《《分簇算法综述》PPT课件.ppt》由会员分享，可在线阅读，更多相关《《分簇算法综述》PPT课件.ppt（12页珍藏版）》请在金锄头文库上搜索。
1、分簇算法综述reviewofclusteringalgorithmsinwsn2014年11月27日分簇算法综述基本思想意义分类比较总结分簇基本思想什么是分簇基本过程簇首产生簇的形成数据传输SinkClusterCluster head建立和维护数据传输路径网络拓扑结构控制分簇的意义解决的问题优势评测指标有效的消除数据冗余，促进网内数据融合减少了通信量和通信距离可扩展性强，低负载，低能耗，避免冲突，负载均衡，鲁棒性强能耗生命周期融合率网络时延分簇算法的分类路由驱动LEACH，HEED以及在此基础上的改进算法等编码驱动分布式信源编码融合驱动考虑数据相关性，分簇并选择代表节点LEACH最经典的路由
2、协议按轮周期性运行建簇阶段：节点以一定的概率，随机的选举成为簇首数据传输阶段：各个簇成员节点与簇首节点进行通信，再转发给sink节点完全基于通信将地理上相近的节点划分到一簇没有具体的融合策略缺点Distributed Source Coding编码+路由利用节点的边信息(sideinformation)进行编码结合分簇策略，利用局部信息缺点每个源只压缩一次大部分编码方式需要全局的相关性信息压缩编码复杂度较高self-codingforeign-codingabcabcSrSr2Sr+SeSr+2SeSrSrData Correlation-Based基本思想建立数据模型-选择簇首节点-分簇-代
3、表节点发送数据-local空间相关性分簇算法定义了一个空间相关性权值，衡量节点与其邻居节点的平均相关程度选举的簇首需要满足两个条件：权值大于上界或小于下界；同时保证 邻居节点中没有其他簇首节点其他节点则根据地理空间距离选择加入最近的簇PCC，DDCD等各类算法的比较名称分类算法策略能量效率网络时延扩展性负载均衡算法复杂度LEACH路由驱动分布式低低低中等低HEED路由驱动分布式中等中等中等中等中等DOC编码驱动分布式中等高低中等高MEGA编码驱动集中式高中等低好中等-local融合驱动分布式高低高差高PCC融合驱动集中式高高低好中等总结和展望以数据为中心的传输和数据融合技术的结合形成合理的网络
4、拓扑结构，便于管理和控制有效的感知数据的相关性，获得最佳分簇效果消除数据冗余和容错性检验兼顾均衡算法的复杂度和网络时延参考文献1 Liu X. A survey on clustering routing protocols in wireless sensor networksJ. Sensors, 2012, 12(8): 11113-11153.2 Rajagopalan R, Varshney P K. Data aggregation techniques in sensor networks: A surveyC/Comm. Surveys & Tutorials, IEEE. 2
5、006.3 Luo H, Liu Y, Das S K. Routing correlated data in wireless sensor networks: A surveyJ. Network, IEEE, 2007, 21(6): 40-47.4 Heinzelman W R, Chandrakasan A, Balakrishnan H. Energy-efficient communication protocol for wireless microsensor networksC/System Sciences, 2000. Proceedings of the 33rd A
6、nnual Hawaii International Conference on. IEEE, 2000: 10 pp. vol. 2.5 Younis O, Fahmy S. HEED: a hybrid, energy-efficient, distributed clustering approach for ad hoc sensor networksJ. Mobile computing, IEEE Transactions on, 2004, 3(4): 366-379.6 Slepian D, Wolf J K. Noiseless coding of correlated in
7、formation sourcesJ. Information Theory, IEEE Transactions on, 1973, 19(4): 471-480.7 Von Rickenbach P, Wattenhofer R. Gathering correlated data in sensor networksC/Proceedings of the 2004 joint workshop on Foundations of mobile computing. ACM, 2004: 60-66.8 Zheng J, Wang P, Li C. Distributed data ag
8、gregation using Slepian-Wolf coding in cluster-based wireless sensor networksJ. Vehicular Technology, IEEE Transactions on, 2010, 59(5): 2564-2574.9 Ma Y, Guo Y, Tian X, et al. Distributed clustering-based aggregation algorithm for spatial correlated sensor networksJ. IEEE Sensors Journal, 2011, 11(
9、3): 641-648.10 F. Yuan, Y. Zhan, and Y. Wang, “Data density correlation degree clustering method for data aggregation in WSN,” Sensors Journal, IEEE， vol. 14, no. 4, pp. 10891098, 2014.11 C. Carvalho, D. G. Gomes, N. Agoulmine, and J. N. de Souza, “Improving prediction accuracy for WSN data reduction by applying multivariate Spatio-temporal correlation”, Sensors, vol. 11, no. 11, pp. 10010-10037.Thank you！
