基于ARIMA-ANN预测模型的能量感知路由算法

ＣＮ　４３－１２５８／ＴＰ　计算机工程与科学　第３７卷第６期２０１５年６月　ＩＳＳＮ　１００７—１３ＯＸ　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ＆Ｓｃｉｅｎｃｅ　Ｖｏ１．３７。Ｎｏ．６。Ｊｕｎ．２０１５　文章编号：１００７—１３ＯＸ（２Ｏ１５）０６—１０６４—０７　基于ＡＲＩＭＡ－ＡＮＮ预测模型的能量感知路由算法　蔡　钊，马林华，宋　博，唐　红　（空军工程大学航空航天工程学院　，陕西西安７１００３８）　摘要：针对传统能量感知ＯＬＳＲ协议在减少传输功率消耗和均衡节点剩余能量之间不能兼顾的特　点，提出了一种新型的基于剩余能量比例和传输功率消耗的ＯＬＳＲ路由协议ＯＬＳＲ　ＲＣ，它利用上述两方　面的指标构造复合能量开销，并将其作为路由选择的度量值。在减小网络开销的同时，也防止了部分低电　量节点的能量被快速耗尽，延长了网络的生存周期。此外，新路由还采用ＡＲＩＭＡ—ＡＮＮ组合能量预测模　型对节点的剩余电量进行预测，降低了由于拓扑控制（ＴＣ）消息丢失对选择路由所造成的影响。这种新型　路由协议在无线传感器网络领域有比较广阔的应用前景。　关键词：ＯＬＳＲ路由；能量感知；复合能量开销；人工神经网络一自回归差分滑动平均组合模型　中图分类号：ＴＰ３９３　文献标志码：Ａ　ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００７—１３０Ｘ．２０１５．０６．００６　Ａｎ　ｅｎｅｒｇｙ－－ａｗａｒｅ　ｒｏｕｔｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ＡＲＩＭＡ－－ＡＮＮ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ＣＡＩ　Ｚｈａｏ，ＭＡ　Ｌｉｎ—ｈｕａ，ＳＯＮＧ　Ｂｏ，ＴＡＮＧ　Ｈｏｎｇ　（Ｃｏｌｌｅｇｅ　ｏｆ　Ａｅｒｏｎａｕｔｉｃｓ　ａｎｄ　Ａｓｔｒｏｎａｕｔｉｃｓ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ａｉｒ　Ｆｏｒｃｅ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ　７１００３８，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ　ａｔ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｔｈａｔ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ｅｎｅｒｇｙ—ａｗａｒｅ　ＯＬＳＲ　ｐｒｏｔｏｃｏｌ　ｃａｎｎｏｔ　ｒｅｄｕｃｅ　ｔｒａｎｓｍｉｓｓｉｏｎ　ｐｏｗｅｒ　ｃｏｎｓｕｍｐｔｉｏｎ　ａｎｄ　ｂａｌａｎｃｅ　ｔｈｅ　ｒｅｓｉｄｕａｌ　ｅｎｅｒｇｙ　ｂｅｔｗｅｅｎ　ｎｏｄｅｓ　ａｔ　ｔｈｅ　ｓａｍｅ　ｔｉｍｅ，ｗｅ　ｄｅ—　ｖｅｌｏｐ　ａ　ｎｅｗ　ｒｏｕｔｉｎｇ　ｐｒｏｔｏｃｏｌ　ｃａｌｌｅｄ　ＯＬＳＲ　ｒｏｕｔｉｎｇ　ｐｒｏｔｏｃｏｌ　ｂａｓｅｄ　ｏｎ　ｒｅｓｉｄｕａｌ　ｅｎｅｒｇｙ　ｒａｔｉｏ　ａｎｄ　ｔｒａｎｓｍｉｓ—　ｓｉｏｎ　ｐｏｗｅｒ　ｃｏｎｓｕｍｐｔｉｏｎ（ＯＬＳＲＲＣ）．Ａ　ｃｏｍｐｏｓｉｔｅ　ｅｎｅｒｇｙ　ｃｏｓｔ　ｉｎｖｏｌｖｉｎｇ　ｔｈｅ　ａｂｏｖｅ　ｔｗｏ　ｉｎｄｉｃａｔｏｒｓ　ｉｓ　—ｃｏｎｓｔｒｕｃｔｅｄ，ａｎｄ　ｉｓ　ｕｓｅｄ　ａｓ　ａ　ｒｏｕｔｉｎｇ　ｍｅｔｒｉｃ．Ｏｎ　ｏｎｅ　ｈａｎｄ，ｔｈｅ　ＯＬＳＲＲＣ　ｐｒｏｔｏｃｏｌ　ｒｅｄｕｃｅｓ　ｔｈｅ　ｔｏｔａｌ　—ｐｏｗｅｒ　ｃｏｎｓｕｍｐｔｉｏｎ　ｏｆ　ｔｈｅ　ｅｎｔｉｒｅ　ｎｅｔｗｏｒｋ．Ｏｎ　ｔｈｅ　ｏｔｈｅｒ　ｈａｎｄ，ｉｔ　ｐｒｅｖｅｎｔｓ　ｔｈｅ　ｅｎｅｒｇｙ　ｏｆ　ｔｈｅ　ｌｏｗ—ｅｎｅｒｇｙ　ｎｏｄｅｓ　ｆｒｏｍ　ｂｅｉｎｇ　ｄｅｐｌｅｔｅｄ　ｒａｐｉｄｌｙ．Ｉｎ　ａｄｄｉｔｉｏｎ，ｗｅ　ａｄｏｐｔ　ｔｈｅ　ｈｙｂｒｉｄ　ＡＲＩＭＡ－ＡＮＮ　ｍｏｄｅｌ　ｆｏｒ　ｆｏｒｅｃａｓｔｉｎｇ　ｒｅｓｉｄｕａｌ　ｅｎｅｒｇｙ　ｌｅｖｅｌ　ｏｆ　ｔｈｅ　ｎｏｄｅｓ，ｗｈｉｃｈ　ｃａｎ　ｒｅｄｕｃｅ　ｔｈｅ　ｉｎｆｌｕｅｎｃｅ　ｏｎ　ｒｏｕｔｅ　ｓｅｌｅｃｔｉｏｎ　ｃａｕｓｅｄ　ｂｙ　ｔｏｐｏｌｏｇｙ　ｃｏｎｔｒｏｌ（ＴＣ）ｍｅｓｓａｇｅ　ｌｏｓｓ．