论文部分内容阅读
在无线传感器网络能量消耗模型的基础上,分析了经典的分簇路由算法LEACH的不足,提出了一种高能量有效的分簇路由算法(HEHC),算法重新考虑了通信过程中的能量损耗,并依据能量因子参数优选簇首,同时使用了分簇规模约束机制。仿真结果表明,该算法能有效地减少能量损耗,延长网络的生存周期。
高能量有效的基于分簇的无线传感器网络路由协议
【摘 要】
：
在无线传感器网络能量消耗模型的基础上,分析了经典的分簇路由算法LEACH的不足,提出了一种高能量有效的分簇路由算法(HEHC),算法重新考虑了通信过程中的能量损耗,并依据能量因子参数优选簇首,同时使用了分簇规模约束机制。仿真结果表明,该算法能有效地减少能量损耗,延长网络的生存周期。
【机 构】
：
电子科技大学宽带光纤传输与通信网技术重点实验室
【出 处】
：
计算机应用研究
【发表日期】
：
2010年06期
其他文献
将三维空间面皮转换为二维平面可以使获取面皮特征、颅骨与面皮的关联信息更方便。通过改进的轮廓线提取方法剔除原始切片冗余数据,对重构得到的面皮数据进行空间坐标系的规范,并以最近邻区域(NNR)划分方法将空间面皮的点云数据点集化,最后结合新划分的平面点数据集的特点提出了线性插补的参数平面化方法和基于链表的参数平面化方法。实验证明两种方法的效果良好,验证了其正确性和可行性。
通过定义一种从环F2+uF2+u2F2到域F2上新的Gray映射,将环F2+uF2+u2F2上的线性(1+u+u2)—循环码等距映射成域F2的线性循环码;进一步又给出了在码长n=3(mod 4)时环F2+uF2+u2F2上的线性(1+u+u2)—循环码的Gray象的生成多项式,这对构造新的好码具有重要意义。
借鉴动态克隆选择算法的运行机制并结合克隆选择机理,提出一种基于克隆扩增策略的免疫算法。该算法提出调整未成熟检测器的补入条件,对成熟检测器群体实施克隆扩增策略,并消除冗余的成熟检测器。算法设计了对成熟检测器群体进行有效性评估的方法,由检测器的有效性确定克隆规模。理论证明了该算法的收敛性。实验表明,与传统的动态克隆选择算法相比,该算法提高了检测率,有效抑制了误报率,改善了算法的适应性。
根据无线传感器网络节点能量消耗和网络生存周期的特点,通过建立动态规划能量优化模型,在路由总能耗满足能量阈值约束条件下,均衡消耗网络中各节点能量,在此基础上提出一种适合无线传感器网络的动态规划路由算法。仿真结果表明,提出的路由算法能充分地利用有限的能量资源,较大地延长网络生存周期并降低节点的平均能耗。
针对基于动态口令的电子商务身份认证机制存在计算和通信负担过重及不能对用户的使用次数和使用时间进行控制的问题,利用二次剩余理论中计算模平方根的复杂性提出一种基于二次剩余的动态口令算法。本算法具有失效次数和失效时间两个特性,因为不需要任何口令和验证表,可以避免重放攻击,因此具有稳定的安全性。这些特点使其适合用于电子商务,如在线游戏、付费电视等。另外本算法客户端计算量很小,可以用于手机等计算能力有限的环
提出了一种新的方法挖掘评论中的文字信息,将评论对象被用户关注的层面发掘出来并评分,根据这些层面的分数以及用户过往的评分数据学习出用户的偏好,最后根据用户的偏好预测其他待评分对象的分数并产生推荐。实验结果表明,提出的方法在预测准确度方面较传统方法有一定程度的提高。
图挖掘已成为数据挖掘领域研究的热点,然而挖掘全部频繁子图很困难且得到的频繁子图过多,影响结果的理解和应用。可通过挖掘最大频繁子图来解决挖掘结果数量巨大的问题,最大频繁子图挖掘得到的结果数量很少且不丢失信息,节省了空间和以后的分析工作。基于算法FSG提出了最大频繁子图挖掘算法FSG-MaxGraph;结合节点的度、标记及邻接列表来计算规范编码,提出两个定理来减少子图同构判断的次数,并应用改进后的决策
随着无线传感器网络(WSN)技术广泛应用在数字家庭网络及其他领域,其安全问题日益突出。针对无线传感器网络中典型的Sybil攻击,提出了一种基于信号到达角信任评估检测新方法TEBA。信标节点基于Sybil节点创建多个虚拟身份。但其物理位置相同的思想,利用信号到达角相位差对邻居节点身份作出信任评估,将低于某一信任阈值的节点身份归为Sybil攻击。方案引入多节点协作思想,摒弃了复杂的质心计算,实现了低时
针对大规模定制协同物流协调优化问题,以成本—时间最小化评估指标综合值为目标,提出了包括物流节点选择及节点合作时序安排的协调优化模型。基于蚁群算法,构造了适合该模型特征的改进型蚁群求解算法,并阐述了其求解过程。通过范例计算及对比分析表明,该模型和方法是有效、可行的,它为大规模定制协同物流协调优化问题提供了可参考的模型和求解算法。
为提高K-means聚类效果,采用Fisher线性判别率的方法确定特征在聚类中的贡献度并依此对特征进行加权聚类。在人工和实际数据集上所做的实验表明,本方法在聚类效果上优于其他同类加权K-means聚类算法。