为了有效提高无线传感器网络中故障数据的判别能力,本文结合人工蜂群算法提出了一种新的挖掘算法FDMA(Fault Data Mining Algorithm).该算法首先利用小波变换降低故障数据的突发性,以达到对故障数据的标准化处理.其次,基于关联系数来划分故障数据分布区间,并建立了数据挖掘的目标函数,同时利用人工蜂群算法对目标函数进行优化.最后,通过实际传感器样本数据进行仿真实验,对比研究了FDMA算法与其它算法之间的性能状况(包括吞吐量、延迟时间、丢包率和能耗),结果发现FDMA算法具有较好的适应性.
为了有效判断网络数据包是否存在被攻击的可能性,提出了一种新的基于云模型的检测算法DMCM(Detection Method based on Cloud Model)。该算法首先结合数据包属性的离散度和偏差定义了状态指标,并根据云模型给出了标准差分布的计算流程,以此判断数据包的异常状况。最后,通过OPNET和MATLAB进行仿真实验,深入研究了影响该算法的关键因素,同时与其它算法之间进行了性能对比,结果表明DMCM具有较好的适应性。
针对无线传感器网络中簇首节点规划的问题,本文在以前的研究基础上提出了一种新的刻画模型CHAB(Cluster Header planning model based on Artificial Bee colony).该模型首先结合节点剩余能量和距离信息建立了最优目标函数,同时利用人工蜂群算法和小波变换对目标函数进行求解.最后,利用NS2和Matlab进行仿真实验,深入研究了影响该模型的关键因素,并对比分析了与其它模型之间的性能优劣,结果表明CHAB具有较好的适应性.
为了解决无线传感器网络中簇首节点规划的问题,基于元胞遗传提出了一种新的刻画模型CHCG(Cluster Header Planning model based on Cellular Genetic).该模型首先结合节点剩余能量和距离信息建立了最优目标函数,同时利用元胞遗传方法对该目标函数进行求解.最后,通过NS2和MATLAB进行仿真实验,对比分析了该模型与AESR以及LEACH之间的性能优劣.实验结果表明,该算法具有较好的适应性.
