【LEACH协议】无线传感器网络LEACH协议（数据传输网络能量消耗对比）【含Matlab源码 4556期】

Matlab领域

于 2024-05-22 21:03:56 发布

阅读量615

点赞数 24

分类专栏： Matlab信号处理（初级版）文章标签： matlab

本文链接：https://blog.csdn.net/weixin_63266434/article/details/139129598

版权

Matlab信号处理（初级版）专栏收录该内容

345 篇文章 18 订阅

订阅专栏

在这里插入图片描述
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、简介

1 无线传感器网络
无线传感器网络（Wireless Sensor Network，WSN）是由大量的自主节点组成的网络，这些节点能够感知环境中的信息并将其传输给其他节点。在WSN中，节点之间的通信非常重要，因为它们需要协调工作以实现共同的目标。为了有效地管理和组织WSN中的节点，分簇协议被广泛应用。

分簇协议是一种将节点划分为不同的簇（cluster）以便进行有效通信和协调的方法。LEACH（Low Energy Adaptive Clustering Hierarchy）和DEEC（Distributed Energy Efficient Clustering）是两种常用的分簇协议，它们在WSN中被广泛研究和应用。本文将介绍LEACH和DEEC算法的步骤和原理。

首先，我们来了解LEACH算法的步骤。LEACH算法是一种自适应的分簇协议，旨在延长网络寿命和提高能源效率。以下是LEACH算法的步骤：
（1）初始化：在网络中选择一个随机的簇头节点。每个节点都有一个固定的能量阈值，当能量低于阈值时，节点将无法参与簇头的选择。
（2）簇头选择：每个节点根据预先设定的概率选择自己是否成为簇头。概率与节点的能量水平成反比，能量越高，成为簇头的概率越低。簇头节点负责收集周围节点的数据并将其传输给基站。
（3）簇成员选择：非簇头节点根据与簇头节点的距离选择自己所属的簇。节点将通过与簇头节点之间的距离来评估自己是否应该加入该簇。
（4）数据传输：簇头节点负责收集簇成员节点的数据，并将其传输给基站。这样可以减少整个网络中的数据传输量，从而节省能量。
（5）簇头轮流：在每个轮次结束后，簇头节点将被重新选择，以便均衡能量消耗。这样可以确保网络中的节点能量消耗相对均匀。

接下来，我们将介绍DEEC算法的步骤。DEEC算法是一种分布式的能量高效分簇协议，旨在提高网络的能源利用率。以下是DEEC算法的步骤：
（1）初始化：每个节点都有一个固定的能量阈值，当能量低于阈值时，节点将无法参与簇头的选择。此外，节点还需要知道网络中的节点数量和能量水平。
（2）簇头选择：每个节点根据预先设定的概率选择自己是否成为簇头。概率与节点的能量水平成正比，能量越高，成为簇头的概率越高。
（3）簇成员选择：非簇头节点根据与簇头节点的距离选择自己所属的簇。节点将通过与簇头节点之间的距离来评估自己是否应该加入该簇。

数据传输：簇头节点负责收集簇成员节点的数据，并将其传输给基站。这样可以减少整个网络中的数据传输量，从而节省能量。
能量均衡：在每个轮次结束后，簇头节点将根据能量水平重新选择，以便均衡能量消耗。这样可以确保网络中的节点能量消耗相对均匀。
LEACH和DEEC算法在簇头选择和簇成员选择方面有所不同，但它们的目标都是提高网络的能源利用率和延长网络寿命。通过采用分簇协议，WSN中的节点能够更有效地协作，减少能量消耗，并提供更长的网络寿命。

总结起来，LEACH和DEEC算法是两种常用的分簇协议，它们在无线传感器网络中具有重要的应用价值。通过选择合适的簇头节点和簇成员节点，这些算法能够提高网络的能源利用率和延长网络寿命。在未来的研究中，我们可以进一步改进这些算法，以适应不同类型的无线传感器网络应用场景，并提高网络的性能和可靠性。

2 加权节点剩余能量与节点分布位置的低能量自适应集群层次结构 (LEACH) 集群路由协议
加权节点剩余能量与节点分布位置的低能量自适应集群层次结构（LEACH）是一种用于无线传感器网络（WSN）中的集群路由协议。LEACH协议的目标是延长网络寿命，提高能源效率。

LEACH协议的原理如下：
（1）集群形成：初始阶段，每个节点根据一个随机数选择是否成为簇头节点。每个节点根据其剩余能量与一个全局阈值进行比较，如果小于阈值，则成为簇头节点的概率较大。这样可以实现能量均衡，避免某些节点过早耗尽能量。
（2）簇头选择：每个节点在成为簇头节点后，广播自己是簇头的信息给其他节点。其他节点根据接收到的信息选择最近的簇头节点进行连接。
（3）数据传输：每个节点将数据传输给所连接的簇头节点，然后由簇头节点进行数据聚合和压缩，减少数据传输量。
（4）能量平衡：簇头节点将聚合后的数据传输给基站或其他上级节点。为了实现能量平衡，LEACH协议采用了轮换簇头的策略，即每个轮次中，不同的节点有机会成为簇头节点，从而均衡能量消耗。

⛄二、部分源代码

clear
%1.初始参数设定模块
%.传感器节点区域界限(单位 M)
xm=200;
ym=200;
%(1)汇聚节坐标给定
sink.x=0.5xm;
sink.y=0.5ym;
%区域内传器节数
n=100
%簇头优化比例（当选簇头的概率）
P=0.05;
%能量模型（单位焦）
%初始化能量模型
Eo=0.1;
%Eelec=Etx=Erx
ETX=500.000000001;
ERX=500.000000001;
%Transmit Amplifier types
Efs=100.000000000001;
Emp=0.00130.000000000001;
%Data Aggregation Energy
EDA=5*0.000000001;
%高能量节点超出一节点能量的百分比
a=1;
%最大循环次数
rmax=1000
%算出参数 do
do=sqrt(Efs/Emp);
Et=0;
%2.无线传感器网络模型产生模块
%构建无线传感器网络,在区域内均匀投放100个节点,并画出图形
for i=1:1:n
S3(i).xd=rand(1,1)xm;
S4(i).xd=S3(i).xd;
XR4(i)=S4(i).xd;
XR3(i)=S3(i).xd;
S3(i).yd=rand(1,1)ym;
S4(i).yd=S3(i).yd;
YR4(i)=S4(i).yd;
S4(i).G=0;
YR3(i)=S3(i).yd;
S3(i).G=0;
S3(i).E=Eo(1+randa);
S4(i).E=S3(i).E;
E3(i)= S3(i).E;
E4(i)= S4(i).E;
Et=Et+E3(i);
%initially there are no cluster heads only nodes
S3(i).type=‘N’;
S4(i).type=‘N’;
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]黄利晓,王晖,袁利永,曾令国.基于能量均衡高效WSN的LEACH协议改进算法[J].通信学报第38卷第Z2期

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