自适应退避算法（共5篇）
自适应退避算法 篇1
0 引言
目前,在无线传感器网络中,节点通常采用电池供电,而且某些场合下分布在人类难以接近的地区,使得人们无法为其补充能量,故其能量是相当有限的,因此,如何合理、有效地使用节点的能量关系到整个网络的生存时间和工作质量[1,2]。
传感器网络的典型应用模式是每个传感器节点采集数据后发送到基站,但在很多情况下,这一模式对于能量受限的传感器节点而言是不可接受的。同时,由于很多邻近的传感器采集到的数据彼此间存在很大的相容性,完全可以采用某种手段数据融合后再传送到基站,在这个目标的指引下,自然而然就会产生网络分簇算法的思想分簇思想是在网络中选择几个节点作为簇首,其余的传感器节点作为簇首的成员,每个成员采集到数据后不是直接发送到基站,而是发送到簇首,簇首把收集到的簇成员数据压缩后,发送到基站,分簇算法由于减少了每个节点向基站发送数据的次数,因此大大地减少了每个节点的能量消耗和网络中参加信道竞争的节点数目,提高了信道的利用率,LEACH算法[3,4]就是一种经典的分簇算法
1 LEACH算法
1.1 算法的简单介绍
LEACH算法采用轮换簇首的方式,以避免单个节点一直担任簇首而消耗过多的能量。每个轮次又分成簇形成阶段和簇稳定阶段。在簇形成阶段,算法采用随机选举的方法产生每轮的簇首。选举过程如下:每个传感器节点先生成0到1之间的随机数,如果生成的随机数小于阈值,那么这个节点就当选为簇首。阈值的大小Pi(t)是由以下的公式来决定:
其中N和k分别为所有节点数和簇首的个数,r是当前轮数,Ci(t)是一个标志位,担任过簇首的节点Ci(t)为0,在每个大轮结束后,所有节点的标志位Ci(t)都将置为1,开始新的一轮的循环。当节点被选为簇首后,就向周围广播ADV-CH信息。其它节点根据收到的广播信息的能量的大小判断自己离该簇首的距离。节点选择离自己最近的簇首加入该簇。接着,节点向簇首发送要求加入该簇的请求,簇首收到各成员的加入请求后建立一张时间调度表,将含有该表的ADV-SCH消息发送给所有簇内成员,完成簇的建立。之后就进入数据传输阶段,各个节点按照簇首分配的时隙给簇首发送数据,簇首将收到的信息进行融合,然后将信息传递给基站。
1.2 对LEACH算法的分析
从算法的介绍中可以看出,LEACH算法充分体现了分簇思想,节点不需要保存任何关于网络拓扑结构的信息就可以进行网内簇结构的划分,同时通过动态的选择聚首的方法延长了网络的寿命。分簇思想在之后的很多研究中都被应用[5,6],但是该算法也存在一些不足,在这样的分簇算法中,普通节点可以长时间进入睡眠状态,因而消耗的能量比较小,而簇首既要与簇内节点通信,又要进行数据融合以及与基站传输的任务,这将消耗大量的能量,所以,分簇算法成功与否的关键在于簇首节点的选择,而LEACH算法单纯的采用了随机数生成的方法来选出簇首,在这种情况下,簇首节点所带的能量可能并不能担当起其相应的传输责任,从而使某些节点生命期急剧缩短,导致整个网络可靠性下降。
在很多情况下,传感器节点被用来监控目标区域,簇首节点的衰亡会导致某区域内数据的缺失,这对于关键事件的监控而言是绝对不能接受的。
所以,把能量作为一个约束条件来进行簇首的选举是一个可行的改进措施,关于这方面之前也有一些研究成果,如文献[7]中提出了一种自适应改变簇首选择门限来优先选取高能量节点担当簇首,通过这种方式,一定程度上提高了网络的负载均衡,但是,可以预期到,该算法只是实现簇首能量充足的概率上的提高,并不能确定的得到符合要求的簇首。而对于某些关键事件的监控,必需采取一种有效的策略来确保网络内簇首节点的能量足以完成一轮内的传输任务。本文将采用一种簇首退避机制,通过这种策略,最大程度地保证了簇首节点的健康度。
2 自适应退避机制
2.1 算法实现
首先,在使用随机数方式产生簇首以后,其他节点收到了各个簇首的信息,从中选择最合适的簇加入,把自己的能量值连同节点ID一起发给当前的簇首,当簇形成以后,簇首节点在分配时间调度表之前首先进行一次“体检”,即判断自身是否有足够的能量完成担当簇首的任务,这可以通过在节点内设定一个能量门限Eth来实现,为了描述方便,本文称节点能量高于门限时该节点具有足够的健康度。当簇首自身的能量超过门限时,它广播时间调度表给周围节点,从而顺利地进行数据传输,而当簇首健康度不够时,它将进行以下工作,如图1所示:
(1)启动一种筛选机制,由于簇首节点在形成簇的阶段获知了簇内各个成员的能量值,于是它以能量门限Eth作为标准来依次比较簇内成员的能量,当发现某个成员的能量值高于门限,即说明该成员足够健康那么簇首就找到一个继任者筛选到此结束,如果在扫描完所有成员后仍然没有得到超过能量门限的成员,那么通过这次扫描,簇首依然能得到一个能量最大,最健康的成员,从而也把这个成员作为继任者。
(2)簇首将含有继任者ID的CHANGE-CH消息进行广播,由于消息中携带原簇首的ID值,所以簇内成员可以判断这是本簇内进行的退避调整,于是把自己的簇首节点改变为继任者的ID值,而簇外成员则简单丢弃该消息。
(3)原簇首替自己的继任者建立一张时间调度表。在退避机制中,簇首给出了一张与LEACH形式相似的调度表,不同的是,它在原先为继任者分配的时隙中放入自己的ID,然后将这张调度表同样地以ADV-SCH消息发出,继任者在收到这张表时,已经知道在某一时刻将接收到来自哪个节点的数据,而其他节点则不受任何干扰的在自己的时隙内进行数据的采集和发送。
2.2 基于退避机制的算法分析
该算法有如下特性:
(1)算法是完全分布式的,节点无须得知全网的拓扑信息,完全依赖本地信息就可以互相协同工作。
(2)算法的消息复杂度是O(1)的,因为簇首在进行退避时只多发送了一次消息,属于常数级别数目。
(3)算法能够提高全网的数据传输吞吐量,因为退避选举出来的簇首能够保证充足的能量完成数据融合和转发,这就避免出现成员因为簇首的死亡而不得不直接与SINK通信的后果,提高了传输的可靠性和吞吐量。
(4)算法能够达到时间同步的要求,假设出现如下情况:分簇过程完成过后某些簇进行了退避,而某些簇直接开始传输数据,这样就产生了各簇形成时间不一致,下面来分析时间误差情况:退避机制中首先进行替代者的筛选过程,由于只需进行几十个能量值的比较,对于现在的微处理器而言,这一步几乎不占时间,误差主要集中在广播继任者ID的CHANGE-CH消息及响应的时延上,设普通簇形成阶段的总耗时为τ,簇稳定阶段的时间为ω,而退避机制使得某些簇的形成时间延长至τ′,那么对于每一轮来说,相对时间误差为
在不退避时,簇首和成员之间要进行三次消息的沟通,退避机制使得消息总数增加到四次,设一次消息传递的平均时延为簇内消息处理耗时为θ,
于是
(当θ→时等号成立)
通常为了节省能量,簇形成阶段远小于簇稳定阶段,一般取ω/τ≥50,因此,这对于一般的同步需求是完全可以满足的,而对于要求极高的情况下,也可以通过设置未退避簇首节点延时一定的时间来达到精确同步。
(5)关于能量门限值Eth的设定,如果该值设定的过大,那么将会在节点完全具有完备性的时候消耗不必要的资源进行退避,如果设定的过小,那么就起不到均衡网络的目的,为了探索能量门限Eth与节点初始能量E的关系,引入因子β,Eth=βE。在分簇算法中,簇首通常占全部节点的5%,那么每个簇的成员个数期望值为20,簇首要与每个成员联络,还要进行数据融合,而其他节点在发送数据完毕后就消耗睡眠能量,簇首与成员的能量消耗比约为20∶1,门限的设定要保证高于门限值的节点在当选为簇首后仍然可以有若干次作为成员所需的能量,因此,若当选一次簇首的能量消耗期望值为e的话,则Eth=(1+0.05n)e,再假设节点持续进行信号收发并进行数据时(即节点总是当选簇首),该簇首的初始能量E能够维持p轮,即E=pe,则
3 仿真实验
