پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی

word
106
1 MB
30918
1393
کارشناسی ارشد
قیمت: ۱۰,۶۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی

    پایان نامه برای دریافت درجه کارشناسی ارشد(M.Sc)

    چکیده

    شبکه حسگر بی سیم، شبکه ای است که از تعداد زیادی گره کوچک تشکیل شده است. گره از طریق حسگرها اطلاعات محیط را دریافت می‌کند. انرژی مصرفی گره‌ها معمولاً از طریق باتری تامین می‌شود که در اکثر موارد امکان جایگزینی این باتری‌ها وجود ندارد. بنابراین توان مصرفی گره‌ها موضوع مهمی در این شبکه ها است. و استفاده از روش‌های دقیق و سریع محاسبه توان مصرفی در طراحی سیستم‌های کم توان بسیار ضروری می‌باشد.  روش تخمین توان به 4 سطح تقسیم می‌شود: 1)سطح سیستم، 2)سطح RTL، 3)سطح گیت، 4)سطح جانمایی. دقت محاسبه توان در سطح گیت و جانمایی بین 70 تا 95% است. ولی مشکل محاسبه توان در این سطوح زمان شبیه سازی طولانی می‌باشد. محاسبه توان در سطح سیستم کمترین زمان شبیه سازی را دارا می‌باشد اما دقت آن بین 40 تا 75% است. پایین بودن دقت در سطح سیستم و طولانی بودن زمان شبیه سازی در سطح گیت و جانمایی سبب مهم شدن تخمین توان در سطح RTL شده است. در این پایان‌نامه شبیه سازی در سطح RTL انجام گرفته و توان مصرفی توسط تابع ماکرومدل پیش بینی می‌گردد. اجزای اصلی مصرف کننده توان در گره شبکه حسگر بی‌سیم در SystemC شبیه سازی شده، سپس مدار طراحی شده به بلوک های  قابل سنتز در Verilog تبدیل می شوند. این بلوک ها و مجموعه های ورودی به نرم افزار Power Compiler داده شده و توان مصرفی محاسبه می شود. در روش پیشنهادی،به ازای مجموعه های مختلف ورودی ضرایبی محاسبه شده و توان پردازشی سیستم تخمین زده می‌شود. با مقایسه توان تخمینی و توان محاسبه شده، دیده می‌شود این روش از دقت خوبی برخوردار می باشد، اما در مورد بعضی از مجموعه‌های ورودی دچار اشکال است. برای یافتن ورودی مناسب جهت انجام طراحی و اطمینان از صحت تخمین انجام شده از شبکه عصبی استفاده شده است.

    توان در شبکه های حسگر بی سیم

    با پیشرفت‌هایی که در زمینه الکترونیک و مخابرات بی‌سیم رخ داده است، توانایی طراحی و ساخت حسگرهایی با توان مصرفی پایین، اندازه کوچک، قیمت مناسب و کاربرد‌های گوناگون فراهم شده است. این حسگرهای کوچک قادرند انجام اعمالی چون دریافت اطلاعات از محیط، پردازش و ارسال آن را انجام دهند. مجموع این عوامل موجب ایجاد و گسترش شبکه‌های موسوم به شبکه‌های حسگر بی‌سیم [1]WSN شده‌اند. یک شبکه حسگر متشکل از تعداد زیادی گره‌های[2] حسگر[3] است که در یک محیط پراکنده می شوند و به جمع‌آوری اطلاعات از محیط می‌پردازند. مکان قرار گرفتن گره‌های حسگر، از ‌قبل ‌تعیین ‌شده نیست. و  این امکان فراهم می شود که آنها را در مکان‌های غیرقابل دسترس رها کنیم.هر گره حسگر دارای یک پردازشگر است و خود یک سری پردازش‌های اولیه روی اطلاعات دریافتی انجام می‌دهد و سپس داده‌ها را ارسال می‌کند.

    با اینکه هر حسگر به تنهایی توانایی کمی دارد، اما ترکیب صدها حسگر کوچک امکانات چشمگیری ارائه می‌کند. ‌در واقع محبوبیت شبکه‌های بی‌سیم حسگر در استفاده از تعداد زیادی گره کوچک است که می توانند با هم سازماندهی کرده و در مواردی چون مسیریابی هم‌زمان، نظارت بر شرایط محیطی(مانند دمای محیط، وجود گازها در تونل‌ها)، نظارت بر زیر ساخت‌ها یا تجهیزات یک سیستم به کار گرفته شوند.

    در این شبکه ها بر خلاف سیستم‌های سیمی، هزینه‌های پیکربندی و آرایش شبکه کاسته شده و به جای نصب هزاران متر سیم، فقط باید دستگاه‌های کوچکی را در نقاط مورد نظر قرار داد. شبکه به سادگی با اضافه کردن چند گره گسترش می‌یابد و نیازی به طراحی و پیکربندی خاصی نیست. امروزه کاهش حجم و وزن حسگر‌ها و افزایش میزان حساسیت آن‌ها، هدف اصلی بسیاری از آزمایشگاه‌های تحقیقاتی و شرکت‌های مختلف می‌باشد. اما کوچک شدن حجم گره‌های حسگر به معنای کوچک‌تر شدن باتری‌های مولد انرژی آنان بود.

    حسگرهای بی سیم اغلب برای دریافت و پردازش اطلاعات از راه دور مورد استفاده قرار می‌گیرند، بنابراین توان مصرفی گره‌ها موضوع مهمی در شبکه‌های حسگر بی سیم است. زیرا در شبکه های حسگر بی‌سیم، گره ها بایستی مدت‌های طولانی با یک منبع تغذیه‌ی معین و محدود کار کنند. انرژی مصرفی گره‌ها معمولاً از طریق باتری تامین می‌شود که در اکثر موارد امکان جایگزینی این باتری‌ها وجود ندارد و با اتمام باتری عمر حسگر پایان می‌یابد. موضوع مهم دیگر این است که باتری‌ها اغلب حدود %50 حجم و وزن حسگرها را تشکیل می‌دهند. صرفه جویی در مصرف توان در حالت کلی از دو طریق ممکن است. راه اول از طریق ساخت حسگرهایی با مصرف انرژی کمتر و راه دوم به کاربردن روش‌های مدیریت توان در طراحی نرم‌افزاری شبکه است. مثلاً ارسال [4]TDMA از نظر مصرف توان مناسب است، زیرا در فاصله هر شیار زمانی که اطلاعات هر حسگر ارسال نمی‌شود، حسگر در حالت خواب که مصرف انرژی بسیار کمی دارد، قرار می‌گیرد(Lewis, 2004). این روش در شکل 1-1 نشان داده شده است.

     

     

    شکل1-1. خواب و بیدار شدن دوره‌ای در روش TDMA (Ye & eta1, 2002,1567-1576)

    توان انتقالی مورد نیاز متناسب با مربع فاصله بین مبدا و مقصد افزایش می‌یابد. بنابراین چند جهش کوچک توان کمتری نسبت به یک جهش بزرگ مصرف می‌کند. اگر فاصله مبدا و مقصد برابر R باشد توان موردنیاز برای یک جهش متناسب با  است. اگر بین مبدا و مقصد گره‌هایی وجود داشته باشد که شامل n جهش کوچک است توان مورد نیاز در هر گره متناسب با  است(Lewis, 2004).

    بیشتر سخت‌افزار‌ها دارای چندین حالت کاری هستند: خاموش، حالت انتظار(بی‌بار) و روشن. در نتیجه با مدیریت توان اجزا تنها در زمان‌ مخصوصی روشن هستند. حداقل نمودن تعداد پیام‌ها نیز یک راه حل است. از آنجایی که ارسال و دریافت پیام، انرژی بر است، کاهش تعداد ارتباطات نیز راهی برای کاهش توان مصرفی است. مسیریابی درست، سبب کاهش تعداد پیام‌های ارسالی می‌شود. زمان‌بندی کاری گره‌‌ها نیز سبب کاهش مصرف توان خواهد شد. ویا اینکه تعداد اندکی از گره‌ها بیدار باشند تا پوشش مورد نیاز فراهم شود. برای متعادل کردن مصرف انرژی بطور دوره‌ای چرخش انجام می‌شود یعنی جای گره‌های خواب و بیدار عوض می‌شود. افزایش راندمان[5] بعد از گسترش گره‌ها طول عمر شبکه را ماکزیمم می‌کند (Coelho&Fiore, 2005) .

    پروتکل‌های کنترل توپولوژی[6] می‌توانند با تنظیم رنج انتقال هر گره توان انتقالی شبکه را کاهش دهند در حالی که خصوصیات ضروری شبکه حفظ شود. پروتکل مسیریابی توان-آگاه[7] مسیر و رنج انتقال مناسب هر گره را انتخاب می‌کند تا انرژی مصرفی کاهش یابد. وقتی رابط رادیویی به طور فعال در حال انتقال/ دریافت بسته‌ها است هر دو پروتکل فوق الذکر سبب کاهش توان مصرفی می‌شوند. در حالیکه وقتی این رابط در حال بی‌باری است مصرف توان قابل ملاحظه‌ای دارد. مدیریت خواب[8] برای کاهش انرژی مصرفی پیشنهاد شده تا رادیوها زمانیکه مورد استفاده قرار نمی‌گیرند خاموش شوند(Xing&eta1, 2005,1-30).

    گره حسگر از پردازنده، رادیو، حافظه و تعدادی حسگر تشکیل شده است. این اجزا توان مصرفی متفاوتی دارند ولی در این بین، پردازنده و رادیو دارای توان مصرفی بالاتری هستند. بنابراین بکارگیری روش‌هایی جهت کاهش توان مصرفی این اجزا، بطور قابل توجهی به عمر شبکه حسگر می‌افزاید.

    در CMOS سه منبع اتلاف توان وجود دارد. توان تلفاتی کل طبق رابطه زیر بیان می‌شود:

    در بخش اول CL خازن بار، fclk فرکانس ساعت و pt احتمال اتلاف در انتقالات است که این بخش را توان سوئیچینگ می‌نامیم. در بخش دوم Isc جریان اتصال کوتاه است که در زمان فعال بودن توام NMOS و PMOS ، از تغذیه به سمت زمین جاری می‌شود. در بخش سوم Ileakage جریان نشتی است. بخش اول و دوم بیانگر توان دینامیک هستند و بخش سوم بیانگر توان استاتیک است. چون بخش اول در توان دینامیک بخش غالب است انرژی مصرفی در پردازنده‌های CMOS را مجموع توان سوئیچینگ و نشتی می‌دانیم(Happonen, 2004). انرژی سوئیچینگ متناسب با مربع ولتاژ تغذیه است. انرژی تلفاتی بطور نشتی بصورت زیر مدل می‌شود:

     که در آن Vth ولتاژ آستانه و VT ولتاژ معادل حرارتی است. کاهش زمان چرخه سبب افزایش انرژی نشتی می‌شود بطوریکه انرژی نشتی فاکتور غالب انرژی مصرفی کل می‌شود. استفاده از تکنیک‌هایی مانند مقیاس گذاری دینامیک ولتاژ[9] و خاموش نمودن اجزا بی‌بار سبب کاهش انرژی مصرفی در حالت چرخه کار کوتاه می‌شود.

    روش تخمین توان به 4 سطح تجرید تقسیم می‌شود: 1)سطح سیستم، 2)سطح [10]RTL، 3)سطح گیت، 4)سطح جانمایی[11] که در شکل 1-2 نشان داده شده است.

     

     

     

     

     

     

     

     

    شکل 1-2. سطوح تخمین توان

    دقت محاسبه توان در سطح گیت و جانمایی بین 70 تا 95% است. ولی مشکل محاسبه توان در این سطوح زمان     شبیه سازی طولانی است. محاسبه توان در سطح سیستم کمترین زمان شبیه سازی را دارا است اما دقت آن بین 40 تا 75% است. پایین بودن دقت در سطح سیستم و طولانی بودن زمان شبیه سازی در سطح گیت و جانمایی سبب مهم شدن تخمین توان در سطح RTL شده است. اهمیت تخمین توان در سطح RTL ناشی از این موضوع است که بیشتر طراحی‌های دیجیتال بر پایه RTL هستند. تحلیل طراحی در سطح گیت برای طراحی‌های با پیچیدگی 10000-50000 گیت امکانپذیر است. در سطح RTL زمان شبیه سازی جهت تخمین توان کاهش یافته است و مقدار توان مصرفی در زمان کوتاه‌تری مشخص می گردد که بر روی طراحی موثر است. استراتژی تخمین توان در سطح RTL، سیستم را به بلوک‌ها و ماژول‌هایی مانند مالتی پلکسر، ضرب کننده و ... می‌شکند. توان مصرفی این بلوک‌ها با روش‌های مختلفی مانند روش macro-model قابل محاسبه است. این روش با استفاده از الگوی ورودی و خواص آماری ورودی و خروجی توان مصرفی را محاسبه می‌کند. 

     

     

     

     

     

    فصل دوم. شبکه حسگر بی سیم

    2-1. مقدمه

    شبکه حسگر بی سیم، شبکه ای است که از تعداد زیادی گره کوچک تشکیل شده است. گره از طریق حسگرها اطلاعات محیط را دریافت می‌کند. گره ها بصورت بی سیم[12] با هم ارتباط برقرار می کنند. هرگره بطور مستقل کار می‌کند و معمولا از نظر فیزیکی بسیار کوچک است. هر گره از نظر قدرت پردازش, ظرفیت حافظه و منبع تغذیه دارای محدودیت‌هایی است. ساختار کلی شبکه حسگر بی‌سیم در شکل 2-1 آمده است.

    شبکه حسگر : شبکه‌ای که فقط شامل گره های حسگر باشد. هدف جمع آوری اطلاعات و تحقیق در مورد یک پدیده است.

    حسگر : وسیله ای که یک کمیت فیزیکی را تشخیص داده و به سیگنال الکتریکی تبدیل می کند. حسگر انواع مختلف دارد مانند حسگرهای دما, فشار, رطوبت, نور و شتاب.

    گره حسگر: به گره‌ای‌گفته می شود که شامل پردازنده، حافظه، گیرنده فرستنده، منبع تغذیه، حسگر و محرک[13]است(Stankovic, 2006).

    میدان حسگر: ناحیه کاری که گره های شبکه حسگر در آن توزیع می‌شوند.

