无线传感器网络改进GAF算法研究.docVIP

无线传感器网络改进GAF算法研究 　　摘要：传感器节点能量有限一直以来都是无线传感器网络的关键所在。针对该问题对传统的GAF（geographic adaptive fidelity，GAF）算法进行了改进。改进的GAF算法引入了支持向量回归机（Support Vector Regression，SVR）来优化虚拟单元格的划分，同时将正方形网格改为圆形区域；另外，通过改变圆形区域的半径来加强相邻区域的连通性。结果显示，与传统的GAF算法相比，改进后的算法具有更大的优势，降低了节点能耗。 　　关键词： 支持向量回归机；GAF算法；虚拟单元格；节点能耗 　　中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）05-0194-04 　　Abstract： The limited energy of sensor nodes had been the key of Wireless Sensor Networks.To solve the problem，traditional GAF algorithm was improved.Improved GAF algorithm introduced SVR to optimize virtual cells division and paints circular areas to replace the square grids.In addition，connectivity between adjacent areas were strengthened by changing the radius of the circular areas.Results showed that compared with the traditional GAF algorithm， the improved algorithm had a greater advantage， and reduced the energy consumption of nodes. 　　Key words： support vector regression；GAF algorithm；virtual cell；energy consumption of nodes 　　1 引言 　　无线传感器网络（Wireless Sensor Network， WSN）是由众多传感器节点以自组织和多跳方式组成的传感网络[1]。随着技术的进步，WSN广泛应用于军事、环境监测、城市交通和智能家居等领域。由于传感器节点的体积小，携带的能量是有限的，通常部署在复杂的无人值守的环境中，因此WSN面临的重要挑战是如何提高能量的利用率来延长整个网络的生存时间。 　　GAF算法[2]是一种拓扑控制算法，是由Xu等人针对无线传感器网络节点部署复杂且密集的这一特性提出来的[3]。该算法是基于单元格分簇的拓扑算法，不足之处在于它的簇首选择机制和节点能耗不均。在本文中，采用了支持向量回归机（Support Vector Regression，SVR）虚拟单元格的划分进行优化，并借助MATLAB工具对改进之后的算法进行了性能分析与实验仿真。 　　2 支持向量回归机 　　支持向量机（Support Vector Machine，SVM）主要用于研究分类和回归这两大问题，1995年Vapnik提出的一种新的通用学习方法[4]。在许多领域都得到了长足的发展， 例如非线性系统控制、人脸检测技术、计算机入侵检测、基因分类、函数回归估计、数据挖掘等等。本文主要采用SVM中的回归估计方法（即SVR），无线传感器网络中节点的分布满足某一函数，针对这一函数应用SVR寻找其属于支持向量（Support Vector，SV）的点，以该点作为圆心进行区域划分。 　　SVM方法首先是从解决分类问题发展起来的，把该方法推广到回归领域时，则提出了SVR。SVR仍然保持着分类问题中的稀疏性，即可以用少量SV来表示决策函数[5]。 　　3 GAF算法 　　3.1 传统的GAF算法 　　GAF算法[6]基于节点的位置信息，监测区域划分成方形的虚拟单元格，根据算法本身的簇首选择机制进行分簇。该算法主要有两个阶段的执行过程。 　　第一阶段，为保证相邻单元格中任意两个节点可以直接通信，根据传感器节点的位置信息和通信半径来划分虚拟单元格。在已知位置和通信半径的情况下，可以计算出该节点所在的单元格。 　　所有节点的初始状态的都是发现状态，每一个节点发送自己的位置信息来获得本单元格内其他节点的信息。每个节点设置一个定时器，一旦定时器超过T1，节点进入活动状态，同时发送消息声明成为簇头节点；若超时前收到本单元格内其他节点成为簇头的消息