مقاله کاهش مصرف انرژی در شبکه‌های حسگر بی سیم با استفاده از شبکه‌های عصبی(SOM)

شبکه‌های عصبی SOM

چکیده

امروزه، در شبکه‌های حسگر بی‌سیم | شبکه‌های عصبی SOM ، پروتکل‌های مسیریابی مبتنی بر خوشه‌بندی از طریق تقسیم گره‌های همسایه به خوشه‌های مجزا و انتخاب سرخوشه‌های محلی برای ترکیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گره‌های شبکه، بهترین کارایی را از لحاظ افزایش طول عمر و حفظ پوشش شبکه‌ای در مقایسه با سایر روش‌های مسیریابی به‌ دست می‌آورند.

با این وجود، همه پروتکل‌های خوشه‌بندی ارایه شده تاکنون، تنها نزدیکی جغرافیایی(همسایگی) را به عنوان پارامتر تشکیل خوشه‌ها در نظر گرفته‌اند.

در این تحقیق، یک پروتکل جدید خوشه‌بندی متمرکز مبتنی بر انرژی با استفاده از شبکه عصبی نقشه خودسازماندهی برای شبکه‌های حسگر بی‌سیم ارایه می‌شود که قادر به خوشه‌بندی گره‌های شبکه بر اساس سطح انرژی و مختصات گره‌ها می‌باشد.

این پروتکل شبکه‌های عصبی SOMبا استفاده از تعداد مشخصی از گره‌های پرانرژی در شبکه و اعمال آن‌ها به عنوان وزن نورون‌های نقشه خودسازماندهی، نزدیک‌ترین گره‌های کم‌انرژی را جذب گره‌های پرانرژی می‌کند؛ به طوری که خوشه‌ها لزوماً از گره‌های مجاور تشکیل نشده و در واقع براساس دو پارامتر سطح انرژی و همسایگی، خوشه‌هایی با انرژی متوازن تشکیل خواهند شد. به علاوه یک تابع هزینه جدید به منظور تصمیم‌گیری در انتخاب گره‌های سرخوشه، پیشنهاد شده است که سعی در ترکیب معیارهای مختلف موثر در انتخاب بر اساس میزان اهمیت آن‌ها دارد.

کارایی برتر این پروتکل از لحاظ افزایش طول عمر مفید شبکه و حفظ بهتر پوشش شبکه‌ای در مقایسه با پروتکل‌های پیشین نظیر LEACH و LEA2C و نیز تاثیر تابع هزینه پیشنهادی بر کارایی آن (با شبیه‌سازی) به اثبات رسیده است.

کاهش مصرف انرژی در شبکه‌های حسگر بی‌سیم با استفاده از شبکه‌های عصبی SOM

شبکه‌های حسگر بی‌سیم (WSNها) از تعداد زیادی گره حسگر با توان محدود تشکیل شده‌اند که برای جمع‌آوری، پردازش و ارسال داده‌های محیطی به کار می‌روند. به دلیل محدودیت منابع انرژی در گره‌های حسگر، افزایش طول عمر شبکه یک چالش اساسی در WSNها است.

یکی از روش‌های موثر برای افزایش طول عمر شبکه، کاهش مصرف انرژی در گره‌های حسگر است. شبکه‌های عصبی خودسازمانده (SOM) ابزاری قدرتمند برای خوشه‌بندی و مسیریابی در WSNها هستند که می‌توانند به طور قابل توجهی مصرف انرژی را کاهش دهند.

SOM چگونه به کاهش مصرف انرژی در WSNها کمک می‌کند؟

SOMها با دسته‌بندی گره‌های حسگر به خوشه‌ها، می‌توانند به موارد زیر کمک کنند:

• کاهش ترافیک شبکه: با دسته‌بندی گره‌ها، SOMها می‌توانند ترافیک شبکه را به طور قابل توجهی کاهش دهند. این امر به این دلیل است که به جای ارسال داده‌ها به طور مستقیم به ایستگاه پایه، گره‌ها می‌توانند داده‌ها را به سر خوشه خود ارسال کنند و سر خوشه‌ها داده‌ها را به طور خلاصه به ایستگاه پایه ارسال می‌کنند.
• انتخاب مسیرهای انرژی کارآمد: SOMها می‌توانند برای انتخاب مسیرهای انرژی کارآمد برای ارسال داده‌ها استفاده شوند. این امر به این دلیل است که SOMها می‌توانند به طور خودکار الگوهای ترافیکی را در شبکه یاد بگیرند و بهترین مسیرها را برای ارسال داده‌ها انتخاب کنند.
• افزایش طول عمر باتری: با کاهش ترافیک شبکه و انتخاب مسیرهای انرژی کارآمد، SOMها می‌توانند به طور قابل توجهی طول عمر باتری گره‌های حسگر را افزایش دهند.

مزایای استفاده از شبکه‌های عصبی SOM برای کاهش مصرف انرژی در WSNها:

• سادگی: SOMها نسبتاً ساده هستند و پیاده‌سازی آنها آسان است.
• کارایی: SOMها می‌توانند به طور قابل توجهی مصرف انرژی را در WSNها کاهش دهند.
• قابلیت انطباق: SOMها می‌توانند با توجه به نیازهای خاص WSNها پیکربندی شوند.

کاربردهای SOM در WSNها:

• نظارت محیطی: SOMها می‌توانند برای کاهش مصرف انرژی در شبکه‌های حسگر بی‌سیم برای نظارت محیطی استفاده شوند.
• نظارت بر سلامت: SOMها می‌توانند برای کاهش مصرف انرژی در شبکه‌های حسگر بی‌سیم برای نظارت بر سلامت استفاده شوند.
• اتوماسیون منزل: SOMها می‌توانند برای کاهش مصرف انرژی در شبکه‌های حسگر بی‌سیم برای اتوماسیون منزل استفاده شوند.

چالش‌های استفاده از SOM در WSNها:

• نیاز به آموزش: SOMها نیاز به آموزش با استفاده از مجموعه داده‌های بزرگ دارند.
• پیچیدگی: SOMها می‌توانند پیچیده باشند و پیاده‌سازی آنها دشوار باشد.
• مصرف انرژی: SOMها می‌توانند مقداری انرژی مصرف کنند.

با وجود این چالش‌ها، SOMها ابزاری قدرتمند برای کاهش مصرف انرژی در WSNها هستند. با تحقیقات و پیشرفت‌های بیشتر، SOMها می‌توانند به طور گسترده‌تر در WSNها برای افزایش طول عمر شبکه و بهبود کارایی آنها استفاده شوند.