇間數(shù)據(jù)傳輸階段構(gòu)造出一棵使整個(gè)網(wǎng)絡(luò)傳輸代價(jià)最小的路由樹(shù)，選出最優(yōu)傳輸路由。仿真結(jié)果表明，有效平衡了節(jié)點(diǎn)能耗，延長(zhǎng)了網(wǎng)絡(luò)的存活時(shí)間。

無(wú)線傳感器網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；非均勻分簇；最小路由樹(shù)

WSNs具有易部署、自適應(yīng)和分布式的特點(diǎn)，現(xiàn)已應(yīng)用到地質(zhì)勘探、森林監(jiān)控和環(huán)境監(jiān)測(cè)中。由于節(jié)點(diǎn)多分布在偏遠(yuǎn)地區(qū)中，一旦部署完成后更換成本巨大?，F(xiàn)有傳感器節(jié)點(diǎn)多采用電池供電，當(dāng)能量耗盡時(shí)難以及時(shí)補(bǔ)充，這將嚴(yán)重影響傳感器網(wǎng)絡(luò)的存活時(shí)長(zhǎng)。因此，研究如何降低網(wǎng)絡(luò)中各節(jié)點(diǎn)能耗，提高網(wǎng)絡(luò)負(fù)載均衡性是無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議的研究重點(diǎn)。HEINZELMAN等[1]提出一種功耗很低的自適應(yīng)路由協(xié)議LEACH，該協(xié)議使用簇頭周期輪換的方式對(duì)傳感器網(wǎng)絡(luò)進(jìn)行拓?fù)渲貥?gòu)，利用概率函數(shù)選出簇頭，每輪選出的簇頭數(shù)量不穩(wěn)定，無(wú)法保證簇頭的均勻分布。YOUNIS O等[2]提出了一種混合分布式分簇路由協(xié)議 HEED，該協(xié)議通過(guò)基于節(jié)點(diǎn)剩余能量和節(jié)點(diǎn)鄰近度的混合算法，周期性地依概率選取簇頭，提高了網(wǎng)絡(luò)的可擴(kuò)展性和網(wǎng)絡(luò)壽命。但該協(xié)議在選擇簇頭時(shí)簇內(nèi)通信代價(jià)過(guò)大，導(dǎo)致消耗過(guò)多能量。蔣暢江等[3]提出了一種能量均衡的多跳分簇路由協(xié)議DEBUC，該協(xié)議通過(guò)考慮節(jié)點(diǎn)剩余能量的廣播時(shí)間算法選取簇頭。在簇間通信階段，簇頭采用貪心算法在鄰居簇頭列表中選擇下一跳中繼節(jié)點(diǎn)。該協(xié)議有效節(jié)省了節(jié)點(diǎn)能耗，延長(zhǎng)網(wǎng)絡(luò)的生命周期。蘇金樹(shù)等[4]提出了一種負(fù)載均衡的分簇路由協(xié)議，該協(xié)議通過(guò)引入改進(jìn)的粒子群算法自適應(yīng)調(diào)整慣性權(quán)重來(lái)選取簇頭，同時(shí)提出了一種保證簇頭二連通的簇間連通算法。該協(xié)議不僅延長(zhǎng)網(wǎng)絡(luò)的壽命，還提高了能量效率，但未考慮匯聚點(diǎn)附近的“能量熱區(qū)”問(wèn)題。G.V.SELVI等[5]提出一種非均勻分簇路由協(xié)議UCAPN，該協(xié)議將傳感器節(jié)點(diǎn)劃分為不同大小的簇，非簇頭節(jié)點(diǎn)的信息先直接傳輸?shù)阶罱拇仡^節(jié)點(diǎn)，再傳輸?shù)絽R聚節(jié)點(diǎn)，以平衡節(jié)點(diǎn)的能量消耗，延長(zhǎng)網(wǎng)絡(luò)的生命周期。YUAN Z等[6]提出了一種基于改進(jìn)粒子群優(yōu)化算法的分簇路由協(xié)議，該協(xié)議兼顧了能源效率和傳輸距離，并采用中繼節(jié)點(diǎn)來(lái)減少簇頭能量的過(guò)度消耗。所提出的協(xié)議使傳感器節(jié)點(diǎn)分布更均勻，從而提高了網(wǎng)絡(luò)壽命。牛玉剛等[7]提出了一種含有重疊區(qū)域的非均勻分簇路由協(xié)議OMU，該協(xié)議根據(jù)節(jié)點(diǎn)密度、到匯聚點(diǎn)距離和剩余能量選取簇頭，再選擇重疊區(qū)域的中繼節(jié)點(diǎn)轉(zhuǎn)發(fā)數(shù)據(jù)信息，最后通過(guò)簇頭和中繼節(jié)點(diǎn)的輪換機(jī)制均衡網(wǎng)絡(luò)負(fù)載。

