基于马尔可夫链的传感器网络空间相关性数据预测算法

如何在降低计算复杂度的同时提高数据预测的精度,是传感器网络数据预测研究中亟需解决的问题之一。针对目前主流的时间相关性数据预测算法在数据波动大时预测精度低的问题,引入Delaunay三角形邻近图来度量网络中监测数据的空间相关性,并提出基于马尔可夫链的空间相关性数据预测算法。实验表明,该算法可以在数据波动不规律的情况下提高数据预测精度,减少网络中数据传输量。

一种新型的基于地理位置信息的Ad Hoc路由算法

提出了一种适用于无线Ad Hoc网络的路由算法GLFCFR(G reedy and Local F in ite C lose FaceRouting),该算法以RNG(Relative Ne ighborhood G raph)图作为无线网络的拓扑结构,利用节点中存储的邻节点位置信息和网络局部有限闭平面上的节点位置信息实现了数据分组的转发.随着网络中节点数的增加以及节点移动性的增强,该路由算法具有良好的可扩展性和适应性,通过仿真可看出GLFCFR算法在路由分组开销和数据分组的成功传输率方面具有良好的性能.

GLFR:一种新的基于地理位置信息Ad Hoc网络路由算法

在经典的基于地理位置信息的Ad Hoc网络路由算法GPSR的基础上,为了提高数据分组成功传输率,提出了一种适用于无线网络的路由算法GLFR,该算法以RNG图作为无线网络的拓扑结构,利用节点中存储的邻节点位置信息和局部面上的节点位置信息实现了数据分组的转发,随着网络中节点数的增加以及节点移动性的增强,该路由算法具有良好的可扩展性和适应性。通过仿真可以看出GLFR算法在数据分组成功传输率方面具有良好的性能。