通过仿真工具NS2比较本文算法和LEACH,实验模型由100个节点组成,它们随机均匀分布在(x=0,y=0)至(x=100,y=100)的正方形区域内,每个节点的初始能量为E=2J,无线覆盖半径为25m,SINK节点位于(50,175)的位置。为了分析系统的能耗,引入一种简单的无线信道模型,每20s重新进行一轮簇首选举,由于2J的能量大约可以提供节点连续工作10轮,即p=10,再令n=20,则β=0.2,Eth=0.2E=0.4J,仿真采用Monte-Karlo统计实验取平均值的方法。
首先测试了网络的系统寿命如图所示定义为第一个因为电池耗尽而“死亡”的节点所经过的工作轮次R,由图2可见,与LEACH相比,本文算法明显的延长了系统寿命,如前所述,这是因为退避机制使那些原本过度担当簇首的节点找到代替者,而避免很快地死亡,使整个网络的寿命延长了百分之四十左右。
其次再比较一下该算法在数据吞吐量方面的性能,如图3所示,稳定工作时,每个成员节点收集信息生成一个原始的分组并向簇首发送,分组的长度设定为10kbits,簇首将簇内成员(包括自身)的所有分组融合封装成一个新的分组再传送给SINK,如果一个节点联系不到周围的簇首,它直接把分组传递给SINK。
最后再看一下退避机制中Eth门限因子的选择对于算法的影响,还是以网络寿命作为评价标准。可知,当门限为零时,退避机制退化为LEACH,而当门限值过高时,节点将花费大量无必要的能量在改选簇首上理论和仿真如图所示当时算法将获得比较好的性能。
4 结束语
尽管LEACH算法是一种比较高效节能的网络分簇算法,但是美中不足的是它随机选举簇首的方式破坏了网络的负载均衡性,导致网络寿命的缩短和传输吞吐量的降低,而通过一种退避机制的实现,解决了节点能耗分布不均的这一难题,并且由于设置了能量门限值,因此在刚开始各节点能量充沛的时候,算法并不消耗任何额外的能量,而在后期各节点的能量已经趋于不均衡的时候,该算法体现出了它自适应调整簇首,调节节点负荷,延长网络平均寿命的能力
参考文献
[1]Akyildiz I F,Su W,Sankarasubramaniam Y.A survey on sensor net-works[J].IEEE Communications Magazine,2002,8(2):102-114.
[2]孙利民,李建中,陈渝,等.无线传感器网络[M].北京:清华大学出版社,2005.
[3]Heinzelman W R,Chandrakasan A,Balakrishnan H.Energy-EfficientCommunication Protocol for Wireless Microsensor Networks[C]//Pro-ceddings of IEEE HICSS,January 2000:10-11.
[4]Wendi B Heinzelman,Anantha P Chandrakasan,Hari Balakrishnan.An Application-Specific Protocol Architecture for Wireless MicrosensorNetworks[J].IEEE Transactons On Wireless Commucations,October2002,1(4):660-670.
[5]LIANG YING,YU Haibin.Energy Adaptive Cluster-Head Selection forWireless Sensor Networks[C]//Proceedings of the Sixth InternationalConference on Parallel and Distributed Computing,Applications andTechnologies,IEEE,2005:634-638.
[6]Jian Zhang,Benxiong Huang,Lai Tu,et al.A Cluster-Based Energy-Efficient Scheme for Sensor Networks[C]//Proceedings of the Sixth In-ternational Conference on Parallel and Distributed Computing,Applica-tions and Technologies,IEEE,2005:191-195.
[7]梁英,曾鹏,于海斌.无线传感器网络中一种能量自适应的簇首选择机制[J].信息与控制,2006,35(2).
自适应退避算法 篇2
在噪声消除系统中,若观测噪声为有色噪声,则基于最小二乘准则(LS),提出了两段RLS-RELS算法,这是一种改进的.递推增广最小二乘法,该自适应算法能显著减小噪声的影响,提高信号质量.并在此基础上提出了计算噪声方差的估值方法.计算机数值仿真例子和信噪比的计算比较证明了算法的正确性和有效性.
作 者：许鹏 窦寅丰 XU Peng DOU Yin-feng 作者单位：许鹏,XU Peng(暨南大学珠海学院计算机系,珠海,519070)
窦寅丰,DOU Yin-feng(黑龙江大学电子工程,哈尔滨,150080)
自适应退避算法 篇3
关键词：农业图像； 滤波增强；非下采样轮廓波变换；离散小波变换；阈值函数模型
中图分类号：TP391.41；S126 文献标志码： A文章编号：1002-1302（2015）09-0448-02
农业图像由于受到复杂的成像环境、成像设备自身缺陷等因素的影响，导致图像中含有一定程度的噪声并且对比度不高，影响了图像的使用。对于该类图像的处理，主要思路有：（1）去噪。采用去噪算法在空间域或者变换域滤除图像中的噪声，如中值滤波[1]、非局部均值滤波[2]、非下采样轮廓波变换（NSCT）[3]、离散小波变换（DWT）[4]等，该类算法在滤除噪声的同时，较少地顾及改善图像的对比度，提高滤波后图像的视觉效果。（2）增强。采用如直方图均衡化[5]、模糊增强[6]等方法改善图像的对比度，突出图像中感兴趣的目标信息，但该类方法很难滤除图像中的噪声，且容易在增强图像的同时放大噪声。农业图像作为一种细节信息较为丰富的图像，对其进行处理，应当有效兼顾滤波和增强这2个环节。因此，结合非下采样轮廓波变换（NSCT）和离散小波变换（DWT），通过对农业噪声图像进行NSCT分解与重构，实现背景图像和细节图像的有效分离，在此基础上，对2者分别进行模糊增强和小波去噪，将处理后的2类图像进行叠加，获得去噪后的农业图像。
1算法基本原理
相对于DWT来说，NSCT在对农业噪声图像分解过程中，能更为有效地捕捉到图像中的线、面等信息，能够实现对图像更为稀疏的表达，但具有相当大的数据冗余度。DWT对于刻画图像中点奇信息是十分有效的，能从水平、垂直、对角等3个方向来刻画图像中的高频信息，尽管其对图像的稀疏性表达能力略逊于NSCT，但具有较小的数据冗余度。因此，构建了NSCT-DWT图像分析框架，通过对农业图像进行NSCT变换和逆变换，获得背景图像和细节图像；然后对细节图像采用DWT进行进一步分析。
1.1背景图像自适应模糊增强
为了更为有效地突显农业图像中的细节信息（如植物的根茎叶边缘等信息），对Pal-King算法[6]中的模糊隶属度映射函数进行改进，改进后的函数模型定义为：
式中：f′（x，y）为公式（1）中像素点灰度值f（x，y）模糊增强后的结果；T-1（）为模糊逆变换计算函数。
1.2细节图像自适应小波去噪
