ІНТЕЛЕКТУАЛЬНІ ПІДХОДИ ЕНЕРГОЗБЕРЕЖЕННЯ У БЕЗПРОВІДНИХ СЕНСОРНИХ КОМП’ЮТЕРНИХ МЕРЕЖАХ
Анотація
Об’єктом дослідження є аналіз існуючих підходів енергозбереження у безпровідних сенсорних комп’ютерних мережах. Обмеження енергетичних ресурсів безпровідних сенсорних комп’ютерних мереж є великою проблемою. Ефективність роботи безпровідних сенсорних мереж сильно залежить від терміну їх служби. Актуальним є використання підходів, що базуються на технології автоматичної динамічної зміни живлення процесору (Dynamic Power Management). Це зумовлює зменшення споживання енергії у вузлах датчиків після розгортання та проектування сенсорної мережі. Одним з багатьох можливих рішень цієї проблеми є використання інструментів інтелектуального аналізу даних, зокрема штучних нейронних мереж (ШНМ). Такі підходи набули актуальності у зв’язку з тим, що застосування ШНМ дозволяє збільшити енергоефективність у безпровідних сенсорних мережах. Перевагами використання ШНМ є: простота паралельно розподілених обчислень, розподілене сховище даних, надійність даних, автоматизація класифікації вузлів датчиків та зчитування з них. Зменшення розмірності та прогнозування даних датчиків, отриманих з виходів алгоритмами нейронних мереж, може призвести до зниження витрат на зв’язок та економію енергії. Всі ці переваги демонструють сумісність між безпровідними сенсорними мережами та штучними нейронними мережами. Згідно з науковими дослідженнями в цій області, можливе застосування нейронних мереж для зменшення споживання енергії. Висновки. Енергозбереження є найважливішим питанням у програмах безпровідних сенсорних мереж, яке слід враховувати у всіх аспектах використання цих мереж. Нейронні мережі як інтелектуальні інструменти демонструють велику сумісність із характеристиками безпровідних сенсорних мереж (БСМ) і можуть застосовуватися в різних схемах їх енергозбереження. У цій роботі представлена класифікація найважливіших застосувань нейронних мереж в питаннях енергоефективності БСМ. Застосування штучних нейронних мереж у БСМ можна узагальнити до прогнозування даних датчиків, злиття датчиків, виявлення кращого шляху, класифікації даних датчиків та кластеризації вузлів. Пропонується використання модифікованого методу карт самооорганізації Кохонена для підвищення ефективності роботи алгоритмів нейронних мереж. Все це призводить до менших витрат на зв'язок та економію енергії в сенсорних мережах
Завантаження
Посилання
2. Shwe, H.Y., Xiao-hong, J., Horiguchi, S. (2009), Energy Saving in Wireless Sensor Network. Journal of Communication and Computer 6(5), 20–28.
3. Руденко, О.Г.,Бодянский Е.В.(2002), Основы теории искусственных нейроных сетей [Текст], Харьков: ТЕЛЕТЕХ., 317 с..
4. Oldewurtel, Frank and Mahonen, Petri, (2006) “Neural Wireless Sensor Networks”, International Conference on Systems and Networks Communications, ICSNC '06, pp.28 - 28.
5. Shahbazi, H., Araghizadeh, M.A., Dalvi, M., (2008) “Minimum Power Intelligent Routing In Wireless Sensors Networks Using Self Organizing Neural Networks”, IEEE International Symposium on Telecommunications, pp. 354--358.
6. Дяченко, В.А., Михаль О.Ф., Руденко О.Г. (2009), Сеть Кохонена с параллельным обучением / // Управляющие системы и машины, No 5. – С. 14-18.
7. Дяченко В.О. , Міхаль О.П. (2012), Адаптивне паралельне навчання модифікованої самоорганізованої карти Кохонена / Біоніка інтелекту : наук.-техн. журнал.– No 1 (78). – С. 85-90.
8. Diachenko, V., Liashenko, O., Mikhal, O., Ibrahim, BF., Koltun Y. (2019) Kohonen network with parallel training: Operation structure and algorithm // International Journal of Advanced Trends in Computer Science and Engineering 8 (1), pp.35 – 38.
9. Aslam N, Philips W, Robertson W, Siva Kumar SH, (2010) “A multi-criterion optimization technique for energy efficient cluster formation in Wireless Sensor networks”, Information Fusion, Elsevier.
10. Mei, L., Haihao, Li., Shen, Y., Fan, J., Huang, SH., (2009) “Elastic neural network method for multi-target tracking task allocation in wireless sensor network”, Computers and Mathematics with Applications, Vol. 57, Issue .11-12, pp. 1822—1828.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.