     

     

     

     

     

     

     

     

     

     

     

     

     

    شکل 2-1. ساختار کلی شبکه حسگر a) اتصال مستقیم b) چند جهشی c) خوشه‌ای d) چاهک متحرک(Luo, 2005)

    چاهک[14]: گرهی که جمع آوری داده ها را به عهده دارد و ارتباط بین گره های حسگر و گره اصلی[15] را برقرارمی‌کند. همه گره‌ها مقادیر اندازه گیری شده را با روش‌های اتصال مستقیم[16]، چند جهشی[17]، خوشه‌ای[18] و چاهک متحرک[19] برای ذخیره و بهره برداری به چاهک می‌فرستند.

    گره مدیر عملیات: گرهی که کاربر یا مدیر شبکه از طریق آن با شبکه ارتباط برقرار می‌کند. فرامین کنترلی و پرس و جو ها  از این گره به شبکه ارسال شده و داده های جمع آوری شده به آن برمی‌گردند.

    2-2. مقایسه شبکه حسگر بی سیم و شبکه Ad hoc

    در شبکه‌های Ad hoc وظایف تشخیص، مسیریابی و قابلیت حرکت به گونه‌ای انجام می‌شود تا سبب بهینه شدن [20]QoS و کارایی[21] در پهنای باند بالا شود. در این نوع شبکه‌ها انرژی در درجه دوم اهمیت قرار دارد، زیرا در صورت نیاز امکان تعویض باتری وجود دارد. نرخ داده در شبکه‌های حسگر پایین و در حدود  kb/s 100-1  است. همچنین در شبکه‌های حسگر بی‌سیم هدف طولانی نمودن عمر شبکه است، زیرا عموماً امکان جایگزینی باتری وجود ندارد(Rentala&eta1, 2001). تفاوت‌های اصلی این شبکه‌ها شامل موارد زیر هستند:

    محدودیت‌های اندازه فیزیکی, منبع انرژی, قدرت پردازش, ظرفیت حافظه

    تعداد بسیار زیاد گره ها و چگالی بالای توزیع

    مستعد خطا بودن گره های حسگر

    امکان تغییر توپولوژی شبکه حسگر

    جدول 2-1 مقایسه کلی بین چند شبکه بی‌سیم را نشان می‌دهد(Zhong, 2004).

    جدول2-1. مقایسه بین چند شبکه بی‌سیم(Zhong, 2004)

     

     

     

     

     

    2-3. کاربردها

    کاربردهای اصلی شبکه حسگر بی‌سیم به سه دسته نظامی، تجاری و پزشکی تقسیم می شوند. از کاربردهای نظامی می توان به سیستم های ارتباطی, فرماندهی, شناسایی, دیده بانی و میدان مین هوشمند و سیستم های هوشمند دفاعی نام برد.محیطهای هوشمند برای افراد سالخوده و شبکه ارتباطی بین مجموعه پزشکان با یکدیگر و پرسنل بیمارستان و نظارت بر بیماران از جمله کاربرد های پزشکی آن است. سیستم های امنیتی تشخیص و مقابله با سرقت, آتش سوزی(درجنگل), تشخیص آلودگی های زیست محیطی از قبیل آلودگی های شیمیایی, میکروبی, هسته‌ای, سیستم های ردگیری, نظارت وکنترل وسایل نقلیه و ترافیک, کنترل کیفیت تولیدات صنعتی, مطالعه در مورد پدیده های طبیعی مثل گردباد, زلزله, سیل, تحقیق در مورد زندگی گونه های خاص از گیاهان و جانوران، جزء کاربردهای تجاری این شبکه ها محسوب می شوند.

    2-4. عوامل مؤثر در طراحی شبکه حسگر

    برای طراحی شبکه های حسگر باید عوامل مختلفی را در نظر گرفت:

    تلورانس خرابی[22]: هر گره ممکن است خراب شود یا در اثر رویدادهای محیطی مثل تصادف یا انفجار بکلی نابود شود یا در اثر تمام شدن منبع انرژی از کار بیفتد. منظور از قابلیت اطمینان این است که خرابی گره ها نباید عملکرد کلی شبکه را تحت تاثیر قرار دهد. برای گره k با نرخ خرابی lk قابلیت اطمینان[23] با رابطه 2-1 مدل می‌شود. این رابطه احتمال عدم خرابی است در زمان t به شرط اینکه گره در بازه زمانی (0,t) خرابی نداشته باشد. به این ترتیب هرچه زمان می گذرد احتمال خرابی گره بیشتر می شود(Akyildiz& eta1, 2002,102-114).

     

    سطح قابلیت اطمینان شبکه حسگر وابستگی شدیدی به کاربرد آن دارد(Akyildiz&eta1, 2007,393-422).

    مقیاس پذیری: شبکه باید از نظر میزان پراکندگی و تعداد گره ها, مقیاس پذیر باشد. یعنی شبکه حسگر بتواند با میلیون ها گره کار کرده و از طرف دیگر, چگالی توزیع متفاوت گره ها را نیز مدیریت کند. چگالی طبق فرمول 2-2 محاسبه می شود.

    که بیانگر تعداد متوسط گره ها در شعاع انتقالی[24] ناحیه A است.

     A: مساحت ناحیه کاری، N: تعداد گره در ناحیه کاری و R: برد ارسال رادیویی است(Akyildiz& eta1, 2002,102-114).

    قیمت تمام شده: چون تعداد گره ها زیاد است کاهش قیمت هر تک گره اهمیت زیادی دارد. تعداد گره‌ها گاهی تا میلیون‌ها می‌رسد. در این صورت کاهش قیمت گره حتی به مقدار کم تاثیر قابل توجهی در قیمت کل شبکه خواهد داشت(Akyildiz& eta1, 2002,102-114).

    تنگناهای سخت افزاری[25]: هرگره ضمن اینکه باید کل اجزا لازم را داشته باشد باید به حد کافی کوچک، سبک و کم حجم نیز باشد. به عنوان مثال در برخی کاربردها گره باید به کوچکی یک قوطی کبریت باشد و حتی گاهی حجم گره محدود به یک سانتیمتر مکعب باشد و از نظر وزن باید آنقدر سبک باشد که بتواند همراه باد در هوا معلق شود. در عین حال هر گره باید توان مصرفی پایینی داشته و با شرایط محیطی سازگار باشد(Akyildiz& eta1, 2002,102-114). چون گره‌ها اغلب غیر قابل دسترسی هستند طول عمر شبکه‌ها وابسته به طول عمر منابع تغذیه است. تغذیه گره‌های این شبکه سلول‌های سکه‌ای لیتیم[26] است (cm 5.2 قطر و cm 1 ضخامت). با دریافت انرژی از محیط می‌توان طول عمر شبکه را افزایش داد. استفاده از سلول‌های خورشیدی راهی برای دریافت انرژی از محیط است(Akyildiz&eta1, 2007,393-422).

