基于BP神经网络的Ad Hoc网络通信能力评估

　　(3) 定义网络误差

　　在训练的过程中，必须度量网络收敛到期望值的程度即为网络误差。对于给定的训练集合来说，期望值是已知的。本文选取式(4)作为度量函数，当Ep<0.000 1时，神经网络满足精度要求。此时神经网络具备了识别能力。

　　式中，Ep是网络误差，tpi是第i个输出神经元的期望值，Opi是第i个输出神经元的实际值。

　　(4) 进行神经网络训练

　　利用已有神经网络应用程序，把学习样本归一化后输入到模型，让网络模型对学习样本反复地学习，直到网络的识别精度满足要求，这时网络模型已基本建立，即可进行效能评估。样本的录用和训练过程如图3和图4所示。

　　3 不同分簇网络通信能力的评估

　　当前用于Ad H0c网络模拟软件有NS-2、OPNET和GloMoSim等，但这几种软件都没有集成的分簇算法。为了便于实现，这里利用VC++语言编制简单的程序来对不同分簇算法构建的网络的通信能力进行效能评估。在模拟环境中，不考虑背景噪声、分组传输差错和分组冲突对分簇以及效能评估的影响。在效能评估的过程中，假定各节点传输的功率相等，建立仿真场景的大小为150×150单位距离的仿真区域。在此仿真区域内设置30个节点，仿真时间为1 000个时间单位。在30个节点选择10个节点作为移动节点，节点的移动方向在[0，2π]内随机分布，节点的移动速度在[0，5]之间随机选择，其单位是单位距离／时间。

　　节点的运动方式选用随机点运动模型，每个移动节点在网络初始化时被分配一个运动和方向，每隔一定单位时间，随机改变节点的移动速度和方向，这样节点的运动将更加随机，如果移动节点碰到区域的边界时按照一定的规则(反射)向区域内运动。通信能力仿真的流程如下：①加载网络数据；②对网络进行分簇；③模拟通信过程，计算不同分簇算法下各底层指标。④利用训练好的：BP神经网络模型进行通信能力评估；⑤增大节点的传输范围，重复上述模拟过程。网络通信能力评估仿真的流程图如图5所示，网络通信能力随节点传输范围的变化如图6所示。

　　仿真结果表明：WCA分簇算法构建的网络，在传输范围变化的过程中，都有一定的优势。在传输范围小于60之前，MOBIC和LOWID分簇算法构建的网络其通信能力强于HIGHD。但随着传输范围的增大，HIGHD分簇算法构建的网络优于其他分簇算法。原因在于WCA分簇算法负载平衡度高，减少了网络阻塞和瓶颈出现的概率，提高了网络的通信能力。HIGHD分簇算法簇头承担的业务量较高，因此容易出现阻塞的现象，而当传输范围增大到一定程度，其簇头数较少，控制和通信开销小，通信能力增强。

　　4 结束语

　　针对Ad Hoc网络的特点。考虑到决定通信能力的底层指标与网络通信能力是非线性映射关系，本文把神经网络的方法用于网络通信能力评估，该方法能够比较准确地评估网络的通信能力，但在通信能力的评估中，考虑的底层指标可能不够全面，仿真结果有一定局限性。