مروری برالگوریتم های خوشه بندی درشبکه های حسگربی سیم
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 363
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
OUTLOOKECE01_155
تاریخ نمایه سازی: 11 مرداد 1396
چکیده مقاله:
شبکه ی حسگربیسیم مجموعه ای ازتعدادزیادی گرههای حسگراست که با قابلیت حسکردن،پردازش ومحاسبه کردن تشکیل شدهاست.این حسگرهای کوچک ابزاری کارآمد برای جمع آوری داده ازمحیط هستند.حسگرها داده های جمع آوری شده را در نهایت به ایستگاه اصلی میفرستند.به منظوردستیابی به مقیاس پذیری ونیزتجمیع داده،گرههای حسگردرگروههای کوچکتری که باهم همپوشانی ندارنددسته بندی میشوند.این گروه ها که خوشه نام دارند،هر کدام دارای سرخوشه می باشند.نحوه انتخاب سرخوشه ها بسیار مهم است.هر خوشه برای انتقال اطلاعات به ایستگاه اصلی نیاز به انرژی دارد.درنتیجه هرچه انتخاب سرخوشه هوشمندانه تر باشد در کاهش مصرف اترژی تاثیر بسزایی دارد.الگوریتم های زیادی برای خوشه بندی وجود دارد از جمله اینالگوریتم ها که در این مقاله به آن می پردازیم الگوریتم خوشه بندی means-k است.در این مقاله با ترکیب دو الگوریتم ژنتیک وکلونی مورچگان به منظور خوشه بندی صحیح و هوشمندانه و با استفاده از خصوصیات الگوریتم means-k ،سعی در یافتن بهترین سرخوشه داریم که موجب کاهش مصرف انرژی و در نتیجه افزایش طول عمر شبکه خواهد شد
کلیدواژه ها:
نویسندگان
ساناز فرخی نیلاوره
گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، واحدکرمانشاه، دانشگاه آزاد اسلامی،کرمانشاه،ایران.
عدنان نصری
گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، واحدکرمانشاه، دانشگاه آزاد اسلامی،کرمانشاه،ایران. گروه مهندسی کامپیوتر،واحدصحنه،دانشگاه آزاد اسلامی،صحنه،ایران.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :