汪 亮，陳燕紅

(湖南機電職業(yè)技術(shù)學院電氣工程學院，湖南 長沙 410151)

無線傳感器網(wǎng)絡(luò)被譽為二十一世紀最具影響力的科學技術(shù)之一[1]，其已成為我國重點研究項目之一。 由于無線傳感器網(wǎng)絡(luò)節(jié)點通常由電池提供能量，導致能量存在上限且無法補充，因此建立有效無線傳感器網(wǎng)絡(luò)分簇路由算法用以控制節(jié)點能量消耗十分重要[2]。 但是現(xiàn)階段無線傳感器網(wǎng)絡(luò)分簇路由控制方法由于樣本數(shù)量較少、網(wǎng)絡(luò)節(jié)點間剩余能量差高的問題，導致控制方法的效果無法達到預期。相關(guān)學者深入研究了該問題，并且取得了一定成果。

王宗山等[3]首先通過改進人工蜂群優(yōu)化的模糊C 均值算法聚類分簇網(wǎng)絡(luò)節(jié)點，并由節(jié)點狀態(tài)分布式競選簇首，然后采用基尼系數(shù)優(yōu)化的蜂群算法作為簇間路由算法，最后利用輪詢機制控制簇內(nèi)通信，構(gòu)建無線傳感器網(wǎng)絡(luò)分簇路由算法。 該方法延長了無線傳感器的使用壽命，但是其由于樣本較小、蘊含的信息有限，導致簇首數(shù)量選擇不理想。 Nishi等[4]認為從傳感器節(jié)點到Sink 的通信是一個能量消耗的任務(wù)，分簇是傳感器網(wǎng)絡(luò)中提供通信的策略之一，利用移動中繼設(shè)計了繼電器和節(jié)點聚類方法，構(gòu)建無線傳感器網(wǎng)絡(luò)分簇路由算法。 該方法有效分簇了無線傳感器網(wǎng)絡(luò)，但是其網(wǎng)絡(luò)能耗均衡性較差，導致網(wǎng)絡(luò)節(jié)點間剩余能量差高，工作效率不佳。 胡潤彥等[5]建立每輪網(wǎng)絡(luò)能耗總量和分簇數(shù)量的目標函數(shù)并獲取最優(yōu)分簇數(shù)，通過雙層模糊決策選擇簇首節(jié)點，構(gòu)建無線傳感器網(wǎng)絡(luò)分簇路由算法。 該方法在實際應(yīng)用中可以有效降低網(wǎng)絡(luò)節(jié)點間剩余能量差，但是該方法存在分類準確率低的問題。 李洪兵等[6]考慮鄰近簇首和鄰近節(jié)點的狀態(tài)，分級處理節(jié)點，在選取簇首時，根據(jù)簇首位置和簇群范圍優(yōu)化簇首，以此降低發(fā)生簇首分布過密和簇群范圍不合理情況的概率，在數(shù)據(jù)傳輸時，通過節(jié)點剩余能量、節(jié)點間距離和鄰近節(jié)點，采用中繼方式均衡節(jié)點能耗，從而降低無線傳感器網(wǎng)絡(luò)總能耗，該方法提高了網(wǎng)絡(luò)能耗均衡性，但是在實際應(yīng)用中增加的無線傳感器網(wǎng)路壽命未達到預期值。

為了解決上述方法中存在的問題，提出基于小樣本無梯度學習的無線傳感器網(wǎng)絡(luò)分簇路由方法。該方法引入小樣本無梯度學習算法，并且結(jié)合了生成對抗網(wǎng)絡(luò)，處理小樣本數(shù)據(jù)，優(yōu)化算法，實現(xiàn)無線傳感器網(wǎng)絡(luò)分簇路由的設(shè)計，以期提高無線傳感器網(wǎng)絡(luò)分簇路由的工作效率和使用壽命。

1 無線傳感網(wǎng)絡(luò)小樣本數(shù)據(jù)處理

從統(tǒng)計學角度分析，數(shù)據(jù)規(guī)模越大，能夠從中學習的網(wǎng)絡(luò)結(jié)構(gòu)和分布構(gòu)成越豐富、特征刻畫越明確，由此產(chǎn)生了大規(guī)模的大數(shù)據(jù)樣本處理方法，但在實際樣本應(yīng)用中，受環(huán)境、成本、時間等客觀因素影響，并非所有情況下均能夠獲取到大量數(shù)據(jù)樣本，因此小樣本數(shù)據(jù)處理同樣十分重要，處理小樣本能夠在有限數(shù)據(jù)內(nèi)獲取更豐富的信息，實現(xiàn)小樣本的有效利用[7]。

基于小樣本無梯度學習的無線傳感器網(wǎng)絡(luò)分簇路由方法采用條件生成對抗網(wǎng)絡(luò)處理小樣本學習數(shù)據(jù)[8]，用p1，p2，…，pm表示小樣本機器學習數(shù)據(jù)，將數(shù)據(jù)映射至由復值函數(shù)構(gòu)成的Hibert 空間H中，得到對應(yīng)數(shù)據(jù)φ(p1)，φ(p2)，…，φ(pm)，用β表示投影方向，JεB表示H中類間散布矩陣，βT表示H中全部數(shù)據(jù)樣本平均值，m表示樣本數(shù)量，結(jié)合再生核理論[9]，轉(zhuǎn)換特征提取問題為最優(yōu)化求解問題K(β)，如下所示:

轉(zhuǎn)換式(1)中投影方向為樣本點線性輸出，用β′表示β的轉(zhuǎn)置；CB表示經(jīng)過變化后類間散布；CW表示經(jīng)過變化后類內(nèi)散布；vj表示總平均值；wi表示類別i對應(yīng)平均值；β′T表示轉(zhuǎn)置后全部數(shù)據(jù)樣本平均值。 得到轉(zhuǎn)置后優(yōu)化求解問題K(β′)，如下所示:

依據(jù)以上計算求得樣本特征值，采用對應(yīng)的特征向量構(gòu)建特征矩陣，用于后續(xù)計算。

針對處理數(shù)據(jù)中存在的不平衡情況，需要計算數(shù)據(jù)特征相對熵，結(jié)合相對熵變化，平衡小樣本數(shù)據(jù)類[10]。 用A表示構(gòu)建的特征矩陣，P(a)表示A的概率分布，a∈A，A∈Ω，Ω表示有限集合，則A的信息熵H(A)如下所示:

假設(shè)存在兩個類不同的特征矩陣B和D，b∈B，d∈D，用ρ(b)表示B的邊緣概率；ρ(d)表示D的邊緣概率；P(b，d)表示B和D聯(lián)合概率分布。得到B和D互信息Q(B，D)，如下所示:

互信息在信息熵調(diào)節(jié)中具有重要作用，其能夠反映數(shù)據(jù)信息量變化情況。 結(jié)合式(4)計算B和D的相對熵L(B｜D)，如下所示:

式中:P(b)表示B的概率分布。 通過相對熵能夠描述B和D之間的平衡性，若數(shù)據(jù)不平衡，則通過調(diào)節(jié)信息熵使相對熵達到平衡目標，實現(xiàn)數(shù)據(jù)平衡后，將數(shù)據(jù)輸入條件生成對抗網(wǎng)絡(luò)加以處理。

用S表示一個條件生成對抗網(wǎng)絡(luò)，S具有對應(yīng)最優(yōu)判別器W，在W結(jié)果達到最優(yōu)并輸出結(jié)果WS時，完成小樣本處理。 用gs表示S生成的數(shù)據(jù)分布，gdata表示未經(jīng)處理時的最小化真實分布，則WS＝以gs和gdata散度J(gdata‖gs)作為數(shù)據(jù)處理目標函數(shù)F(S)的等價函數(shù)，則有:

在提前設(shè)定W的條件下，即可實現(xiàn)目標函數(shù)F(S)的求解，完成不改變原始數(shù)據(jù)內(nèi)容的小樣本學習數(shù)據(jù)處理。

2 無梯度學習的無線傳感器網(wǎng)絡(luò)分簇路由方法

無梯度學習的無線傳感器網(wǎng)絡(luò)分簇路由方法是通過LEACH 協(xié)議算法和遺傳算法(GA)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(GABP)相結(jié)合實現(xiàn)的，該方法在求解具有非凸、不可導、有大量局部極值目標函數(shù)中表現(xiàn)優(yōu)異。 選擇LEACH 協(xié)議算法的原因是該算法的網(wǎng)絡(luò)拓撲結(jié)構(gòu)為分層結(jié)構(gòu)，簇首節(jié)點形成高層網(wǎng)絡(luò)，使得簇內(nèi)節(jié)點不需要存儲路由信息，簡化了路由路徑選擇，并且可以隨機選取簇首節(jié)點，同時，具有數(shù)據(jù)融合處理的功能，減少了無線傳感器網(wǎng)絡(luò)的信息傳輸量，更加符合無線傳感器網(wǎng)絡(luò)分簇路由方法。 選擇結(jié)合遺傳算法(GA)優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)(GABP)是因為BP 算法具有尋優(yōu)精確的特點，但是全局尋優(yōu)能力有限，而遺傳算法具有很強的宏觀搜索能力和良好的全局優(yōu)化性能，因此將三種算法相結(jié)合，從而提高網(wǎng)絡(luò)能耗均衡性、延長網(wǎng)絡(luò)壽命。

2.1 BP 神經(jīng)網(wǎng)絡(luò)和GA 算法原理

2.1.1 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種結(jié)構(gòu)為三層或三層以上的神經(jīng)網(wǎng)絡(luò)[11]，其中每層均由若干神經(jīng)元構(gòu)成，網(wǎng)絡(luò)結(jié)構(gòu)及神經(jīng)元模型如圖1 所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及神經(jīng)元模型圖

圖1 中，f表示神經(jīng)元傳輸函數(shù)，f＝ωr＋b；r表示神經(jīng)元輸入；ω表示權(quán)值；b表示偏置；x1，x2，…，xm表示輸入?yún)?shù)；ωij和φik分別表示輸入層與隱含層和隱含層與輸出層連接權(quán)值。 最終得到輸出y1，y2，…，ym。

在BP 神經(jīng)網(wǎng)絡(luò)正向傳播過程中，輸入信息由輸入層傳輸至隱含層，在隱含層中經(jīng)過處理輸出各單元實際值；在反向過程中，若輸出值不符合預期，則通過反向?qū)W習，并修正各個層次連接權(quán)重，使BP 神經(jīng)網(wǎng)絡(luò)學習誤差達到預期，完成BP 神經(jīng)網(wǎng)絡(luò)學習。

2.1.2 GA 算法

GA 算法是根據(jù)“優(yōu)勝劣汰，適者生存”理論誕生的種群擇優(yōu)算法[12]，結(jié)合種群選擇、交叉、變異操作，實現(xiàn)種群優(yōu)化，在多代循環(huán)后，得到符合要求的個體，即完成最優(yōu)解逼近，選擇、交叉、變異操作的主要流程如下所示:

①選擇

選擇是依據(jù)特定概率選擇種群中個體作為繁殖后代的父本，并且由適應(yīng)度決定概率。 選擇操作可以保留優(yōu)秀個體，從而經(jīng)過繁衍得到更多優(yōu)質(zhì)個體，完成期望值逼近。

②交叉

交叉結(jié)合自然界信息交互思想，通過交換兩個被選擇個體上的一點或多點位置，產(chǎn)生新的個體，在全局角度上改善個體結(jié)構(gòu)。

③變異

變異操作依據(jù)特定概率選擇個體，變異選擇個體中某段染色體，加強個體的適應(yīng)度。

2.2 GABP 算法

GA 算法在全局尋優(yōu)中表現(xiàn)優(yōu)異，而BP 神經(jīng)網(wǎng)絡(luò)在局部尋優(yōu)中具有一定優(yōu)勢，因此將兩者相結(jié)合，建立GABP 算法，提高算法性能，主要流程如下所示:

①染色體編碼

BP 神經(jīng)網(wǎng)絡(luò)負責編碼全部權(quán)值和偏置并生成染色體X，σm表示各個隱含層之間連接偏置，sn表示輸出層偏置，得到一組染色體X如下所示:

②適應(yīng)度計算

適應(yīng)度函數(shù)對個體被選中的概率起到?jīng)Q定性作用，結(jié)合預測輸出yi和期望輸出ei構(gòu)建染色體Xi的適應(yīng)度函數(shù)K(Xi):

式中:α表示系數(shù)；n表示神經(jīng)元總數(shù)；i∈[1，n]。

③遺傳操作

計算個體適應(yīng)度值，并引入輪盤賭法選擇概率，用M表示種群數(shù)量，則每個基因被選中的概率pi如下所示:

采用式(9)選擇兩個基因，記作Xa和Xb，交換兩者第k位的染色體，得到新染色體Xak和Xbk，新染色體如下所示:

式中:γ表示[0，1]中的常數(shù)。

在父代中選取個體基因的基因點Xij，通過均勻分布的隨機數(shù)替換Xij，提高基因適應(yīng)性，用Xmax和Xmin分別表示選取的個體基因上下界；u表示當前進化次數(shù)；g(u)表示u的相關(guān)函數(shù)；r1和r2分別表示[0，1]中隨機數(shù)；Umax表示進化次數(shù)最大值。 得到新基因點X′ij如下所示:

變異操作能夠提高局部尋優(yōu)能力，并保障種群多樣性。

2.3 無線傳感器網(wǎng)絡(luò)分簇路由算法

基于小樣本無梯度學習的無線傳感器網(wǎng)絡(luò)分簇路由方法采用LEACH 協(xié)議算法，初步劃分各傳感器節(jié)點為簇[13]，LEACH 協(xié)議算法通過隨機選擇簇首方式生成網(wǎng)絡(luò)，并以“輪”為周期重組網(wǎng)絡(luò)，選取新簇首，平衡網(wǎng)絡(luò)能量高損耗。 在LEACH 協(xié)議算法建簇階段中，全部節(jié)點隨機生成在[0，1]內(nèi)，比較該隨機數(shù)值與設(shè)定閾值ψ(m)，確定是否設(shè)置該節(jié)點為簇首。 用η表示成為簇首節(jié)點數(shù)與網(wǎng)絡(luò)中總節(jié)點數(shù)之比；W表示當前輪結(jié)束后還未成為簇首的節(jié)點集合；R表示已完成循環(huán)輪數(shù)；mod(·)表示求余函數(shù)。ψ(m)遵循以下規(guī)則:

根據(jù)式(12)，若隨機數(shù)值小于ψ(m)，則將其設(shè)置為簇首。 在第一輪簇首選擇中，簇首節(jié)點由LEACH 協(xié)議算法隨機決定，簇首負責分配簇內(nèi)成員相應(yīng)工作。

經(jīng)LEACH 協(xié)議算法劃分后的每個分簇均與BP神經(jīng)網(wǎng)絡(luò)模型一一對應(yīng)。 GABP 算法具有泛化能力強、收斂速度快等優(yōu)點，將其應(yīng)用于簇首節(jié)點和數(shù)目選擇的主要流程如圖2 所示。

圖2 GABP 算法的簇首節(jié)點和數(shù)目選擇流程

基于GABP 的無線傳感器網(wǎng)絡(luò)分簇路由算法的主要步驟如下所示:

①結(jié)合無線傳感器網(wǎng)絡(luò)拓撲結(jié)構(gòu)，設(shè)定BP 神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)，初始化權(quán)值和偏置并傳遞至GA算法，用m和n分別表示輸入和輸出節(jié)點數(shù)，λ表示[0，10]范圍內(nèi)的調(diào)節(jié)常數(shù)，計算隱含層節(jié)點個數(shù)v，如下所示:

②計算每個個體適應(yīng)度值并將適應(yīng)度值較高的個體交叉、變異獲取新種群，更新后的種群若滿足要求，則進入步驟3，若不滿足要求，則重復計算直到符合要求為止。 用θ表示鄰居節(jié)點密度，l表示節(jié)點傳輸距離，Qn-res和QN-res分別表示節(jié)點n剩余能量和全部節(jié)點剩余能量總和，?、ε和φ表示權(quán)值系數(shù)，三者滿足?＋ε＋φ＝1，定義無線傳感器網(wǎng)絡(luò)分簇路由中采用的適應(yīng)度函數(shù)Z，如下所示:

③傳遞獲取到的最優(yōu)解至BP 神經(jīng)網(wǎng)絡(luò)，結(jié)合誤差δn更新權(quán)值和偏置，用X(i)表示網(wǎng)絡(luò)輸入值，Gi和Gj分別表示輸入層和隱含層輸出，ξ表示系數(shù)，yn表示預測輸出，en表示期望輸出，n表示輸出層數(shù)量，得到ωij和φik的更新ω′ij和φ′ik，如下所示:

④判定經(jīng)過BP 神經(jīng)網(wǎng)絡(luò)處理后輸出誤差δn是否符合提前設(shè)定的期望值，若符合，則算法結(jié)束，若不符合，則返回步驟3 繼續(xù)執(zhí)行。

采用訓練后的GABP 算法為LEACH 協(xié)議算法選擇簇首節(jié)點和簇首數(shù)量，實現(xiàn)基于小樣本無梯度學習的無線傳感器網(wǎng)絡(luò)分簇路由。

3 實驗與結(jié)果

3.1 實驗參數(shù)

為驗證所提方法的有效性和可行性，需要測試所提方法的性能。 選取簇首數(shù)量、網(wǎng)絡(luò)能耗均衡性和網(wǎng)絡(luò)壽命為性能指標，檢測所提方法、文獻[3]方法和文獻[4]方法提出的無線傳感器網(wǎng)絡(luò)分簇路由算法在小樣本情況下的分簇效果。 以某公司的無線傳感器網(wǎng)絡(luò)為研究對象，該公司無線路由的數(shù)量為10 個，具體參數(shù)如表1 所示。

表1 實驗參數(shù)表

3.2 實驗性能分析

根據(jù)實驗目的，對比分析所提方法的性能，檢測結(jié)果如下所示。

3.2.1 簇首數(shù)量分析

用M表示節(jié)點總數(shù)，D表示區(qū)域邊長，lch-s表示簇首與Sink 節(jié)點間距離，εfs和εamp分別表示自由空間信道模型和多徑衰落信道模型下的能耗系數(shù)，得到無線傳感器網(wǎng)絡(luò)中最優(yōu)簇首個數(shù)N，計算公式如下所示:

結(jié)合所設(shè)計實驗環(huán)境的實際情況，經(jīng)計算得到，在所設(shè)計實驗中N∈[1，6.3]。 根據(jù)理論和經(jīng)驗可知在簇首數(shù)量為4 個、5 個和6 個時，協(xié)議每輪消耗能量均值最低且第一個死亡節(jié)點和所有節(jié)點死亡出現(xiàn)時經(jīng)歷輪數(shù)相對較多，即在簇首數(shù)量為4 個、5 個和6 個時無線傳感器網(wǎng)絡(luò)狀態(tài)更為理想。

分別統(tǒng)計所提方法、文獻[3]方法和文獻[4]方法運行200 次的簇首數(shù)量分布情況，如圖3 所示。

圖3 簇首數(shù)量分布檢測結(jié)果

由圖3 可以看出，所提方法的簇首數(shù)量均分布在4 個、5 個、6 個、7 個處，其中大部分為4 個、5 個和6 個，符合理想狀態(tài)下的簇首數(shù)量，文獻[3]方法簇首數(shù)量在1 個到12 個之間均有出現(xiàn)，文獻[4]方法簇首數(shù)量分布于2 個到9 個之間，文獻[3]方法和文獻[4]方法的簇首數(shù)量分布較為分散，對簇首數(shù)量選擇不及所提方法。 因為所提方法采用條件生成對抗網(wǎng)絡(luò)處理小樣本數(shù)據(jù)，在有效小樣本中得到更為豐富的可用信息，在無線傳感器網(wǎng)絡(luò)分簇路由中得到更為優(yōu)異的分簇效果。 分類準確率如圖4所示。

圖4 分類準確率

分析圖4 中的分類準確率曲線可知，三種方法的曲線差異較大，但是三種方法的分類準確率曲線均隨著傳感節(jié)點數(shù)量的變化而變化。 其中所提方法的分類準確率曲線一直呈現(xiàn)上升趨勢，未出現(xiàn)降低的情況，并且在傳感節(jié)點數(shù)量達到20 個后，準確率曲線一直在文獻方法分類準確率曲線之上，上升幅度大于文獻方法，并且在傳感節(jié)點數(shù)量達到100 個時，所提方法的分類準確率達到了96.3%，而兩種文獻方法的分類準確率曲線均出現(xiàn)不同程度的下降，出現(xiàn)了較大的波動，文獻[3]方法在傳感節(jié)點數(shù)量為40 個時，準確率開始上升，在傳感節(jié)點數(shù)量為100 個時，分類準確率為87.3%，而文獻[4]方法在傳感節(jié)點數(shù)量為20 個時，分類準確率曲線開始上升，在傳感節(jié)點數(shù)量為100 個時，準確率達到89.2%，對比三種方法的分類準確率可知，所提方法的準確率最高，分別比文獻方法提高了9.0%和7.1%，由此可知，所提方法有效提高了無線傳感器網(wǎng)絡(luò)分類準確率。 這是因為所提方法采用了GABP算法優(yōu)化簇首節(jié)點和簇首數(shù)量，提高了全局尋優(yōu)的性能，從而提高了分類的準確率。

3.2.2 網(wǎng)絡(luò)能耗均衡性分析

以網(wǎng)絡(luò)節(jié)點間剩余能量差衡量網(wǎng)絡(luò)能耗均衡性，網(wǎng)絡(luò)節(jié)點間剩余能量差越小則對應(yīng)網(wǎng)絡(luò)能耗均衡性越好。 用M表示無線傳感器網(wǎng)絡(luò)中節(jié)點總數(shù)，表示節(jié)點k當前剩余能量，Eavg表示全網(wǎng)當前剩余能量均值，得到無線傳感器網(wǎng)絡(luò)節(jié)點間剩余能量差ΔE計算公式如下所示:

根據(jù)式(17)分別計算不同迭代次數(shù)下所提方法、文獻[3]方法和文獻[4]方法的網(wǎng)絡(luò)節(jié)點間剩余能量差，檢測結(jié)果如圖5 所示。

圖5 網(wǎng)絡(luò)節(jié)點間剩余能量差檢測結(jié)果

由圖5 可以看出，所提方法、文獻[3]方法和文獻[4]方法在迭代次數(shù)由20 增加到200 過程中網(wǎng)絡(luò)節(jié)點間剩余能量差均有所增加，在迭代次數(shù)為20 次和40 次時，三種方法的網(wǎng)絡(luò)節(jié)點間剩余能量差相差不大，但在后續(xù)迭代次數(shù)增加過程中，文獻[3]方法和文獻[4]方法的網(wǎng)絡(luò)節(jié)點間剩余能量差出現(xiàn)大幅度升高，而所提方法始終低于另外兩種方法，所提方法最高的網(wǎng)絡(luò)節(jié)點間剩余能量差為0.015 8，文獻[3]方法的網(wǎng)絡(luò)節(jié)點間剩余能量差值為0.021 6，文獻[4]方法的網(wǎng)絡(luò)節(jié)點間剩余能量差值為0.027 3，前者與文獻方法相比，分別降低了0.005 8 和0.011 5，因此，說明所提方法的網(wǎng)絡(luò)能耗均衡性最好，能耗分配結(jié)果更加合理。 這是因為所提方法應(yīng)用了LEACH 協(xié)議算法，該算法的簇首節(jié)點形成高層網(wǎng)絡(luò)，使得簇內(nèi)節(jié)點不需要存儲路由信息，簡化了路由路徑選擇，并且具有數(shù)據(jù)融合處理的功能，減少了無線傳感器網(wǎng)絡(luò)的信息傳輸量，從而降低了能耗，增強了網(wǎng)絡(luò)能耗均衡性。

3.2.3 網(wǎng)絡(luò)壽命分析

定義網(wǎng)絡(luò)壽命為整個無線傳感器網(wǎng)絡(luò)首個節(jié)點能量全部消耗殆盡的時間，檢測所提方法、文獻[3]方法和文獻[4]方法的網(wǎng)絡(luò)壽命，如表2 所示。

表2 網(wǎng)絡(luò)壽命檢測結(jié)果

由表2 可以看出，所提方法的網(wǎng)絡(luò)壽命明顯高于文獻[3]方法和文獻[4]方法，所提方法的網(wǎng)絡(luò)壽命達到了241 輪，文獻[3]方法僅為42 輪，較所提方法少199 輪，文獻[4]方法為128 輪，較所提方法少113 輪，三種方法相比的結(jié)果表明所提方法的網(wǎng)絡(luò)壽命最長，說明所提方法能夠使節(jié)點消耗更加均衡，有效延長了無線傳感器網(wǎng)絡(luò)壽命。 這是因為所提方法有效地將LEACH 協(xié)議算法和GABP 算法相結(jié)合，使其具備了三種算法的優(yōu)點，形成優(yōu)勢互補，提高了節(jié)點能耗的均衡性，從而提高了無線傳感器網(wǎng)絡(luò)的使用壽命。

4 結(jié)束語

無線傳感器是將無線通信、傳感器和微處理相結(jié)合的高新技術(shù)，但目前無線傳感器網(wǎng)絡(luò)技術(shù)發(fā)展仍受到節(jié)點能量的限制，設(shè)計科學合理的無線傳感器網(wǎng)絡(luò)分簇路由算法是提高無線傳感器網(wǎng)絡(luò)技術(shù)的有效途徑。 為了解決目前存在的簇首數(shù)量選擇不理想、網(wǎng)絡(luò)能耗均衡性較差、網(wǎng)絡(luò)壽命較短問題，提出基于小樣本無梯度學習的無線傳感器網(wǎng)絡(luò)分簇路由方法，通過條件生成對抗網(wǎng)絡(luò)處理小樣本數(shù)據(jù)，結(jié)合LEACH 協(xié)議算法和GABP 算法實現(xiàn)小樣本無梯度學習無線傳感器網(wǎng)絡(luò)分簇路由算法構(gòu)建。 該方法的簇首數(shù)量均分布在4～7 個處，相較于文獻對比方法，網(wǎng)絡(luò)節(jié)點間剩余能量差降低了0.005 8 和0.011 5，并且網(wǎng)絡(luò)壽命分別提高了119 輪和113 輪，因此其能夠獲取到更理想的簇首數(shù)量、增強網(wǎng)絡(luò)能耗均衡性，延長網(wǎng)絡(luò)壽命，在無線傳感器網(wǎng)絡(luò)應(yīng)用中具有積極的意義。