基于BP神经网络的无线传感器网络非均匀分簇路由协议

吴子敬

基于BP神经网络的无线传感器网络非均匀分簇路由协议

吴子敬

（齐齐哈尔大学 计算机与控制工程学院，黑龙江 齐齐哈尔 161006）

针对现有无线传感器网络节点负载不均问题，提出了一种基于BP神经网络的无线传器网络非均匀分簇路由协议。通过引入竞争半径函数，完成节点入簇，并在簇间数据传输阶段构造出一棵使整个网络传输代价最小的路由树，选出最优传输路由。仿真结果表明，有效平衡了节点能耗，延长了网络的存活时间。

无线传感器网络；BP神经网络；非均匀分簇；最小路由树

WSNs具有易部署、自适应和分布式的特点，现已应用到地质勘探、森林监控和环境监测中。由于节点多分布在偏远地区中，一旦部署完成后更换成本巨大。现有传感器节点多采用电池供电，当能量耗尽时难以及时补充，这将严重影响传感器网络的存活时长。因此，研究如何降低网络中各节点能耗，提高网络负载均衡性是无线传感器网络路由协议的研究重点。HEINZELMAN等[1]提出一种功耗很低的自适应路由协议LEACH，该协议使用簇头周期轮换的方式对传感器网络进行拓扑重构，利用概率函数选出簇头，每轮选出的簇头数量不稳定，无法保证簇头的均匀分布。YOUNIS O等[2]提出了一种混合分布式分簇路由协议 HEED，该协议通过基于节点剩余能量和节点邻近度的混合算法，周期性地依概率选取簇头，提高了网络的可扩展性和网络寿命。但该协议在选择簇头时簇内通信代价过大，导致消耗过多能量。蒋畅江等[3]提出了一种能量均衡的多跳分簇路由协议DEBUC，该协议通过考虑节点剩余能量的广播时间算法选取簇头。在簇间通信阶段，簇头采用贪心算法在邻居簇头列表中选择下一跳中继节点。该协议有效节省了节点能耗，延长网络的生命周期。苏金树等[4]提出了一种负载均衡的分簇路由协议，该协议通过引入改进的粒子群算法自适应调整惯性权重来选取簇头，同时提出了一种保证簇头二连通的簇间连通算法。该协议不仅延长网络的寿命，还提高了能量效率，但未考虑汇聚点附近的“能量热区”问题。G.V.SELVI等[5]提出一种非均匀分簇路由协议UCAPN，该协议将传感器节点划分为不同大小的簇，非簇头节点的信息先直接传输到最近的簇头节点，再传输到汇聚节点，以平衡节点的能量消耗，延长网络的生命周期。YUAN Z等[6]提出了一种基于改进粒子群优化算法的分簇路由协议，该协议兼顾了能源效率和传输距离，并采用中继节点来减少簇头能量的过度消耗。所提出的协议使传感器节点分布更均匀，从而提高了网络寿命。牛玉刚等[7]提出了一种含有重叠区域的非均匀分簇路由协议OMU，该协议根据节点密度、到汇聚点距离和剩余能量选取簇头，再选择重叠区域的中继节点转发数据信息，最后通过簇头和中继节点的轮换机制均衡网络负载。

综上所述，针对现有基于分簇的路由协议存在簇头选择不合理、汇聚点周围产生的“能量热区”以及分布式分簇方式消耗过多能量导致网络节点负载不均问题，本文提出一种基于BP神经网络的无线传感器网络非均匀分簇路由协议。

1 系统模型

1.1 网络模型

本文采用类似非均匀分簇的无线传感器网络路由协议(Uneven clustering routing protocol based on BP neural network, BPUC)[8]中的传感器网络模型，并作如下假设：

（1）网络中各传感器节点随机部署在边长为200m的正方形监测区域中。

（2）网络中各传感器节点能量有限且位置已知，并且都具备数据融合的能力。

（3）汇聚点位于水面上，位置不变且能量充足。

（4）所有节点可通过调节功率来改变自身通信半径。

（5）节点共分为簇头和普通节点两类，由汇聚点选择节点担任的节点种类。

1.2 能耗模型

本文使用无线通信能量衰减模型[9]，其发送数据包的能耗：

2 BPUC算法

2.1 BP神经网络分簇模型

2.1.1 激励函数

考虑到节点能耗不均对网络存活时间的影响，采用如下的激励函数：

2.1.2 代价函数

为避免过拟合而无法达到误差的极小值，同时考虑到节点的距离、能量和密集度对簇头选择的影响，采用如下带有正则项的代价函数：

2.1.3 误差反向传播

误差反向传播是一个迭代学习的过程，通过迭代最后得到可准确预测节点阈值的模型参数。BP神经网络分簇模型的权值与偏置的更新公式如下:

为减少计算量加快迭代速度，本文使用随机梯度下降算法。通过求权值和偏置负方向的偏导数，实现对权值和偏置的更新：

2.2 竞争半径函数

通过BP神经网络分簇模型选出簇头后，簇头在竞争半径内广播自己成为簇头的信息，其他节点完成入簇过程。簇头的竞争半径表示如下：

2.3 成簇算法

成簇算法分为模型构建阶段、模型训练阶段和模型预测阶段三个阶段，具体过程如下：

（1）模型构建阶段。本文采用经验公式[10]确定隐藏层神经元个数：

表1为隐藏层不同节点个数时MSE值的对比结果。由表1可知在隐藏层节点数为8时，均方误差值MSE=0.4765，此时误差达到最小。因此BP神经网络分簇模型使用3个输入节点，8个隐藏节点，1个输出节点的单隐藏层结构。

表1 隐藏层节点个数与MSE值

2.4 簇间路由树

在数据传输阶段，采用单跳与多跳相结合的传输方式。在汇聚点通信半径内的簇头直接将数据传输给汇聚点，其他与汇聚点较远的簇头以多跳的方式将采集的数据由其他簇头转发给汇聚点。并采用基于簇头层次划分的簇间传输方式，根据簇头到汇聚节点的距离对簇头进行层次划分，越接近汇聚节点的簇头层次越高，簇头间根据层次逐层传输。最后构造出一棵使整个网络传输代价最小的路由树。具体过程如下：

3 算法仿真与分析

本节通过仿真实验来验证算法BPUC的特性，在Python3.7平台上将BPUC算法分别与LEACH、EEUC和OMU算法进行对比。实验中所用参数如表2所示。

表2 实验参数

3.1 算法复杂度分析

本节分析BP神经网络分簇模型的时间复杂度。BP神经网络分为正向传播和误差反向传播两部分。假设有个训练样本，正向传播过程时间复杂度为()，误差反向传播的时间复杂度为()。故本文提出的BP神经网络分簇模型的时间复杂度为(2)。

3.2 算法稳定性分析

图1 随机100轮中网络的簇头个数变化

3.4 能量效率分析

如图2所示，选择任意100轮中LEACH, EEUC, OMU, BPUC算法的簇头能耗标准差进行对比。其中LEACH算法的标准差最高且波动幅度最大，表明该算法的负载均衡效果最差。这是由于在簇头选举阶段，该算法依据概率函数来选取簇头，无法保证网络中的簇头均匀分布，导致各簇头能耗不均。EEUC, OMU和BPUC算法的标准差较为接近，并且波动范围比LEACH算法更小，表明此三种算法更好的均衡了网络能耗。这是由于此三种算法都考虑了“热区”问题，都采用非均匀分簇的思想均衡网络能耗，使到汇聚点距离不同的簇头能耗较为均衡。尤其BPUC算法簇头能耗标准差最小且波动幅度最小，说明该算法均衡网络能耗的效果最好。

如图3所示，在节点数为100, 150, 200, 250, 300的情况下，比较LEACH, EEUC, OMU, BPUC算法中的第一个死亡节点的轮数。BPUC算法的第一个死亡节点的轮数均大于其他三种算法，这表明BPUC算法可以有效地延长网络的存活时长。

图2 随机100轮中簇头能耗的标准差

图3 首个节点死亡轮数

从图4可以看出，BPUC算法的第一个死亡节点的轮数是LEACH算法的285%、EEUC算法的171%、OMU算法的128%，该算法的能量平衡效果优于其他三种算法。LEACH算法依概率选择簇头，造成簇头的不均匀分布以及簇头的能量损失差异很大，故最早出现死亡节点。EEUC和OMU算法在选取簇头时频繁地交换信息，使节点负载过大而过早死亡。而BPUC算法在选择最优簇群时，节点先将自身信息都发送给汇聚点，再由汇聚点运行BPUC算法确定最优分簇方式，避免了节点间频繁的信息交换，节省了网络中节点的能量损耗。

图4 存活节点随轮数变化

4 结束语

针对现有分簇路由协议存在节点能耗不均的问题，本文提出一种基于BP神经网络的无线传感器网络非均匀分簇路由协议,不但减少了分布式簇头选取方式节点间频繁交换信息的能耗，使网络中各节点能耗更加均衡，解决了“能量热区”问题，而且降低了簇间的通信时延和能耗。仿真得知，本文提出的路由协议有效地均衡了节点能耗，延长了网络的存活时间。

[1] HEINZELMAN W R, CHANDRAKASAN A, BALAKRISHNAN H. Energy-efficient communication protocol for wireless microsensor networks[C]. Procof the 33rd Annual Hawaii Int Conf on System Sciences. Maui: IEEE, 2000: 1-10

[2] YOUNIS O, FAHMY S. HEED: a hybrid, energy-efficient, distributed clustering approach for ad hoc sensor networks[J]. IEEE T Mobile Comput, 2004, 3(4):366-379

[3] 蒋畅江，石为人，唐贤伦，等. 能量均衡的无线传感器网络非均匀分簇路由协议[J]. 软件学报，2012, 23(05): 1222-1232.

[4] 苏金树，郭文忠，余朝龙，等. 负载均衡感知的无线传感器网络容错分簇算法[J]. 计算机学报，2014, 37(02): 445-456.

[5] G. V. SELVI, R. MANOHARAN. Unequal clustering algorithm for WSN to prolong the network lifetime (UCAPN) [C]. Intelligent Systems Modelling & Simulation, 2013:456-461

[6] YUAN Z, NING W, WEI X. Clustering Hierarchy Protocol in Wireless Sensor Networks Using an Improved PSO Algorithm [J]. IEEE Access, 2016, PP (99):1-1

[7] 牛玉刚，周振华. 带有重叠区域的多跳非均匀分簇路由算法[J]. 控制与决策，2019, 34(06): 1271-1276.

[8] 李成法，陈贵海，叶懋，等. 一种基于非均匀分簇的无线传感器网络路由协议[J]. 计算机学报，2007, 30(1): 27-36.

[9] HEINZELMAN W R, CHANDRAKASAN A, BALAKRISHNANH. Energy-efficient communication protocol for wireless microsensor networks[C]. Procof the 33rd Annual Hawaii Int Conf on System Sciences. Maui: IEEE, 2000:1-10.

[10] YAN X , DENG X W , SUNS H . Analysis and simulation of the early warning model for human resource management risk based on the BP neural network [J].Complexity, 2020, 8838468:1-8838468:11

An uneven clustering routing protocol for WSNs based on BP neural network

WU Zi-jing

(School of Computer and Control Engineering, Qiqihar University, Heilongjiang Qiqihar 161006, China)

To solve the problem of uneven load in existing wireless sensor networks, an uneven clustering routing for wireless sensor networks based on BP neural network was proposed. By introducing the competition radius function, nodes are added into clusters, and a route with the lowest transmission cost is constructed in the data transmission stage between clusters Tree to select the optimal transport route. The simulation results show that the energy consumption of nodes is effectively balanced and the survival time of the network is prolonged.

wireless sensor networks；BP neural network；uneven clustering；minimal route tree

2022-01-12

吴子敬（1965-），男，黑龙江齐齐哈尔人，副教授，硕士，主要从事电气控制、数控技术研究，2466550354@qq.com。

TP39

A

1007-984X(2022)04-0008-06