綜上所述，針對(duì)現(xiàn)有基于分簇的路由協(xié)議存在簇頭選擇不合理、匯聚點(diǎn)周圍產(chǎn)生的“能量熱區(qū)”以及分布式分簇方式消耗過(guò)多能量導(dǎo)致網(wǎng)絡(luò)節(jié)點(diǎn)負(fù)載不均問(wèn)題，本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)非均勻分簇路由協(xié)議。

1 系統(tǒng)模型

1.1 網(wǎng)絡(luò)模型

本文采用類似非均勻分簇的無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議(Uneven clustering routing protocol based on BP neural network, BPUC)[8]中的傳感器網(wǎng)絡(luò)模型，并作如下假設(shè)：

（1）網(wǎng)絡(luò)中各傳感器節(jié)點(diǎn)隨機(jī)部署在邊長(zhǎng)為200m的正方形監(jiān)測(cè)區(qū)域中。

（2）網(wǎng)絡(luò)中各傳感器節(jié)點(diǎn)能量有限且位置已知，并且都具備數(shù)據(jù)融合的能力。

（3）匯聚點(diǎn)位于水面上，位置不變且能量充足。

（4）所有節(jié)點(diǎn)可通過(guò)調(diào)節(jié)功率來(lái)改變自身通信半徑。

（5）節(jié)點(diǎn)共分為簇頭和普通節(jié)點(diǎn)兩類，由匯聚點(diǎn)選擇節(jié)點(diǎn)擔(dān)任的節(jié)點(diǎn)種類。

1.2 能耗模型

本文使用無(wú)線通信能量衰減模型[9]，其發(fā)送數(shù)據(jù)包的能耗：

2 BPUC算法

2.1 BP神經(jīng)網(wǎng)絡(luò)分簇模型

2.1.1 激勵(lì)函數(shù)

考慮到節(jié)點(diǎn)能耗不均對(duì)網(wǎng)絡(luò)存活時(shí)間的影響，采用如下的激勵(lì)函數(shù)：

2.1.2 代價(jià)函數(shù)

為避免過(guò)擬合而無(wú)法達(dá)到誤差的極小值，同時(shí)考慮到節(jié)點(diǎn)的距離、能量和密集度對(duì)簇頭選擇的影響，采用如下帶有正則項(xiàng)的代價(jià)函數(shù)：

2.1.3 誤差反向傳播

誤差反向傳播是一個(gè)迭代學(xué)習(xí)的過(guò)程，通過(guò)迭代最后得到可準(zhǔn)確預(yù)測(cè)節(jié)點(diǎn)閾值的模型參數(shù)。BP神經(jīng)網(wǎng)絡(luò)分簇模型的權(quán)值與偏置的更新公式如下:

為減少計(jì)算量加快迭代速度，本文使用隨機(jī)梯度下降算法。通過(guò)求權(quán)值和偏置負(fù)方向的偏導(dǎo)數(shù)，實(shí)現(xiàn)對(duì)權(quán)值和偏置的更新：

2.2 競(jìng)爭(zhēng)半徑函數(shù)

通過(guò)BP神經(jīng)網(wǎng)絡(luò)分簇模型選出簇頭后，簇頭在競(jìng)爭(zhēng)半徑內(nèi)廣播自己成為簇頭的信息，其他節(jié)點(diǎn)完成入簇過(guò)程。簇頭的競(jìng)爭(zhēng)半徑表示如下：

2.3 成簇算法

成簇算法分為模型構(gòu)建階段、模型訓(xùn)練階段和模型預(yù)測(cè)階段三個(gè)階段，具體過(guò)程如下：

（1）模型構(gòu)建階段。本文采用經(jīng)驗(yàn)公式[10]確定隱藏層神經(jīng)元個(gè)數(shù)：

表1為隱藏層不同節(jié)點(diǎn)個(gè)數(shù)時(shí)MSE值的對(duì)比結(jié)果。由表1可知在隱藏層節(jié)點(diǎn)數(shù)為8時(shí)，均方誤差值MSE=0.4765，此時(shí)誤差達(dá)到最小。因此BP神經(jīng)網(wǎng)絡(luò)分簇模型使用3個(gè)輸入節(jié)點(diǎn)，8個(gè)隱藏節(jié)點(diǎn)，1個(gè)輸出節(jié)點(diǎn)的單隱藏層結(jié)構(gòu)。