    توپولوژی: به این دلیل که ارتباط گره ها بی‌سیم و به صورت پخش همگانی است و هر گره با چند گره دیگر که در شعاع انتقالی آن قرار دارند ارتباط دارد، توپولوژی شبکه حسگر توپولوژی گراف است. چون ترافیک به شکلی است که داده‌ها از چند گره به سمت یک گره حرکت می‌کنند، مدیریت باید با دقت انجام شود. الگوریتم‌های راه اندازی اولیه باید امکان عضویت گره‌های جدید و حذف گره هایی که به دلایلی از کار می افتند را فراهم کنند. پویایی توپولوژی از خصوصیات شبکه‌های حسگر است. در دسترس نبودن و عدم کنترل نزدیک گره‌های حسگر است که شبکه را مستعد خطا می سازد(Akyildiz& eta1, 2002,102-114).

    واسط ارتباطی[27]: در شبکه های حسگر گره‌ها از طریق ارتباط رادیویی, مادون‌قرمز یا واسط‌‌های نوری با یکدیگر تعامل دارند. البته ارتباط مادون قرمز ارزان‌تر و ساخت آن آسان‌تر است ولی فقط در خط مستقیم یا خط دید عمل می کند(Akyildiz& eta1, 2002,102-114). یک انتخاب برای ارتباطات رادیویی باندهای [28]ISM است که اجازه ارتباط بدون مجوز[29] را در بیشتر کشورها می‌دهد. ذره غبار هوشمند[30] برای ارتباط از واسط نوری استفاده می‌کند(Akyildiz&eta1, 2007,393-422).

    توان مصرفی گره‌ها: در بسیاری از کاربردهای شبکه حسگر باتری قابل تعویض نیست. بنابراین عمر باتری عملاً تعیین کننده عمر گره می باشد. در طراحی سخت افزار گره‌ها استفاده از طرح ها و قطعاتی که مصرف پایینی دارند و فراهم کردن امکان حالت خواب[31] برای کل گره یا برای هر بخش بطور مجزا مهم است(Akyildiz& eta1, 2002,102-114). وظیفه اصلی گره حسگر در میدان حسگر شناسایی پدیده، پردازش سریع محلی داده‌ها و انتقال داده‌ها است. بنابراین توان مصرفی به سه حوزه دریافتی، ارتباطی و پردازشی تقسیم می‌شود.

    2-5. توپولوژی های مختلف شبکه

    کیفیت یک شبکه[32] (QoS) در عواملی مانند تأخیر، نرخ بیت خطا[33]، تلفات بسته، قیمت اقتصادی انتقال و توان انتقال مشخص می‌شود. یک شبکه ارتباطی از گره‌ها تشکیل شده است، که توان محاسباتی دارند و می‌توانند پیام‌ها را در مسیرهای ارتباطی بی‌سیم یا سیم‌دار انتقال دهند یا دریافت کنند. بسته به QoS، محیط نصب، ملاحظات اقتصادی و کاربردی یکی از توپولوژی‌های زیر مورد استفاده قرار می‌گیرند: مش، ستاره‌ای، کاملاً متصل، حلقه‌ای، درختی و باس، این توپولوژی‌ها در شکل 2-2 نشان داده شده‌اند(Lewis, 2004).  یک شبکه می‌تواند از چندین زیرشبکه با توپولوژی‌های متفاوت نیز تشکیل شود.

    حلقه: در این توپولوژی همه گره‌ها کار یکسانی را انجام می‌دهند و گره سرگروه وجود ندارد. پیام‌ها بطور کلی دور حلقه در یک جهت حرکت می‌کنند. اگر حلقه قطع شود، همه اطلاعات از بین می‌رود. شبکه حلقه‌ای خود درمانگر[34] دارای دو حلقه است و تحمل پذیری خطای بالایی دارد.

    ویژگی ها:

    میرایی[35] سیگنال در آن کم است.

    اگر گره‌ای اجازه ارسال داشته باشد می‌تواند داده را بفرستد در نتیجه از تصادف خودداری می‌شود(Bag&eta1, 2014,101 – 105).

    سخت افزار آن گران و اختصاصی است.

    شناسایی و رفع عیب در آن سخت است(Bag&eta1, 2014,101 – 105).         

     

     

     

     

    شکل2-2. توپولوژی‌های اساسی مورد استفاده در شبکه (Lewis, 2004)

    مش[36]: شبکه‌های با توزیع منظم هستند که عموماً اجازه انتقال پیام را فقط به نزدیک‌ترین همسایه می‌دهند. گره‌ها در این شبکه‌ها یکسان هستند. به شبکه‌ مش، شبکه‌p2p[37] نیز اطلاق می‌شود. این شبکه می‌تواند مدل خوبی برای شبکه‌های حسگر بی‌سیم با مقیاس بزرگ باشد که در یک ناحیه جغرافیایی توزیع شده است(Lewis, 2004).

    ویژگی ها:

    افزونگی و تحمل پذیری خطای بالا فراهم می‌کند در نتیجه در صورت ازکار افتادن یک گره، گره‌های دیگر کار آن را انجام می‌دهند و تلفات داده رخ نمی‌دهد.

    این شبکه قابلیت اطمینان بالایی دارد و مسیریابی در آن ساده است(Bag&eta1, 2014,101 – 105).

    گران و پیچیده است که این دو عامل پیاده سازی آن را مشکل می‌کند(Bag&eta1, 2014,101 – 105).

    ستاره: در این توپولوژی همه گره‌ها به یک گره مرکزی متصل هستند. گره مرکزی نسبت به سایر گره در مدیریت و مسیریابی پیام‌ها باید دارای قابلیت بیشتری باشد. این توپولوژی به عنوان شبکه LAN[38] مورد استفاده قرار می‌گیرد(Lewis, 2004).

    ویژگی ها:

    سیم کشی ارزان و آسان است.

    قابلیت اطمینان بالایی دارد و نگهداری و مدیریت آن ساده است.

    مکان یابی و تعمیر قسمت خراب ساده است(Bag&eta1, 2014,101 – 105).

    همه گره‌ها سیگنال یکسانی را دریافت می‌کنند در نتیجه پهنای باند تقسیم می‌شود.

    اگر سوئیچ گره مرکزی خراب شود شبکه از کار می‌افتد(Bag&eta1, 2014,101 – 105).

    باس: در این توپولوژی، همه گره‌ها به یک باس متصل هستند و پیام‌ها روی باس در همه گره‌ها منتشر می‌شوند. هر گره آدرس مقصد را در سر پیام چک می‌کندو پیام‌های آدرس مربوطه را پردازش می‌کند. توپولوژی باس غیرفعال است، زیرا هر گره به راحتی پیام‌ها را دریافت می‌کند و مسئول ارسال دوباره پیام‌ها نیست(Lewis, 2004).

    ویژگی ها

    ساخت این شبکه ساده است.(مناسب برای شبکه‌های کوچک و سریع)

    گره‌های اضافی را در هر جایی روی باس می‌توان اضافه نمود.

    این توپولوژی نسبت به توپولوژی ستاره به سیم کشی کمتری نیاز دارد(Bag&eta1, 2014,101 – 105).

    در این توپولوژی خراب شدن کانال سبب از کار افتادن کل شبکه می‌شود.

    طول باس توسط تلفات کابل یا سیگنال محدود می‌شود.

    شناسایی عیب و رفع آن در این شبکه کار سخت و وقت گیری است(Bag&eta1, 2014,101 – 105).

