Application Research of Computers
计算机应用研究
Vol. 33 No. 10Oct. 2016
移动群智网中基于粒子群寻优和 距离协作判别的数据收集研究+
黄金国1,周先春2
(1.江苏开放大学信息与机电工程学院,南京210017; 2.南京信息工程大学电子与信息工程学院,南京 210041)
摘要:针对移动群智网应用对数据收集的实时性和可靠性要求,提出了一种基于粒子群寻优和距离协作判别 的数据收集机制。该机制基于时空二维感知区域定义了具有高精度和适应度的粒子群寻优模型,结合二维正态 分布基于时间序列给出了用于判断感知数据源的距离协作判别机制,激励用户移动节点积极加入到协作通信, 从而提出了适用于移动群智网应用的数据收集机制。仿真实验结果表明,所提出的数据收集机制在网络生存能 力、传输延迟、移动节点存活能力和能耗等方面表现优越。关键词:移动群智网;粒子群寻优;距离协作判别;数据收集中图分类号:TP399
doi:10. 3969/j
文献标志码:A 文章编号:1001-3695(2016)10-3132-04
. issn. 1001-3695.2016.10.057
Data collection mechanism based on particle swarm optimization and
distance cooperative discrimination for mobile crowd sensing networks
Huang Jinguo1 , Zhou Xianchun2
Information Engineering, Jiangsu Open University, Nanjing Electronic & Information Engineering,210017, China ; 2. School of (1. School of 210041 , China)Nanjing University of Information Science & Technology, Nanjing
Abstract : This paper proposed a data collection mechanism based on the particle swarm optimization and distance cooperation
for the real-time performance and reliability of data collection. Based on spatio-temporal sensing region, the mechanism defined with high accuracy and adaptation of particle swarm optimization model, combined with two-dimensional normal distribution based on the time series method was used to determine the perception of data source distance collaborative decision mechanism, incentive user mobile nodes to actively participate in the cooperation communication, and put forward the applicable to mobile swarm intelligent network application data collection mechanism. The results of simulation experiments show that the proposed data collection system has advantages in the aspects of network survivability, transmission delay, and the survival ability of mobile nodes and energy consumption.
Key words: mobile crowd sensing networks; particle swarm optimization; distance cooperative discrimination; data collection
法。此外,文献[9]研究了一种自适应控制器的网络服务质
〇引言
移动群智网[1]以用户双重身份即任务发布者和完成者为 中心,与传统的物联网或者无线传感器网络相比,应用系统中 其对于数据收集[2]提出了更高的要求。因此,在数据收集方 面,文献[3]提出了一种新的协调多个采样任务结合几何级 数,有效提高无线传感器网络移动采样算法的性能。文献[4] 研究了稀疏无线传感器网络数据采集路径规划的人工蜂群算 法。文献[5 ]分割数据发送与接收阶段,基于网络拓扑改善了 节点分组状态轮换、传输延迟和能耗。文献[6]基于小波分段 常值压缩研究了一种延长数据收集应用中网络寿命的数据收 集算法。文献[7]基于无线传感器网络的多元簇首采用分簇 方式收集数据。文献[8]为了优化传输路径和提高生命周期, 针对大规模节点密集特点,研究了一种分布式精确数据收集算
收稿日期:2015-07-31修回日期:2015-09-17
面上基金资助项目(l5KJD52〇0〇3)
量,根据变化动态调整比例积分(积分)控制器的参数。文献[10]采用Pareto前端、新目标空间分布熵,结合多样性和进化 状态,研究了一种多目标粒子群优化算法。文献[11]基于粒 子运动行为特征和空间缩放和吸引子研究了一种粒子群优化 算法。文献[12]基于平均速度研究了一种混合粒子群优化算 法,有效解决了寻优速度和收敛不全等问题。文献[13]基于 动态邻域自适应粒子群优化模型,研究了一种粒子滤波算法, 提高了优化精度和实时性。
文献[14]扩展了二元距离加权歧视,结合二进制DWD分 类器,提出了一个全球多DWD发现机制。文献[15 ]通过改进 马氏距离判别法,改善了南水北调西线工程TBM施工围岩分 级应用效果。文献[16]为了改善GARTEUR飞机模型有限元 修正效果,研究了一种基于随机抽样技术与距离判别分析方
基金项目:国家自然科学基金资助项目(11202106,61201444);江苏省高校自然科学研究
作者简介:黄金国(1976-),男,江苏泰兴人,副教授,硕士,主要研究方向为无线传感网络、可靠传输、机会网络等(jin_g_huang@ 163. com);
周先春(1974-),男,安徽庐江人,副教授,博士,主要研究方向为信号与信息处理.