Ｔｈｅ　ｎｅｗ　ｒｏｕｔｉｎｇ　ｐｒｏｔｏｃｏｌ　ｈａｓ　ｗｉｄｅ　ａｐｐｌｉｃａｔｉｏｎ　ｐｒｏｓｐｅｃｔｓ　ｉｎ　ｗｉｒｅｌｅｓｓ　ｓｅｎｓｏｒ　ｎｅｔｗｏｒｋｓ．　Ｋｅｙ　ｗｏｒｄｓ：ＯＬＳＲ　ｒｏｕｔｉｎｇ；ｅｎｅｒｇｙ—ａｗａｒｅ；ｃｏｍｐｏｓｉｔｅ　ｅｎｅｒｇｙ　ｍｅｔｒｉｃｓ；ｈｙｂｒｉｄ　ＡＲＩＭＡ—ＡＮＮ　ｍｏｄｅｌ　引言　弥补了传统蜂窝系统和有线网络的种种不足。无　线传感器网络作为移动自组网中一种重要的情形，　移动自组网络ＭＡＮＥＴ（Ｍｏｂｉｌｅ　Ａｄ－ｈｏｃ　广泛地运用在军事、环境监测等领域。但在大部分　ＮＥＴｗｏｒｋｓ）是一种不依赖于固定基础设施的新型　应用场景中，无线传感器由能量有限的电源供电，　无线网络，网络中的节点既可以作为发送或接收终　且不易更换备用电池，故能量消耗成为制约其运行　端，也可以作为路由器转发数据包，具有高度的灵　的较大瓶颈，也成为无线传感器研究的一个热点。　活性和极强的抗毁性。此外，网络创建极为方便，　同时，在某些特定的领域，为了保证传感器共　＊　收稿日期：２Ｏｌ４—１Ｏ一１４；修回日期：２０１４—１２一Ｏ５　通信地址：７１００３８陕西省西安市空军工程大学航空航天工程学院　Ａｄｄｒｅｓｓ：Ｃｏｌｌｅｇｅ　ｏｆ　Ａｅｒｏｎａｕｔｉｃｓ　ａｎｄ　Ａｓｔｒｏｎａｕｔｉｃｓ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ａｉｒ　Ｆｏｒｃｅ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ　７１００３８・Ｓｈａａｎｘｉ，Ｐ．Ｒ．Ｃｈｉｎａ　蔡钊等：基于ＡＲ１ＭＡ—ＡＮＮ预测模型的能量感知路由算法　１Ｏ６５　享和分发数据的实时性，采用先应式路由有着极强　的必要性，因为可以减小路由发现时间并提高分组　交付率。优化链路状态路由ＯＬＳＲ（Ｏｐｔｉｍｉｚｅｄ　Ｌｉｎｋ　Ｓｔａｔｅ　Ｒｏｕｔｉｎｇ）作为移动自组网中一种重要　的先应式路由协议，在庞大且密集的网络中表现出　了良好的性能ｌ１］。但是，其需要所有节点定期地发　送ＴＣ消息和Ｈｅｌｌｏ消息，网络通信开销大大增　加。针对这种情况，人们提出了许多关于ＯＬＳＲ　路由的能量感知改进方法。例如：有结合最小跳数　和最大能量的路由［２］，有基于能耗均衡和距离因子　的分簇路由＿３］，不胜枚举。其中有两种经典的协　议：一种是最低能量路由ｌｌ４］，它选择传输数据包所　需能耗最小的路径；另一种是最大一最小路由路　径ｌ＿５］，它选择剩余能量最大的节点作为选择路径上　的节点。最低能量路由虽然节省了传输数据包的　基础能耗，但是会造成那些传输能耗较小的节点的　能量很快被耗尽，严重危害了网络的生存周期。而　最大一最小路由则有可能因为要避免使用最低能量　的节点，而使其周边多个低电量节点的能量快速耗　尽，造成严重的网络分区。为了能够尽可能延长网　络生存周期　］，我们将采取折衷的方式结合这两　种协议的优点。此外，在网络负载比较重的情况　下，ＯＬＳＲ协议的拓扑消息很容易由于冲突而丢　失，并且越是在传输ＴＣ消息的上游，影响越严重。　为了解决上述问题，本文做出以下两方面改　进：（１）在选择路由的时候，提出了一种基于传输功　率消耗和节点剩余电量比例的改进路由协议ＯＬ—　ＳＲＲＣ（ｏＬＳＲ　ｒｏｕｔｉｎｇ　ｐｒｏｔｏｃｏｌ　ｂａｓｅｄ　ｏｎ　Ｒｅｓｉｄｕ—　—ａｌ　ｅｎｅｒｇｙ　ｒａｔｉｏ　ａｎｄ　ｐｏｗｅｒ　Ｃｏｍｓｕｍｐｔｉｏｎ　ｆｏｒ　ｔｒａｎｓ—　ｍｉｓｓｉｏｎ），在降低网络开销的同时，均衡了节点间　的能量消耗，最大限度地延长了网络的生存周期；　（２）针对ＴＣ消息容易因为冲突而丢失，采用了自　回归差分滑动平均ＡＲＩＭＡ（Ａｕｔｏ　Ｒｅｇｒｅｓｓｉｖｅ　Ｉｎ—　ｔｅｇｒａｔｅｄ　Ｍｏｖｉｎｇ　Ａｖｅｒａｇｅ）模型和人工神经网络　ＡＮＮ（Ａｒｔｉｆｉｃｉａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）的组合算法ｌ８　］，　预测节点自身剩余能量，并广播出去，使其他节点　可以在没有收到最新拓扑消息的情况下，利用预测　值计算复合能量开销。　２复合能量开销的选取　在路由选径时，结合上述两种方法的优点，采　取一种折衷的方案：在移动自组网运行初期，选取　传输功率消耗最小的路径，减少整个网络的通信开　销；在网络运行的后期，随着节点间能量消耗率差　异的增大，在进行路由选择时优先选取剩余能量比　例较高的节点，保持整个网络在能量开销方面的均　衡，延长网络的生存周期。　在进行建模分析时，为简化模型做出两点基本　假设：（１）节点没有能量补给，且其始终处于数据包　发送、数据包接收和空闲这三种典型的能量消耗模　式之中；（２）每个节点都有其固定的传输范围。基　于以上假设，本文设计了进行路由决策的目标函数　Ｗ　（　），见式（１）。在路由决策时，选择目标函数值　最小的路径。　Ｒ（￡）＝＝：∑ｗＤ一　（　）　（１）　ｉＥＲ　ＷＲ　（￡）一Ｐ　＋Ｋｌ（Ｅ　一Ｒ　（￡））／　Ｅ　＋Ｋ　（Ｅ　一Ｒ　（￡））／Ｅ…　（２）　其中，Ｒ代表由源节点到目的节点的一条路径，　Ｗ　（￡）为ｔ时刻路由Ｒ的目标函数取值；Ｗ　（　）　为ｔ时刻路由Ｒ上节点ｉ的目标函数取值，它由传　输功率消耗部分和节点剩余能量部分构成。在自　组网运行初期，节点剩余能量部分相差无几，传输　功率消耗对路由选径影响比较大；在运行后期，剩　余能量比例差距不断增大，逐渐成为路由选择的首　要因素。其中，Ｐ　是传输功率消耗部分，代表节　点ｉ传输单位长度的数据报文所需的能耗。公式　（２）后两项是剩余能量部分，前者与各个节点的剩　余能量比例有关，体现出节点间能量消耗比例的差　异，防止部分节点过早耗尽能量；后者与每个节点　的绝对能量消耗有关，可以体现出自组网运行期间　各节点的负载情况。通常能耗大说明其在自组网　运行中承担了更多的中继任务，属于关键节点，我　们需要尽量延长他们的生存周期。但是，值得注意　的是，这两者的作用是相互冲突的，应将次要考虑　因素（第三项）所占比重减小。Ｋ　、Ｋ：是比例系　数，更改这两个参数可以调节剩余能量部分的总大　小及式（２）后两项各自所占的比例。在本文中将　Ｋ　设置为２，Ｋ２设置为０．２。Ｅ　代表节点ｉ的　初始能量，Ｅ…则表示网络中异构节点的最大初　始能量，它作为式（２）中第三项的分母主要是为了　进行归一化。Ｒ　（　）为ｔ时刻节点ｉ的预计剩余能　量，其取值可以通过后面所提出的组合预测算法得　出。发射功率Ｐ　的设置可以参照式（３）：　、２　Ｐ　ｒ—Ｐｔ十ｌＯｌｇ［雨　］（３）　其中Ｐ　、Ｐ　分别为发射功率和接收功率（单位为　ｄＢ），ｄ、　分别为传输距离和波长（单位为ｍ），Ｌ　是传输损耗。在工程实现和仿真中，我们所设置的　发射功率，要保证在其通信范围内所有节点所接收　１０６６　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ＆Ｓｃｉｅｎｃｅ计算机工程与科学２０１５，３７（６）　的信号功率不小于其接收灵敏度Ａ　，即：　Ｐ　≥Ａ－－１０１ｇ［雨　］（４）　３　ＡＲＩＭＡ－ＡＮＮ组合能量预测模型　在传感器节点运行期间，由于其受众多因素的　影响，故能量开销的变化规律既不是平稳过程，也　不是纯线性或者非线性过程［１　。简单的统计预测　方法，如滑动平均和指数平滑，都不能很好地刻画　这一过程。鉴于ＡＲＩＭＡ模型对序列具有良好的　线性处理能力，ＡＮＮ模型具有较强的学习和处理　能力，对序列背后的非线性部分有极强的挖掘能　力。故在实际应用中，我们将两者结合起来，构建　了一种基于ＡＲＩＭＡ模型和ＡＮＮ模型的组合预　测模型。通过使用这两个模型分别对时间序列的　线性及非线性部分建模，更加准确地描述了能量开　销时间序列的复杂结构，并根据递推公式计算出了　节点剩余能量。　３．１　基于ＡＲＩＭＡ模型的能量预测算法　由于传感器网络能量开销是非平稳序列，不满　足ＡＲＭＡ模型对时间序列的平稳要求，必须对其　进行差分，故本文采用ＡＲＩＭＡ模型ｌ１妇捕捉能量　开销中的线性特征。ＡＲＩＭＡ模型是一种处理信　号序列的参数化分析方法，模型表达式如下：　Ｐ　ｑ　（１一　百’　Ｌｔ）（１一Ｌ）　ｘ，一（１一∑　Ｌ　）ｅ　（５）　其中，Ｘ　、仍、０　、ｅ　分别表示第ｉ个时间步长内的时　间序列取值、自回归项系数、滑动平均项系数以及　白噪声（零均值平稳随机信号）。Ｌ为滞后算子，即　Ｌ　Ｘ　一Ｘ　。Ｐ是自回归阶数，ｑ是滑动平均阶数，　ｄ是将这个序列差分成平稳序列所需的差分次数，　通常情况下差分不超过两次。　