    شبکه کاملاً متصل: در این شبکه همه گره‌ها به هم متصل هستند. این توپولوژی به علت افزونگی و تحمل پذیری خطای بالایش بیشتر در شبکه [39]WAN مورد استفاده قرار می‌گیرد(Bag&eta1, 2014,101 – 105). وقتی گره‌ای به این شبکه اضافه می‌شود تعداد اتصالات بطور نمایی افزایش می‌یابد(Lewis, 2004).                                              

    2-6.  لایه های شبکه

    پشته پروتکلی دارای پنج لایه افقی شامل لایه های فیزیکی[40], پیوند داده[41], شبکه[42], انتقال[43], و کاربرد[44] و  سه لایه عمودی مدیریت توان[45], مدیریت جابجایی[46], و مدیریت عملیات[47] است(Akyildiz& eta1, 2002,102-114).                                                

    لایه فیزیکی وظیفه مدولاسیون و ارسال و دریافت در سطح پایین را بر عهده دارد. پروتکل کنترل دستیابی واسط[48] باید قادر باشد با حداقل تصادم به روش پخش همگانی با هر گره همسایه ارتباط برقرار کند. لایه شبکه عملیات مسیردهی داده هایی که از لایه انتقال می آیند را بر عهده دارد. لایه انتقال وظیفه مدیریت جریان انتقال بسته ها را در صورت نیاز کاربرد, بر عهده دارد. بسته به کاری که شبکه برای آن طراحی شده انواع مختلف نرم افزارهای کاربردی می تواند روی لایه کاربرد استفاده شود و خدمات مختلفی را ارائه نماید.

    لایه عمودی مدیریت توان با دخالت در کلیه لایه های افقی چگونگی مصرف توان برای گره را تعیین می کند. در واقع برای کاهش مصرف انرژی به الگوریتم ها و پروتکل های توان-آگاه[49] نیازمندیم. مثلاً اینکه یک گره پس از دریافت پیغام از یکی از همسایه هایش، قسمت دریافت کننده اش را خاموش کند تا باعث جلوگیری از دریافت دوباره پیغام و در نتیجه کاهش مصرف انرژی ‌گردد. ایده دیگری که می تواند همزمان مورد استفاده قرار گیرد این است که اگر گره ای به سطح پایین انرژی برسد به همسایه هایش اعلام همگانی می کند که انرژی اش در حال اتمام است و نمی تواند در مسیردهی پیغامها شرکت داشته باشد. گره های همسایه پس از آن پیغام ها را از طریق گره های دیگر مسیردهی خواهند کرد.

    شکل2-3. پشته پروتکلی شبکه حسگر(Raghuwanshi, 2003)

    لایه عمودی مدیریت حرکت, روشهای مکان-آگاه[50] را بکار می‌گیرد. جابجایی گره را تشخیص داده و ثبت می کند بنابراین یک مسیر برگشت تا کاربر همیشه مدیریت می شود و رد گره متحرک دنبال می شود.

    مدیریت عملیات، وظایف گره ها را زمانبندی کرده و متعادل می سازد. مثلاً اگر وظیفه حس کردن به یک ناحیه معین محول شود همه گره‌های حسگر آن ناحیه لازم نیست عملیات حس کردن را بطور همزمان انجام دهند بلکه این وظیفه می تواندبه برخی گره ها مثلاً به گره هائی که دارای ترافیک کمتر یا انرژی بیشتر هستند محول شود. برای تضمین این نکته باید از الگوریتم های کار-آگاه[51] استفاده نمود.

     

     

    2-7. پروتکل  MAC [52]

    پروتکل MAC کارها را در کانال مشترک هماهنگ می‌کند. در بسیاری کاربردها، با استفاده از پروتکل‌های MAC بی‌سیم در صورت عدم دریافت یا ارسال پیام توسط گره، گره مورد نظر به مد خواب می‌رود تا در انرژی مصرفی صرفه جویی شود. یک پروتکل MAC کارا در شبکه حسگر بی‌سیم باید مصرف توان پایینی داشته باشد، از تصادف جلوگیری کند، توسط کدهای با طول کوتاه پیاده‌سازی شود و نسبت به تغییرات فرکانس رادیوئی و شرایط شبکه‌بندی تحمل پذیر باشد(Stankovic, 2006). یک نمونه خوب پروتکل MAC برای شبکه‌های حسگر بی‌سیم [53]B-MAC است. B-MAC قابلیت پیکره‌بندی بالایی دارد و در حافظه با سایز کوچک و کد با طول کوتاه قابل پیاده‌سازی است. B-MAC از چهار قسمت اصلی تشکیل شده است. تعیین وضوح کانال(CCA)[54]، قطع کردن بسته[55]، تأیید لایه پیوند داده[56]، دریافت کم توان[57]. در CCA، B-MAC در حالت بی‌باری از میانگین متحرک  وزن‌دار نمونه‌ها[58] استفاده می‌کند تا نویز زمینه را تعیین کند و تعیین نویز زمینه سبب شناسایی راحت‌تر بسته‌های می‌شود. قطع بسته در یک رنج خطی تغییر می‌کند که این عمل سبب کاهش تأخیر می‌شود. B-MAC تأیید لایه پیوند داده را بسته به بسته انجام می‌دهد. طرح دریافت کم توان در گره‌های دارای سیکل خواب و بیدار انجام می‌گیرد.

    2-8. استاندارد شبکه حسگر هوشمند

    2-8-1. استاندارد IEEE 1451.x

    IEEE 1451 یک روش کلی بر ای اتصال حسگرهای متفاوت تولیدی توسط سازندگان مختلف است. یک سیستم توسعه یافته تعداد محدود و انتخاب شده‌ای از حسگرها را پشتیبانی می‌کند. در صورت اضافه‌ شدن حسگری به سیستم، رابط‌ها و نرم‌افزارهای مخصوصی برای پیکره‌بندی جدید مورد نیاز است. IEEE و NIST از 1993 استاندارد IEEE 1451 را پشتیبانی می‌کنند(Chen, 2004). IEEE 1451 استاندارد کلی بعنوان رابط مبدل و رابط شبکه فراهم می‌کند(Bhosale &Sobolewski, 2009,322 – 329).

     

    [1] Wireless Sensor Network

    [2] Node

    [3] Sensor

    [4] Time Division Multiple Access

     

    [5] Efficiency

    [6] Topology Control Protocol

    [7] Power-Aware Routing Protocol

    [8] Sleep Management

     

    [9] Dynamic Voltage Scaling (DVS)

    [10] Register-Transfer-Level

    [11] Layout

    [12] Wireless

    [13] Actuator

    [14] Sink

    [15] Task Manager Node

    [16] Direct Connected

    [17] Flat Ad hoc Multihop

    [18] Cluster-Based

    [19] Mobile Sink

    [20] Quality of Service

    [21] Efficiency

    [22] Fault Tolerance

    [23] Reliability

    [24] Transmission Radius

    [25] Hardware Constraints

    [26] Lithium

    [27] Transmission Media

    [28] Industrial, Scientific and Medical

    [29] License-Free

    [30] Smart Dust Mote

    [31] Sleep

    [32] Quality of Service

    [33] Bit Error Rate(BER)

    [34] Self-Healing Ring

    [35] Degeneration

    [36] Mesh

    [37] Peer-to-Peer

    [38] Local Area Network

    [39] Wide Area Network

    [40] Physical Layer

    [41] Data Link Layer

    [42] Network Layer

    [43] Transport Layer

    [44] Application Layer

    [45] Power Management Plane

    [46] Mobility Management Plane

    [47] Task Management Plane

    [48] Medium Access Control (MAC)

    [49] Power-Aware

    [50] Location Aware

    [51] Application Aware

    [52] Medium Access Control

    [53] Berkeley MAC

    [54] Clear Channel Assessment (CCA)

    [55] Packet Backoff

    [56] Link Layer Acks

    [57] Low Power Listening

    [58] Weighted Moving Average of Samples

    Abstract

    Power consumption has become a primal constraint in digital electronic design. In order to optimize power at early design phases, low power techniques are now widely investigated by architecture and compiler designs. A key challenge in the design of low power systems is the fast and accurate estimation of power dissipation.