表1 隱藏層節(jié)點(diǎn)個(gè)數(shù)與MSE值

2.4 簇間路由樹(shù)

在數(shù)據(jù)傳輸階段，采用單跳與多跳相結(jié)合的傳輸方式。在匯聚點(diǎn)通信半徑內(nèi)的簇頭直接將數(shù)據(jù)傳輸給匯聚點(diǎn)，其他與匯聚點(diǎn)較遠(yuǎn)的簇頭以多跳的方式將采集的數(shù)據(jù)由其他簇頭轉(zhuǎn)發(fā)給匯聚點(diǎn)。并采用基于簇頭層次劃分的簇間傳輸方式，根據(jù)簇頭到匯聚節(jié)點(diǎn)的距離對(duì)簇頭進(jìn)行層次劃分，越接近匯聚節(jié)點(diǎn)的簇頭層次越高，簇頭間根據(jù)層次逐層傳輸。最后構(gòu)造出一棵使整個(gè)網(wǎng)絡(luò)傳輸代價(jià)最小的路由樹(shù)。具體過(guò)程如下：

3 算法仿真與分析

本節(jié)通過(guò)仿真實(shí)驗(yàn)來(lái)驗(yàn)證算法BPUC的特性，在Python3.7平臺(tái)上將BPUC算法分別與LEACH、EEUC和OMU算法進(jìn)行對(duì)比。實(shí)驗(yàn)中所用參數(shù)如表2所示。

表2 實(shí)驗(yàn)參數(shù)

3.1 算法復(fù)雜度分析

本節(jié)分析BP神經(jīng)網(wǎng)絡(luò)分簇模型的時(shí)間復(fù)雜度。BP神經(jīng)網(wǎng)絡(luò)分為正向傳播和誤差反向傳播兩部分。假設(shè)有個(gè)訓(xùn)練樣本，正向傳播過(guò)程時(shí)間復(fù)雜度為()，誤差反向傳播的時(shí)間復(fù)雜度為()。故本文提出的BP神經(jīng)網(wǎng)絡(luò)分簇模型的時(shí)間復(fù)雜度為(2)。

3.2 算法穩(wěn)定性分析

圖1 隨機(jī)100輪中網(wǎng)絡(luò)的簇頭個(gè)數(shù)變化

3.4 能量效率分析

如圖2所示，選擇任意100輪中LEACH, EEUC, OMU, BPUC算法的簇頭能耗標(biāo)準(zhǔn)差進(jìn)行對(duì)比。其中LEACH算法的標(biāo)準(zhǔn)差最高且波動(dòng)幅度最大，表明該算法的負(fù)載均衡效果最差。這是由于在簇頭選舉階段，該算法依據(jù)概率函數(shù)來(lái)選取簇頭，無(wú)法保證網(wǎng)絡(luò)中的簇頭均勻分布，導(dǎo)致各簇頭能耗不均。EEUC, OMU和BPUC算法的標(biāo)準(zhǔn)差較為接近，并且波動(dòng)范圍比LEACH算法更小，表明此三種算法更好的均衡了網(wǎng)絡(luò)能耗。這是由于此三種算法都考慮了“熱區(qū)”問(wèn)題，都采用非均勻分簇的思想均衡網(wǎng)絡(luò)能耗，使到匯聚點(diǎn)距離不同的簇頭能耗較為均衡。尤其BPUC算法簇頭能耗標(biāo)準(zhǔn)差最小且波動(dòng)幅度最小，說(shuō)明該算法均衡網(wǎng)絡(luò)能耗的效果最好。

如圖3所示，在節(jié)點(diǎn)數(shù)為100, 150, 200, 250, 300的情況下，比較LEACH, EEUC, OMU, BPUC算法中的第一個(gè)死亡節(jié)點(diǎn)的輪數(shù)。BPUC算法的第一個(gè)死亡節(jié)點(diǎn)的輪數(shù)均大于其他三種算法，這表明BPUC算法可以有效地延長(zhǎng)網(wǎng)絡(luò)的存活時(shí)長(zhǎng)。

圖2 隨機(jī)100輪中簇頭能耗的標(biāo)準(zhǔn)差

圖3 首個(gè)節(jié)點(diǎn)死亡輪數(shù)

