کاهش مصرف انرژی در شبکه های حسگر بی سیم با استفاده از شبکه های عصبی som

کاهش مصرف انرژی در شبکه های حسگر بی سیم با استفاده از شبکه های عصبی som
کاهش مصرف انرژی در شبکه های حسگر بی سیم با استفاده از شبکه های عصبی som
120,000 ریال 
تخفیف 15 تا 30 درصدی برای همکاران، کافی نت ها و مشتریان ویژه _____________________________  
وضعيت موجودي: موجود است
تعداد:  
افزودن به ليست مقايسه | افزودن به محصولات مورد علاقه

تعداد صفحات: 140 صفحه _ فرمت word _ دانلود مطالب بلافاصله پس از پرداخت آنلاین

چکیده
 امروزه، در شبكه‌هاي حسگر بي‌سيم، پروتكل‌هاي مسيريابي مبتني بر خوشه‌بندي از طريق تقسيم گره‌هاي همسايه به خوشه‌هاي مجزا و انتخاب سرخوشه‌هاي محلي براي تركيب و ارسال اطلاعات هر خوشه به ايستگاه مبنا و سعي در مصرف متوازن انرژي توسط گره‌هاي شبكه، بهترين كارايي را از لحاظ افزايش طول عمر و حفظ پوشش شبكه‌اي در مقايسه با ساير روش‌هاي مسيريابي به‌ دست مي‌آورند. با اين وجود، همه پروتكل‌هاي خوشه‌بندي ارايه شده تاكنون، تنها نزديكي جغرافيايي(همسايگي) را به عنوان پارامتر تشكيل خوشه‌ها در نظر گرفته‌اند. در اين تحقيق، يك پروتكل جديد خوشه‌بندي متمركز مبتني بر انرژي با استفاده از شبكة عصبي نقشة خودسازماندهي براي شبكه‌هاي حسگر بي‌سيم ارايه مي‌شود كه قادر به خوشه‌بندي گره‌هاي شبكه بر اساس سطح انرژي و مختصات گره‌ها مي‌باشد. اين پروتكل با استفاده از تعداد مشخصي از گره‌هاي پرانرژي در شبكه و اعمال آن‌ها به عنوان وزن نورون‌هاي نقشة خودسازماندهي، نزديك‌ترين گره‌هاي كم‌انرژي را جذب گره‌هاي پرانرژي مي‌كند؛ به طوري كه خوشه‌ها لزوماً از گره‌هاي مجاور تشكيل نشده و در واقع براساس دو پارامتر سطح انرژي و همسايگي، خوشه‌هايي با انرژي متوازن تشكيل خواهند شد. به علاوه يك تابع هزينه جديد به منظور تصميم‌گيري در انتخاب گره‌هاي سرخوشه، پيشنهاد شده است كه سعي در تركيب معيارهاي مختلف موثر در انتخاب بر اساس ميزان اهميت آن‌ها دارد. كارايي برتر اين پروتكل از لحاظ افزايش طول عمر مفيد شبكه و حفظ بهتر پوشش شبكه‌اي در مقايسه با پروتكل‌هاي پيشين نظير LEACH و LEA2C و نيز تاثير تابع هزينه پيشنهادي بر كارايي آن (با شبيه‌سازي) به اثبات رسيده است.

واژه‌هاي كليدي: شبكه‌هاي حسگر بي‌سيم، شبكه عصبي، نقشه خودسازماندهي، كاهش مصرف انرژي، خوشه‌بندي.
 


فهرست مطالب

عنوان    صفحه
فصل1 مقدمه    1
1-1. مقدمه    2
1-2. تعريف مساله و سئوالات اصلي تحقيق    3
1-3. فرضيه‌ها    4
1-4. اهداف تحقيق    4
1-5. روش تحقيق    5
1-6. مراحل انجام تحقيق    5
1-7. ساختار پايان‌نامه    6
فصل2 مروري بر منابع مطالعاتي    8
2-1. مقدمه    9
2-2. طبقه‌بندي روش‌هاي كاهش مصرف انرژي در شبكه‌هاي حسگر    13
2-2-1. چرخة وظايف    16
2-2-2. روش‌هاي داده‌گرا    18
2-2-3. روش‌هاي مبتني بر قابليت تحرك    21
2-3. نقش شبكه‌هاي عصبي در كاهش مصرف انرژي شبكه‌هاي حسگر    22
2-3-2. شبكه‌هاي عصبي در طرح‌هاي چرخه وظايف    27
2-3-3. شبكه‌هاي عصبي در كاهش داده    28
2-3-4. شبكه‌هاي عصبي در شبكه‌هاي حسگر متحرك    38
2-4. نتيجه‌گيري    40
فصل3 نقش شبكه‌هاي عصبي در مسيريابي انرژي آگاه    41
3-1. مقدمه    42
3-2. ويژگي‌هاي مسيريابي در شبكه حسگر بي‌سيم    43
3-3. روش‌هاي مسيريابي در شبكه‌هاي حسگر بي‌سيم    45
3-3-1. مسيريابي مسطح    46
3-3-2. مسيريابي مبتني بر مكان    47
3-3-3. مسيريابي سلسه مراتبي(مبتني بر خوشه‌بندي)    48
3-3-4. پروتكل خوشه‌بنديLEACH    49
3-3-5. پروتكل خوشه‌بنديLEACH متمركز    51
3-4. شبكه‌هاي عصبي در الگوريتم‌هاي مسيريابي آگاه از انرژي    52
3-4-1. شبكة عصبي انتشار معكوس در كشف مسير    52
3-4-2. شبكة عصبي نقشة خودسازماندهي در مسيريابي    54
3-4-3. پروتكل‌هاي مسيريابي مبتني بر نقشة خودسازماندهي    56
3-5. پروتكل خوشه‌بندي پيوندگرا وفقي با انرژي پايين    60
3-6. جمع‌بندي    63
فصل4 پروتكل جديد پيشنهادي    64
4-1. مقدمه    65
4-2. پروتكل مسيريابي خوشه‌بندي مبتني بر انرژي خودسازمانده    66
4-3. فرضيات الگوريتم    66
4-4. مرحلة خوشه‌بندي    68
4-4-2. مرحلة اول : خوشه‌بندي با شبكة عصبي نقشة خودسازماندهي    69
4-4-3. مرحلة دوم : خوشه‌بندي با الگوريتم K-means    76
4-4-4. مرحلة انتخاب سرخوشه    78
4-5. مرحلة انتقال داده    81
4-6. مرحلة خوشه‌بندي مجدد    82
4-7. جمع‌بندي    87
فصل5 نتايج شبيه‌سازي و تحليل آن‌ها    88
5-1. مقدمه    89
5-2. پارامترهاي شبيه‌سازي    89
5-2. نتايج شبيه‌‌سازي    91
5-2-1. مقايسة نحوة تشكيل خوشه‌ها در EBCS  با پروتكل LEACH    91
5-2-2. مقايسة كارايي EBCS با پروتكل‌هاي پيشين از لحاظ طول عمر شبكه    93
5-2-3. ارزيابي تابع هزينه انتخاب  سرخوشه بركارايي EBCS    96
5-2-4. ارزيابي كارايي پروتكلEBCS در افزايش پوشش شبكه‌اي    99
5-3. جمع بندي    102
فصل6 جمع‌بندي و پيشنهاد‌ها    104
6-1. مقدمه    105
6-2. يافته‌هاي تحقيق    107
6-3. نوآوري تحقيق    108
6-4. پيشنهاد‌ها    109
مراجع    111
واژه‌نامه    116

مراجع


مراجع

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.
Enami N, Askari Moghadam R, Haghighat A. (2010)a ‘A Survey on Application of Neural Networks in Energy Conservation of Wireless Sensor Networks’, In: Book Chapter in Recent Trends in Wireless and Mobile Networks, WiMo 2010 Proceedings, June, Ankara, Turkey, pp. 283–294.
Enami N, Askari Moghadam R, Dadashtabar K, Hoseini M. (2010)b ‘Neural Network Based Energy Efficiency in Wireless Sensor Networks: a Survey’, In: International Journal of Computer Science & Engineering Survey (IJCSES), Vol.1, No.1, August 2010, pp.39-55.
Enami N, Askari Moghadam R. (2010)c ‘Energy Based Clustering Self Organizing Map ProtocolFor Extending Wireless Sensor Networks Lifetime and Coverage’,  In: Canadian Journal on Multimedia and Wireless Networks, Vol. 1, No. 4, August 2010, pp. 42-54.
Enami N, Askari Moghadam R, Dadashtabar k.  (2010)d ‘A New Neural network Based Energy Efficient Clustering Protocol for Wireless Sensor Networks’, In: 5th International IEEE Conference on Computer Sciences and Convergence Information Technology (ICCIT2010), In Press.
Feng, X, Xu, Z.H. (2009) ‘A Neural Data Fusion Algorithm for Wireless Sensor Networks’, In: Pacific-Asia Conference on Circuits, Communications and Systems, pp. 54–57.
Ghosh J and Holmberg R.L. (1990) ‘Multisensor Fusion Using Neural Networks’, In: Proc. Second IEEE Symp. Parallel and Distributed Processing.
Heinzelman W, Chandrakasan A, Balakrishnan H. (2000) ‘Energy-Efficient Communication Protocol for Wireless Microsensor Networks’, In: Proc. 33rd Hawaii Int’l. Conf.Sys. Sci, 2000
Heinzelman W, Chandrakasan A, Balakrishnan H. (2002) ‘Application-specific protocol architecture for wireless microsensor networks’, In: IEEE Transactions on Wireless Communications, pp. 660 - 670.
Heinzelman W, Kulik J, Balakrishnan H. (1999) ‘Adaptive Protocols for Information Dissemination in Wireless Sensor Networks’. In: Proc. 5th ACM/IEEE Mobicom, Seattle, WA, pp. 174–85.
 Heinzelman W. (2000) ‘Application-Specific Protocol Architectures for Wireless Networks’, PhD Thesis, Massachusetts Institute of Technology
Hosseingholizadeh A and Abhari A. (2009) ‘A neural network approach for Wireless sensor network power management’
Intanagonwiwat C, Govindan R, Estrin D. (2000) ‘Directed Diffusion: a Scalable and Robust Communication Paradigm for Sensor Networks’, In: Proc. ACM Mobi-Com 2000, Boston, MA, pp. 56–67.
Kittler J. (2001) “Multi-Sensor Integration and Decision Level Fusion”, In: Proc. DERA/IEE Workshop Intelligent Sensor Processing (Ref. No.2001/050), pp. 6/1-6/6.
Kulakov A, Davcev D, Trajkovski G. (2005) ‘Application of wavelet neural-networks in wireless sensor networks’. In: Sixth International Conference on Software Engineering, Artificial Intelligence, pp. 262–267.
Kulik J, Heinzelman W. R, Balakrishnan, H. (2002) ‘Negotiation-Based Protocols for Disseminating Information in Wireless Sensor Networks’. In: Wireless Networks, vol. 8, pp. 169–85.
Langendoen K. (2008) ‘Medium Access Control in Wireless Sensor Networks’, In: Book Chapter in “Medium Access Control in Wireless Networks, Volume II: Practice and Standards”, Nova Science Publishers
Lindsey S, Raghavendra C. (2002) ‘PEGASIS: Power-Efficient Gathering in Sensor Information Systems’, In: IEEE Aerospace Conf. Proc., vol. 3, 9–16, pp. 1125–30.
Martınez H.B, Gomez Skarmeta A, Zamora Izquierdo M, and Botia´ Blaya J. (2000) ‘Neural Networks for Sonar and Infrared Sensors Fusion’, In: Proc. Third Int’l Conf. Information Fusion, vol. 2, pp. WEB4/18-WEB4/25.
Mei L, Haihao L, Shen Y, Fan J, Huang S.H. (2009) ‘Elastic neural network method for multi-target tracking task allocation in wireless sensor network’, In:Computers and   Mathematics with Applications 57(11-12), pp.1822–1828 .
Mohamed W.K, Mirza O, Kawtharani J. (2009) ‘BARC: A Battery Aware Reliable Clustering algorithm for sensor networks’, In: Journal of Network and Compute Applications 32(6), pp.1183–1193.
Moody J. and Darken C. (1989) ‘Fast Learning in Networks of Locally Tuned Processing Units’ Neural Computation, vol. 1, pp. 281-294.
Murata T, Ishibuchi H. (2008) ‘Performance evaluation of genetic algorithms for flowshop scheduling problems’. In: Proc. 1st IEEE Conf. Evolutionary Computation, vol. 2, pp. 812–817.
Oldewurtel F and Mahonen P. (2006) ‘Neural Wireless Sensor Networks’, In: International Conference on Systems and Networks Communications, ICSNC '06
Raghunathan V, Schurghers C, Park S, Srivastava M. (2002) ‘Energy-aware Wireless Microsensor Networks’, In: Signal Processing Magazine, pp. 40-50.
Salcedo-Sanz S, Yao X. (2004) ‘A hybrid Hopfield network-Genetic algorithm approach for the terminal assignment problem’, In: IEEE Transactions on Systems, Man, and Cybernetics PartB: Cybernetics 34(6), pp. 2343–2353.
Santos V, Gonzalves J and Vaz F. (1994) ‘Perception Maps for the Local Navigation of a Mobile Robot: A Neural Network Approach’, In: IEEE Int’l Conf. Robotics and Automation, pp. 2193-2198.
Sengupta D, Iltis R.A. (1989) ‘Neural solution to Multitarget Tracking Data Association Problem’, In: IEEE Trans. Aerosp. Electron. Syst.25, pp.86–108.
Shahbazi H,  Araghizadeh M.A, Dalvi M. (2008) ‘Minimum Power Intelligent Routing In Wireless Sensors Networks Using Self Organizing Neural Networks’, In: IEEE International Symposium on Telecommunications, pp. 354–358
Shen Y, Guo B. (2008) ‘Wavelet Neural Network Approach for Dynamic Power Management in Wireless Sensor Networks’, In: International Conference on Embedded Software and Systems (ICESS2008), pp.376—381
Shwe H.Y., Xiao-hong, J., Horiguchi S. (2009) ‘Energy Saving in Wireless Sensor Network’, In : Journal of Communication and Computer, Vol. 6, No.5, pp. 20-28.
 Smith, D., Singh, S. (2006) ‘Approaches to Multisensor Data Fusion in Target Tracking: A Survey’, In: IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, Vol. 18, No. 12.
Thrun S. (1998) ‘Learning Metric-Topological Maps for Indoor Mobile Robot Navigation’,     In: Artificial Intelligence, Vol. 99, No. 1, pp. 21-71.
Vesanto J, Alhoniemi E. (2000) ‘Clustering of Self Organizing Map’, In: IEEE Transactions on Neural Networks, Vol. 11, No. 3, pp. 586-600.
Vesanto J, Himberg J, Alhoniemi E, and Parhankangas J. (1999) ‘Self-Organizing Map in MATLAB: The SOM toolbox’, In: Proc of MATLAB DSP Conference, Finland, pp.35-40.
Visalakshi N. K, Thangavel K. (2009) ‘Impact of Normalization in Distributed K-Means Clustering’, In: International Journal of Soft Computing 4, Medwell journal, pp. 168-172.
Vlajic N, Xia D. (2006) ‘Wireless Sensor Networks: To Cluster or Not to Cluster?’, In: Proc. of WoWMoM.
Wei D, Kaplan SH, Chan H.A. (2008) ‘Energy Efficient Clustering Algorithms for Wireless Sensor Networks’, In: IEEE Communication Society workshop proceeding
Wei D. (2007) ‘Clustering Algorithms for Sensor Networks and Mobile Ad Hoc Networks to Improve Energy Efficiency’, PhD thesis, University of Cape Town.
Winter M. and Favier G. (1999) ‘A Neural Network for Data Association’, In: Proc. 1999 IEEE Int’l Conf. Acoustics, Speech, and Signal Processing, Vol. 2, pp. 1041-1044
Xu Y, Heidemann J, Estrin D. (2001) ‘Geography informed Energy Conservation for Ad-hoc Routing’, In: Proc. 7th Annual ACM/IEEE Int’l. Conf. Mobile Comp and Net, 2001, pp. 70–84.
Xu Y, Heidemann J and Estrin D. (2001) ‘Geography informed Energy Conservation for Ad-hoc Routing’, In: Proc. 7th Annual ACM/IEEE Int’l. Conf. Mobile Comp.and Net., 2001, pp. 70–84.
Xue, W, Sheng W, Ma, J.J, Bi D.W. (2008) ‘Energy-efficient Organization of Wireless Sensor Networks with Adaptive Forecasting’, In: Sensors 2008, vol. 8, pp. 2604–2616.
Ye M, Li C. F, Chen G. H, Wu J. (2005) ‘EECS: An Energy Efficient Clustering Scheme in Wireless Sensor Networks’, In: Proceedings of IEEE Int’l Performance Computing and Communications Conference (IPCCC),  pp. 535-540.
Younis O, Fahmy S. (2004) ‘HEED: A Hybrid, Energy-Efficient, Distributed Clustering Approach for Ad Hoc Sensor Networks’, In: IEEE Transactions on Mobile Computing, vol. 3, no. 4, pp. 660-669.
Yu Y, Estrin D, Govindan R. (2001) ‘Geographical and Energy-Aware Routing: A Recursive Data Dissemination Protocol for Wireless Sensor Networks’, In: UCLA Comp. Sci. Dept. tech. rep., UCLA-CSD TR-010023
Yun S.U, Youk Y.S, Kim S.H. (2007) ‘Study on Applicability of Self-Organizing Maps to Sensor Network’, In: International Symposium on Advanced Intelligent Systems, Sokcho, Korea


واژه‌نامه


واژه‌نامه انگليسي به فارسي

اقتضايي    Ad- hoc
وفقي    Adaptive
مجاورت(همسايگي)    Adjacency
دورها يا زمان الگوريتم    Algorithm Time(Rounds)
گره زنده (گرهي كه هنوز كار مي‌كند)    Alive node
تقويت(فزون‌سازي)    Amplification
تقويت‌كننده    Amplifier
تحليل    Analysis
آنتن (گرة حسگر)    Antenna
كاربرد    Application
هوش‌مصنوعي    Artificial Intelligence
شبكة عصبي مصنوعي     Artificial Neural Network
رده‌بندي خودكار داده‌ها    Automatic data classification
مدل ميانگين متحرك خودبازگشتي     AutoRegressive Moving Average model(ARMA)
ايستگاه مبنا     Base Station
باتري    Battery
واحد داراي بالاترين انطباق    Best Matching Unit(BMU)
مركزيت    Centrality
متمركز    Centralized
رده‌بندي    Classification
خوشه    Cluster
انتخاب گره سرخوشه    Cluster Head Election
چرخش نوبتي سرخوشه    Cluster Head Rotation
گره سرخوشه    Cluster Head(CH)
مرحله‌ي نصب خوشه‌ها     Cluster Set-up Phase
خوشه‌بندي    Clustering
ارتباط    Communication
مقايسه    ‍Comparison
لاية رقابتي     Competitive layer
پيوندگرا    Connectionist
بستة كنترلي     Control Packet
مختصات    Coordinates
هزينه    Cost
معيار/ معيارها    Criterion/Criteria
داده/ داده‌ها    Data
اجتماع داده    Data Aggregation
انتساب داده    Data Association
روش‌هاي داده‌گرا    Data Driven approaches
تركيب داده    Data Fusion
بستة داده    Data Packet
پيش‌بيني داده    Data Prediction
كاهش داده    Data reduction
مرحله‌ي انتقال داده    Data Transmission Phase
مصور‌سازي داده‌ها    Data Visualization
مجموعة داده    Dataset
شاخص ديويس - بولدين    Davies-Bouldin Index
گرة مرده     Dead node
بعد    Dimension
كاهش ابعاد     Dimensionality Reduction
توزيع شده     Distributed
روش‌هاي چرخه وظايف     Duty Cycling approaches
مدارهاي الكترونيكي    Electronics
انرژي    Energy
روش‌هاي انرژي آگاه    Energy Aware  Methods
خوشه‌هاي با سطح انرژي متوازن    Energy Balanced Clusters
مبتني بر انرژي    Energy Based
ذخيرة انرژي    Energy Conservation(Saving)
محدوديت انرژي    Energy Constraint
مصرف انرژي    Energy consumption
بهره‌وري انرژي    Energy efficiency
الگوهاي بهره‌ور انرژي    Energy Efficient approaches
سطح انرژي    Energy level
مدل انرژي    Energy model
منبع انرژي    Energy resource
ارزيابي    Evaluation
آزمايشي    Experimental
افزايش طول عمر شبكه حسگر بي‌سيم    Extending Wireless Sensor Network Lifetime
زمان مرگ اولين گره (زمان اولين مرگ)    First dead(death)
پروتكل‌هاي مسيريابي مسطح    Flat Routing Protocols
تابع    Function
تابع گوسي    Gaussian Function
سيستم موقعيت‌ياب جهاني    Global Positioning System(GPS)
مركز ثقل     Gravity Center
گريد    Grid
زمان مرگ نيمي از گره‌ها    Half dead(death)
دانشگاه فناوري هلسسينكي    Helsinki University of Technology
لايه مخفي    Hidden Layer
پروتكل‌هاي مسيريابي سلسله‌مراتبي    Hierarchical Routing Protocols
پردازش درون شبكه‌اي    In- network Processing
شاخص    Index
لايه ورودي    Input Layer
هوشمند    Intelligent
ارتباطات بين خوشه‌اي    Inter- Cluster Communications
ارتباطات درون خوشه‌اي    Intra- cluster communications
الگوريتم k  ميانگين    K-Means Algorithm
زمان مرگ آخرين گره (زمان آخرين مرگ)    Last dead(death)
ضريب آموزش    Learning coefficient
طول عمر    Life time
واحد نقشه     Map Unit
نگاشت    Mapping
نرم‌افزار مطلب    MATLAB
ماتريس    Matrix
روش‌هاي مبتني بر قابليت تحرك    Mobility based Approaches
پايش    Monitoring
كنترل دسترسي رسانه    Multiple Access Control(MAC)
همسايگي    Neighborhood
شعاع همسايگي    Neighborhood Radius
فضاي شبكه    Network Area(space)
پوشش شبكه‌اي    Network coverage
عمر مفيد شبكه    Network Useful Lifetime
سلول عصبي(نورون)    Neuron
گره    Node
گره عادي(گره غير‌سرخوشه)    Normal Node
نرماليزه كرده    Normalization
بهينه    Optimal
بهينه‌سازي    Optimization
لاية خروجي    Output Layer
سربار    Overhead
كارايي    Performance
توان    Power
كنترل توان    Power Control
كيفيت سرويس    Quality Of Service
شبكة عصبي با تابع پايه شعاعي    Radial Basis Function(RBF)
تصادفي    Random
قرارگيري تصادفي    Random deployment
گيرنده    Receiver
كاهش مصرف انرژي    Reduction of Energy Consumption
چرخش نوبتي    Rotation
دور(راند)    Round
پروتكل‌هاي مسيريابي    Routing protocols
سناريو    Scenario
صحنه    Scene
شبكة عصبي نقشة خودسازماندهي    Self Organizing Map Neural Network
حسگري    Sensing
حسگر    Sensor
شبيه‌سازي    Simulation
گره سينك    Sink
وضعيت خواب    Sleep Mode
جعبه ابزار شبكة عصبي نقشة خودسازماندهي    SOMtoolbox
بقاء (شبكه)    Survivability
ارتباطات وزن‌دار شبكة عصبي    Synapses
طبقه‌بندي    Taxonomy
تست    Test
آستانه    Threshold
آموزش(شبكه عصبي)    Training
فرستنده    Transmitter
آموزش بدون نظارت    Unsupervised learning
اندازه‌گيري برداري    Vector Quantization
بردار وزن    Weight vector
ارتباطات بي‌سيم    Wireless communications
شبكة‌ حسگر بي‌سيم    Wireless Sensor Network

 

واژه‌نامه فارسي به انگليسي

اجتماع داده    Data Aggregation
ارتباط    Communication
ارتباطات بي‌سيم    Wireless Communications
ارتباطات بين خوشه‌اي    Inter- Cluster Communications
ارتباطات درون خوشه‌اي    Intra- cluster communications
ارتباطات وزن‌دار شبكه عصبي    Synapses
ارزيابي    Evaluation
آزمايشي    experimental
آستانه    Threshold
افزايش طول عمر شبكه حسگر بي‌سيم    Extending Wireless Sensor Network Lifetime
اقتضايي    Ad- hoc
آموزش بدون نظارت    Unsupervised learning
آموزش(شبكة عصبي)    Training
انتخاب گرة سرخوشه    Cluster Head Election
انتساب داده    Data Association
آنتن (گره حسگر)    Antenna
اندازه‌گيري برداري    Vector Quantization
انرژي    Energy
ايستگاه مبنا     Base Station
باتري    Battery
بردار وزن    Weight vector
بستة داده    Data Packet
بستة كنترلي     Control Packet
بعد    Dimension
بقاء (شبكه)    Survivability
بهره‌وري انرژي    Energy efficiency
بهينه    Optimal
بهينه‌سازي    Optimization
پايش    Monitoring
پردازش درون شبكه‌اي    In- network Processing
پروتكل‌هاي مسيريابي    Routing protocols
پروتكل‌هاي مسيريابي سلسله‌مراتبي    Hierarchical Routing Protocols
پروتكل‌هاي مسيريابي مسطح    Flat Routing Protocols
پوشش شبكه‌اي    Network coverage
پيش‌بيني داده    Data Prediction
پيوندگرا    Connectionist
تابع    Function
تابع گوسي    Gaussian Function
تحليل    Analysis
تركيب داده    Data Fusion
تست    Test
تصادفي    Random
تقويت كننده    Amplifier
تقويت(فزون سازي)    Amplification
توان    Power
توزيع شده     Distributed
جعبه ابزار شبكة عصبي نقشة خودسازماندهي    SOMtoolbox
چرخش نوبتي    Rotation
چرخش نوبتي سرخوشه    Cluster Head Rotation
حسگر    Sensor
حسگري    Sensing
خوشه    Cluster
خوشه‌بندي    Clustering
خوشه‌هاي با سطح انرژي متوازن    Energy Balanced Clusters
داده/ داده‌ها    Data
دانشگاه فناوري هلسسينكي    Helsinki University of Technology
دور(راند)    Round
دورها يا زمان الگوريتم    Algorithm Time(Rounds)
ذخيره انرژي    Energy Conservation(Saving)
رده‌بندي    Classification
رده‌بندي خودكار داده‌ها    Automatic data classification
روش‌هاي انرژي آگاه    Energy aware  Methods
روش‌هاي چرخه وظايف     Duty Cycling approaches
روش‌هاي داده‌گرا    Data Driven approaches
روش‌هاي مبتني بر قابليت تحرك    Mobility based approaches
زمان آخرين مرگ(زمان مرگ آخرين گره)    Last dead(death)
زمان اولين مرگ(زمان مرگ اولين گره)    First dead(death)
زمان مرگ نيمي از گره‌ها    Half dead(death)
سربار    Overhead
سطح انرژي    Energy level
سلول عصبي(نورون)    Neuron
سناريو    Scenario
سيستم موقعيت‌ياب جهاني    Global Positioning System(GPS)
شاخص    Index
شاخص ديويس - بولدين    Davies-Bouldin Index
شبكة حسگر بي‌سيم    Wireless Sensor Network
شبكة عصبي با تابع پايه شعاعي    Radial basis Function(RBF)
شبكة عصبي مصنوعي     Artificial Neural Network
شبكة عصبي نقشه خودسازماندهي    Self Organizing Map Neural Network
شبيه‌سازي    Simulation
شعاع همسايگي    Neighborhood Radius
صحنه    Scene
ضريب آموزش    Learning coefficient
طبقه‌بندي    Taxonomy
طول عمر    Life time
عمر مفيد شبكه    Network Useful Lifetime
فرستنده    Transmitter
فضاي شبكه    Network Area(space)
قرارگيري تصادفي    Random deployment
كارايي    Performance
كاربرد    Application
كاهش ابعاد داده     Dimensionality Reduction
كاهش داده    Data reduction
كاهش مصرف انرژي    Reduction of Energy Consumption
كنترل توان    Power Control
كنترل دسترسي رسانه    Multiple Access Control(MAC)
كيفيت سرويس    Quality Of Service
گره    Node
گرة زنده (گرهي كه هنوز كار مي‌كند)    Alive node
گرة سرخوشه    Cluster Head(CH)
گرة سينك    Sink
گرة عادي(گره غير‌سرخوشه)    Normal node
گرة مرده     Dead node
گريد    Grid
الگوريتم k  ميانگين    K-Means Algorithm
الگوهاي بهره‌ور انرژي    Energy- efficient approaches
گيرنده    Receiver
لاية خروجي    Output Layer
لاية رقابتي     Competitive Layer
لاية مخفي    Hidden Layer
لاية ورودي    Input Layer
ماتريس    Matrix
مبتني بر انرژي    Energy Based
متمركز    Centralized
مجاورت(همسايگي)    Adjacency
مجموعه داده    Dataset
محدوديت انرژي    Energy constraint
مختصات    Coordinates
مدارهاي الكترونيكي    Electronics
مدل انرژي    Energy Model
مدل ميانگين متحرك خودبازگشتي     Autoregressive Moving Average model(ARMA)
مرحلة‌ انتقال داده    Data Transmission Phase
مرحلة نصب خوشه‌ها     Cluster Set-up Phase
مركز ثقل     Gravity Center
مركزيت    Centrality
مصرف انرژي    Energy consumption
مصور‌سازي داده‌ها    Data Visualization
معيار/ معيارها    Criterion/Criteria
مقايسه    ‍Comparison
منبع انرژي    Energy resource
نرم‌افزار مطلب    MATLAB
نرماليزه كرده    Normalization
نگاشت    Mapping
هزينه    Cost
همسايگي    Neighborhood
هوش‌مصنوعي    Artificial Intelligence
هوشمند    Intelligent
واحد داراي بالاترين انطباق    Best Matching Unit(BMU)
واحد نقشه     Map unit
وضعيت خواب    Sleep mode
وفقي    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

نظري براي اين محصول ثبت نشده است.


نوشتن نظر خودتان

براي نوشتن نظر وارد شويد.

محصولات ذیل قبلا توسط مشتریان محصول فوق خریداری شده است.
محصولات
نظر سنجي
نظرتون در مورد ویکی پروژه چیه؟
  •   مراحل ثبت نام خیلی زیاده!
  •   مطلب درخواستیم رو نداشت!
  •   ایمیل نداشتم که ثبت نام کنم!
  •   مطلبی که میخواستم گرون بود!
نظرنتيجه