    Power estimation methodology can be divided into four abstraction levels: System Level, Register Transfer Level (RTL), Gate Level and Layout Level. Accuracy of power estimation at the layout and gate levels is within 70-95%, but they suffer from relatively long run time. System level methodologies have the fastest simulation time but the accuracy is 40-75%. Due to loss of accuracy at system level and greater time at gate/layout level, RTL power estimation has become an important research topic.

    Power is a strongly pattern dependent function. Input statistics greatly influence on average power. A power macro-modelling technique for RTL model of digital electronic circuits is used. This technique allows estimating the power dissipation of module to their statistical knowledge of the primary inputs/outputs. 

    During power estimation procedure, the sequence of an input stream is generated and the macro-model function is used to construct a set of functions that maps the input metrics of a macro-block to its output metrics. Then simulation is performed for RTL and the power dissipation is predicted by a macro-model function.

    This model yields power estimates within seconds, because it does not rely on the statistics of the circuit’s primary outputs and, consequently, does not perform any simulation during estimation. Moreover, it achieves better accuracy than previous macro-modeling approaches by taking into account spatial correlations in the input stream.

     But, it should be considered that mocro-modeling method dosent answer for all input sets. And some tools must be applied to show us what input sets cause correct and  accurate estimation. An ANN is the best tool for this purpose. MLP network trained with some proper and unsuitable input sets and exactly specify appropriate set for early design phases.

  • فهرست و منابع پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی

    فهرست:

    عنوان                                                                                                  صفحه

    فصل اول: کلیات

    1-1. توان در شبکه های حسگر بی سیم ...........................................................................      1

    فصل دوم: شبکه حسگر بی سیم

    2-1.مقدمه ..........................................................................................................................      6

    2-2. مقایسه شبکه حسگر بی سیم و شبکه Ad hoc .........................................................      8

    2-3. کاربردها .....................................................................................................................      9

    2-4. عوامل مؤثر در طراحی شبکه حسگر .........................................................................      9

    2-5. توپولوژی های مختلف شبکه ....................................................................................      11

    2-6. لایه های شبکه ..........................................................................................................      14

    2-7. پروتکل  MAC..........................................................................................................      16

    2-8. استاندارد شبکه حسگر هوشمند ................................................................................      17

    2-8-1. استاندارد IEEE 1451.x .......................................................................................      17

    2-8-2. استاندارد IEEE 802.15.4 ....................................................................................      19

    2-9. روش‌های کاهش مصرف انرژی در شبکه‌های حسگر ...............................................      22

    2-9-1. روش های چرخه وظایف .....................................................................................      22

    2-9-2.روش‌های داده‌گرا ...................................................................................................      23

    2-9-3.روش‌های مبتنی بر قابلیت تحرک ..........................................................................      23

    فصل سوم: گره در شبکه حسگر بی سیم

    3-1. اجزا گره حسگر ........................................................................................................      25

    3-2. انرژی مصرفی گره حسگر .........................................................................................      29

    3-2-1. حالات کاری با توان مصرفی متفاوت ...................................................................      29

    3-2-2. انرژی مصرفی میکروکنترلر ...................................................................................      33

    3-2-3. مدل انرژی پردازنده ..............................................................................................      34

    3-2-4. مقیاس گذاری دینامیک ولتاژ(DVS) ....................................................................      34

    3-2-5. بررسی توان مصرفی چند میکروکنترلر .................................................................      35

    3-2-6. انرژی مصرفی گیرنده/ فرستنده ............................................................................      36

    3-2-7. مدل انرژی گیرنده/ فرستنده .................................................................................      37

    3-2-8. بررسی توان مصرفی دو گیرنده/ فرستنده .............................................................      39

    3-2-9. انرژی مصرفی حافظه ...........................................................................................      40

    3-2-10. انرژی مصرفی حسگر ........................................................................................      40

    3-3. پروتکل‌های ارتباطی .................................................................................................      43

    3-3-1. لایه فیزیکی ..........................................................................................................      43

    3-3-2. لایه پیوند داده ......................................................................................................      44

    3-3-3. لایه کاربرد ...........................................................................................................      44

    3-3-4. لایه انتقال .............................................................................................................      45

    3-3-5. لایه شبکه .............................................................................................................      46

    فصل چهارم: شبیه سازی شبکه حسگر بی‌سیم

    4-1. نرم افزارهای مورد استفاده جهت شبیه سازی شبکه .................................................      47

    4-2. شبیه سازی شبکه حسگر ..........................................................................................      48  

    4-2-1. گره .......................................................................................................................      49

    4-2-1-1. ماژول Node ....................................................................................................      49

    4-2-2. ایستگاه .................................................................................................................      50

    4-2-2-1. ماژول ایستگاه ..................................................................................................      50

    4-2-3.کامپیوتر اصلی ........................................................................................................      51

    4-2-3-1. ماژول محرک و مانیتور ....................................................................................      51

    4-3. الگوریتم رمز کننده DES ..........................................................................................      51

    4-3-1. DES .....................................................................................................................      51

    4-4. توضیح فایل‌های شبیه سازی .....................................................................................      62

    4-5. نتایج شبیه سازی .......................................................................................................      63

    4-6. شبیه سازی استاندارد 802.15.4 IEEE .....................................................................      65

         

    فصل پنجم. مدلسازی گره و محاسبه توان پردازشی

    5-1. توان مصرفی ..............................................................................................................      68

    5-2. تخمین انرژی در سطح تجرید گیت ..........................................................................      69

    5-3. تخمین توان با استفاده از روش Macro-Model .......................................................      70

    5-3-1. آنالیز رگرسیون ......................................................................................................      71

    5-3-2. حل ماکرو مدل با رگرسیون خطی ........................................................................      73

    5-3-3. متغیرهای رگرسیون خطی .....................................................................................      74

    5-4. نتایج تخمین توان ......................................................................................................      75

    5-5. تعیین ورودی های مناسب توسط شبکه عصبی .........................................................      79

    5-5-1. پیاده سازی MLP و نتایج حاصله .........................................................................      80

    فصل ششم: نتیجه گیری و پیشنهادات

    6-1. یافته های تحقیق ........................................................................................................      82

    6-2. نوآوری تحقیق در مقایسه با کارهای گذشته ..............................................................      84

    6-3. پیشنهادات ..................................................................................................................      84

    پیوست:

    مراجع ..................................................................................................................................      86

    واژه نامه ..............................................................................................................................      90

    چکیده انگلیسی....................................................................................................................      96

    منبع:

    [1] Akyildiz, I.F.; Su, W.; Sankarasubramaniam, Y. ; Cayirci, E. ; “A Survey on Sensor Networks”, IEEE Communications Magazine, vol. 40, no. 8, pp. 102-114, August 2002.