关于小波阈值函数模型，学者们提出一些改进型的模型[7-10]，该类函数去噪模型尽管取得了一些效果，但不足之处在于：（1）自适应不强。函数模型中加入了调节参数，该类参数的取值只能经过反复试验获得，并且对于一类图像甚至是一幅图像来说，如此取值可以满足去噪要求，但对于其余类型图像，则需要重新确定参数值。（2）耗时较大。相当一部分去噪模型中融入了诸如指数、对数之类的非线性函数，在逐步提高函数整体去噪效果的同时，去噪过程的耗时也急剧增大。因此，本研究提出了如下函数模型：
0|w|≤t1。（12）
1.3算法实现步骤
步骤1：对农业噪声图像进行NSCT多尺度分解，得到1幅低频图像和1幅带通图像；低频图像主要包含了农业图像中背景信息，带通图像则包含了农业图像中图像轮廓边缘等细节信息以及绝大多数的噪声信息。
步骤2：对步骤1中获得的带通图像采用一种非下采样多方向滤波器进行多方向分解，获得代表各个方向上的农业像高频信息的方向带通图像序列。
步骤3：对步骤1中的低频图像继续执行步骤1和步骤2，完成对图像更为细致的分解。
步骤4：对上述低频图像和带通图像分别进行NSCT系数重构，获得空间域中的背景图像和细节图像。
步骤5：分别对背景图像和细节图像进行自适应增强和滤波处理，得到处理后的背景图像和细节图像。
步骤6：对经过步骤5处理后的背景图像和细节图像进行叠加，得到最终处理后的农业图像。
2试验测试
借助MATLAB语言对本算法进行编程，采用1幅水果图像对本算法去噪能力进行测验，引入文献[8]和文献[10]中的小波阈值去噪算法与本算法进行对比（分别记为算法1、算法2、算法3），试验结果如图1所示。采用峰值信噪比（peak signal to noise ratio，PSNR）[11]、平均结构相似度算子（means structural similarity，MSSIM）[12]以及算法耗时对上述试验结果进行客观评价，结果见表1。
表1试验结果的定量评价
噪声方差PSNR（dB）算法1算法2算法3MSSIM算法1算法2算法3算法耗时（s）算法1算法2算法3525.35125.60826.1880.7010.7760.8343.4746.1924.8231022.30924.88525.5520.6550.7350.7683.6196.7035.0021520.02823.61225.1730.6020.6840.7363.9276.8915.202
就图像清晰度而言，图1-d稍优于图1-c这，因为算法2中通过将所有的图像小波分解系数分成3类，对于每一类的小波分解系数设置不同的计算方式进行处理，相对于算法1而言，能够更为精细地去除残留在小波系数中的噪声信息，但该算法的计算复杂度明显高于算法1。而图1-d的清晰程度明显优于图1-b和图1-c，主要体现在：（1）图1-d背景中的噪声点基本不存在，而图1-b和图1-c的背景中仍然存在不同程度的噪声，该类噪声的存在影响对图中枇杷果实信息的准确识别；（2）图1-d中枇杷果实轮廓基本从噪声信息中恢复出来，并且图像的对比度比图1-a有了明显提高。
当图像中的高斯白噪声方差为5时，3种算法的PSNR和MSSIM指标值相差不大。当噪声方差达到15时，本算法的PSNR值高于其他2种算法，分别比算法2高1.561 dB比算法1高5.145 dB；本算法的MSSIM值高于其他2种算法，分别比算法2高0.052、比算法1高0.134。对于含有3种不同方差高斯白噪声的农业图像去噪耗时来说，本研究算法相对于文献[12]中的小波阈值去噪算法而言，仍有一定的优势。
3结束语
结合NSCT和DWT，提出了1种农业图像滤波增强算法。通过对含有不同方差高斯白噪声的农业图像进行试验，主观分析结果，PSNR、MSSIM以及算法执行时间等指标定性、定量证明了本研究算法的有效性。
参考文献：
[1]周仕友. 一种结合小波变换的豆类图像增强算法[J]. 江苏农业科学，2014，42（7）：433-435.
[2]陈明举. 基于统计特性的非局部均值去噪算法[J]. 液晶与显示，2014，29（3）：450-454.
