بخشی از فهرست مطالب پروژه پروژه دانشجویی کاهش مصرف انرژی در شبکه های حسگر بی سیم با استفاده از شبکه های عصبی som در pdf
عنوان صفحه
فصل1 مقدمه
1-1. مقدمه
1-2. تعریف مساله و سئوالات اصلی تحقیق
1-3. فرضیه‌ها
1-4. اهداف تحقیق
1-5. روش تحقیق
1-6. مراحل انجام تحقیق
1-7. ساختار پایان‌نامه
فصل2 مروری بر منابع مطالعاتی
2-1. مقدمه
2-2. طبقه‌بندی روشهای کاهش مصرف انرژی در شبکه‌های حسگر
2-2-1. چرخه وظایف
2-2-2. روشهای داده‌گرا
2-2-3. روشهای مبتنی بر قابلیت تحرک
2-3. نقش شبکه‌های عصبی در کاهش مصرف انرژی شبکه‌های حسگر
2-3-2. شبکه‌های عصبی در طرح‌های چرخه وظایف
2-3-3. شبکه‌های عصبی در کاهش داده
2-3-4. شبکه‌های عصبی در شبکه‌های حسگر متحرک
2-4. نتیجه‌گیری
فصل3 نقش شبکه‌های عصبی در مسیریابی انرژی آگاه
3-1. مقدمه
3-2. ویژگی‌های مسیریابی در شبکه حسگر بی‌سیم
3-3. روشهای مسیریابی در شبکه‌های حسگر بی‌سیم
3-3-1. مسیریابی مسطح
3-3-2. مسیریابی مبتنی بر مکان
3-3-3. مسیریابی سلسه مراتبی(مبتنی بر خوشه‌بندی)
3-3-4. پروتکل خوشه‌بندیLEACH
3-3-5. پروتکل خوشه‌بندیLEACH متمرکز
3-4. شبکه‌های عصبی در الگوریتم‌های مسیریابی آگاه از انرژی
3-4-1. شبکه عصبی انتشار معکوس در کشف مسیر
3-4-2. شبکه عصبی نقشه خودسازماندهی در مسیریابی
3-4-3. پروتکل‌های مسیریابی مبتنی بر نقشه خودسازماندهی
3-5. پروتکل خوشه‌بندی پیوندگرا وفقی با انرژی پایین
3-6. جمع‌بندی
فصل4 پروتکل جدید پیشنهادی
4-1. مقدمه
4-2. پروتکل مسیریابی خوشه‌بندی مبتنی بر انرژی خودسازمانده
4-3. فرضیات الگوریتم
4-4. مرحله خوشه‌بندی
4-4-2. مرحله اول : خوشه‌بندی با شبکه عصبی نقشه خودسازماندهی
4-4-3. مرحله دوم : خوشه‌بندی با الگوریتم K-means
4-4-4. مرحله انتخاب سرخوشه
4-5. مرحله انتقال داده
4-6. مرحله خوشه‌بندی مجدد
4-7. جمع‌بندی
فصل5 نتایج شبیهسازی و تحلیل آنها
5-1. مقدمه
5-2. پارامترهای شبیهسازی
5-2. نتایج شبیهسازی
5-2-1. مقایسه نحوه تشکیل خوشه‌ها در EBCS با پروتکل LEACH
5-2-2. مقایسه کارایی EBCS با پروتکل‌های پیشین از لحاظ طول عمر شبکه
5-2-3. ارزیابی تابع هزینه انتخاب سرخوشه برکارایی EBCS
5-2-4. ارزیابی کارایی پروتکلEBCS در افزایش پوشش شبکه‌ای
5-3. جمع بندی
فصل6 جمع‌بندی و پیشنهاد‌ها
6-1. مقدمه
6-2. یافته‌های تحقیق
6-3. نوآوری تحقیق
6-4. پیشنهاد‌ها
مراجع
واژه‌نامه
مراجع
چکیده
امروزه، در شبکه‌های حسگر بی‌سیم، پروتکل‌های مسیریابی مبتنی بر خوشه‌بندی از طریق تقسیم گره‌های همسایه به خوشه‌های مجزا و انتخاب سرخوشه‌های محلی برای ترکیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گره‌های شبکه، بهترین کارایی را از لحاظ افزایش طول عمر و حفظ پوشش شبکه‌ای در مقایسه با سایر روشهای مسیریابی به دست می‌آورند. با این وجود، همه پروتکل‌های خوشه‌بندی ارایه شده تاکنون، تنها نزدیکی جغرافیایی(همسایگی) را به عنوان پارامتر تشکیل خوشه‌ها در نظر گرفته‌اند. در این تحقیق، یک پروتکل جدید خوشه‌بندی متمرکز مبتنی بر انرژی با استفاده از شبکه عصبی نقشه خودسازماندهی