第10期黄金国,等:移动群智网中基于粒子群寻优和距离协作判别的数据收集研究
• 3133 •
案。文献[17]基于通信特征曲线的动态时间弯曲距离判别, 结合僵尸网络的通信量特征曲线等研究了同源僵尸网络判别 法。文献[18]将主成分与距离判别相结合提出了突水水源判 别分析模型。
在上述研究成果基础上,基于移动群智网的数据收集实时 性和系统稳定性,开展了以下几方面工作:a)给出了适用于移 动群智网的粒子群寻优模型;b)基于二维正态分布提出了距 离协作判别算法;c)基于粒子群寻优确定收集数据源时间和 空间最优范围,距离协作判定分析确定数据源移动节点,提出 了一种数据收集机制。
1移动群智网粒子群寻优模型
移动群智网架构如图1所示,移动用户设备作为数据感
知、采集和转发节点,与蜂窝网部署的基站协作,共享资源,完 成一个数据收集任务。以进入感知区域的移动节点为对象组 成一个群体,因为节点的随机移动,使得该感知群体不断变化。 为了便于分析,设定每个移动节点遵循如下五个原则:
a) 每个基站的覆盖范围之间无交叉区域;
b) 移动节点在不同基站之间可无缝切换信道;c) 在同一时刻只在一个基站上注册;
d)
移动节点在冋一*基站内移动速度相冋,切换基站后改
变移动速度,避免发生碰撞;
e)
移动节点进入感知区域后,向基站方向移动,重合后再
远离基站,离开覆盖区域。
不失一般性,设定感知区域为一个由时间和空间构成的二 维感知信号搜索空间,共有^个移动节点,第&个移动节点定位可定义为丨,收集数据时刻根据其定义确定信号来 源。节点移动速度定义二维向量M
R,MFy丨。
定义第A:个移动节点感知数据的最佳定位为MA.=丨(MJ,0(My)丨。感知区域内目前最佳感知数据节点集合为 \"=
H
〇z: + 1,…,0一。于是,以收集到相同数据的最小集合
\"为优化目标,移动节点的目前最佳定位信息如式(1)所示。
^ -^station
f(x) =m1MV,石
A
Mk(t+y)
V^^station
1Ma +
rf(t)
+ y() >f(y)Myk + MVyk (t+y) f(rnk(t +y)) >f{mk{t))其中7是两次数据收集的时间间隔;/(幻是搜索感知节点集 合优化目标函数;是感知区域内部署的基站个数。通过比较目前感知数据与历史感知数据从而进行逐序对比,逐步优化。
基于粒子群对节点移动过程进行如式(2)所示的优化操作。
MVkx
Mkx =M(k-l)x +c
h -h-i)(2)
^ ^ky -- I k - 1 )y ~ ^kx
( ~ - 1 ) I其中:a表示时间方向上的增量;^表示空间上的增量;^和
L
:表示相邻两个时刻的数据收集时长。
基于粒子群进化进程,针对感知区域内移动节点最佳数据 收集集合优化问题,在式(2)所示的移动节点优化基础上,实 时调节a和使得移动节点分别在时间分量和空间分量上向 最佳位置集结。为了缩短集结周期和降低粒子群寻优复杂度, 移动节点的移动速度不仅要满足第4和5原则,而且要满足式(3)所示条件。
\"
e [
- max 丨[/ 丨,min 丨[/1 ]
<
mv7.[- ymax ⑷I x
_ ⑷ I,max ⑷UL
(3)
^MVX +MVy
其中:对于时间和空间上的移动分量取值根据\"集合中所有 移动节点的速度最大值和最小值组成的闭合区间,R表 示集合V的长度,&表示一个基站覆盖范围面积,7;表示一次 数据收集时延。
基于移动群智网粒子群寻优算法的收敛性,数据收集过程 可以获得如下两方面性能增益:
a)
当/(t/(u,5) ) (u)且u e t/,则粒子群寻优得到的感
知数据移动节点序列收敛到〃且可始终保持/(t/(〃,5)) (5)。其中5为最优感知信号门限值。