[3]韩伟，刘强. 一种 NSCT 域改进阈值函数的杂草图像去噪方法[J]. 江苏农业科学，2013，41（11）：151-153.
[4]Luo F，Wu S J，Jiao L C，et al. Asic design of adaptive threshold denoise DWT chip[J]. Journal of Electronics，2002，19（1）：1-7.
[5]赵吉文，魏正翠，汪洋，等. 基于灰度带比例的优质西瓜子识别算法研究与实现[J]. 农业工程学报，2011，27（4）：340-344.
[6]Pal S K，King R A. One edge detection of X-ray images using fuzzy sets[J]. IEEE Trans，1983，5（1）：69-77.
[7]李雷，魏连鑫. 自适应小波阈值函数的指纹图像去噪[J]. 上海理工大学学报，2014，36（2）：154-157，162.
[8]黄玉昌，侯德文. 基于改进小波阈值函数的指纹图像去噪[J]. 计算机工程与应用，2012，50（6）：179-181.
[9]王蓓，张根耀，李智，等. 基于新阈值函数的小波阈值去噪算法[J]. 计算机应用，2014，34（5）：1499-1502.
[10]王艺龙，杨守志. 基于连续阈值函数的小波去噪方法[J]. 汕头大学学报：自然科学版，2013，28（4）：66-74.
[11]杨福增，田艳娜，杨亮亮，等. 基于杂交小波变换的农产品图像去噪算法[J]. 农业工程学报，2011，27（3）：172-178.
自适应退避算法 篇4
关键词：VANET,IEEE802.11DCF,退避算法,网络拥塞
1 引言
VANET是一种基于车-车之间的以及车-路之间的无线通信的自组网络,它能够为用户提供信息交换及应用服务。美国电机电子工程师协会于2009年推出了专门用于汽车通信的802.11p标准,并规定其MAC层使用IEEE802.11DCF技术。文献显示,如果在碰撞前0.5秒的时候,给司机提供一个预警,百分之六十的事故是可以避免的。而MAC层的退避算法的优劣直接影响了传输的延时,因此好的退避算法对于提高道路交通安全至关重要,对于退避算法的研究主要集中在退避时间的制定。
本文通过分析已有的典型退避算法,提出了一种新的自适应退避算法。根据节点间数据帧、RTS、CTS发送与接收失败次数和以及节点的等待队列长度来共同估算此节点处的网络拥塞系数,以此为依据判断网络在此节点的拥塞程度,进而自适应的确定节点的退避时间,也就决定了节点抢占信道的能力。
2 相关工作
BEB退避算法是IEEE802.11协议中采用的退避机制。当前的研究虽然有很多优秀的退避算法,但这些MAC退避算法在竞争信道冲突后采用固定的退避因子来选取退避窗口,并不适合多跳无线网络环境。因此节点能够自主的选择合适的退避因子对于设计多跳无线网络MAC退避算法有重要意义。
3 新的自适应退避算法
本文主要从发送节点的角度来考虑网络的拥塞情况,由接收端控制发送端是最普遍的一种方法。通过统计,我们可以得到节点在传输中RTS、CTS、数据帧因冲突或者链路断开重发的次数,它们分别记为RR、RC、RS。这些数据越大说明发送节点与周围节点冲突越严重,也就是此节点的拥塞程度越大。设定RR、RC、RS的最大值分别为RRth、RCth、RSth,拥塞因子分别为a,b,c,使用加权平均法算出整体重传次数(拥塞因子)
其中,a,b,c>=0且a+b+c=1。
假设Rth为拥塞临界点,其中a,b,c以及Rth的值要经过仿真得到。
具体算法如下:
无冲突时
(2)发生冲突时
If (!((RR<=RRth)&&(RC<=RCth)&&(RS<=RSth)))