برای شبکه‌های حسگر بی‌سیم ارایه میشود که قادر به خوشه‌بندی گره‌های شبکه بر اساس سطح انرژی و مختصات گره‌ها میباشد. این پروتکل با استفاده از تعداد مشخصی از گره‌های پرانرژی در شبکه و اعمال آنها به عنوان وزن نورون‌های نقشه خودسازماندهی، نزدیک‌ترین گره‌های کم‌انرژی را جذب گره‌های پرانرژی میکند؛ به طوری که خوشه‌ها لزوماً از گره‌های مجاور تشکیل نشده و در واقع براساس دو پارامتر سطح انرژی و همسایگی، خوشه‌هایی با انرژی متوازن تشکیل خواهند شد. به علاوه یک تابع هزینه جدید به منظور تصمیم‌گیری در انتخاب گره‌های سرخوشه، پیشنهاد شده است که سعی در ترکیب معیارهای مختلف موثر در انتخاب بر اساس میزان اهمیت آنها دارد. کارایی برتر این پروتکل از لحاظ افزایش طول عمر مفید شبکه و حفظ بهتر پوشش شبکه‌ای در مقایسه با پروتکل‌های پیشین نظیر LEACH و LEA2C و نیز تاثیر تابع هزینه پیشنهادی بر کارایی آن (با شبیهسازی) به اثبات رسیده است.
واژه‌های کلیدی: شبکه‌های حسگر بی‌سیم، شبکه عصبی، نقشه خودسازماندهی، کاهش مصرف انرژی، خوشه‌بندی.
بخشی از منابع و مراجع پروژه پروژه دانشجویی کاهش مصرف انرژی در شبکه های حسگر بی سیم با استفاده از شبکه های عصبی som در pdf
Abdel-Aty-Zohdy, H.S. and Ewing R.L. (2000) ‘Intelligent Information Processing Using Neural Networks and Genetic Algorithms’, In: Proc. 43rd Midwest Symp. Circuits and Systems, Aug, pp. 840-845.
Al-karaki J.N, Kamal A.E. (2004) ‘Routing Techniques in Wireless Sensor Networks: A Survey’, In: IEEE Wireless Communication, pp.6-28.
Anastasi G, Conti M, Passarella A. (2009) ‘Energy Conservation in Wireless Sensor Networks: a survey’, In: Ad Hoc Networks, volume 7, Issue 3, Elsevier; pp.537-568.
Ash T. (1989) ‘Dynamic Node Creation in Back propagation Networks’, technical report, Inst. for Cognitive Science, Univ. of California, San Diego
Aslam N, Philips W, Robertson W, Siva Kumar SH. (2010) ‘A multi-criterion optimization technique for energy efficient cluster formation in Wireless Sensor networks’, In: Information Fusion, Elsevier
Barbancho J, Leon C, Molina F.J, Barbancho A. (2007) ‘Using artificial intelligence in routing scheme for wireless networks’, In: Computer Communications 30, Elsevier, pp. 2802-2811.
Buchberger M, Jorg K.W, and von Puttkamer E. (1993) ‘Laser Radarand Sonar Based World Modelling and Motion Control for Fast Obstacle Avoidance of the Autonomous Mobile Robot MOBOTIV’ , In: Proc. IEEE Int’l Conf. Robotics and Automation, pp. 534-539.
Chang C.C and Song K.T. (1996) ‘Ultrasonic Sensor Data Integration and Its Application to Environment Perception’, In: Journal of Robotic Systems, vol. 13, no. 10, pp. 663-677.
Chaudhuri S.P. and Das S. (1990) Neural Networks for Data Fusion, In: Proc. IEEE Int’l Conf. Systems Eng.