b)
对于在寻优过程不断更新集合的任意子集9,如果 MF( (?) < E
( t/),即子集中每个移动节点的移动速度小于\"
中所有节点移动速度的平均值,则ft[l =1,即
i = 1寻优目标节点集合信道在移动过程中不发生中断。其中^表
示集合9的长度。
在数据收集功率方面,当时间和空间分量上满足条件
(a I 巧-t Mk = 1 J
,01。- tk-l M,y. I ) <
\\
Mk = l+ ,y.时,可保证
最新寻优移动节点集合始终优于上一集合,如式(4)所示。
x{Mk^Q) >xs
(4)
其中表示转发信号为任务发起端发送信号。
为了验证粒子群寻优算法在移动群智网数据收集中对感 知数据移动节点的寻优性能及其收敛性,针对图1所示的移动 群智网架构进行了时间和空间上二维函数优化,结果如图2和 3所示。从图2看出,粒子群寻优算法可以准确地描述移动群 智网中汇聚基站位置及其邻居移动节点定位信息。图3证明 了粒子群寻优算法在寻找感知数据信号的移动节点集合时的 有效性、实时性和可靠性。
2收集信号距离协作判别机制
移动群智网中,数据收集时,感知数据的移动节点在第1
章给出了分类定义,每个移动节点具有不同的定位信息值。当 数据收集任务发布后,获得数据时需要判定来源移动节点及其
• 3134 •
计算机应用研究第33卷
集合,此时可通过距离判别结合移动节点协同合作进行统计分 析后确定该集合。在实际收集数据过程中,移动节点服从多元 正
态
分
布
,其中£和s分别是时间和空间上的估计参
数,可通过感知区域内多移动节点发送数据信号统计样本后估 计得到。设定收集数据Z服从二维正态分布% ,其中分
别来自多个移动节点的时间序列的数据分量(不,&,•••,
尤),时间和空间采样值情况如式(5)所示。
x=ixipi \\ht
i2
(5)
5 = ln(^J) i = 1
I
\\PS~PD \\ \\hs^D’
其中心、尽分别表示协作通信过程中数据源移动节点义 汇聚后转发给基站的移动节点S和集合内协作中继移动节点的发送功率火和表示协作汇总及移动节点信道衰落系数 及S与D节点之间端到端信道衰落系数。
距离判别分析是在时间序列上,判定数据感知源移动节点 类型及其距离是否符合粒子群寻优结果。移动群智网中优化 数据收集为目标的距离结合二维时空分量后如式(6)所示。
d(X,y)=(^+(^^iPi S °(6)
N2(t,s) ^XS
其中:时间分量上由信号分量与时间差与所有感知数据移动节 点功率和求比,空间分量上由信号分量与距离差与端到端功率 和求比。同时要求正态分布小于式(5)中两个采样均值积。
如果第^个移动节点的距离判别结果满足式(7)所示关 系,表明该移动节点复合粒子群寻优结果,可加入感知数据移 动节点集合,成为当前数据收集对象。
|^U,〜)= y^0-5 \\h-sk \\{MVkt-d{t,s))^\\
⑴[
^/tksk ^/tsd(t,s)
确定加入集合9的移动节点后,可通过多节点协作通信 提高数据收集效率,但加入协作通信的中继移动节点必须满足 式(8)所示条件,否则会因多节点广播通信,造成信道竞争和 数据碰撞,反而干扰数据收集。
'XQ=fll.Xi,j、= i = iiji = i 〜 j(8)
^ AH、^qsq其中和3^分别表系多候选中继移动节点信道信号强度, 根据公式可得到集合9的两个采样分量和〜,它们的乘积 作为距离协作判定门限值。
距离协作判别机制具体实施过程描述如下:
a)对感知区域内所有移动节点的采样信号依据时空相关
性分别从时间和空间分量定义采样信号矩阵,如式(9 )所示。
\"^tl,slSt'l,s2…StUsv_Sf2,sl^t2,sl…St2,svSx =(9)