求解ＡＲＩＭＡ模型时，首先对ＡＲＩＭＡ模型进　行ｄ次差分，将其转化为ＡＲＭＡ（自回归滑动平　均）模型，然后根据自相关图和偏自相关图确定　Ｐ、ｑ的初步范围，最后再采用最小信息准则和相　似性准则具体确定模型的最佳阶数。在获悉模型　阶数的基础上，通过均方误差方法或最大似然方法　对自回归项系数和滑动平均项系数进行估值。在　得出全部参数后，利用此前多个拓扑周期内的实测　值，采用递归的方式对能量开销时间序列取值进行　预测，见式（６）：　（ｚ）一∑　（ｚ—　）＋ｅｆ＋ｆ一∑　￡　（６）　ｉ一１　Ｊ＝１　其中，　（ｚ）表示第ｔ＋ｚ个拓扑周期内能量开销时　间序列的预测值，　（ｚ一　）则是第ｔ＋ｚ—　个拓扑　周期内时间序列的取值，其既可为预测值，也可为　实测值。ｅ件　一，表示白噪声，在ｚ≤Ｊ时设为０，在　Ｚ＞Ｊ时用公式（７）计算。　ｒ０，愚＜Ｐ＋ｄ＋１　￡　ｑ　ｄ　【∑　￡　＋ｘ　～∑　Ｘ卜　，是≥Ｐ＋ｄ＋１　（７）　３．２基于ＡＮＮ模型的能量预测算法　由于无线传感器网络在运行中除了周期性地　交互数据，还需要快速分发重要的临时性数据，且　有许多意外情况会影响其能量消耗，故其能量开销　序列存在非线性波动。只运用ＡＲＩＭＡ模型不能　很好地表现其非线性特征，因此我们采用人工神经　网络模型对实际值与预测值间的差值进行优化，尽　可能准确描述能量开销时间序列的复合特征。　人工神经网络是根据实际输出与网络输出差　异最小化的原则，不断修正神经元连接权值和阈值　的智能算法［１　］，其组成框图如图１所示。网络　的输入共分为两部分，包括外部输入量和输出量延　迟序列。在正向传播过程中，这些输入信息经过隐　含层处理后经过加权汇集到输出层上，如果网络层　不能得到与预期相符的输出，则其与实测值之间的　差值将会沿原来通路进行反向传播，用来调整神经　元连接权值的大小，以减小误差。如此反复调整，　直到预测误差小于限定阈值。在仿真中，为降低计　算的复杂度，我们所建立的ＡＮＮ模型中隐含层只　进行一步处理，表达式为：　１ｌ　一口０＋　０ｔｊ×　Ｊ＋￡　（８）　＿ｚ　一　（∑Ｗ　ｉ－二１　＋∑叫　＝　１　＋ｄ　）　（９）　其中，　表示人工神经网络输出量，　，代表隐含层　第Ｊ个节点处理后的输出，　，表示从．ｚ　到输出的　权值，ｅ　则为随机误差项。ｑ是隐含层节点个数。　Ｉ　、　分别代表ｔ时刻第ｋ个外部输入量取值和￡一　ｉ时刻输出序列的取值，Ｗ　表示由第ｉ个输入变量　到３７，的权值，Ｐ是输入反馈延时步数，　是隐含层　传递函数。本文中取ｑ为５０，Ｐ为３０，　（ｚ）一　１／（１＋ｅ－　）。　无线传感器运行期问，网络的拓扑结构和部分　链路的状态会发生一定程度的改变，这些变化都会　蔡　钊等：基于ＡＲＩＭＡ—ＡＮＮ预测模型的能量感知路由算法　１０６７　输入层　：　隐含层　　：输出层　Ｆｉｇｕｒｅ　１　Ｓｔｒｕｃｔｕｒｅ　ｍｏｄｅｌ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　图１　人工神经网络结构图　极大影响节点的能量消耗，使能量开销时间序列的　取值出现较大的波动。为此，本文设计了四个外部　输入量，通过定量描述每个节点周边链路及拓扑结　构的变化，尽可能准确预测能量开销序列的取值。　在实际运用中，我们需要通过Ｈｅｌｌｏ消息中Ｌｉｎｋ　Ｃｏｄｅ字段来感知变化，并将新增或减少的对称邻　居节点或ＭＰＲ选择节点个数送入对应的外部输　入端口，将其融入能量开销的预测中。其中节点变　化状况与外部输入端口的对应情况参见表１。　Ｔａｂｌｅ　１　ＣＯｒｒｅｓｐｏｎｄｉｎｇ　ｒｅｌａｔｉｏｎ　ｔａｂｌｅ　ｏｆ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ｏｆ　ｓｔａｔｅ　ａｎｄ　ｅｘｔｅｒｉｏｒ　ｉｎｐｕｔ　ｐｏｒｔ　表１　节点变化状态与外部输入端口对照表　节点变化状况　八Ｌｌ　节点的ＭＰＲ选择节点新增ｎ个　节点的ＭＰＲ选择节点减少ｂ个　节点的一跳对称节点（非ＭＰＲ选择节点）新增Ｃ个　节点的一跳对称节点（非ＭＰＲ选择节点）减少ｄ个　当列表中的某种情况发生时，外部输入端口　（　～Ｉ　）的输人相应置为　、ｂ、ｒ、ｄ。对应的神经元　连接权值通过实测值与网络输出差值的最小化准　则来进行修正。通过多次反向传输过程来调整神　经元连接权值，最终使输出误差小于限定阈值，得　出模型具体参数。　３．３组合能量预测算法设计　组合模型建模共分三步，首先利用ＡＲＩＭＡ模　型对时间序列的线性部分进行建模预测，将这个取　值与后续收到的实测值做差，得到时间序列的非线　性特性。之后，利用人工神经网络通过不断修正神　经元连接权值和阈值来近似描述出非线性残差并　进行预测，并将两部分预测结果求和，得到未来多　个拓扑周期内节点能量开销的预测值。最后将节　点开销的预测值代人公式（１０）通过递推得到节点　剩余能量的预测值。　尺　（　）一Ｒ　（ｔ一１）一Ｅ　（ｔ）　（１０）　其中，Ｅ　（ｆ）、Ｒ　（￡）分别表示节点ｉ在第ｔ个拓扑　周期内的能量开销预测值和第ｔ个拓扑周期末端　的剩余能量预测值。组合预测模型定期或者在预　测误差超过阈值时重新进行拟合。　４　ＯＬＳＲ—ＲＣ路由协议设计　４．１　ＯＬＳＲ—ＲＣ路由组成框图　在ＯＬＳＲ—ＲＣ路由中增添了复合能量开销的　计算，并引入了能量预测的机制，故与传统的ＯＬ—　ＳＲ协议相比，增添了三个比较重要的模块：ＡＲＩ—　ＭＡ—ＡＮＮ的组合预测模块、复合能量开销管理模　块以及路由表计算模块，他们之间的关系如图２所　示。　本地节点初始能量　本地节点能量开销实测值　和传输功率消耗　ＡＲＩＭＡ和ＡＮＮ组合模型预测模块　画　＿］—　发送ＴＣ消息　路由表计算模块ｆ　接收其他节点Ｔｃ消息　墨全！！墨　竺　堡ｌ墨全堕量　塑　竺　复合能量开销管理模块　Ｆｉｇｕｒｅ　２　Ｒｅｌａｔｉｏｎｓｈｉｐ　ａｍｏｎｇ　ｔｈｅ　ｖａｒｉｏｕｓ　ｍｏｄｕｌｅｓ　ｉｎ　ＯＩ　ＳＲＲＣ　ｐｒｏｔｏｃｏｌ　图２　ＯＬＳＲＲＣ协议各处理模块关系　ＯＬＳＲ—ＲＣ路由运行时，首先由ＭＡＣ层统计　本节点包括数据包传输功率消耗、初始能量和当前　电量在内的三个数据，将三个数据通过ＴＣ消息共　享给其他节点，并将第三个数据传给ＡＲＩＭＡ—　ＡＮＮ的组合预钡４模块进行定期拟合。模型预测　出本节点剩余能量，并量化到１至２５５的整数上。　这个数一方面通过ＴＣ消息共享给其他节点，另一　方面保存到复合能量开销管理模块。复合能量开　销管理模块利用接收到的其他节点的初始能量、当　前能量（没有最新的ＴＣ消息时使用之前收到的剩　余能量预测值）及传输功率消耗，进行复合能量开　销计算，并对复合能量开销存储模块中的数据进行　更新。同时，复合能量开销管理模块判断实测值与　先前预测值之间的误差是否超过阈值，来决定将计　算结果交给路由表计算模块后，需不需要通知组合　预测模型重新进行拟合。路由表计算模块对原有　的Ｄｉｊｓｋｔｒａ算法做出了修改，用复合能量开销取代　跳数，在选择路由时选取复合开销最小的路径。　１Ｏ６８　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　８Ｌ　Ｓｃｉｅｎｃｅ计算机工程与科学２０１５，３７（６）　４．２拓展ＴＣ消息格式　ＯＬＳＲ—所占的比例很小。同时，由于大多数控制消息的数　ＲＣ的ＴＣ消息只增加了源节点的初　据空间并没有被充分利用，故由于协议改进而新增　的发送消息量还要远低于１．５８　，改进路由的新　始能量、当前能量、剩余能量预测值及拓扑消息发　送时刻，共计八个字节，用于其他节点对复合能量　增协议开销可以近似忽略。　开销的计算，其格式见图３。　・一８ｂｉｔ＿＿－斗．卜＿８ｂｉｔ—，斗．｝＿８ｂｉｔ＿＿．斗．卜－８ｂＩｌ——　ＡＮＳＮ　Ｉ　ｔｒａｎｓｍｉＬｔｉｍｅ　Ａｄｖｅｒｔｉｓｅｄ　Ｎｅｉｇｈｂｏｒ　Ｍａｉｎ　Ａｄｄｒｅｓｓ　Ａｄｖｅｒｔｉｓｅｄ　Ｎｅｉｇｈｂｏｒ　Ｍａｉｎ　Ａｄｄｒｅｓｓ　Ａｄｖｅｒｔｉｓｅｄ　Ｎｅｉｇｈｂｏｒ　Ｍａｉｎ　Ａｄｄｒｅｓｓ　Ａｄｖｅｒｔｉｓｅｄ　Ｎｅｉｇｈｂｏｒ　Ｍａｉｎ　Ａｄｄｒｅｓｓ　ｉｎｉｔｉａｌ＿ｅｎｅｒｇｙ　ｌ　ｃｕｒｒｅｎｔ　Ｉ　ｐｏｗｅｒ＿ｃｏｓｔ　ｌ　ｐｒｅｄｉｃＬｌ　ｐｒｅｄｉｃｔ＿２　Ｉ　ｐｒｅｄｉｃＬ３　ｌ　ｐｒｅｄｉｃＬ４　ｌ　ｐｒｅｄｉｃｔ＿５　Ｆｉｇｕｒｅ　３　Ｅｘｔｅｎｄｅｄ　ｔｏｐｏｌｏｇｙ　ｃｏｎｔｒｏｌ　ｍｅｓｓａｇｅ　ｆｏｒｍａｔ　图３拓展的ＴＣ消息格式　其中，ｔｒａｎｓｍｉｔ—ｔｉｍｅ字段占用一个字节，存放在　ＴＣ消息的保留字段，用于消除传输中各种延迟所　带来的影响；ｉｎｉｔｉａｌ—ｅｎｅｒｇｙ为节点的初始能量；　ｐｏｗｅｒ—ｃｏｓｔ代表传输单位长度数据报文的能量消　耗；ｃｕｒｒｅｎｔ为拓扑消息发送时刻的剩余能量；ｐｒｅ—　ｄｉｃｔｉ是距发送时刻２　个拓扑间隔后的剩余能量　预测值，通过１～２５５的整数来表示其大小。通常　在没有收到ＭＰＲ选择节点最新发送的ＴＣ消息　时，使用预测值作为其当前的剩余能量。ｐｒｅｄｉｃｔ—ｉ－－　１与ｐｅｄｉｃｔ—ｉ的问隔为两个拓扑消息发送周期，故　一个ＴＣ消息可以预测未来５０　Ｓ的剩余能量，显著　降低由于拓扑消息丢失对路由发现的影响。　需要说明的是，新增的八个字节在发送消息中　所占的整体比例不大。假设节点Ａ的接口地址仅　有一个，对称节点数　为１０，ＭＰＲ节点数　为　４，链路码类型数，２　为４，ＴＣ和Ｈｅｌｌｏ消息发送间　隔采用默认值，则节点Ａ在一秒内的平均控制消　息发送量可由下式计算：　Ｗｌ　一ｎ　ｂ×（　ⅧＩ×ＬＮＩ＋ＬＭＨ＋　４ｎＩ　ｃ）／ｒＨ　ｌｌ。＋　ｐ　×（　ｐ　×４＋ＬＭＨ　４－ＬＴＨ）／ＴＴＣ　（１１）　其中，Ｌ　为Ｈｅｌｌｏ消息中的邻居节点接口地址，　Ｌ　为ＴＣ消息中的邻居节点主地址，ＬＭｎ为消息　头部长度，Ｌ　为ＴＣ消息头部长度，将全部参数　取值代人，可得Ｗ　＝４０４．８　ｂｙｔｅｓ／ｓ　新增ＴＣ控制消息数据量为：　Ｗ　ｄｄ一８×／／＇ｔｎｐｒ／ｒＴｃ一６．４　ｂｙｔｅｓ／ｓ　（１２）　新增数据量占总发送控制消息的比例为：　”一Ｗ　“／Ｗ１　一１．５８　（１３）　由上式可知，新增数据量在总发送控制消息中　５协议仿真性能分析　５．１仿真环境设置　本文利用ｎｓ２作为仿真测试平台，测试了网络　在不同流量负载、移动速度和拓扑结构的条件下，　节点的最低能量水平和平均剩余能量。表２定义　了仿真时的网络基础配置。仿真不同拓扑结构时，　同构网络设置５Ｏ个节点，功率配置参数按照表３　中的集合１，异构网络设置五个集合，每个集合包　含１Ｏ个节点，各集合的功率配置参数参照表３进　行设置。　Ｔａｂｌｅ　２　Ｂａｓｉｃ　ｎｅｔｗｏｒｋ　ｃｏｎｆｉｇｕｒａｔｉｏｎ　表２网络基础配置　仿真环境　参数或选项　区域大小　ｌ　０００　ｍ＊ｌ　０００　ｍ　节点总数　５０（每个集合均有ｌＯ个节点）　数据包大小　５１２　Ｂｙｔｅｓ　运动模型　Ｒａｎｄｏｍ　Ｔｒｉｐ　Ｍｏｂｉｌｉｔｙ　Ｍｏｄｅｌｓ　节点运动速度　２　ｍ／ｓ，５　ｍ／ｓ，１０　ｍ／ｓ。１５　ｍ／ｓ　数据包速率　４０　ｋｂｐｓ，５０　ｋｂｐｓ　仿真时间　６００　Ｔａｂｌｅ　３　Ｐｏｗｅｒ　ｃｏｎｓｕｍｐｔｉｏｎ　ｐａｒａｍｅｔｅｒｓ　ｏｆ　ｈｅｔｅｒｏｇｅｎｅｏｕｓ　ｎｏｄｅｓ　ｉｎ　ｎｅｔｗｏｒｋ　表３　网络中异构节点功率消耗参数　５．２仿真结果及分析　５．２．１　节点最低剩余能量比较　从图４～图７可以看出，不论是由同构节点还　是异构节点构成的网络，在不同节点运动速度和不　同数据传输速率的情况下，具有能量预测功能的　ＯＬＳＲ　ＲＣ协议中的节点最低能量均好于ＯＩ　ＳＲ　蔡钊等：基于ＡＲＩＭＡ—ＡＮＮ预测模型的能量感知路由算法　１０６９　协议的情况，并且随着节点运动速度加快和数据传　输速率提升，两种协议之间的差距会进一步增大。　实验结果表明，新路由避免了网络运行中对部分节　点的过度使用，有效均衡了网络负载。　穹　删　蛙　《　虹　Ｆｉｇｕｒｅ　４　Ｌｏｗｅｓｔ　ｅｎｅｒｇｙ　ｌｅｖｅｌ　ｏｆ　ｔｈｅ　ｈｅｔｅｒｏｇｅｎｅｏｕｓ　ｎｏｄｅｓ　ａｔ　ｔｈｅ　ｐａｃｋｅｔ　ｒａｔｅ　ｏｆ　４０　ｋｂｐｓ　图４　数据包速率为４０　ｋｂｐｓ时异构节点最低剩余能量　Ｆｉｇｕｒｅ　５　Ｌｏｗｅｓｔ　ｅｎｅｒｇｙ　ｌｅｖｅｌ　ｏｆ　ｔｈｅ　ｈｅｔｅｒｏｇｅｎｅｏｕｓ　ｎｏｄｅｓ　ａｔ　ｔｈｅ　ｐａｃｋｅｔ　ｒａｔｅ　ｏｆ　５０　ｋｂｐｓ　图５　数据包速率为５０　ｋｂｐｓ时异构节点最低剩余能量　卿　避　熏　邕　嘣　《　±　Ｆｉｇｕｒｅ　６　Ｌｏｗｅｓｔ　ｅｎｅｒｇｙ　ｌｅｖｅｌ　ｏｆ　ｔｈｅ　ｈｏｍｏｇｅｎｅｏｕｓ　ｎｏｄｅｓ　ａｔ　ｔｈｅ　ｐａｃｋｅｔ　ｒａｔｅ　ｏｆ　４０　ｋｂｐｓ　图６数据包速率为４０　ｋｂｐｓ时同构节点最低剩余能量　５．２．２节点平均剩余能量比较　由图８－－图１１可知，在节点平均剩余能量方　面，ＯＩ　ＳＲ　ＲＣ路由明显优于传统ＯＬＳＲ协议，其　在均衡节点问剩余能量的同时兼顾发送数据所消　耗的能量，减小了网络的总能耗，提高了节点平均　剩余能量水平，延长了节点的生存周期，其能量保　护性能明显优于０Ｉ　ＳＲ协议。　毒　皿嘲　藻　置　《　牡　Ｆｉｇｕｒｅ　７　Ｌｏｗｅｓｔ　ｅｎｅｒｇｙ　ｌｅｖｅｌ　ｏｆ　ｔｈｅ　ｈｏｍｏｇｅｎｅｏｕｓ　ｎｏｄｅｓ　ａｔ　ｔｈｅ　ｐａｃｋｅｔ　ｒａｔｅ　ｏｆ　５０　ｋｂｐｓ　图７数据包速率为５０　ｋｂｐｓ时同构节点最低剩余能量　删删　避　熏　目　《　牡　节点运动速度“ＩＩｌ，ｓ）　Ｆｉｇｕｒｅ　８　Ａｖｅｒａｇｅ　ｅｎｅｒｇｙ　ｌｅｖｅｌ　ｏｆ　ｔｈｅ　ｈｅｔｅｒｏｇｅｎｅｏｕｓ　ｎｏｄｅｓ　ａｔ　ｔｈｅ　ｐａｃｋｅｔ　ｒａｔｅ　ｏｆ　４０　ｋｂｐｓ　图８数据包速率为４０　ｋｂｐｓ时异构节点平均剩余能量　勰　娟　熏　露　《　Ｆｉｇｕｒｅ９　Ａｖｅｒａｇｅ　ｅｎｅｒｇｙ　ｌｅｖｅｌ　ｏｆ　ｔｈｅ　ｈｅｔｅｒｏｇｅｎｅｏｕｓ　ｎｏｄｅｓ　ａｔ　ｔｈｅ　ｐａｃｋｅｔ　ｒａｔｅ　ｏｆ　５０　ｋｂｐｓ　图９数据包速率为５Ｏ　ｋｂｐｓ时异构节点平均剩余能量　６　结束语　本文提出了具备能量预测功能的能量感知路　由协议ＯＬＳＲ—ＲＣ，它用一种结合节点传输能耗和　剩余能量的复合开销代替了跳数，改进了路由发现　中Ｄｉｊｋｓｔｒａ算法。同时，建立了ＡＲＩＭＡ—ＡＮＮ组　合预测模型对节点剩余能量进行预测，降低了由于　ＴＣ消息丢失对路由选择所造成的影响。仿真结　果表明，ＯＬＳＲ—ＲＣ协议降低了网络总能耗，均衡　了节点间的流量负载，延长了网络的生存周期。　１０７０　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ＆Ｓｃｉｅｎｃｅ计算机工程与科学２０１５，３７（６）　《　器　《　缸　节点运动速度ｌｏｒｄｓ１　Ｆｉｇｕｒｅ　１０　Ａｖｅｒａｇｅ　ｅｎｅｒｇｙ　ｌｅｖｅｌ　ｏｆ　ｔｈｅ　ｈｏｍｏｇｅｎｅｏｕｓ　ｎｏｄｅｓ　ａｔ　ｔｈｅ　ｐａｃｋｅｔ　ｒａｔｅ　ｏｆ　４Ｏ　ｋｂｐｓ　图ｌＯ数据包速率为４０　ｋｂｐｓ时同构节点平均剩余能量　删　谣　藻　霹　节点运动速度／（ｍ／ｓ）　Ｆｉｇｕｒｅ　１　１　Ａｖｅｒａｇｅ　ｅｎｅｒｇｙ　ｌｅｖｅｌ　ｏｆ　ｔｈｅ　ｈｏｍｏｇｅｎｅｏｕｓ　ｎｏｄｅｓ　ａｔ　ｔｈｅ　ｐａｃｋｅｔ　ｒａｔｅ　ｏｆ　５０　ｋｂｐｓ　图１ｌ数据包速率为５０　ｋｂｐｓ时同构节点平均剩余能量　参考文献：　［１］Ｄｅ　Ｒａｎｇｏ　Ｆ，Ｃａｎｏ　Ｊ　Ｃ。Ｆｏｔｉｎｏ　Ｍ，ｅｔ　ａ１．ＯＬＳＲ　ｖｓ　ＤＳＲ：Ａ　ｃｏｍｐａｒａｔｉｖｅ　ａｎａｌｙｓｉｓ　ｏｆ　ｐｒｏａｃｔｉｖｅ　ａｎｄ　ｒｅａｃｔｉｖｅ　ｍｅｃｈａｎｉｓｍｓ　ｆｒｏｍ　ｆｉｎ　ｅｎｅｒｇｅｔｉｃ　ｐｏｉｎｔ　ｏｆ　ｖｉｅｗ　ｉｎ　ｗｉｒｅｌｅｓｓ　ａｄｈｏｃ　ｎｅｔｗｏｒｋｓ　［Ｊｊ．Ｃｏｍｐｕｔｅｒ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ，２００８，３１（１６）：３８４３—３８５４．　ＥＺ９　ＩＡ　Ｐｉｎｇ，Ｄａｉ　Ｊｉｎ．Ａ　ｎｏｖｅｌ　ｅｎｅｒｇｙ—ｓａｖｉｎｇ　ｒｏｕｔｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｉｎ　ＷＳＮ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｓｃｉｅｎｃｅ，２０１４，３６（７）：１２７５—　１２７８．（ｉｎ　Ｃｈｉｎｅｓｅ）　Ｅｓ］　Ｚｈａｎｇ　Ｓｈｉ—ｙｕｅ，Ｗｕ　Ｊｉａｎ－ｄｅ，Ｗａｎｇ　Ｘｉａｏ—ｄｏｎｇ，ｅｔ　ａ１．Ａｎ　ｅｎｅｒｇｙ　ｃｏｍｓｕｍｐｔｉｏｎ　ｂａｌａｎｃｅｄ　ｃｌｕｓｔｅｒｉｎｇ　ｒｏｕｔｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｗｉｒｅ—　ｌｅｓｓ　ｓｅｎｓｏｒ　ｎｅｔｗｏｒｋ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ，２０１４，４０（８）：　６－９．（ｉｎ　Ｃｈｉｎｅｓｅ）　［４］　Ｔａｒｉｑｕｅ　Ｍ，Ｔｅｐｅ　Ｋ．Ｍｉｎｉｍｕｍ　ｅｎｅｒｇｙ　ｈｉｅｒａｒｃｈｉｃａｌ　ｄｙｎａｍｉｃ　ｓｏｕｒｃｅ　ｒｏｕｔｉｎｇ　ｆｏｒ　ｍｏｂｉｌｅ　ａｄ　ｈｏｅ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ａｄ　Ｈｏｅ　Ｎｅｔ—　ｗｏｒｋｓ，２００９，７（６）：１１２５一ｌ１３５．　［５３　Ｂｅｒｔａｚｚｉ　Ｌ，Ｇｏｌｄｅｎ　Ｂ，Ｗａｎｇ　Ｘｉｎｇ—ｙｉｎ．Ｍｉｎ—Ｍａｘ　ｖｓ　Ｍｉｎ—Ｓｕｍ　ｖｅｈｉｃｌｅ　ｒｏｕｔｉｎｇ：Ａ　ｗｏｒｓｔ—ｃａｓｅ　ａｎａｌｙｓｉｓ［Ｊ］．Ｅｕｒｏｐｅａｎ　Ｊｏｕｒｎａｌ　０ｆ　Ｏｐｅｒａｔｉｏｎａｌ　Ｒｅｓｅａｒｃｈ，２Ｏ１５，２４０（２）：３７２—３８１．　［６３　Ｗｅｉ　Ｘｉａｏ—ｈａｌ，Ｃｈｅｎ　Ｇｕｏ—ｌｉａｎｇ，Ｗａｎ　Ｙｉｎｇ—ｙｕ，ｅｔ　ａ１．Ｏｐｔｉｍｉｚｅｄ　ｐｒｉｏｒｉｔｙ　ｂａｓｅｄ　ｅｎｅｒｇｙ　ｅｆｆｉｃｉｅｎｔ　ｒｏｕｔｉｎｇ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｍｏｂｉｌｅ　ａｄ　ｈｏｃ　ｎｅｔｗｏｒｋｓ［Ｊ］．Ａｄ　Ｈｏｃ　Ｎｅｔｗｏｒｋｓ，２００４，２（３）：２３１－２３９．　［７３　Ｔｈａｍａｒａｉ　Ｐ．Ｐｒｅｄｉｃｔｉｎｇ　ｒｏｕｔｅ　ｌｉｆｅｔｉｍｅ　ｆｏｒ　ｍａｘｉｍｉｚｉｎｇ　ｎｅｔ—　ｗｏｒｋ　ｌｉｆｅｔｉｍｅ　ｉｎ　ＭＡＮＥＴ［ｃ］／／Ｐｒｏｃ　ｏｆ　２０１２　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｍｐｕｔｉｎｇ，Ｅｌｅｃｔｒｏｎｉｃｓ　ａｎｄ　Ｅｌｅｃｔｒｉｃａｌ　Ｔｅｃｈ—　ｎｏｔｏｇｉｅｓ，２０１２：７９２—７９７．　［８３　Ｚｈａｎｇ　Ｇ　Ｐ．Ｔｉｍｅ　ｓｅｒｉｅｓ　ｆｏｒｅｃａｓｔｉｎｇ　ｕｓｉｎｇ　ｆｌ　ｈｙｂｒｉｄ　ＡＲＩＭＡ　ａｎｄ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００３，５０　（１）：１５９—１７５．　［９］　Ｋｈａｓｈｅｉ　Ｍ。Ｂｉｊａｒｉ　Ｍ．Ａ　ｎｏｖｅｌ　ｈｙｂｒｉｄｉｚａｔｉｏｎ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕ—　ｒａｌ　ｎｅｔｗｏｒｋｓ　ａｎｄ　ＡＲＩＭＡ　ｍｏｄｅｌ　ｆｏｒ　ｔｉｍｅ　ｓｅｒｉｅｓ　ｆｏｒｃａｓｔｉｎｇ　［Ｊ］．Ａｐｐｌｉｅｄ　Ｓｏｆｔ　Ｃｏｍｐｕｔｉｎｇ，２０１１，１１（２）：２６６４—２６７５．　［１０３　Ｂａｉ　Ｙａｎ，Ｍａ　Ｇｕａｎｇ—ｓｉ．Ｔｒａｆｆｉｃ　ｐｒｅｄｉｃｔｉｏｎ　ａｎｄ　ａｎａｌｙｓｉｓ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｇｒｅｙ　ｒａｄｉａｌ　ｂａｓｉｓ　ｆｕｎｃｔｉｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ［Ｊ］．　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ＆Ｓｃｉｅｎｃｅ，２００８，３０（１０）：１２２—１２４．（ｉｎ　Ｃｈｉｎｅｓｅ）　［１１３　Ｇｕｏ　Ｚｈｉ—ｈａｏ，Ｍａｌａｋｏｏｔｉ　Ｓ，Ｃａｍｅｌｉａ　Ｓ，ｅｔ　ａ１．Ｍｕｌｔｉ—ｏｂｊｅｃｔｉｖｅ　ＯＬＳＲ　ｆｏｒ　ｐｒｏａｃｔｉｖｅ　ｒｏｕｔｉｎｇ　ｉｎ　ＭＡＮＥＴ　ｗｉｔｈ　ｄｅｌａｙ，ｅｎｅｒｇｙ，　ａｎｄ　ｌｉｎｋ　ｌｉｆｅｔｉｍｅ　ｐｒｅｄｉｃｔｉｏｎｓ［Ｊ］．Ａｐｐｌｉｅｄ　Ｍａｔｈｅｍａｔｉｃａｌ　Ｍｏｄ—　ｅｌｉｎｇ，２０１１，３５（３）：１４１３－１４２６．　［１２３　Ｙｏｌｃｕ　Ｕ，Ｅｇｒｉｏｇｌｕ　Ｅ，Ａｌａｄａｇ　Ｃ　Ｈ．Ａ　ｎｅｗ　ｌｉｎｅｒ＆ｎｏｎｌｉｎｅａｒ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｆｏｒ　ｔｉｍｅ　ｓｅｒｉｅｓ　ｆｏｒｅｃａｓｔｉｎｇ　［Ｊ］．Ｄｅｃｉｓｉｏｎ　Ｓｕｐｐｏｒｔ　Ｓｙｓｔｅｍ，２０１３。５４（３）：１３４０—１３４７．　附中文参考文献：　［２］李平，戴劲．无线传感器网络中的节能路由算法研究［Ｊ］．计　算机工程与科学，２０１４，３６（７）：１２７５－１２７８．　［３］张诗悦，吴德建，王晓东，等．一种能耗均衡的无线传感器网　络分簇路由算法ＥＪ］．计算机工程，２０１４，４０（８）：６　９．　［１ｏ３　白燕，马光思．基于灰色径向基神经网络模型的流量预测与　分析［Ｊ］．计算机工程与科学，２００８，３０（１０）：ｉ２２—１２４．　作者简介：　：　ｄａ…　ｔｅ，ｈ　ｉｓ　ｒｅ　ｓｅ　ａｒｃ　ｈ　ｉｎｔ　ｅｒｅ　ｓｔ　ｉｎ　ｌｕｄ…ｅｔｗ０ｒｋ　圈一　ｌ；　　”霉　啪订．＿曦　ＳＯＮＧ　Ｂｏ，ｂｏｒｎ　ｉｎ　１９７０，ＭＳ，ａｓｓｏｃｉｓ∞ｇｂｏ１９７０＠　。・ｃｏｎｒ　ａｔｅ　童～ｂｐ　ｒｏ。　ｆｅｄｓｂｓｏ　　ｒｄ，　ｈ。ｉｓ　ｒ。ｅ　ｋｓｅａ　。ｒｃｍｈｍｉ　ｎ　ｔｉｅ。ｒｅ　ｓ　ｉｔ。　＝１。１ｕｄｅｓ　一