[发明专利]一种基于自适应模糊控制的无线传感器网络拓扑控制方法

权利要求书

1.一种基于自适应模糊控制的无线传感器网络拓扑控制方法，其特征在于：包括建立网络模型、基于网络模型的模糊神经系统以及根据模糊神经系统推理的拓扑控制协议三个部分；网络模型是将圆形网络简化为扇形网络，且每个扇形子网络区域被划分成几个宽度相同的环，第i环被分成2i-1个面积相同的网格；在每个网格中节点采用模糊神经系统，模糊神经系统采用分层结构，包括：输入层、输入变量隶属度函数层、规则层、自适应运算层、输出层，首先根据节点期望能耗公式E(u)_ref＝f(L_i,CR)获取的训练集T对该系统进行训练，其中T为一个k×3矩阵，记为[E,L,CR]，L_i∈{l₁,l₂,…l_k}，CR∈{d₁,d₂,…d_k}具体表达式如下：

其中s_i为第i个传感器节点，t(s_i)表示在网络中节点s_i能将数据传输至Sink节点的路径集，E_e为节点发送\接收电路上的能耗，E_r为功率放大器能耗，E_id为节点空闲状态时的能耗，d表示两节点之间的距离，E(u)_ref为节点期望能耗，L_i为节点传输的数据包大小，CR为通信范围，L_MAX为节点能够传输的最大数据包长度；然后将节点的期望能耗以及数据包大小作为模糊神经系统的输入，模糊神经系统的模糊神经网络控制器包含以下五层：

(1)输入层：网络设有两个输入，分别为节点期望能耗E(u)_ref和需要传输的数据包大小L_i；

(2)输入变量隶属度函数层：根据采集到的节点期望能耗、数据包大小及通讯范围构造训练数据对[ER,L,CR]用于模型的训练，其中ER、L、CR分别代表节点期望能耗、数据包大小和节点通信范围；对于第j，j＝1,2,…,n，对训练数据对[ER^j,L^j,CR^j]，数据训练前先采用钟型函数进行输入变量的模糊化，得到各变量隶属度函数为：

其中i表示模糊子集数，分别为隶属度函数的中心和宽度；

(3)规则层：进行模糊运算，输出为各神经元输入取积后的归一化值，即各条规则的激励强度归一化，各节点输出如下式所示：

(4)自适应运算层：该层结合四条控制规则完成自适应运算，计算出每条规则的输出，节点输出结果为：

其中{p_i,q_i,r_i}是该节点的结论参数；

(5)输出层：网络训练总输出表示根据输入的节点期望能耗与数据包大小预测的节点通信范围值，其结果为自适应运算层中四个节点的输出总和：

CR＝C₁+C₂+C₃+C₄ (5)

将(2)、(3)、(4)式代入(5)式中，计算网络输出值节点通信范围CR:

模糊神经网络控制器学习要达到的目的是根据实际采集的训练集输入、输出量确定被控参数和控制规则，系统学习的误差函数为：

其中CR_d、CR_c分别为网络期望输出和实际输出的节点通信范围值；在学习过程中调整的参数为权值ω_i、高斯型隶属函数的中心和宽度其计算方式如下式(8)、(9)、(10)：

式中，k为学习次数，α为网络学习率；网络通过不断地学习达到预期的控制效果；

在自适应模糊神经控制系统中，若节点实际能耗E不等于期望能耗E(u)_ref，则系统需通过调整节点数据包大小来使两者相等，用ε_E表示节点实际能耗与期望能耗之差，计算公式如式(11)：

ε_E＝E-ER (11)

控制系统通过积分器来动态调节L_i的大小，L_i的值与θ和L_i0的大小有关；当能耗差值ε_E＞0，即节点实际能耗E大于期望能耗值E(u)_ref时，设定CR加快减小，从而使ε_E趋近于0；取θ＝0.02，L_i0＝0.8；

拓扑控制协议是发送数据节点根据预设的节点期望能耗E(u)_ref和数据包大小L_i，通过算法计算后确定通信范围CR_u，使得节点实际能耗达到期望值ER，将数据传输至距离为CR_u的下一跳节点，该下一跳节点即为拓扑子网络节点集V中的节点，然后以此方法通过多跳传输的方式将数据发送至第1环内的Sink节点，连接这些子网络节点集中所有节点的链路即为链路集P。

2.根据权利要求1所述的一种基于自适应模糊控制的无线传感器网络拓扑控制方法，其特征在于：所述的拓扑控制协议基于模糊神经系统，并通过对训练数据集进行学习，在输入无线传感器网络初始拓扑后，其中，α为网络圆心角，R为半径，整个扇形网络被分成N个网格和K个环；经过模糊神经系统的调节和控制，输出相应的目标拓扑G(V,P)，其中V为拓扑网中的节点集，P为连接这些节点的链路集，对网络任意节点u的拓扑控制算法伪代码如下，其中evalfis为MATLAB中模糊推理系统的函数，在已知输入量的情况下可以求出输出量的值：

输入：

输出：G(V,P)

需要的已知量：