從圖4可以看出，BPUC算法的第一個(gè)死亡節(jié)點(diǎn)的輪數(shù)是LEACH算法的285%、EEUC算法的171%、OMU算法的128%，該算法的能量平衡效果優(yōu)于其他三種算法。LEACH算法依概率選擇簇頭，造成簇頭的不均勻分布以及簇頭的能量損失差異很大，故最早出現(xiàn)死亡節(jié)點(diǎn)。EEUC和OMU算法在選取簇頭時(shí)頻繁地交換信息，使節(jié)點(diǎn)負(fù)載過(guò)大而過(guò)早死亡。而B(niǎo)PUC算法在選擇最優(yōu)簇群時(shí)，節(jié)點(diǎn)先將自身信息都發(fā)送給匯聚點(diǎn)，再由匯聚點(diǎn)運(yùn)行BPUC算法確定最優(yōu)分簇方式，避免了節(jié)點(diǎn)間頻繁的信息交換，節(jié)省了網(wǎng)絡(luò)中節(jié)點(diǎn)的能量損耗。

圖4 存活節(jié)點(diǎn)隨輪數(shù)變化

4 結(jié)束語(yǔ)

針對(duì)現(xiàn)有分簇路由協(xié)議存在節(jié)點(diǎn)能耗不均的問(wèn)題，本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)非均勻分簇路由協(xié)議,不但減少了分布式簇頭選取方式節(jié)點(diǎn)間頻繁交換信息的能耗，使網(wǎng)絡(luò)中各節(jié)點(diǎn)能耗更加均衡，解決了“能量熱區(qū)”問(wèn)題，而且降低了簇間的通信時(shí)延和能耗。仿真得知，本文提出的路由協(xié)議有效地均衡了節(jié)點(diǎn)能耗，延長(zhǎng)了網(wǎng)絡(luò)的存活時(shí)間。

[1] HEINZELMAN W R, CHANDRAKASAN A, BALAKRISHNAN H. Energy-efficient communication protocol for wireless microsensor networks[C]. Procof the 33rd Annual Hawaii Int Conf on System Sciences. Maui: IEEE, 2000: 1-10

[2] YOUNIS O, FAHMY S. HEED: a hybrid, energy-efficient, distributed clustering approach for ad hoc sensor networks[J]. IEEE T Mobile Comput, 2004, 3(4):366-379

[3] 蔣暢江，石為人，唐賢倫，等. 能量均衡的無(wú)線傳感器網(wǎng)絡(luò)非均勻分簇路由協(xié)議[J]. 軟件學(xué)報(bào)，2012, 23(05): 1222-1232.

[4] 蘇金樹(shù)，郭文忠，余朝龍，等. 負(fù)載均衡感知的無(wú)線傳感器網(wǎng)絡(luò)容錯(cuò)分簇算法[J]. 計(jì)算機(jī)學(xué)報(bào)，2014, 37(02): 445-456.

[5] G. V. SELVI, R. MANOHARAN. Unequal clustering algorithm for WSN to prolong the network lifetime (UCAPN) [C]. Intelligent Systems Modelling & Simulation, 2013:456-461

[6] YUAN Z, NING W, WEI X. Clustering Hierarchy Protocol in Wireless Sensor Networks Using an Improved PSO Algorithm [J]. IEEE Access, 2016, PP (99):1-1

[7] 牛玉剛，周振華. 帶有重疊區(qū)域的多跳非均勻分簇路由算法[J]. 控制與決策，2019, 34(06): 1271-1276.

[8] 李成法，陳貴海，葉懋，等. 一種基于非均勻分簇的無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議[J]. 計(jì)算機(jī)學(xué)報(bào)，2007, 30(1): 27-36.

[9] HEINZELMAN W R, CHANDRAKASAN A, BALAKRISHNANH. Energy-efficient communication protocol for wireless microsensor networks[C]. Procof the 33rd Annual Hawaii Int Conf on System Sciences. Maui: IEEE, 2000:1-10.

[10] YAN X , DENG X W , SUNS H . Analysis and simulation of the early warning model for human resource management risk based on the BP neural network [J].Complexity, 2020, 8838468:1-8838468:11

An uneven clustering routing protocol for WSNs based on BP neural network

WU Zi-jing

(School of Computer and Control Engineering, Qiqihar University, Heilongjiang Qiqihar 161006, China)

To solve the problem of uneven load in existing wireless sensor networks, an uneven clustering routing for wireless sensor networks based on BP neural network was proposed. By introducing the competition radius function, nodes are added into clusters, and a route with the lowest transmission cost is constructed in the data transmission stage between clusters Tree to select the optimal transport route. The simulation results show that the energy consumption of nodes is effectively balanced and the survival time of the network is prolonged.

wireless sensor networks；BP neural network；uneven clustering；minimal route tree

2022-01-12

吳子敬（1965-），男，黑龍江齊齊哈爾人，副教授，碩士，主要從事電氣控制、數(shù)控技術(shù)研究，2466550354@qq.com。

TP39

A

1007-984X(2022)04-0008-06