-Stu,g[_^tu,sl**•Stu,sv-其中:时间分量上按序列分为〃段时间间隔,空间分量上按距 离分为〃个子空间。
b)根据收集数据Z计算二维正态分布% 的特征值
X
和S,然后结合距离判别最佳信号源集合,优化sz矩阵后可
得到感知数据源节点矩阵0,如式(10)所示,使其与矩阵
满足式(11)所示关系。
'Qu Qn *
** Qiv'L Ai Gu'i …Gu'i」Len(5x)
I
(11)
其中:函数Len()为长度测量函数。
c)加入协作判定的中继移动节点的特征值和距离具有式
(12)所示关系。此处的中继移动节点均满足粒子群寻优结 果,且均作为收集数据源。
A
=SQdQ(t,s) +ln( y/X^) f[d(tk,sk)
A >
Len(5x) Len(
Qx)(12)
Len(SY) Len(
Qx)
其中:A为距离协作判定分析系数旧为协作评价系数,若为1, 表明当前协作判定为积极,为〇表明为消极协作判定。
为了评价距离协作判定算法在移动群智网的应用效果,针 对图1拓扑,在图2所示时空二维粒子群寻优基础上,进行判 定评价,结果如图4所示。发现该距离协作判定机制所判定的 移动节点分布更为均匀和平滑,非常有助于收集数据。
3数据收集算法
移动群智网中,粒子群寻优可以确定收集数据源时间和空
间最优范围,距离协作判定分析确定哪些移动节点可以作为数
据源数据收集对象,积极加入到协作通信中。在此基础上,提 出具有健壮性、可靠性和实时性的适用于移动群智网的数据收 集算法记为DC-PS0DCD。该数据收集算法按时间进化过程如 图5所示。其中,初始阶段,任务发布,粒子群按照时间序列寻 优,确定数据源二维定位区域,采用距离协作判定确定数据源
集合即矩阵Q,然后开始收集数据。按照距离空间进化过程如 图6所示,与时间进化过程类似。因此,基于时空两种进化后 基站收集数据%G0如式(13)所示。
■ r
Q~
XQSQ
(13)
{x(t,s)丨
\\Qyd=LenCi^)
i = 1
I
基于DC-PSODCD算法收集数据,所需能耗如式(14)所 示。其中包括基站端粒子群寻优能耗、子空间移动节点距离协 作判定能耗和协作传输总能耗。
=^pso 「 MF'.1.Xn = 1 (aL -----h7^— 1edcU
+(3MVix (
x
)) +
EdLen()
i = 1 I
(
\.-s, \\(MVit-d(t,s)))Len()
+ i = 1I E,
(14)
第10期黄金国,等:移动群智网中基于粒子群寻优和距离协作判别的数据收集研究
• 3135 •
其中为系统总能耗,'s。为粒子群一轮寻优能耗,&为一 对移动节点间距离协作判定能耗,尽为确定收集数据源移动 节点协作通信能耗。
移动群智网生命周期k是指从一系列数据收集任务发布 后,按时间序列一次完成任务或者某次任务无法继续完成所需 时间,可由式(15)得到。
\"I
__________T______________^(1,8) +MV(ti) +Ti(Qi)^Task
Lc :
T+ Ti(Qi)(15)
~P
Tz;?+MV(ti)#Task〉〇
其中:#Task表示当前剩余任务数。若为0表明任务全部完成, 一次移动群智数据收集结束;若大于〇,表明尚有未完成任务, 由已完成任务的完整时延加上剩余任务的粒子群寻优和距离 协作判定所需时间。
4性能验证
为了验证所提出的基于粒子群寻优和距离协作判别的数
据收集机制DC-PS0DCD的性能,采用C ++语言模拟该机制在 移动群智网中的运行过程,并对其性能进行验证。