    [2] Stankovic, J. A; “Wireless Sensor Networks”, June 19, 2006.

    [3] Lewis, F. L. ; “Wireless Sensor Networks”, John Wiley, New York, 2004.

    [4] Coelho,B.B. ; Fiore,J.M. ; “A Simple Model for CPU Power Consumption in Sensor Networks”, URL: “http://justin.fiores.net/files/CPUPowerConsumption.pdf”, 2005.

    [5] Rentala, P. ; Musunuri, R. ; Gandham, S. ; Saxena, U. ; “Survey on Sensor Networks”, Department of Computer Science University of Texas at Dallas, 2001.

    [6] Akyildiz, I.F. ; Su, W. ; Sankarasubramaniam,Y. ; Cayirci, E. ; “Wireless Sensor Network: a Survey”, In Computer Networks (Elsevier) Journal, Vol.38, No.4, pp. 393-422, March 2007.

    [7] “Mega Guide”, PrepLogic, “URL: http://www.preplogic.com”, 2007.

    [8] Xing, G. ; Lu, C. ; Zhang, Y. ;  Huang, Q. ; Pless, R. ; “Minimum Power Configuration in Wireless Sensor Networks”, ACM Journal Name, Vol. V, No. N, Month 20YY, pp. 1-30, 2005.

    [9] Bag, J. ; Roy, S. ; Sarkar, S.K. ; “Realization of a low power sensor node processor for Wireless Sensor Network and its VLSI implementation” , Advance Computing Conference (IACC), 2014 IEEE International , Page(s): 101 – 105, 2014.

    [10] Karray, F. ; Jmal, M.W. ; Abid, M. ; BenSaleh, M.S. ; Obeid, A.M.; “A review on wireless sensor node architectures” ,   Reconfigurable and Communication-Centric Systems-on-Chip (ReCoSoC), 2014 9th International Symposium , Page(s): 1 – 8, 2014.

    [11] Karl, H. ; Willig, A. ; “Protocols and Architectures for Wireless Sensor Networks”, John Wiley & Sons Ltd, 2005.

    [12] Becher, A. ; Benenson, Z. ; Dornseif, M. ; “Tampering with Motes: Real-World Physical Attacks on Wireless Sensor Networks”, RWTH Aachen, Department of Computer Science October 2005.

    [13] Luo, W. ; “Self-configuring Networked Environmental Sensors”, School of Information Technology & Electrical Engineering, PhD Confirmation Report, October 2005.

    [14] Chen, G. ; “Sensor Network Node Based On IEEE 1451 – Implementation with MAX1463”, Master of Engineering in Telecommunications & Networking, Thesis 2004 Masters.

    [15]Enami, N. ; Askari Moghadam, R.; Dadashtabar, K.; Hoseini, M.; “Neural Network Based Energy Efficiency in Wireless Sensor Networks: a Survey”, In: International Journal of Computer Science & Engineering Survey (IJCSES), Vol.1, No.1, August 2010.

    [16] Chiang, M.W. ; Zilic, Z. ; Radecka, K. ; Chenard, J. S. ; “Architectures of Increased Availability Wireless Sensor Network Nodes”, ITC International Test Conference, IEEE, pp. 1232-1241, 2004.

    [17] Zhong, L.C. ; “A Unified Data-Link Energy Model for Wireless Sensor Networks”, A dissertation submitted in partial satisfaction of the requirements for the degree of Doctor of Philosophy, University of California, Berkeley, Spring 2004.

    [18] Zou, Y. ; “Coverage-Driven Sensor Deployment and Energy-Efficient Information Processing in Wireless Sensor Networks”, Department of Electrical and Computer Engineering Duke University, 2004.

    [19] Hill, J.L. ; “System Architecture for Wireless Sensor Networks”, A dissertation submitted in partial satisfaction of the requirements for the degree of Doctor of Philosophy, University of California, Berkeley, Spring 2003.

    [20] Rostami, A.Sh. ; Tanhatalab, M.H. ; Bernety, H.M. ; Naghibi, S.E. ; “Decreasing the Energy Consumption by a New Algorithm in Choosing the Best Sensor Node in Wireless Sensor Network with Point Coverage”; Computational Intelligence and Communication Networks,  IEEE CICN; Page(s): 269 – 274 ; 2010.

    [21] Zheng, R. ; “Design, Analysis and Empirical Evalution of Power Management in Multi-Hop Wireless Networks”, University of Illinois at Urbana-Champaign, 2004.

    [22] Raghuwanshi, S. ; “Energy Efficient Cross Layer Design Scheme for Wireless Sensor Networks”, Master of Science, Blacksburg, Virginia, August 29th 2003.

    [23]  Manjarres, D. ; Lopez, S.G. ; Vecchio, M. ; Torres, I.L.; Valcarce, R.L. ; “On the Application of a Hybrid Harmony Search Algorithm to Node Localization in Anchor-based Wireless Sensor Networks”, International Conference on Intelligent Systems Design and Applications(ISDA), pp.1014 – 1019, 2011.

    [24] Xu, Y. ; “Energy Efficient Designs for Collaborative Signal and Information Processing in Wireless Sensor Networks”, A Dissertation Presented for the Doctor of Philosophy Degree The University of Tennessee, Knoxville, May 2005.

    [25] Subhai, C.P. ; Malarkan, S.; Vaithinathan, K. ; “A Survey On Energy Efficient Neural Network Based Clustering Models In Wireless Sensor Networks”, Emerging Trends in VLSI, Embedded System, Nano Electronics and Telecommunication System (ICEVENT), International  IEEE Conference, 2013.

    [26] Singh, P. ; Agrawal, S. “TDOA Based Node Localization in WSN Using Neural Networks” in: Communication Systems and Network Technologies (CSNT), Page(s): 400 – 404, 2013.

    [27] Beitollahzadeh, J. ; Shahraki, A.A. ; Mohammadi, K. ; “A new method for increasing the lifetime of network and reducing energy consumption in wireless sensor network” In: 21st Iranian Conference on Electrical Engineering (ICEE), Page(s): 1 – 5, 2013.

    [28] Happonen, A. ;  “Low Power Design for Wireless Sensor Networks”, University of Oulu, Finland, 21 Jun 2004.

    [29] Ye, W. ; Heidemann, J. ; Estrin, D. ; “An Energy-Efficient MAC Protocol for Wireless Sensor Networks”, Infocom 2002, Twenty-First Annual Joint of the IEEE Computer and Communications Societies, Proceedings, IEEE, Vol. 3,  pp. 1567-1576, 2002.

    [30] Bhosale, S. ; Sobolewski, M. ; “SenSORCER: A Framework for Managing Sensor-Federated Networks”,  Parallel Processing Workshops, 2009. ICPPW '09. International Conference , Page(s): 322 – 329, 2009.

    [31] Callaway, E. H. ;  “Wireless Sensor Networks: Architectures and Protocols”, Auerbach Publications, 2003.

    [32] Wang, L. ; Xiao, Y.;  “A Survey of Energy-Efficient Scheduling Mechanisms in Sensor Networks”, Springer Science, 23 May 2006.

    [33] Mahawaththa, M.D.W.S. ; Goonetillake, M.D.J.S.; “Location aware queries for sensor network” International Conference on Advances in ICT for Emerging Regions (ICTer), Page(s): 2 – 8,2011.

    [34] Sachdeva, G. ; Dömer, R.; Chou, P. ; “System Modeling A Case Study on a Wireless Sensor Network”, University of California, Irvine, Technical Report CECS-TR-05-12,June 15, 2005.

    [35]  Haiying, W. ;  Zhonghua, H. ;  Yu, H. ;  Gechen,L. ; “Power state prediction of battery based on BP neural network”,  7th International Forum on Strategic Technology (IFOST), 2012.

    [36] Cheng, L. ; “IEEE 802.15.4 MAC Protocol Study and Improvement”, A Dissertation Submitted in Partial Fulfillment of the Requirements for the Degree of Doctor of Philosophy, Georgia State University, 2007.

    [37] Park, C. ; Liu J. ; Chou, P.H. ; “Eco: an Ultra-Compact Low-Power Wireless Sensor Node for Real-Time Motion Monitoring”, IPSN, 2005.

    [38]  Manjuprasad, B. ; Dharani, A. “ Simple Secure Protocol for Wireless Sensor Networks”,Computing and Communication Technologies (WCCCT),  Page(s): 260 – 263,2014.

    [39] Black, D. C.  ; Donovan, J. ; “SystemC: from the ground up”, Kluwer Academic Publishers, 2004.

    [40] Magno, M. ; Benini, L. ; Gaggero, L. ; La Torre Aro, J.P. ; Popovici, E. ; “A versatile biomedical wireless sensor node with novel drysurface sensors and energy efficient power management”  5th IEEE International Workshop on Advances in Sensors and Interfaces (IWASI), 2013.

    [41] Ganesh, S. ; Amutha, R. “Efficient and secure routing protocol for wireless sensor networks through SNR based dynamic clustering mechanisms”,  Journal of Communications and Networks, Volume: 15, No: 4, Page(s): 422 – 429, 2013.

    [42] Adinya, O.J. ; Li Daoliang ; “Transceiver energy consumption models for the design of low power wireless sensor networks” IEEE Student Conference on Research and Development (SCOReD), 2012.

    [43] Zhang, G. ; Liu, G. ; Chen, W. ; Yang, C. ; “Quantitative analysis of cluster-head selection for wireless sensor networks”  World Automation Congress (WAC), Page(s): 277 – 281, 2012.

    [44] Kaliannan, B. ; Pasupureddi, V.S.R. “A Low Power CMOS Imager Based on Distributed Compressed Sensing ” VLSI Design and 2014 13th International Conference on Embedded Systems,  Page(s): 534 – 538, 2014.

    [45]  Wu, Q. ;  Qiu, Q. ; Pedram, M. ;  Ding, Ch. ; “Cycle-accurate macro-models for RT-level power analysis”, Very Large Scale Integration (VLSI) Systems, IEEE Transactions,Volume: 6, Issue: 4, Page(s): 520 – 528, 1998.

    [46] Wu, Q.  ; Ding, C. ; Hsieh, C.; Pedram, M. ; “Statistical Design of Macro-models For RT-Level Power Evaluation”, Proceedings of the Asia and South Pacific Design Automation Conference, pp.523-528, Jan. 1997.

    [47] Durrani, Y.A. “Efficient power macromodeling technique for conventional MOS transistors”, Electrical Engineering and Informatics (ICEEI) , Page(s): 1 – 7, 2011.

    [48] Dorling, K. ; Valentin, S. ; Messier, G.G. ; Magierowski, S. “Repair algorithms to increase the lifetime of fully connected wireless sensor networks”  IEEE International Conference on Communications (ICC), Page(s): 1784 – 1789, 2013.

    [49]  Ahmed, M. ; Adel, F.  “Performance Behaviour ofWSN with Bursty Traffic”, The 8th International Conference on INFOrmatics and Systems (INFOS2012), Cairo University, 2012.

     [50] Renold, A. ; poongothai, R. ; Parthasarathy, R. “Performance Analysis of LEACH with Gray Hole Attack in wireless sensor Network”, International Conference on Computer Communication and Informatics (ICCCI-2012), Coimbatore, INDIA, 2012.

    [51] Chagas, S.H. ; Martins, J.B. ; de Oliveira, L.L. “Genetic Algorithms and Simulated Annealing optimization methods in wireless sensor networks localization using artificial neural networks”, Circuits and Systems (MWSCAS), IEEE 55th International Midwest Symposium, 2012.

    [52] Anastasi, G. ; Conti, M. ; Passarella, A. cEnergy Conservation in Wireless Sensor Networks: a survey”,  Ad Hoc Networks, volume 7, Issue 3, Elsevier; pp.537-568, 2009.

    [53] Kvatinsky, S. ; Friedman, E.G. ; Kolodny, A. ; Schächter, L. “Power grid analysis based on a macro circuit model” Electrical and Electronics Engineers in Israel (IEEEI), Page(s): 708 –712, 2010.

    [54] MingMing Li ; Wei Li ;  “A Power Adapting CODE Algorithm Applying in the Wireless Sensor Networks” International Conference on Intelligent System Design and Engineering Application (ISDEA), Volume: 1, Page(s): 137 – 141, 2010.

    [55]Klein, F. ;Leao, R. ; Araujo, G. ; “PowerSC: A SystemC-based Framework for Power Estimation”, Technical report, Talk at the 6th NASCUG (co-located with DVCon), San Jose, USA, February 2007.

    [56] Bernacchia, G. ; Papaefthymiou, M.C. ; “Analytical Macromodeling for High-Level Power Estimation”, 1999 IEEE/ACM International Conference on Computer-Aided Design, 1999. Digest of Technical Papers, pp. 280 – 283, 1999.

    [57] Sarkar, T.K. ; Dyab, W. ; Abdallah, M.N. ; Salazar-Palma, M. ; Prasad, M.V.S.N. ; Sio Weng Ting ; Barbin, S. ; “Electromagnetic Macro Modeling of Propagation in Mobile Wireless Communication: Theory and Experiment ” Antennas and Propagation Magazine, IEEE, Volume: 54, Issue: 6, Page(s): 17 – 43, 2012.

     [58] Durrani, Y.A. ; “Power Macro-modeling for IP-based Digital Systems at Register Transfer Level”, Thesis Doctoral, university polytechnic Madrid, 2008.



تحقیق در مورد پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, مقاله در مورد پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, پروژه دانشجویی در مورد پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, پروپوزال در مورد پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, تز دکترا در مورد پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, تحقیقات دانشجویی درباره پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, مقالات دانشجویی درباره پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, پروژه درباره پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, گزارش سمینار در مورد پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, پروژه دانشجویی در مورد پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, تحقیق دانش آموزی در مورد پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, مقاله دانش آموزی در مورد پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی, رساله دکترا در مورد پایان نامه مدل سازی گره و محاسبه مصرف توان پردازشی شبکه های حسگر بی‌سیم به کمک شبکه عصبی

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس