使用人工神经网络对无线传感网络中网络处理机的包分类.docVIP

使用人工神经网络对无线传感网络中网络处理器的数据包分类 摘要 无线传感网络（WSN）主要是由许多资源受限的小感知器结点构成。无线传感网络中的基站将世界各地的传感结点连接到一起。基站需要负责处理大量数据，所以必须具备能够处理这些数据的计算能力。网络处理器(WSN)是用于监视目的，提供所监视的区域信息到系统其它的部分中。所以大部分工作是相关联的，通过某种方法进行信息处理。无线传感器网络是点对点网络，主要由很多资源有限且很小的传感结点再加上一个或多个基站所组成，这些基站是功能更强大由便携式电脑所构成的结点，他们连接着世界各地余下的传感结点。无线传感器网络的快速增长在构建高速网络网络上带来了巨大的挑战和一些非常复杂的问题。目前，无线传感器网络上的感知结点还在持续的增加，因此在传输中所产生的噪音和必要管理类型的参数也在增加，这些增加的处理都可由基站来完成。网络处理器网络处理器II. 分析中使用的数据 70?F”是属性基于的查询。同样，“读取A 区域节点的温度”， 是基于位置查询。 如果温差?T大于预定义的阈（yu）值，这时传感器节点已准备好来传输数据。可表示为： ?T Ta – αT ---- 1 ?T - Max temperature difference (最大温度差) Ta - Actual temperature（实际温度） αT- 预定义的温度阈值 传感器网络的传输可根据参数不同来分类，即源或目标 IP 地址、源端口号等。在大多数情况下，传感器数据的定期传输是没必要的。因此，我们观察一个基于事件的方法，在那我们定义事件为活动，它因为感知结点监控参数的改变而触发。 分类的第一步是确定数据可以做分类的，在我们的方法中，这些数据是传感器所监视的参数。要在每个数据包的基础上执行分类是不可能的，因为它的一些属性（稍后再作解释）不允许我们这样做。说的具体一些III. 分类 由于人工神经网络拥有信息的并行计算、非线性的处理能力和快速适应的动态系统等属性，它已获得了许多成功的应用。即使在存在噪音和非线性数据的情况下，人工神经网络也能够被有效的训练来分类各种信息模式，这说明人工神经网络可在无线传感网络的数据包分类中被利用。近几年，数据传输已经遍布于传感网络，它们包含一定数目数据包，和各种应用程序。 作为数据包分类的前反馈反向传输网络有3层如Fig 2所示 常用的BPN迭代算法是： Xk+1 = Xk – Ak Gk ---- 2 Xk-当前权值和偏差向量 Gk –当前的梯度 Ak –当前的学习率. 误差计算法为MSE 误差的计算结果为： 表示输入为Xp时，输出接点为j的输出误差。 op –输出模式 dp –期望模式 输入层有256个神经元对应感知接点，输出层有6个神经元，每一个神经元代表一类。因此，当网络模拟开始，理想的输出应在 1 到 6中，而其他的5个中应该没有输出。 对于隐藏层的神经元数目选择基于以下实验的结果。为了防止通过培训，我们使用交叉验证的方法。 第一次的实验我们用训练集来培训神经的网络，用测试集来交叉验证。第二次的实验中，交换使用的2套数据集，做同样的测试。在每个实验中，我们记录下神经网络在隐藏层中有 10 到 100 个节点的结果，发现这些结果平均迭代次数超过了1000。这就表示，在拥有10个接点的隐藏层进行1000次迭代的方差已被记录，它的均值就作为10个结点的方差。 在我们的实验中，通过2个参数进行研究，训练神经网络训练集的方差（在 MATLAB 下测试）和用于交叉验证所用到的测试集所产生的方差。这些参数由Flg.3绘制出，最终神经网络结构如Flg.4。 IV. 实验结果 网络结构中有256个输入神经元结点，72个隐藏层神经元结点，和6个输出层神经元结点，作为最理想结构被决定采用。可以看出隐藏节点超过 72的之后并不没有带来显著性能改善。因此，用于分类的神经网络体系结构的隐藏节点数被选为 72。 注意到分类的结果，神经网络培训使用培训集培训，然后记录下对测试集分类的结果。输出测试中，每个输入是一个6维的向量，其中每个元素都来自于6个分类中的一种。 分类结果在列表2中。可以看到一共有3个分类出错，也就是说分类准确率为98.82% v.结论 对传感器读取的数据分类是最重要的，因为在他们所获得的数据具有大规模和很高的维度（类别很多）。在网络处理器的公共处理器的数据包分类中，运用神经网络能提高其性能。目前的工作中，我们基于有特性（可分类）数据包，使用神经网络对其进行分类。这种分类是使用普通的前馈反向传播网络，可以得出结论，数据包的分类完成了，它通过遵循最佳神经网络结构，使分析准确率达到了98.82%。这种人工神经网络模型能通过使用硬