發(fā)布時間：2018-05-12 11:26

  本文選題：機會傳感器網(wǎng)絡(luò) + 關(guān)鍵節(jié)點　； 參考：《計算機研究與發(fā)展》2017年09期

【摘要】：提前獲知或預(yù)測網(wǎng)絡(luò)的關(guān)鍵節(jié)點,便可根據(jù)關(guān)鍵節(jié)點的相關(guān)信息對網(wǎng)絡(luò)進行優(yōu)化,當網(wǎng)絡(luò)癱瘓時,可第一時間排查關(guān)鍵節(jié)點,減少網(wǎng)絡(luò)維護時間和成本.現(xiàn)有靜態(tài)無線傳感器網(wǎng)絡(luò)關(guān)鍵節(jié)點預(yù)測方法,不適用于機會傳感器網(wǎng)絡(luò)(opportunistic sensor networks,OSNs).針對機會傳感器網(wǎng)絡(luò)結(jié)構(gòu)動態(tài)變化、消息傳輸時延高的特點,分析多區(qū)域機會傳感器網(wǎng)絡(luò)分層結(jié)構(gòu)的消息傳輸過程,定義階段貢獻度反映Ferry節(jié)點在消息傳輸過程中的貢獻程度,定義區(qū)域貢獻度反映Ferry節(jié)點對區(qū)域的貢獻程度.在此基礎(chǔ)上,以Ferry節(jié)點在網(wǎng)絡(luò)中的綜合貢獻度作為判斷關(guān)鍵節(jié)點的依據(jù),提出基于多屬性決策中理想點法(technique for order preference by similarity to ideal solution,TOPSIS)的關(guān)鍵節(jié)點預(yù)測方法.實驗結(jié)果表明:采用改進TOPSIS算法能夠獲得更高的預(yù)測精度;搭建了實驗床以進一步驗證提出的預(yù)測方法,結(jié)果表明,采用改進TOPSIS算法的預(yù)測精度更高.
[Abstract]:If we know or predict the key nodes in advance, we can optimize the network according to the relevant information of the key nodes. When the network is paralyzed, the key nodes can be searched in the first time, and the maintenance time and cost of the network can be reduced. The existing prediction methods for critical nodes in static wireless sensor networks are not suitable for opportunistic sensor networks. In view of the dynamic change of the network structure of opportunity sensor and the high delay of message transmission, this paper analyzes the process of message transmission in hierarchical structure of multi-area opportunity sensor network, and defines the contribution degree of Ferry node in the process of message transmission. The definition of regional contribution reflects the contribution of Ferry nodes to the region. On this basis, taking the comprehensive contribution of Ferry nodes in the network as the basis for judging the key nodes, a prediction method for key nodes based on the ideal point method for order preference by similarity to ideal solution technique in multi-attribute decision making is proposed. The experimental results show that the improved TOPSIS algorithm can obtain higher prediction accuracy, and the experimental bed is built to further verify the proposed prediction method. The results show that the improved TOPSIS algorithm has higher prediction accuracy.
【作者單位】： 南昌航空大學信息工程學院;南昌航空大學軟件學院;
【基金】：國家自然科學基金項目(61363015,61262020,61501217,61501218) 江西省自然科學基金重點項目(20171ACB20018,20171BAB202009,20071BBH80022) 江西省教育廳科學技術(shù)重點項目(GJJ150702) 江西省研究生創(chuàng)新專項資金項目(YC2015-S324,YC2016-042)~~
【分類號】：TP212.9

【相似文獻】

相關(guān)期刊論文 前10條

1 鄒啟杰;張汝波;唐平鵬;尹麗麗;;基于多屬性決策的自主等級評估算法[J];華中科技大學學報(自然科學版);2011年S2期

2 要瑞璞;沈惠璋;;Vague集多屬性決策的可能度法[J];計算機工程與應(yīng)用;2010年02期

3 張輝;周軍升;陳龍偉;程思微;;一種改進混合型多屬性決策的求解方法[J];系統(tǒng)仿真技術(shù);2009年04期

4 魏峰;張瑞平;;多屬性決策的Vague集方法[J];計算機工程與設(shè)計;2007年07期

5 萬樹平;;區(qū)間型多屬性決策的夾角度量法[J];計算機工程與應(yīng)用;2009年26期

6 王香柯;王金柱;;基于支持向量機預(yù)測的時序多屬性決策法[J];蘭州理工大學學報;2010年02期

7 劉建輝;;基于信息博弈的協(xié)同診斷決策[J];西安石油大學學報(自然科學版);2008年06期

8 孫娟娟;劉纘武;張玉靈;江南;;基于多屬性決策的統(tǒng)計數(shù)據(jù)分級綜合評價模型[J];測繪與空間地理信息;2007年05期

9 陳東鋒;胥林;龍戈農(nóng);;兩種改進的直覺模糊多屬性決策方法[J];空軍工程大學學報(自然科學版);2008年02期

10 彭展聲;;Vague集的一個新記分函數(shù)[J];湖北大學學報(自然科學版);2011年03期

相關(guān)會議論文 前3條

1 王航宇;孫世巖;;一種模糊PROMETHEE方法[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

2 孫世巖;邱志明;;基于補償性分析的多屬性決策方法研究[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

3 衛(wèi)貴武;羅玉軍;姚恒申;;權(quán)重信息不完全的混合型多屬性決策方法[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

相關(guān)碩士學位論文 前3條

1 儲萍;多屬性決策若干方法研究[D];浙江工商大學;2007年

2 張濤;基于集對分析的不確定多屬性決策算法研究[D];重慶大學;2014年

3 何朝麗;基于區(qū)間粗糙數(shù)多屬性決策模型若干問題的研究[D];廣西大學;2014年

，

本文編號：1878434