无线传感器网络中基于分簇广播认证协议方案

认证机制是无线传感器网络安全机制关键技术之一。本文给出了无线传感器网络的层簇式结构,分析了无线传感器网络的广播认证协议。在此基础上提出一种基于分簇的广播认证机制N-μTESLA方案,设计了广播和组播认证协议。仿真结果表明所提出的方案与μTESLA方案相比,可以减少节点的能量消耗,使网络的生存周期延长。     

基于能量均衡的助航灯光单灯监控WSNs路由协议

机场助航灯光无线传感器网络能量 有限,但部分灯光所处位置不规则,导致该区域设置的簇头节点因消耗较大过早死亡从而形 成传输过程中的区域空洞,破坏了整个无线传感器网络的能量均衡,影响网络工作寿命 。在分区路由协议的基础上提出能量均衡、簇头位置均匀分布的WSNs路由协议。该协 议由两部分组成,针对不规则区域（对应单排长排灯位置）采用链式传输协议,对其他区域 采用逻辑分区的分簇路由协议,在簇头选举算法中加入候选簇头节点分布区域限制和节点能量 约束。为验证协议的有效性,按照机场灯光进近区灯光位置分布进行了MATLAB仿真。仿真结 果表明,该协议具有良好的网络能量均衡能力,传感器网络可以获得较长的生命周期,适宜 机场助航灯光监控类应用场合。     

无线传感网中能量优化的异常检测算法

基于网内数据处理技术和网络动态分簇技术,提出一种能量优化的异常检测算法。算法首先利用节点协作计算获取相关性信息,然后根据节点相关性和节点能量信息进行动态网络分簇,最后利用簇内相关与簇间相关性进行能量有效性的异常检测。相关测试结果表明,本文算法既保证了传感网异常检测精度又提高了网络能量利用效率。     

基于遗传算法的无线传感器网络拓扑控制改进研究

针对无线传感器网络中节点能耗较高及网络生存时间较短的问题,提出一种基于遗传算法的拓扑控制策略。利用遗传算法良好的寻优能力来确定节点最优发射功率,同时设计了精英保留操作,提高遗传算法的优化速度。根据优化结果调整节点发射功率,可以改善网络拓扑、提升网络中节点能量使用效率。通过分析,在传感器节点非均匀布设时,本算法能够使得节点能量消耗减少,更好地延长网络生存时间。     

一种基于RSEA的AODV路由算法研究

论述了移动自组织网络中AODV路由协议的基本原理和工作流程。提出一种基于路由稳定和能量感知的AODV路由协议改进算法。通过对全网路由能量消耗的定期检测,主动增加本地维护策略并建立替代路由。实验结果表明,改进的路由算法能有效降低丢包率,提高路由可靠性和传输效率,在控制开销和时延方面有较好效果。     

一种用于移动Ad Hoc网络的拥塞适应路由协议

提出局部拥塞表概念,利用旁路、局部拥塞表和hello消息机制,对动态源路由(Dynamic source routingprotocol,DSR)协议进行改进,提出了拥塞适应动态源路由(Congestion adaptive dynamic source routing,CA-DSR)协议。在CA-DSR协议中,主节点利用局部拥塞表,能在第一时间感知到网络拥塞,当拥塞发生时,拥塞节点的上一节点能建立绕过拥塞节点的旁路,当数据流到达已建立旁路的节点时,被按比例分流在主路由和旁路上,实现了路由拥塞适应功能。协议利用hello消息对局部拥塞表进行有效维护。与DSR相比,CA-DSR协议中平均端到端延迟更短、数据包递交率更高、规格化路由开销更少。仿真结果已证明了CA-DSR协议的优点。     

基于无线传感网的纺织机械状态监测系统

提出了一种基于无线传感器网的纺织机械设备监测系统,该系统通过在部署纺织机械上的无线传感器采集数据并传输到基站节点,由基站节点统一对采集数据集中进行分析、处理与展示。详细介绍了系统的体系结构、介质访问控制协议以及系统实现的硬件配置。     

一种竞争窗口自适应的多媒体传感器网络MAC协议

由于多媒体传感器网络需要实时传输视频、声音和图像等信息,适用于传统无线传感器网络的MAC协议已经不能满足要求.本文针对多媒体传感器网络数据复杂的特性,设计了一种通过改变竞争窗口大小来适应各种流量类型的MAC协议,满足了不同流量类型的QoS需求.最后,针对不同数据类型在时延以及网络吞吐量两个方面做了仿真实验,并且和T-MAC协议在网络能量消耗方面进行了比较.结果表明,新提出的协议在此方面优于T-MAC协议.     

基于距离和角度信息的无线传感器网络定位算法(英文)

提出一种基于距离和信号到达角信息的无线传感器网络节点自身定位算法.在所有节点的坐标轴方向都是未知的假定下,用信号到达角信息来计算信号到达角度差,然后将定位问题转化为一个凸集优化问题,节点间的几何关系也相应地转化成为线性或二次约束条件.当距离和角度测量值足够精确时,该算法是一个线性规划问题.考虑测量误差时,通过引入辅助变量,该算法可以转化为二次规划问题.通过仿真分析证明了该定位算法的有效性,并对距离和角度误差量对定位精度的影响进行了定量分析.仿真结果表明,在距离和角度误差为5%的时候,该定位算法可以满足定位精度要求.     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成， 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection，MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection， KMCCS）。在所提出的算法中，如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示，在此基础上给出了学习器之间距离的计算方式。此外， 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析，实验结果表明了所提算法的有效性。