Chengfa L, Mao Y, Guigai C. (2005) ‘An Energy-Efficient Unequal Clustering Mechanism for Wireless Sensor Networks’, In: Proceeding. Of IEEE MASS.
Chung, Y.N., Chong, C.Y., Bar-Shalom, Y. (1986) ‘Joint Probabilistic data and association Distributed sensor Networks’, In: IEEE Trans. Automa. Contr. AC-31, pp.889–897.
Cordina M, Debono C.J. (2008) ‘Increasing Wireless Sensor Network Lifetime through the Application of SOM neural networks’, In: ISCCSP, IEEE, Malta, pp. 467-471.
Courtney J.D. and Jain A.K. (1994) ‘Neural Network Learning of Variable Grid-Based Maps for the Autonomous Navigation of Robots’, In: Proc. IEEE Int’l Conf. Robotics and Automation, pp. 40-45.
Davies D.L and Bouldin D.W. (1979) ‘A Cluster Sepration Measure’, In: IEEE Trans. on Pattern Analysis and Machine Intelligence, PAMI (2): pp. 224-227.
DeAngelis, C.M and Whitney, J.E. (1998) ‘The Neurally Inspired Contact Estimator (NICE)’, In: Proc. IEEE Oceanic Eng. Soc. Conf, vol. 3, pp. 1619-1623.
Dehni L, Kief F, Bennani Y. (2005) ‘Power Control and Clustering in Wireless Sensor Networks’, In: Proceedings of Med-Hoc-Net 2005: Mediterranean Ad Hoc Networking Workshop, France.
Dehni L, Krief F, Bennani Y. (2005) ‘Power Control and Clustering in Wireless Sensor Networks’, In: Challenges in Ad Hoc Networking, vol 2005, pp.31-40.
Demirkol I, Ersoy C, Alagoz F. (2006) ‘MAC Protocols for Wireless Sensor Networks: a Survey’, In: IEEE Communications Magazine.
واژه‌نامه
واژه‌نامه انگلیسی به فارسی
اقتضایی Ad- hoc
وفقی Adaptive
مجاورت(همسایگی) Adjacency
دورها یا زمان الگوریتم Algorithm Time(Rounds)
گره زنده (گرهی که هنوز کار میکند) Alive node
تقویت(فزون‌سازی) Amplification
تقویت‌کننده Amplifier
تحلیل Analysis
آنتن (گره حسگر) Antenna
کاربرد Application
هوش‌مصنوعی Artificial Intelligence
شبکه عصبی مصنوعی Artificial Neural Network
رده‌بندی خودکار داده‌ها Automatic data classification
مدل میانگین متحرک خودبازگشتی AutoRegressive Moving Average model(ARMA)
ایستگاه مبنا Base Station
باتری Battery
واحد دارای بالاترین انطباق Best Matching Unit(BMU)
مرکزیت Centrality
متمرکز Centralized
رده‌بندی Classification
خوشه Cluster
انتخاب گره سرخوشه Cluster Head Election
چرخش نوبتی سرخوشه Cluster Head Rotation
گره سرخوشه Cluster Head(CH)
مرحله‌ی نصب خوشه‌ها Cluster Set-up Phase
خوشه‌بندی Clustering
ارتباط Communication
مقایسه Comparison
لایه رقابتی Competitive layer
پیوندگرا Connectionist
بسته کنترلی Control Packet
مختصات Coordinates
هزینه Cost
معیار/ معیارها Criterion/Criteria
داده/ داده‌ها Data
اجتماع داده Data Aggregation
انتساب داده Data Association
روشهای داده‌گرا Data Driven approaches
ترکیب داده Data Fusion
بسته داده Data Packet
پیش‌بینی داده Data Prediction
کاهش داده Data reduction
مرحله‌ی انتقال داده Data Transmission Phase
مصور‌سازی داده‌ها Data Visualization
مجموعه داده Dataset
شاخص دیویس - بولدین Davies-Bouldin Index
گره مرده Dead node
بعد Dimension
کاهش ابعاد Dimensionality Reduction
توزیع شده Distributed
روشهای چرخه وظایف Duty Cycling approaches
مدارهای الکترونیکی Electronics
انرژی Energy
روشهای انرژی آگاه Energy Aware Methods
خوشه‌های با سطح انرژی متوازن Energy Balanced Clusters
مبتنی بر انرژی Energy Based
ذخیره انرژی Energy Conservation(Saving)
محدودیت انرژی Energy Constraint
مصرف انرژی Energy consumption
بهره‌وری انرژی Energy efficiency
الگوهای بهره‌ور انرژی Energy Efficient approaches
سطح انرژی Energy level
مدل انرژی Energy model
منبع انرژی Energy resource
ارزیابی Evaluation
آزمایشی Experimental
افزایش طول عمر شبکه حسگر بی‌سیم Extending Wireless Sensor Network Lifetime
زمان مرگ اولین گره (زمان اولین مرگ) First dead(death)
پروتکل‌های مسیریابی مسطح Flat Routing Protocols
تابع Function
تابع گوسی Gaussian Function
سیستم موقعیت‌یاب جهانی Global Positioning System(GPS)
مرکز ثقل Gravity Center
گرید Grid
زمان مرگ نیمی از گره‌ها Half dead(death)
دانشگاه فناوری هلسسینکی Helsinki University of Technology
لایه مخفی Hidden Layer
پروتکل‌های مسیریابی سلسله‌مراتبی Hierarchical Routing Protocols
پردازش درون شبکه‌ای In- network Processing
شاخص Index
لایه ورودی Input Layer
هوشمند Intelligent
ارتباطات بین خوشه‌ای Inter- Cluster Communications
ارتباطات درون خوشه‌ای Intra- cluster communications
الگوریتم k میانگین K-Means Algorithm
زمان مرگ آخرین گره (زمان آخرین مرگ) Last dead(death)
ضریب آموزش Learning coefficient
طول عمر Life time
واحد نقشه Map Unit
نگاشت Mapping
نرم‌افزار مطلب MATLAB
ماتریس Matrix
روشهای مبتنی بر قابلیت تحرک Mobility based Approaches
پایش Monitoring
کنترل دسترسی رسانه Multiple Access Control(MAC)
همسایگی Neighborhood
شعاع همسایگی Neighborhood Radius
فضای شبکه Network Area(space)
پوشش شبکه‌ای Network coverage
عمر مفید شبکه Network Useful Lifetime
سلول عصبی(نورون) Neuron
گره Node
گره عادی(گره غیر‌سرخوشه) Normal Node
نرمالیزه کرده Normalization
بهینه Optimal
بهینه‌سازی Optimization
لایه خروجی Output Layer
سربار Overhead
کارایی Performance
توان Power
کنترل توان Power Control
کیفیت سرویس Quality Of Service
شبکه عصبی با تابع پایه شعاعی Radial Basis Function(RBF)
تصادفی Random
قرارگیری تصادفی Random deployment
گیرنده Receiver
کاهش مصرف انرژی Reduction of Energy Consumption
چرخش نوبتی Rotation
دور(راند) Round
پروتکل‌های مسیریابی Routing protocols
سناریو Scenario
صحنه Scene
شبکه عصبی نقشه خودسازماندهی Self Organizing Map Neural Network
حسگری Sensing
حسگر Sensor
شبیهسازی Simulation
گره سینک Sink
وضعیت خواب Sleep Mode
جعبه ابزار شبکه عصبی نقشه خودسازماندهی SOMtoolbox
بقاء (شبکه) Survivability
ارتباطات وزن‌دار شبکه عصبی Synapses
طبقه‌بندی Taxonomy
تست Test
آستانه Threshold
آموزش(شبکه عصبی) Training
فرستنده Transmitter
آموزش بدون نظارت Unsupervised learning
اندازه‌گیری برداری Vector Quantization
بردار وزن Weight vector
ارتباطات بی‌سیم Wireless communications
شبکه حسگر بی‌سیم Wireless Sensor Network
واژه‌نامه فارسی به انگلیسی
اجتماع داده Data Aggregation
ارتباط Communication
ارتباطات بی‌سیم Wireless Communications
ارتباطات بین خوشه‌ای Inter- Cluster Communications
ارتباطات درون خوشه‌ای Intra- cluster communications
ارتباطات وزن‌دار شبکه عصبی Synapses
ارزیابی Evaluation
آزمایشی experimental
آستانه Threshold
افزایش طول عمر شبکه حسگر بی‌سیم Extending Wireless Sensor Network Lifetime
اقتضایی Ad- hoc
آموزش بدون نظارت Unsupervised learning
آموزش(شبکه عصبی) Training
انتخاب گره سرخوشه Cluster Head Election
انتساب داده Data Association
آنتن (گره حسگر) Antenna
اندازه‌گیری برداری Vector Quantization
انرژی Energy
ایستگاه مبنا Base Station
باتری Battery
بردار وزن Weight vector
بسته داده Data Packet
بسته کنترلی Control Packet
بعد Dimension
بقاء (شبکه) Survivability
بهره‌وری انرژی Energy efficiency
بهینه Optimal
بهینه‌سازی Optimization
پایش Monitoring
پردازش درون شبکه‌ای In- network Processing
پروتکل‌های مسیریابی Routing protocols
