[发明专利]基于空间压缩的簇头优化选举算法

权利要求书

1.基于空间压缩的簇头优化选举算法，其特征在于，将N个感知节点随机散布在一个正方形的区域内，sink节点位于整个网络的正中心，传感器网络进入循环运行，每次循环运行包括以下步骤：

1)簇的建立：利用粒子群算法优化簇头选举算法，通过优化的簇头选举算法搜索簇头节点的最佳位置，感知节点选择距离最近的簇头节点自行成簇；

2)数据传输：将感知节点数据传输至簇头节点，基于空间压缩原理压缩数据得到空间压缩数据，并将空间压缩数据传输至sink节点；

3)数据重构：sink节点对数据进行实时重建。

2.根据权利要求1所述的基于最小风险的深度神经网络的异常用户检测方法，其特征在于，所述步骤1)中感知节点确定位置后将包含感知节点剩余能量与位置信息的数据包L_M发送至sink节点，sink节点得到感知节点传输数据所消耗的能量E_CM和感知节点与sink节点之间的距离d_i-sink，在sink节点中执行优化的簇头选举算法搜索簇头节点的最佳位置，并将簇头节点的最佳位置向全网络广播。

3.根据权利要求1或2所述的基于最小风险的深度神经网络的异常用户检测方法，其特征在于，搜索簇头节点的最佳位置具体步骤为：

11)初始化S个粒子，每个粒子包含K个随机的簇头节点；

12)计算第i个感知节点与粒子p中簇头节点k的距离并将第i个感知节点分配到距离最近的簇头节点；

13)计算目标函数值cost及适应值，并进行迭代；

cost＝β₁f₁+β₂f₂+β₃f₃

其中，f₁代表簇内感知节点与簇头节点的距离适应值；f₂代表簇头节点的能量适应值；f₃代表簇头节点与sink节点的距离适应值；β₁，β₂，β₃为各适应值函数的权重系数，β₁+β₂+β₃＝1；C_p,k表示粒子p中簇C_k，|C_p,k|表示粒子p中簇C_k所拥有的感知节点数量，CH_p,_k表示粒子p中的簇头节点k，n_i表示第i个感知节点，E(n_i)表示第i个感知节点的剩余能量，E(CH_p,_k)表示粒子p中的簇头节点k的剩余能量，N表示感知节点的数量，表示粒子p中簇头节点k与sink节点间的距离；

14)确定每个粒子的个体最优簇头组位置P_j＝(p_j1,p_j2,…,p_jd)以及全局最优簇头组位置P_o＝(p_o1,p_o2,…p_od)，更新每个粒子速度v_jd与位置l_jd，

v_jd＝αv_jd+c₁r₁(p_jd-l_jd)+c₂r₂(po_d-l_jd)

l_jd＝l_jd+v_jd

其中，第j个粒子的位置向量表示为l_j＝(l_j1,l_j2,…l_jd)，l_jd为d维空间中第j个粒子的位置向量，第j个粒子的个体最优簇头组位置即为第j个粒子经历过的最佳位置P_j＝(p_j1,p_j2,…,p_jd)，p_jd为d维空间中第j个粒子经历过的最佳位置，全局最优簇头组位置即为所有粒子中经历过的最佳位置P_o＝(p_o1,p_o2,…p_od)，p_od为d维空间中所有粒子中经历过的最佳位置，第j个粒子的飞行速度为V_j＝(v_j1,v_j2,…,v_jd),j＝1,2,…S，v_jd为d维空间中第j个粒子的飞行速度，α为惯性权重，r1与r2是0～1间的随机数，c1与c2为加速系数；

若粒子所处位置没有簇头节点，则将粒子移动至最近的簇头节点，即粒子的位置向量中存在位置分量不在节点位置，则将粒子的位置向量中相应的位置分量设置为最近的节点位置；

15)重复步骤12)至步骤14)，直至最大迭代次数，计算出全局最优簇头组位置，即最优的K个簇头节点位置。