基于BP神經網絡的Ad Hoc網絡通信能力評估

　　(3) 定義網絡誤差

　　在訓練的過程中，必須度量網絡收斂到期望值的程度即為網絡誤差。對于給定的訓練集合來說，期望值是已知的。本文選取式(4)作為度量函數，當Ep<0.000 1時，神經網絡滿足精度要求。此時神經網絡具備了識別能力。

　　式中，Ep是網絡誤差，tpi是第i個輸出神經元的期望值，Opi是第i個輸出神經元的實際值。

　　(4) 進行神經網絡訓練

　　利用已有神經網絡應用程序，把學習樣本歸一化后輸入到模型，讓網絡模型對學習樣本反復地學習，直到網絡的識別精度滿足要求，這時網絡模型已基本建立，即可進行效能評估。樣本的錄用和訓練過程如圖3和圖4所示。

　　3 不同分簇網絡通信能力的評估

　　當前用于Ad H0c網絡模擬軟件有NS-2、OPNET和GloMoSim等，但這幾種軟件都沒有集成的分簇算法。為了便于實現，這里利用VC++語言編制簡單的程序來對不同分簇算法構建的網絡的通信能力進行效能評估。在模擬環境中，不考慮背景噪聲、分組傳輸差錯和分組沖突對分簇以及效能評估的影響。在效能評估的過程中，假定各節點傳輸的功率相等，建立仿真場景的大小為150×150單位距離的仿真區域。在此仿真區域內設置30個節點，仿真時間為1 000個時間單位。在30個節點選擇10個節點作為移動節點，節點的移動方向在[0，2π]內隨機分布，節點的移動速度在[0，5]之間隨機選擇，其單位是單位距離／時間。

　　節點的運動方式選用隨機點運動模型，每個移動節點在網絡初始化時被分配一個運動和方向，每隔一定單位時間，隨機改變節點的移動速度和方向，這樣節點的運動將更加隨機，如果移動節點碰到區域的邊界時按照一定的規則(反射)向區域內運動。通信能力仿真的流程如下：①加載網絡數據；②對網絡進行分簇；③模擬通信過程，計算不同分簇算法下各底層指標。④利用訓練好的：BP神經網絡模型進行通信能力評估；⑤增大節點的傳輸范圍，重復上述模擬過程。網絡通信能力評估仿真的流程圖如圖5所示，網絡通信能力隨節點傳輸范圍的變化如圖6所示。

　　仿真結果表明：WCA分簇算法構建的網絡，在傳輸范圍變化的過程中，都有一定的優勢。在傳輸范圍小于60之前，MOBIC和LOWID分簇算法構建的網絡其通信能力強于HIGHD。但隨著傳輸范圍的增大，HIGHD分簇算法構建的網絡優于其他分簇算法。原因在于WCA分簇算法負載平衡度高，減少了網絡阻塞和瓶頸出現的概率，提高了網絡的通信能力。HIGHD分簇算法簇頭承擔的業務量較高，因此容易出現阻塞的現象，而當傳輸范圍增大到一定程度，其簇頭數較少，控制和通信開銷小，通信能力增強。

　　4 結束語

　　針對Ad Hoc網絡的特點。考慮到決定通信能力的底層指標與網絡通信能力是非線性映射關系，本文把神經網絡的方法用于網絡通信能力評估，該方法能夠比較準確地評估網絡的通信能力，但在通信能力的評估中，考慮的底層指標可能不夠全面，仿真結果有一定局限性。