丢弃数据
Else
当0<RT≤Rth时,判定网络处于轻度拥塞状态,退避计数器的值为。当节点的CW满大于CWmin,则变化之后CW的值为,满足此条件时,本文算法CW的变化率小于BEB;同理可知,当RT>Rth时,判定网络处于严重拥塞,在条件下,本文算法CW的变化率小于BEB。其它情况下,此算法等同于BEB。由此可见,整体看来,此算法中节点的退避时间的变化程度小于BEB,,不仅提高了公平性,有利于缓解拥塞,特别对于多跳的车载自组网来说,此算法使各车辆的信道使用率得到了保证,提高了信道使用的公平性。
4 仿真与分析
4.1 仿真场景及参数设置
通过多次仿真测试,得出如下设置参数效果最好。
本文设置在1OKM×1OKM的范围,随机布置30个移动节点,移动速度在[2,10]m/s之间,仿真时间为1小时,节点在仿真开始100S后开始产生业务,包产生间隔为1秒,通信范围为300m。仿真大数据量业务和小数据量业务,两次节点的发送数据包的大小分别设为4K和4byte,数据可以分段传输,数据分段界限为1024bit,仿真中不特意制定接受节点。
4.2 仿真结果和分析
在仿真中,我们从信道接入时延、吞吐量这两个方面进行分析。图中绿线为BEB算法,红色为MACAW算法,蓝线为本文提出的新算法。
图1,图2分别是大业务量(4K)和小数据量(4byte)情况下的仿真结果。信道接入时延图横坐标为仿真时间,纵坐标为延时(s)。吞吐量图横坐标为仿真时间,纵坐标为网络每秒数据通信量(bit/s)。由图1(a)和1(b)可以看出,在大业务量时,由于传输业务量大,传输时间长,产生的冲突多,此时本文所提算法缩短了退避时间,大幅提高了节点间竞争信道的公平性,信道利用率提高,网络吞吐量也升高,因此性能明显优于BEB和MACAW算法。而从图2 (a)也不难发现,在小业务量时,由于冲突相对较少,没有发挥出新算法的优势,所以此时信道接入延时性能接近BEB和MACAW,图2 (b)中新算法的吞吐量虽然在前段时间优于BEB和MACAW,但随着仿真的深入,冲突的加剧,新算法的吞吐量逐渐向BEB和MACAW接近,并在仿真中期跟后期分别低于了BEB跟MACAW。
5 总结
本文分析了MAC层竞争对拥塞的影响,首次提出了一种从发送节点的角度决定退避窗口大小的自适应退避算法。仿真结果表明,此算法在大业务传输时有效的提高了系统的饱和吞吐量,并减小了信道接入延迟,在MAC层实现了简单的拥塞控制。
参考文献
[1]奎晓燕,杜华坤.CIMLD:多跳Ad Hoc网络中一种自适应的MAC退避算法[J].小型微型计算机系统.2009(04).
[2]黎宁,韩露.无线自组织网络退避算法综述[J].计算机应用,2009(04).
[3]秦耀文.AdHoc网络中MAC层协议的研究与改进[D].中南大学,2007.
[4]冯振华.短距离随机接入算法研究[D].华南理工大学,2012.
自适应退避算法 篇5
针对GPS/DR组合导航Kalman滤波的异常扰动影响问题,引入了自适应滤波算法.给出了由预测残差确定自适应因子的过程.利用实测数据进行验证,结果表明无论是单因子自适应滤波还是多因子自适应滤波都能够很好地控制状态异常对滤波估值的影响,滤波精度均优于标准Kalman滤波导航解;而且因为多因子自适应滤波避免损失可靠的状态参数信息,较单因子自适应滤波,精度又有明显提高.
作 者：吴富梅 杨元喜 田育民 WU Fu-mei YANG Yuan-xi TIAN Yu-min 作者单位：吴富梅,WU Fu-mei(信息工程大学,测绘学院,河南,郑州,450052;西安测绘研究所,陕西,西安,710054)
杨元喜,田育民,YANG Yuan-xi,TIAN Yu-min(西安测绘研究所,陕西,西安,710054)