仿真过程中,分别对感知区域内的移动节点进行1〇次随 机部署,得到实验结果求取数据样本均值。10次分析中任一 移动节点赋予不同的定位信息、二维分量和距离判定表等参 数。每次数据收集记录历史定位信息,通过粒子群寻优更新下 一轮移动节点属性,通过第1和2章中定义的粒子群优化算法 和距离协作判定机制,得到收集数据。同时统计系统移动节点 能耗、数据收集时延、存活节点数和网络生命期。
仿真模拟参数取值如表1所示,验证结果与基于LEACH 协议[19]的数据收集机制记为DC-LEACH进行对比分析。其 中,任务发布初期所有移动节点初始能量设置为1〇 J。如果移 动节点的剩余能量不足初始能量的1%即〇. 01 J则判定该移 动节点毁灭。仿真模拟分别从以下四个方面进行性能分析与 评估:a)随端到端距离变化的网络生命周期;b) 10轮数据收 集的移动节点存活率;c) 10轮数据收集时延;d)随移动节点规 模变化的能耗。结果如图7所示。
从图7
(a)可以看出,随着端到端通信距离的增大,DC-
LEACH机制的网络生命周期急剧下降,当距离达到80 m
时,
与初期相比已经下降了 65%,这是因为LEACH协议对于距离 变化敏感度低,在收集数据时并未实时调整方案,而导致部分 节点失效,而缩短生命周期。而所提DC-PS0DCD机制,具有 距离协作判定算法,可以及时感知距离变化,更新感知数据源。
10轮数据收集过程中移动节点存活率如图7 ( b)所示,发现随
着数据收集次数的增加,两种机制均出现部分移动节点崩溃即
存活率下降,但
DC-LEACH机制下降更快,而所提出的DC-
PS0DCD机制因为每轮数据收集均采用粒子群寻优,即使系统
资源消耗严重,依然可以提高移动节点生存概率和缩短传输时 延,详见图7(c)。图7(d)分析了移动节点规模的增大对系统 能耗的影响,两种机制的能耗增大规律相似,但
DC-LEACH机
制的能耗约是所提出的DC-PS0DCD机制的4倍。
表1多媒体传感器参数设置
参数
值
每平米传播信号所需能耗50 pj/bit/m2
每比特能耗5 nj/bit数据帧长度
2 048 bitSYN长度
50 bit
移动节点数5,10,15,20,25,30基站个数5
基站定位感知区域的四个角和中心位置
端到端距离
[10,80]m,步长为 10 m
1
0 io,0 \"8 o S6 o 34 o 32
m
20 30 40 50 60 70 80
4 6 8
距离(a/m)网络生命周期
(b数据收集/轮 )存活移动节点数
1
0 o 8 o 6 o 4o2
4 6 8 10 5 10 15 20 25 30
数据收集/轮
移动节点数/个(C)数据收集时延
(d)能耗
图7
移动群智网数据收集性能验证
5结束语
为了提高移动群智网应用过程中数据收集效率、提高系统
抗毁性和扩展性,研究了一种基于粒子群寻优和距离协作判别 的数据收集机制。首先,根据二维时空感知区域,建立了粒子 群寻优模型,并验证了其精度和适应度。接着,在二维正态分 布的基础上,按照时间序列建立了定位感知数据源的距离协作 判别机制及其数据转发策略。最后,提出了一种适用于移动群 智网的数据收集机制。实验结果证明,在网络生命周期、数据 汇聚延迟、移动节点存活率和系统能耗等方面,所研究数据收 集机制优于基于leach
的数据收集机制。
参考文献:
[1 ]
Guerra-Santin 0, Tweed C A. In-use monitoring of buildings : an overview of data collection methods [ J]. Energy and Buildings, 2015, 93(1) : 1-207.[2] 张希伟,戴海鹏,徐力杰,等.无线传感器网络中移动协助的数 据收集策略[J].软件学报,2013, 24(2):198-214.
