[发明专利]一种基于深度学习的车载自组织网路由分簇方法

说明书

本发明给出一种基于深度学习的高可靠车载自组织网路由分簇方法，该方法对车载自组织网络路由协议先利用自定义分簇算法对网络节点合理分簇，然后采用深度学习算法对网络节点采集的数据进行融合，最终形成一个低能耗高可靠的分簇协议。本发明能够解决车载自组织网节点冗余数据传输和能量消耗不均问题，减少车载自组织网络节点能量消耗，延长生命周期。

技术领域

本发明涉及车载自组织网络工作过程中节点分簇和数据融合方法，分别通过对节点属性的分析和对节点数据的训练学习，形成车载自组织网络分簇结构和优化节点冗余信息传输，保证车载自组织网络节能可靠高效运行，属于物联网技术、深度学习技术和分布式处理交叉技术领域。

背景技术

深度学习是机器学习研究中的一个新的领域，本身是神经网络算法的衍生，在图像，语音等富媒体的分类和识别上取得了非常好的效果，它模仿人脑的机制来解释数据，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。它是现代有关人工智能领域中的关键技术。随着现代社会信息技术的发展，信息量呈级数增长，车载自组织网络通信负载和传输大量信息的能耗也在增大，人们对准确高效地进行数据通信的需求日益增加。因此，需要从数据自身出发，寻找能代表大量数据共有特性的数据在网络中传输。

车载自组织网络是一种具有自身传输特点的区别于其他移动自组织网络的特殊网络，是在车辆与车辆、车辆与路测单元等没有固定基础设施的通信场景下运行的网络。它的特点是无中心、自组织和多跳，所以其拓扑结构随节点的移动而不断变化，网络稳定性会相对较差。本发明提出一种基于深度学习的高可靠车载自组织网路由分簇方法，首先通过获取车载节点自身相关属性信息，利用节点相似性和节点剩余能量对网络进行分簇来提高网络稳定性，然后在网络通信前对所有节点采集的数据利用深度学习模型进行特征提取，减少大量冗余信息的传输。

发明内容

技术问题：本发明提出一种基于深度学习的高可靠车载自组织网路由分簇方法，解决车载自组织网络中路由路径不稳定、网络能耗高问题，考虑车载自组织网络在运行过程中簇头节点不合理选择和冗余数据问题，而这些问题会导致车载自组织网络不可靠运行。

技术方案：本发明所述的一种基于深度学习的高可靠车载自组织网路由分簇方法首先通过对车载自组织网络中节点的属性信息进行分析并完成分簇，然后对车载自组织网络中节点的数据利用深度学习进行融合，形成一个高可靠的车载自组织网络分簇协议。

该方法包含以下步骤：

步骤1)对车载自组织网络及相关属性进行部署；对车辆的数量，以及初始的移动速度、传输范围和车辆活动区域大小进行初始化部署；

步骤2)汇聚节点执行分簇算法，按照各个车辆的剩余能量的多少划分簇首节点；

步骤3)车载自组织网络进入数据传输阶段，利用Softmax分类器对数据进行特征分类并融合同类特征，并将融合数据发送给汇聚节点。

其中，

步骤1)对车载自组织网络及相关属性进行部署，具体步骤如下：

步骤11)用户为车载自组织网络设置一个随机位置的汇聚节点；

所述车载自组织网络是由1个固定位置的汇聚节点和N个具有移动性的车辆节点组成，N个车辆节点被均匀部署在边长为L的正方形平面区域内，所有车辆节点都具有相同的无线通信半径R，

所述移动性车辆节点的速度是匀速的，移动方向是随机的，车辆节点位置是指在以汇聚节点为坐标原点构成的XY坐标系下的二维坐标，运动方向是指当前车辆节点与X坐标轴构成的角度；

步骤12)计算最佳簇头节点个数m，m的大小是依据车载自组织网络单位面积能够覆盖以车辆节点传输范围为半径的圆的数量决定；