به حداکثر رساندن کارایی انرژی در شبکه های حسگر بی سیم برای انتقال داده بااستفاده از یادگیری عمیق

شبکه های حسگر بی سیم (WSNs) توانایی جمع آوری داده و نظارت بر برنامه ها را دارا هستند. با این حال، محدودیت منابع انرژی نودهای حسگر، چالشی قابل توجه در گسترش عمر شبکه ایجاد می کند. در این مطالعه ، مدل گروه بندی مبتنی بر یادگیری عمیق (DL-GMA) معرفی می شود که برای بهینه سازی مصرف انرژی در WSNs موثر است . DL-GMA از تکنیک های پیشرفته یادگیری عمیق ، به ویژه شبکه عصبی مکرر (RNN) با حافظه کوتاه- مدت بلند (LSTM) استفاده می کند. ارزیابی نشان می دهد که DL-GMA در بهینه سازی استفاده از انرژی و بهبود عملکرد شبکه موثر است . با جمع آوری یادگیری عمیق و گروه بندی هوشمند، رویکرد DL-GMA به گسترش عمر شبکه های حسگر بی سیم و بهبود کارایی انتقال داده کمک می کند. DL-GMA به چالش های منابع انرژی محدود و به حداکثر رساندن ظرفیت شبکه پاسخ می دهد.

کلیدواژه ها:

یادگیری عمیق ، شبکه های حسگر بی سیم (WSNs) ، شبکه عصبی بازگشتی (RNN) ، عمر شبکه ، کیفیت خدمات (QoS) ، حافظه کوتاه-مدت بلند (LSTM)