[3] Rajasekar R, Prakasam P. Proposed coordinating multiple sampling tasks in sensor field using geometric progression algorithm for efficient data collection in wireless sensor networks [ J ]. Wireless Personal
Communications, 2015, 82(3): 1809-1824.(下转第 3146 页)
• 3146 •计算机应用研究第33卷
0-9-8-7-6-塵5-4
1q 合机制在网络环境较差时致使网络吞吐量急剧下降这两个问
5-22 -1-1-00- 5 0 5-0a-0q-0-o0°/-_cq:® 题,减少了数据时延,提高了网络吞吐量。仿真结果显示,
HTLD-MAC
相较IEEE 802.15. 3c及ES-MAC具有更优异的网
络性能,更适应于太赫兹无线个域网络的环境特性。在未来的 研究中,本文将以HTLD-MAC为基础,研究时隙分配算法对太
2
2 4 6
8
10
4 6 8
图2
帧错误概率/%
网络吞吐量
图3
帧错误概率/%数据帧平均时延
10
赫兹无线个域网的影响。参考文献:
[1 ] IEEE 15. 3c,information technology-telecommunications and informa
tion exchange between systems-local and metropolitan area networks- specific requirements, part 15. 3: wireless medium access control (MAC) and physical layer ( PHY) specifications for high rate wireless personal area networks ( WPANs) amendment 2 : millimeter- wave-based alternative physical layer extension [ S ]. New York : IEEE Press, 2009.[2]
3) 接入成功率它是指MAC层正确发送到无线信道数
MAC
据帧个数(收到确认帧)与层接收到的来自上层的数据
个数之比,聚合帧计算子帧的个数。图4表明HTLD-MAC具 有更优的接入成功率,这是由于预留时隙资源使数据在本超帧 全部发送,减少数据在缓存的积压;同时自适应动态确认实时 选择效率较高的确认机制,降低网络开销,提高接入成功率。
4)
总数据量的比例。从图5可以看出,HTLD-MAC的缓存溢出率 最低,主要是因为:a)自适应动态确认根据网络情况选择合适 的确认机制,提高数据转发效率,减少数据缓存积压;b)预留 时隙资源加快数据转发,减少缓存溢出。
l3 x 2-1x1-1 -0x-91 8-x7-c6u-5-4- cucucucucu,邓贤进,王成,等.太赫兹高速无线通信:,技术与验证
缓存溢出率它是指源端缓存溢出的数据量占产生的
系统[J].太赫兹科学与电子信息学报,20l4,12(lhl-l3.
cations [ EB/OL ]. (2013-03- 10). https://mentor.ieee.org/802. 15/den/13/15-13-0119-00- 0 thz-mac-layer-concepts-for-thz-commu- nications. pdf.
[3] Priebe S, Braunschweig T U. MAC layer concepts for THz communi
[4] Peng Bile, Priebe S, Kurner T. Fast beam searching concept for in
door terahertz communications [C]//Proc of the 8th IEEE European Conference on Antennas and Propagation. [ S. 1. ] : IEEE Press,
讲
吞毎
Yfl讲田■桦鸚
2
4
8
帧错误概率/%
6
10
2014:667-671.
[5 ] Jornet J M, Pujol J C, Pareta J S. Phlame: a physical layer aware
mac protocol for electromagnetic nanonetworks in the terahertz band[J]. Nano Communication Networks, 2012, 3(1) : 74-81.
[6] Wang Pu, Jornet J M, Malik M G A, et al. Energy and spectrum-
0.0
2 4
8
帧错误概率/%
6 10
aware MAC protocol for perpetual wireless nanosensor networks in theterahertz band [J]. Ad hoc Networks, 2013, 11 (8) : 21-2555.[7 ] An Xueli, Lan Zhou, Prasad Y R, ei al. Performance analysis of the
frame aggregation mechanisms in IEEE 802. 15.3c [ C]//Proc of the 20th IEEE International Symposium on Personal, Indoor and Mobile Radio Communications. [ S. 1. ] : IEEE Press, 2009: 2095-2100.[8] Yenkatesha P R, Quang Bien, Chandra K, et al. Analysing IEEE
802.15.3c protocol in Fi-Wi hybrid networks [ C ]//Proc of IEEE Consumer Communications and Networking Conference. [ S. 1.]: IEEE Press, 2013:749-752.