پروتکل‌های مسیریابی سلسله‌مراتبی Hierarchical Routing Protocols
پروتکل‌های مسیریابی مسطح Flat Routing Protocols
پوشش شبکه‌ای Network coverage
پیش‌بینی داده Data Prediction
پیوندگرا Connectionist
تابع Function
تابع گوسی Gaussian Function
تحلیل Analysis
ترکیب داده Data Fusion
تست Test
تصادفی Random
تقویت کننده Amplifier
تقویت(فزون سازی) Amplification
توان Power
توزیع شده Distributed
جعبه ابزار شبکه عصبی نقشه خودسازماندهی SOMtoolbox
چرخش نوبتی Rotation
چرخش نوبتی سرخوشه Cluster Head Rotation
حسگر Sensor
حسگری Sensing
خوشه Cluster
خوشه‌بندی Clustering
خوشه‌های با سطح انرژی متوازن Energy Balanced Clusters
داده/ داده‌ها Data
دانشگاه فناوری هلسسینکی Helsinki University of Technology
دور(راند) Round
دورها یا زمان الگوریتم Algorithm Time(Rounds)
ذخیره انرژی Energy Conservation(Saving)
رده‌بندی Classification
رده‌بندی خودکار داده‌ها Automatic data classification
روشهای انرژی آگاه Energy aware Methods
روشهای چرخه وظایف Duty Cycling approaches
روشهای داده‌گرا Data Driven approaches
روشهای مبتنی بر قابلیت تحرک Mobility based approaches
زمان آخرین مرگ(زمان مرگ آخرین گره) Last dead(death)
زمان اولین مرگ(زمان مرگ اولین گره) First dead(death)
زمان مرگ نیمی از گره‌ها Half dead(death)
سربار Overhead
سطح انرژی Energy level
سلول عصبی(نورون) Neuron
سناریو Scenario
سیستم موقعیت‌یاب جهانی Global Positioning System(GPS)
شاخص Index
شاخص دیویس - بولدین Davies-Bouldin Index
شبکه حسگر بی‌سیم Wireless Sensor Network
شبکه عصبی با تابع پایه شعاعی Radial basis Function(RBF)
شبکه عصبی مصنوعی Artificial Neural Network
شبکه عصبی نقشه خودسازماندهی Self Organizing Map Neural Network
شبیهسازی Simulation
شعاع همسایگی Neighborhood Radius
صحنه Scene
ضریب آموزش Learning coefficient
طبقه‌بندی Taxonomy
طول عمر Life time
عمر مفید شبکه Network Useful Lifetime
فرستنده Transmitter
فضای شبکه Network Area(space)
قرارگیری تصادفی Random deployment
کارایی Performance
کاربرد Application
کاهش ابعاد داده Dimensionality Reduction
کاهش داده Data reduction
کاهش مصرف انرژی Reduction of Energy Consumption
کنترل توان Power Control
کنترل دسترسی رسانه Multiple Access Control(MAC)
کیفیت سرویس Quality Of Service
گره Node
گره زنده (گرهی که هنوز کار میکند) Alive node
گره سرخوشه Cluster Head(CH)
گره سینک Sink
گره عادی(گره غیر‌سرخوشه) Normal node
گره مرده Dead node
گرید Grid
الگوریتم k میانگین K-Means Algorithm
الگوهای بهره‌ور انرژی Energy- efficient approaches
گیرنده Receiver
لایه خروجی Output Layer
لایه رقابتی Competitive Layer
لایه مخفی Hidden Layer
لایه ورودی Input Layer
ماتریس Matrix
مبتنی بر انرژی Energy Based
متمرکز Centralized
مجاورت(همسایگی) Adjacency
مجموعه داده Dataset
محدودیت انرژی Energy constraint
مختصات Coordinates
مدارهای الکترونیکی Electronics
مدل انرژی Energy Model
مدل میانگین متحرک خودبازگشتی Autoregressive Moving Average model(ARMA)
مرحله انتقال داده Data Transmission Phase
مرحله نصب خوشه‌ها Cluster Set-up Phase
مرکز ثقل Gravity Center
مرکزیت Centrality
مصرف انرژی Energy consumption
مصور‌سازی داده‌ها Data Visualization
معیار/ معیارها Criterion/Criteria
مقایسه Comparison
منبع انرژی Energy resource
نرم‌افزار مطلب MATLAB
نرمالیزه کرده Normalization
نگاشت Mapping
هزینه Cost
همسایگی Neighborhood
هوش‌مصنوعی Artificial Intelligence
هوشمند Intelligent
واحد دارای بالاترین انطباق Best Matching Unit(BMU)
واحد نقشه Map unit
وضعیت خواب Sleep mode
وفقی Adaptive
Abstract
Today, Cluster based routing protocols are the most useful schemes for extending Wireless Sensor Networks lifetime through dividing the nodes into several clusters and electing of a local cluster head for aggregating/fusing of cluster nodes data and transmitting a packet to Base Station. However, there are several energy efficient cluster-based methods in the literature; most of them used the topological neighborhood or adjacency as main parameter to form the clusters. This paper presents a new centralized adaptive Energy Based Clustering protocol through the application of Self-organizing map neural network (called EBCS) which can cluster sensor nodes, based on multi parameters, energy level and coordinates of sensor nodes. We applied some maximum energy nodes as weights of SOM map units, so that the nodes with higher energy attract the nearest nodes with lower energy levels. Thus, a cluster may not necessarily contain adjacent nodes. The new algorithm enables us to form energy-balanced clusters and distribute energy consumption equally. Moreover, we proposed a new cost fuction to incorporate different useful criteria for election of Cluster head nodes with energy efficiency. Simulation results for two different scenes and comparison of them with previous similar protocols (LEACH and LEA2C) prove that the new algorithm is able to extend the lifetime of the network and preserve more network coverage with the same number of dead nodes. In addition, the effectiveness of new cost function is apparently shown.
Keywords: Wireless Sensor Networks, Self-Organizing Map, Neural Networks, Reduction of energy consumption, clustering.
Acknowledgment:
Above all, I would like to thank God…
Then I would like to begin by thanking Dr. Reza Askari Moghadam, my thesis supervisor, for his support on whole steps of this research, countless hours he has spent for my work, discussing all around the issue always imparting and inspiring a new viewpoint and solution to the problem. In addition, I would like to thank Dr. A.T.Haghighat, my thesis advisor, for his guidance in my initial steps. Moreover, I had the chance to recieve kindly and hopeful feedbacks on my work from Dr. Mojtaba Hoseini, I am grateful to him too. I would also like to thank the first person motivated me to work in Wireless Sensor Network field, Dr. Ahmad Farahi, for his helping and encouraging me in my seminar course which was the foundation of this thesis.
Moreover, I am grateful to distant helping of those scientists around the world, who always answered to my countless questions kindly: Dr.Wendi Heinzelman from Rochester University for her helps to understand LEACH protocol, Dr. Juha Vesanto for supporting me about his SOMtoolbox and Mario Cordina, from Malta, for his kindly helps and feedbacks especially on simulation part. I would also like to thank Lahcen Dehni et al. for their valuable paper, which was the basis of this research.
Finally, I would like to thank my parents, husband, family and friends who are always supporting me in my life.
Certainly, every success in science and research, if this is supposed to be any success, is indebted to best efforts of previous researchers around the world. Therefore, I am grateful to them all.
"If I have seen further it is by standing on the shoulders of giants."
Isaac Newton, letter to Robert Hooke, 1676
