拓信息嵌入式卷积神经网络基于莲花效应的优化,用于无线传感器网络中移动的路径即兴化
Bala Subramanian Chokkalingam1, Balakannan Sirumulasi Paramasivan2, Maragatharajan Muthusamy3
1Associate Professor, Department of Computer Science and Engineering, Kalasalingam Academy of Research and Education, Krishnankoil, Tamil Nadu, India.
Network (Bristol, England)
|April 22, 2024
概括
本研究介绍了无线传感器网络 (WSN) 中移动节点 (MAN) 的新方法,以提高路径效率和网络寿命. 拟议的技术在动态WSN环境中显著提高了能源消耗和数据可靠性.
科学领域:
- 计算机科学 计算机科学
- 网络工程 网络工程
- 人工智能的人工智能
背景情况:
- 无线传感器网络 (WSN) 对于连接和数据聚合等关键功能,依赖移动节点 (MAN).
- 人员的移动性在能源消耗和网络性能方面带来了挑战,需要先进的路径即兴算法.
- 现有的方法在动态的WSN环境中难以有效优化MAN路径,导致网络寿命缩短和数据丢失.
研究的目的:
- 为WSN中的MAN开发先进的路径即兴算法,以提高能源效率和网络连接性.
- 解决WSN中MAN移动性所带来的挑战,重点是优化能源使用和最大限度地减少数据丢失.
- 通过对MAN的智能路径规划,提高WSNs的整体网络寿命和性能.
主要方法:
- 提出了一种新的拓信息嵌入式卷积神经网络 (TIECNN),用于初始集群形成和集群头部选择.
- 利用莲花效果优化算法来确定所选移动的最有效和最短路径.
- 建立了一个强大的网络设置和能源模型,以支持TIECNN-PIMA-OAC-WSN方法.
主要成果:
- 拟议的TIECNN-PIMA-OAC-WSN技术在各种传感器节点密度的网络寿命中显著改善.
- 与现有方法相比,实现了更长的网络寿命,根据节点密度的不同,百分比增加从32.45%到46.66%.
- 成功增强了WSN中的移动道的拓信息处理和能源效率.
结论:
- TIECNN-PIMA-OAC-WSN方法有效地优化MAN路径,从而大大提高了WSN性能.
- 该方法为管理能源消耗和在动态WSN中保持连接提供了强大的解决方案.
- 这项研究有助于通过智能路径即兴化推进高效可靠的无线传感器网络运行.