[12] 高哲,廖晓钟.基于平均速度的混合自适应粒子群算法[J].控
图4接入成功率图5缓存溢出率
4结束语
本文针对太赫兹无线个域网网络环境较差、无线链路不稳
定的情况,提出一种高吞吐量低时延的太赫兹无线个域网
MAC协议,通过基于信道质量预留时隙机制、自适应动态确认
机制,解决了重传数据占用时隙导致部分数据时延过大、帧聚
(上接第3135页)[4]
Chang Weilun, Zeng Deze, Chen Rungching. An artificial bee colony algorithm for data collection path planning in sparse wireless sensornetworks [J]. International Journal of Machine Learning and
制与决策,2012, 21 (7) : 153-160.
[13] 陈志敏,薄煜明,吴盘龙,等.基于自适应粒子群优化的新型粒
子滤波在目标跟踪中的应用[J].控制与决策,2013, 28(2):
193-200.
et al. Multiclass distance-
Cybernetics,2015, 6(3) : 375-383.
[5]
MAC协议[J].计算机研究与发展,2014, 51 (6): 1167-1175.[6]
李哲涛,王志强,朱更明,等.WSN中状态轮换分组的数据收集 [14] Huang Hanwen, Liu Yufeng, Du Ying,
weighted discrimination [ J ].
Journal of Computational and
李杨,郭龙江,李金宝,等.传感器网络基于小波分段常值压缩 胡升泽,包卫东,王博,等.无线传感器网络基于多元簇首的分
Graphical Statistics, 2013, 22(4) : 953-969.
程TBM施工围岩分级[J].岩石力学与工程学报,2012, 31 (7):
1446-1451.
的数据收集研究[J].仪器仪表学报,2013, 34(1) : 119-127.
[7]
[15] 闫长斌,路新景.基于改进的距离判别分析法的南水北调西线工
簇数据收集算法[J].电子与信息学报,2014, 36(2) : 403-408.
[8]
陈零,王建新,张士庚,等.无线传感器网络中基于树的能量高效分 [16] 毕司峰,邓忠民.基于随机抽样与距离判别的GARTEUR模型修
正与确认研究[J].航空学报,2013, 34(12): 2757-2767.
[17] 金鑫,李润恒,甘亮.基于通信特征曲线动态时间弯曲距离的
IRC僵尸网络同源判别方法[J].计算机研究与发展,2012, 49(3) : 481-490.
[18] 宫凤强,鲁金涛.基于主成分分析与距离判别分析法的突水水源
布式精确数据收集算法[J].电子学报,2013, 41 (9厶1738-1743.
[9]
Fang Wei, Liu Juan, Wu Xiaojun, et al. Adaptive Web QoS controller based on online system identification using quantum-behaved particle swarm optimization [ J ]. Soft Computing, 2015,19(6) : 17151725.
[10] 胡旺,Yen GG,张鑫.基于Pareto熵的多目标粒子群优化算法
[J].软件学报,2014, 25(5): 1025-1050.
[11] 迟玉红,孙富春,王维军,等.基于空间缩放和吸引子的粒子群
识别方法[J].采矿与安全工程学报,2014, 31 (2): 236-242.
[19 ] Karim L, Nasser N. Reliable location-aware routing protocol for mo
bile wireless sensor network [ J ]. IET Communications, 2012, 6(14) : 2149-2158.
优化算法[J].计算机学报,2011,34(1) : 115-130.
因篇幅问题不能全部显示,请点此查看更多更全内容
Copyright © 2019- efsc.cn 版权所有 赣ICP备2024042792号-1
违法及侵权请联系:TEL:199 1889 7713 E-MAIL:2724546146@qq.com
本站由北京市万商天勤律师事务所王兴未律师提供法律服务