Phân cụm dựa trên Logic mờ khảo sát năng lượng cho mạng cảm biến không dây

ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC SƯ PHẠM

ĐỖ GIANG SƠN

PHÂN CỤM DỰA TRÊN LOGIC MỜ
KHẢO SÁT NĂNG LƯỢNG CHO
MẠNG CẢM BIẾN KHÔNG DÂY

Chuyên ngành: Hệ thống thông tin
Mã số: 61.49.01.04

TÓM TẮT
LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN

Đà Nẵng – Năm 2017


Công trình được hoàn thành tại
TRƯỜNG ĐẠI HỌC SƯ PHẠM - ĐHĐN

Người hướng dẫn khoa học: PGS.TS. LÊ VĂN SƠN

Phản biện 1: PGS.TS Võ Trung Hùng
Phản biện 2: PGS.TS Hoàng Quang

Luận văn đã được bảo vệ trước Hội đồng chấm Luận văn tốt
nghiệp thạc sĩ Hệ thống thông tin họp trường Đại học Sư phạm –
ĐHĐN vào ngày 31. tháng 07 năm 2017.

Có thể tìm hiểu luận văn tại:

- Thư viện Trường Đại học Sư phạm Đà Nẵng, Đại học Đà Nẵng.
- Trung tâm thông tin học liệu, Đại học Đà Nẵng.


1
MỞ ĐẦU
1. Lý do chọn đề tài
Bước vào thế kỷ 21, thế gới có sự phát triển vượt bậc, đặc biệt là
những năm gần đây, với sự phát triển nhanh và đạt được nhiều thành
tựu lớn cả về lượng lẫn về chất trong hầu hết các lĩnh vực kinh tế, kỹ
thuật, quân sự, văn hoá, xã hội, …
Xã hội càng phát triển thì nhu cầu truyền và khai thác thông tin
ngày càng cao. Nhu cầ u truyề n thông ngày càng lớn đòi hỏi những dich
̣
vu ̣ chấ t lươ ̣ng cao, do đó cầ n phải có cơ sở ha ̣ tầ ng đáp ứng cho quá
trình truyề n thông trên nhiề u môi trường khác nhau. Đă ̣c biê ̣t sự ra đời
ma ̣ng cảm biến không dây đã đáp ứng mô ̣t phầ n nhu cầu truyề n thông
cho những nơi mà ma ̣ng có dây không thể thực hiê ̣n tố t đươ ̣c.
Với sự phát triển nhanh như vũ bảo của ngành công nghệ thông
tin nói chung và hướng nghiên cứu trong hệ thống mạng cảm biến
không dây nói riêng với giá thành rẻ, chất lượng nhưng lại tiêu thụ năng
lượng thấp là vấn đề đang được quan tâm nghiên cứu hàng đầu.
Mạng cảm biến không dây là tập hợp các node Sensors trong hệ
thống mạng liên kết với nhau bằng sóng vô tuyến. Mỗi node mạng bao
gồm đầy dủ các chức năng nhằm thực hiện những nhiệm vụ như cảm
nhận, thu thập, xử lý và truyền dữ liệu đến node gốc bằng cách trao đổi
gián tiếp với nhau. Các nodes mạng thường là các thiết bị đơn giản, nhỏ
gọn, giá thành thấp, với số lượng lớn được phân bố trên phạm vi rộng
và ngẫu nhiên tạo thành một cấu trúc kiểu AD – HOC với sự phân bố
trên diện rộng của các nodes mạng cảm biến. Vì vậy mạng cảm biến

không dây đang đối mặt với thách thức về sự hạn chế nguồn năng
lượng.
Xuất phát từ thực tế trên, dưới sự hướng dẫn của PGS.TS. Lê
Văn Sơn, tôi chọn đề tài “Phân cụm dựa trên Logic mờ khảo sát năng
lượng cho mạng cảm biến không dây”
2. Mục tiêu nghiên cứu và nhiệm vụ đề tài
Đề tài tập trung nghiên cứu các tài liệu về mạng cảm biến không


2
dây và hệ thống logic mờ cũng như việc phân cụm trong mạng cảm biến
không dây, và các thuật toán phân cụm. Nhằm đánh giá được độ hội tụ
của thuật toán phân cụm. Mặt khác, xây dựng chương trình mô phỏng,
đánh giá về khả năng ứng dụng Logic mờ trong mạng nhằm khảo sát
nguồn năng lượng của hệ thống mạng.
3. Đối tượng và phạm vi nghiên cứu
Đề tài tập trung nghiên cứu dựa trên các nghiên cứu đã khảo sát
bởi các nhà nghiên cứu về các kiến trúc và các cấu hình Topo cho phép
tiết kiệm năng lượng hoạt động của mạng cảm biến không dây. Một
trong những kỹ thuật phổ biến này là kỹ thuật phân cụm (Cluster).
Chủ yếu dựa trên cơ sở luật trong hệ thống Logic mờ để mờ hóa
sự phân cụm, từ đó để tính toán nhằm đánh giá được thời gian sống tối
đa của các nodes trong hệ thống mạng cảm biến không dây.
4. Phương pháp nghiên cứu
Tìm hiểu và nghiên cứu các tài liệu liên quan đến vấn đề nghiên
cứu trong luận văn tốt nghiệp.
Tìm hiểu một số thuật toán phân cụm dựa trên Logic mờ trong
Mạng cảm biến không dây, đồng thời mô phỏng thuật toán phân cụm
FCM mở rộng đối với sự phân bố rộng khắp các node mạng.
Sử dụng phần mềm Matlab để mô phỏng với rất nhiều kịch bản,

đánh giá kết quả mô phỏng dựa trên cơ sở lý thuyết.
5. Ý nghĩa khoa học và thực tiễn
Với sự phát triển mạnh mẽ của Công nghệ thông tin, mạng cảm
biến không dây dường như đã trở thành giải pháp hấp dẫn vì mang đến
sự tiện ích về nhiều phương diện, và đặc biệt trong nhiều trường hợp
thậm chí còn hạn chế được sự nguy hiểm cho con người trong những
môi trường làm việc khắc nghiệt, chẳng hạn như các nodes mạng thay
thế sự làm việc trực tiếp của con người trong môi trường có độc tính
hay nhiệt độ cao, áp suất cao…
Bên cạnh đó, mạng cảm biến không dây ra đời đã đáp ứng được
nhu cầu thu thập thông tin về môi trường, tại một tập hợp các điểm xác
định trong khoảng thời gian nhất định nhằm phát hiện xu hướng hoặc


3
quy luật vận động của môi trường.
Đồng thời, mạng cảm biến không dây bao gồm nhiều nodes cảm
biến nhỏ, giá thành thấp với nhiều chức năng mở rộng và có thể đáp
ứng cho các ứng dụng, đặc biệt là những ứng dụng nguy hiểm, vì vậy
kỹ thuật này sẽ tiết kiệm được về mặt kinh tế.
6. Cấu trúc luận văn
Kết cấu luận văn bao gồm: Phần mở đầu, nội dung, kết luận và
hướng phát triển, tài liệu tham khảo. Trong đó:
Phần mờ đầu:
Phần nội dung, cụ thể bao gồm 3 chương:
Chương 1. Tổng quan về logic mờ và mạng cảm biến không dây
Chương 2. Thuật toán phân cụm dữ liệu mờ
Chương 3. Mô phỏng và đánh giá
Kết luận và hướng phát triển.
CHƯƠNG 1

TỔNG QUAN VỀ LOGIC MỜ VÀ MẠNG
CẢM BIẾN KHÔNG DÂY
Mạng cảm biến không dây (Wireless Sensor Networks) bao gồm
một tập hợp các thiết bị cảm biến sử dụng các liên kết không dây (vô
tuyến, hồng ngoại hoặc quang học), để phối hợp thực hiện nhiệm vụ thu
thập thông tin dữ liệu phân tán với quy mô lớn trong bất kỳ điều kiện,
và ở bất kỳ vùng địa lý nào. Mạng cảm biến không dây có thể liên kết
trực tiếp với nút quản lý giám sát trực tiếp hay gián tiếp thông qua điểm
thu phát (Sink), và môi trường mạng công cộng như Internet hay vệ
tinh. Các nút cảm biến không dây có thể được triển khai cho các mục
đích chuyên dụng như điều khiển giám sát và an ninh. Lợi thế chủ yếu
của chúng là khả năng triển khai hầu như trong bất kỳ loại hình địa lý
nào, kể cả các môi trường nguy hiểm không thể sử dụng mạng cảm biến
có dây truyền thống.
Các thiết bị cảm biến không dây liên kết thành một hệ thống
mạng đã tạo ra nhiều khả năng mới cho con người. Với bộ vi xử lý của


4
các đầu đo và các thiết bị vô tuyến rất nhỏ gọn, tạo nên một thiết bị cảm
biến không dây với kích thước rất nhỏ và tiết kiệm về không gian.
Chúng có thể hoạt động trong môi trường dày đặc với khả năng xử lý
tốc độ cao. Ngày nay, các mạng cảm biến không dây ứng dụng trong
nhiều lĩnh vực như nghiên cứu vi sinh vật biển, giám sát việc chuyên
chở các chất gây ô nhiễm, kiểm tra giám sát hệ sinh thái và môi trường
sinh vật phức tạp, điều khiển giám sát trong công nghiệp và trong lĩnh
vực quân sự, an ninh quốc phòng hay các ứng dụng trong đời sống hằng
ngày.
Tuy nhiên, WSNs còn tồn tại rất nhiều hạn chế mà có thể nói
rằng vấn đề năng lượng là quan trọng nhất. Để giảm thiểu sự tiêu hao

năng lượng nhằm tăng tuổi thọ của các nodes trong hệ thống mạng với
rất nhiều nghiên cứu đã được giới thiệu, tuy nhiên phương pháp phân
cụm kết hợp sử dụng lĩnh vực Logic mờ được xem là một trong những
phương án tối ưu.
1.1. MỘT SỐ VẤN ĐỀ LIÊN QUAN VỀ LOGIC MỜ
Logic mờ (tiếng Anh: Fuzzy Logic) được phát triển từ lý thuyết
tập mờ để thực hiện một lập luận xấp xỉ thay vì lập luận chính xác theo
logic vị từ. Logic mờ có thể được coi là mặt ứng dụng của lý thuyết tập
mờ để xử lý các giá trị trong thế giới thực cho các bài toán phức tạp
(Klir 1997).
1.1.1. Các phép toán Logic mờ
Các loại toán tử tập mờ khảo sát dưới đây bao gồm các toán tử
bù, giao và hợp. Các toán tử này được xây dựng thông qua các hàm
tương ứng và được thể hiện cụ thể ở những nội dung bên dưới [1, 2].
̃
1.1.1.1. Phép hợp ∪
̃
1.1.1.2. Phép giao ∩
1.1.1.3. Phép lấy phần bù ~
1.1.2. Khái niệm tập mờ
Cho tập vũ trụ U. Tập mờ 𝐴~ được xác định bởi đẳng thức:
𝐴~ = {𝜇𝐴~ (𝑢)⁄𝑢 : 𝑢 ∈ 𝑈, 𝜇𝐴~ (𝑢) ∈ [0, 1]}
Được gọi là một tập mờ trên tập U. Trong đó, 𝜇𝐴~ được gọi là


5
hàm thuộc.
Giá trị 𝜇𝐴~ (𝑢) tại u được gọi là độ thuộc của phần tử u thuộc về
tập mờ 𝐴~ .
Tập mờ có thể biểu diễn bởi nhiều hình dạng, và được thể hiện cụ

thể như sau:

Hình 1.1. Các dạng hàm thành viên trong tập mờ
Tuy nhiên đối với mạng cảm biến không dây, tập mờ thường
được định nghĩa sử dụng bởi hai hình dạng chính đó là trimf (dạng hình
tam giác) và trapmf (dạng hình thang).
Giá trị hàm thành
viên của tập mờ
1

d

c
0

x
a-c

a

b

b+d

Hình 1.2. Hàm thành viên của số mờ hình thang
Giá trị hàm thành
viên của tập mờ
b

c

1

x
a-b

a

a+c

Hình 1.3. Hàm thành viên của số mờ hình tam giác
1.1.3. Suy diễn mờ
Suy diễn mờ (Fuzzy Inference) đối với nghiên cứu này tác giả
giới thiệu đó chính là những suy luận xấp xỉ hay còn là quá trình suy
diễn từ các mệnh đề điều kiện của quy tắc “If ... Then ...” được thể hiện
dưới dạng “If U là 𝑨~ Then V là 𝑩~ ”. Trong đó, U và V chính là các
biến thông thường trên các không gian mờ X, Y; 𝐴~ và 𝐵~ chính là các


6
tập mờ trên X, Y. Nhìn chung, các luật suy diễn ở tài liệu này còn gọi là
luật suy diễn hợp thành vì chúng sử dụng toán tử hợp thành trong quá
trình suy diễn.
Suy diễn mờ bao gồm 3 luật suy diễn thường gặp, đó là.
- Luật Modus Ponens
- Luật Modus Tolen
- Luật bắc cầu
Ngoài ra, nó còn lập luận suy diễn xấp xỉ đa điều kiện.
1.1.3.1. Luật suy diễn Modus Ponens
1.1.3.2. Luật suy diễn Modus Tollens

1.1.3.3. Luật suy diễn bắc cầu
1.1.3.4. Lập luận xấp xỉ đa điều kiện
1.1.4. Cấu trúc hệ thống Logic mờ
Hệ thống logic mờ có thể nói nó được cấu thành từ 3 giai đoạn
chính, và được thể hiện cụ thể thông qua một mô hình bên dưới sau.
Đầu vào
giá trị rõ
x(T)

Fuzzy
hóa

X(T)

Suy diễn
mờ

F

Giải
mờ

Đầu ra giá
trị rõ y(F)

Tri thức

Hình 1.4. Cấu trúc hệ thống logic mờ
Môi
trường

Node
sensor

WSN

MAC

Cảm biến
cảm nhận
môi
trường

Tổng
số
node

Fuzzy
hóa

Node
giao
tiếp

Suy diễn mờ

Đầu
ra
mờ

Giải mờ

Giá
trị rõ

Tri thức

Truyền thông

Hình 1.5. Cấu trúc D – FLER
1.2. CẤU TRÚC MẠNG CẢM BIẾN KHÔNG DÂY
WSNs bao gồm số lượng lớn các node Sensors phân bố ngẫu
nhiên nhằm thu thập thông tin về những sự thay đổi của môi trường.


7
Mỗi node Sensor chính là một thiết bị nhỏ bé và được duy trì hoạt động
trên một nguồn năng lượng hạn chế. Một node Sensor có thể thay đổi
kích thước tùy thuộc vào yêu cầu cụ thể của mỗi ứng dụng [8]. Vì vậy,
chi phí các node Sensors có thể thay đổi từ hàng trăm đô la đến một vài
xu, tùy thuộc vào kích thước triển khai của WSNs. Với những hạn chế
về kích thước và chi phí, dẫn đến các node Sensors cũng hạn chế tương
ứng về các mặt tài nguyên như pin, bộ nhớ, tốc độ tính toán và băng
thông [9]. Tuy nhiên, mỗi node Sensor được cấu thành bao gồm một số
thành phần cơ bản như sau.
Sensors
Bộ nhớ

Bộ vi xử
lý

Thu phát vô tuyến

GPS

Nguồn năng lượng

Hình 1.6. Thành phần của node Sensor
1.3. ĐẶC ĐIỂM CỦA MẠNG CẢM BIẾN KHÔNG DÂY
Mạng cảm biến không dây với rất nhiều đặc điểm [11], thứ nhất
chính là kích thước vật lý nhỏ gọn. Vì vậy, kích thước và công suất tiêu
thụ luôn chi phối khả năng xử lý, lưu trữ và tương tác của các thiết bị cơ
sở. Thứ hai, hoạt động đồng thời với độ tập trung cao. Hoạt động chính
của các thiết bị trong mạng cảm biến là đo lường và vận chuyển các
dòng thông tin với khối lượng xử lý thấp, gồm các hoạt động nhận lệnh,
dừng, phân tích và đáp ứng. Thứ ba, khả năng liên kết vật lý và phân
cấp điều khiển hạn chế. Tính năng điều khiển các nút cảm biến không
dây cũng như sự tinh vi của liên kết xử lý – lưu trữ - chuyển mạch trong
mạng cảm biến không dây thấp hơn nhiều trong các hệ thống thông
thường. Thứ tư, tính đa dạng trong thiết kế và sử dụng. Các thiết bị cảm
biến được nối mạng với nhau thường có khuynh hướng dành riêng cho
từng ứng dụng cụ thể, tức là mỗi loại phần cứng chỉ hỗ trợ riêng cho
từng ứng dụng của nó. Thứ năm, hoạt động tin cậy. Các thiết bị với số
lượng lớn được triển khai trong phạm vi rộng với từng ứng dụng cụ thể.
Việc áp dụng các kỹ thuật mã hóa, sửa lỗi truyền thông nhằm tăng độ


8
tin cậy của các đơn vị riêng lẻ bị giới hạn bởi kích thước cảm biến và
công suất.
1.4. KẾT LUẬN

Các mạng cảm biến không dây với chi phí đầu tư thấp, tiêu thụ ít
điện năng cho phép triển khai trong nhiều điều kiện địa hình khí hậu
phức tạp, đặc biệt là khả năng tự tổ chức mạng, khả năng xử lý cộng tác
và chịu được các hư hỏng sự cố đã tạo ra một sự triển vọng ứng dụng
đầy tiềm năng trong nhiều lĩnh vực khác nhau. Mạng cảm biến không dây
phục vụ đa dạng các mục tiêu không chỉ thu thập thông tin dữ liệu mà còn
điều khiển và giám sát hệ thống trên phạm vi rộng lớn. Tuy nhiên để triển
khai mạng cảm biến không dây, người thiết kế hệ thống cần phải nắm bắt
được các nhân tố của mạng, những nhược điểm của mạng cần phải được
khắc phục, cần quan tâm đến các tham số mạng,… cần có sự mô phỏng
đánh giá để từ đó có thể thiết kế hệ thống theo cách tối ưu nhất. Đồng
thời, em cũng đã nghiên cứu và giới thiệu những kiến thức cơ bản về một
lĩnh vực nghiên cứu mới đối với WSNs để khảo sát năng lượng của các
nodes trong mạng đó chính là dựa trên cơ sở Logic mờ.
Với những triển vọng mà WSNs mang lại, tuy nhiên vấn đề quan
trọng nhất cần quan tâm đến đó chính là làm thế nào để tiết kiệm năng
lượng của các nodes trong hệ thống nhằm phục vụ tốt hơn đối với các
ứng dụng triển khai trong môi trường. Một kỹ thuật mới chính là sử dụng
thuật toán phân cụm dựa trên logic mờ cho mạng cảm biến không dây.
CHƯƠNG 2
THUẬT TOÁN PHÂN CỤM DỮ LIỆU MỜ
2.1. KHÁI NIỆM VÀ MỤC TIÊU CỦA PHÂN CỤM DỮ LIỆU
Phân cụm là một công cụ toán học dùng để phát hiện cấu trúc
hoặc các mẫu nào đó trong tập dữ liệu, theo đó các đối tượng bên trong
cụm dữ liệu thể hiện bậc tương đồng nhất định.
Nói cách khác, phân cụm dữ liệu là quá trình nhóm một tập các
đối tượng tương tự nhau trong tập dữ liệu vào các cụm sao cho các đối


9

tượng thuộc cùng một cụm là tương đồng, còn các đối tượng thuộc các
cụm khác nhau sẽ không tương đồng.
Theo các nghiên cứu cho thấy thì hiện nay chưa có một phương
pháp phân cụm tổng quát nào có thể giải quyết trọn vẹn cho tất cả các
dạng cấu trúc dữ liệu. Hơn nữa, các phương pháp phân cụm cần có cách
thức biểu diễn cấu trúc của các dữ liệu, với mỗi cách thức biểu diễn
khác nhau sẽ có tương ứng một thuật toán phân cụm phù hợp. Vì vậy
phân cụm dữ liệu vẫn đang là một vấn đề khó và mở, vì chúng ta phải
giải quyết nhiều vấn đề cơ bản một cách trọn vẹn và phù hợp với nhiều
dạng dữ liệu khác nhau, đặc biệt là đối với dữ liệu hỗn hợp đang ngày
càng tăng trong các hệ quản trị dữ liệu và đây cũng là một trong những
thách thức lớn trong lĩnh vực Khai phá dữ liệu.
2.2. THUẬT TOÁN PHÂN CỤM DỮ LIỆU DỰA VÀO PHÂN
CỤM TRUNG TÂM
Các kỹ thuật phân cụm có rất nhiều cách tiếp cận và các ứng
dụng trong thực tế, tuy nhiên nó đều hướng tới hai mục tiêu chung đó là
chất lượng của các cụm khám phá được và tốc độ thực hiện của thuật
toán. Hiện nay, với rất nhiều phương pháp phân cụm nhưng trong
chương này tác giả chỉ tập trung giới thiệu về phương pháp phân cụm
phân hoạch.
Kỹ thuật này có thể hình dung việc phân hoạch một tập hợp dữ
liệu có n phần tử thành k nhóm cho đến khi xác định số các cụm được
thiết lập. Số các cụm được thiết lập là các đặc trưng được lựa chọn trước.
Phương pháp này được đánh giá là tốt cho việc tìm các cụm hình cầu và
hình tròn trong không gian Euclidean. Ngoài ra, phương pháp này cũng
phụ thuộc vào khoảng cách cơ bản giữa các điểm để lựa chọn các điểm
dữ liệu nào có quan hệ là gần nhau với mỗi điểm khác, và các điểm dữ
liệu nào không có quan hệ hoặc có quan hệ là xa nhau so với mỗi điểm
khác. Tuy nhiên, phương pháp này không thể xử lý các cụm có hình dạng
kỳ quặc hoặc các cụm có mật độ các điểm dày đặc. Các thuật toán phân

hoạch dữ liệu có độ phức tạp rất lớn khi xác định nghiệm tối ưu toàn cục
cho vấn đề phân cụm dữ liệu (PCDL), do nó phải tìm kiếm tất cả các cách


10
phân hoạch có thể được. Chính vì vậy, trên thực tế thường đi tìm giải
pháp tối ưu cục bộ cho vấn đề này bằng cách sử dụng một hàm tiêu chuẩn
để đánh giá chất lượng của cụm cũng như để hướng dẫn cho quá trình tìm
kiếm phân hoạch dữ liệu. Có thể nói, ý tưởng chính của thuật toán phân
cụm phân hoạch tối ưu cục bộ là sử dụng chiến lược ăn tham để tìm kiếm
nghiệm.
Tiêu biểu đối với các thuật toán phân cụm phân hoạch là thuật
toán K-means. Thuật toán này dựa trên độ đo khoảng cách của các đối
tượng dữ liệu trong cụm. Trong thực tế, nó đo khoảng cách tới giá trị
trung bình của các đối tượng dữ liệu trong cụm. Nó được xem như là
trọng tâm của cụm. Như vậy, nó cần khởi tạo một tập trọng tâm các cụm
ban đầu, và thông qua đó nó lặp lại các bước gồm gán mỗi đối tượng tới
cụm mà trọng tâm gần, và đồng thời tính toán lại trọng tâm của mỗi cụm
trên cơ sở gán mới cho các đối tượng. Quá trình lặp này dừng khi các
trọng tâm hội tụ.
Mục đích của thuật toán K-means [22] là sinh k cụm dữ liệu {C1,
C2, ..., Ck} từ một tập dữ liệu chứa n đối tượng trong không gian d chiều
Xi = {xi1, xi2,..., xid}, i = 1 ÷ n sao cho hàm tiêu chuẩn đạt giá trị tối thiểu:
𝐸 = ∑𝑛𝑖=1 ∑𝑘𝑗=1 𝐷 2 (𝑥𝑖 − 𝑐𝑗 )
(2.1)
Trong đó: cj là trọng tâm của cụm Cj.
D là khoảng cách giữa hai đối tượng 𝑥𝑖 và 𝑐𝑗 .
Đối với thuật toán này chúng ta có thể hình dung cụ thể như bên
dưới sau:
Input: Số cụm k và hàm tiêu chuẩn sau:

𝐸 = ∑𝑛𝑖=1 ∑𝑘𝑗=1 𝐷 2 (𝑥𝑖 − 𝑐𝑗 )
(2.1)
Output: Các cụm 𝐶𝑗 (𝑗 = 1, 𝑘) và hàm tiêu chuẩn E đạt giá trị tối thiểu.
BEGIN
Bước 1: Khởi tạo
𝑘
Chọn ngẫu nhiên k cụm {𝑐𝑗 }𝑗=1 ban đầu trong không gian Rd (
trong đó d là số chiều của dữ liệu trong không gian). Mỗi cụm được xác
định bằng các tâm của cụm.
Bước 2: Tính khoảng cách


11
Tính khoảng cách từ các điểm dữ liệu đến các cụm tương ứng
bằng công thức sau:
2

𝑘
𝐷𝑗=1
= √∑𝑛𝑖=1(𝑥𝑖 − 𝑐𝑗 )

(2.2)

Đối với mỗi điểm Xi(1 ≤ 𝑖 ≤ 𝑛), tính khoảng cách của nó đến
mỗi trọng tâm {𝑐𝑗 }

𝑘

𝑗=1

và sao đó nó sẽ tìm trọng tâm gần nhất của chính

nó với mỗi điểm.
Bước 3: Cập nhật lại trọng tâm
Đối với mỗi cụm 𝑗 = 1, 𝑘, cập nhật trọng tâm cụm cj bằng cách
xác định trung bình cộng của các vector đối tượng dữ liệu.
1
𝑣𝑗 = ∑𝑛𝑖=1 𝑥𝑖
(2.3)
𝑛
Bước 4: Gán lại các điểm gần trung tâm nhóm mới
Nhóm các đối tượng dữ liệu vào nhóm gần nhất dựa vào trọng
tâm của nhóm.
Điều kiện dừng
Lặp lại các bước 2 và 3 cho đến khi các trọng tâm của cụm không
thay đổi.
End.
2.3. KỸ THUẬT PHÂN CỤM DỮ LIỆU MỜ
2.3.1. Tổng quan về phân cụm mờ
Trong cuộc sống, có thể nói chúng ta đã gặp rất nhiều ứng dụng
của bài toán phân cụm. Chẳng hạn như bài toán phân loại kết quả học
tập cho học sinh trong nhà trường hay bài toán đưa thư trong ngành bưu
điện,… Đó chính là một ứng dụng của bài toán phân cụm rõ.
Đối với bài toán phân cụm rõ ta có thể định nghĩa như sau: Cho
tập dữ liệu mẫu X, ta phải kiểm tra rằng các điểm dữ liệu của nó xem có
giống với đặc điểm của nhóm nào nhất thì ta gán điểm dữ liệu đó vào
trong nhóm đó và khẳng định nó thuộc nhóm đã gán.
2.3.2. Thuật toán Fuzzy C-means (FCM)
2.3.2.1. Giới thiệu thuật toán
2.3.2.2. Thuật toán FCM mở rộng

2.4. MINH HỌA SỰ PHÂN CỤM ĐỐI VỚI THUẬT TOÁN FCM
MỞ RỘNG


12
CHƯƠNG 3
MÔ PHỎNG VÀ ĐÁNH GIÁ
3.1. GIỚI THIỆU MATLAB
3.2. MÔ PHỎNG VÀ KẾT QUẢ
Về mặt lý thuyết ở những nội dung của các chương đã trình bày
rất cụ thể ở trên, có thể nói mạng cảm biến không dây hiện nay vẫn
đang tồn tại với rất nhiều thách thức, nhưng thách thức quan trọng đáng
phải kể đến đó chính là nguồn năng lượng nhằm duy trì sự hoạt động
của các nodes trong hệ thống mạng. Để duy trì sự hoạt động của hệ
thống trong môi trường thì đồng nghĩa với việc chúng ta cần phải xác
định được tối đa mức năng lượng còn lại của các node Sensors trong
mạng để xác định được thời gian sống (hay tuổi thọ) tối đa của hệ thống
trong môi trường.
Riêng đối với việc mô phỏng trong luận văn này, tác giả chỉ tập
trung thể hiện sự nghiên cứu của mình thông qua các kịch bản mô
phỏng để nhằm khảo sát, đánh giá mức tiêu hao năng lượng của mạng
cảm biến không dây, đồng thời đối với sự nghiên cứu này chủ yếu dựa
vào các thông số đầu vào đã thiết kế trong bộ điều khiển mờ.
Đối với những kịch bản thể hiện sự mô phỏng trong luận văn này,
em đã xây dựng và thiết kế một hệ thống logic mờ gồm nhiều đầu vào
và một đầu ra. Chúng ta có thể hình dung thông qua mô hình sau:
x1 trong U1
x2 trong U2
...

Hệ mờ
nhiều - một

Y trong V

xn trong Un

Hình 3.4. Hệ mờ gồm n đầu vào – 1 đầu ra
Trong đó, đầu vào hệ thống là một vector 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 )
trong không gian 𝑈 = 𝑈1 × 𝑈2 × … × 𝑈𝑛 , và một đầu ra tương ứng
chính là biến y trong không gian V. Dựa trên cơ sở lý thuyết như vậy,
nhằm xác định thời gian sống của hệ thống mạng cảm biến không dây,
trong luận văn này tác giả thiết kế một hệ thống mô phỏng gồm 5 đầu
vào và 1 đầu ra như sau.


13

Hình 3.5. Hệ thống mờ TWSN – 2 với 5 Input – 1 Output
Sau khi chúng ta đã thiết kế xong hệ thống logic mờ như trên,
tiếp tục chúng ta sẽ xây dựng một hệ thống cơ sở luật sẽ gồm m luật If –
then với cấu trúc như sau.
If “𝑥1 là 𝐴𝑗1 ” và “𝑥2 là 𝐴𝑗2 ” và ... và “𝑥𝑚 là 𝐴𝑗𝑚 ” then “y là 𝐵𝑗 ”
Trong đó, 𝑥𝑖 là các biến đầu vào, 𝐴𝑗𝑖 là các tập mờ trên 𝑈𝑖 , (𝑖 =
1 ÷ 𝑚), y là biến đầu ra và 𝐵𝑗 , (𝑗 = 1 ÷ 𝑛) là tập mờ trên V.
Cụ thể hơn, tập luật cơ sở của hệ thống mô phỏng này đối với mô
hình 3.5 trên gồm có tối đa sẽ xây dựng là 1125 luật được minh họa như
sau.

Hình 3.6. Mô hình hệ thống điều khiển mờ

Như vậy có thể nói đối với tập luật cơ sở đã được định nghĩa như
trên, chúng ta có thể có nhiều cách thực hiện khác nhau nhằm định
nghĩa nguồn năng lượng của các nodes trong mạng cảm biến không dây,
mỗi định nghĩa cần phải xây dựng phù hợp với từng bối cảnh cụ thể
trong mỗi ứng dụng của mạng [8], [12]. Đồng thời, với các chức năng


14
đầu vào của hệ thống mô phỏng chính là sự thể hiện việc nghiên cứu
nhằm khảo sát, đánh giá nguồn năng lượng của mạng dựa trên các tiêu
chí về hiệu suất tiêu hao năng lượng của các nodes với nhau trong hệ
thống mạng và mật độ phân bố khu vực phân tán của các node Sensors
trong môi trường phân bố.
Tuy nhiên đối với luận văn nghiên cứu này, em chỉ tập trung xây
dựng việc mô phỏng gồm 2 kịch bản nhằm mục tiêu khảo sát năng
lượng của mạng dựa trên sự tiêu hao năng lượng gửi và nhận dữ liệu
của các nodes trong các cụm đến node Sink. Sau khi chúng ta đã xác
định được số nodes của các cụm, tiếp tục áp dụng các quy tắc suy diễn
mờ tức là thực thi sự định nghĩa cơ sở luật mà chính tác giả đã xây dựng
đồng thời cũng đã trình bày rất chi tiết ở những nội dung trên, cụ thể
hơn đối với những kịch bản mô phỏng được minh họa như hình 3.7
nhưng mới định nghĩa minh họa 19 luật trong tổng số 1125 luật nhằm
tiến hành mô phỏng và đánh giá kết quả.
Mặc dù mới chỉ minh họa 19 luật trong tập luật cơ sở, nhưng có
thể nói việc sinh luật thì chúng ta cứ tiếp tục thực hiện như lý thuyết mà
tác giả đã trình bày cụ thể ở nội dung các chương. Nhìn chung với mỗi
luật trong tập luật cơ sở chúng ta có thể xem chúng dưới các cách nhìn
nhận khác nhau, một là nó được xem như là các luật độc lập với nhau,
như vậy khi điều kiện của mỗi luật thỏa mãn thì luật sẽ sinh ra một hệ
19

quả tương ứng, tức là 𝑅 = ∪ 𝑅𝑖 . Lúc này, quan hệ R chính là giao của
𝑖=1

các luật mà chúng ta định nghĩa. Tuy nhiên, dưới một cách nhìn khác
chính là chúng ta cũng có thể xem tất cả các điều kiện trong cơ sở luật
được thõa mãn thì hệ luật mới cho ra kết quả như vậy chính là 𝑅 =
19

∩ 𝑅𝑖 .

𝑖=1

Dựa trên những góc nhìn nhận về các luật thành viên như vậy,
sau khi chúng ta đã định nghĩa các luật thành viên trong tập luật cơ sở
và chọn một cách thể hiện quan hệ R phù hợp trong tập luật xây dựng.
Tiếp tục lúc này, chúng ta sẽ chọn một phương pháp kéo theo như đã
trình bày rất chi tiết ở những nội dung chương 1. Riêng đối với phần


15
nghiên cứu trong luận văn này, tác giả sử dụng hàm kéo theo Mamdani.
Khi đó, tập mờ đầu ra B’ tương ứng sẽ được xác định cụ thể như sau.
STT
Cấu trúc luật
𝑅1
Nếu 𝑥1 là 𝐴11 và ... và 𝑥𝑚 là 𝐴𝑚1 thì y là 𝐵1
𝑅2
Nếu 𝑥2 là 𝐴12 và ... và 𝑥𝑚 là 𝐴𝑚2 thì y là 𝐵2
...

...
𝑅𝑛
Nếu 𝑥1 là 𝐴1𝑛 và ... và 𝑥𝑚 là 𝐴𝑚𝑛 thì y là 𝐵𝑛
Nếu 𝑥1 là 𝐴1∗ và ... và 𝑥𝑚 là 𝐴𝑚∗
y là 𝐵′
Trong đó, 𝐴1∗ , 𝐴2∗ , … , 𝐴𝑚∗ là các giá trị đầu vào có thể mờ hoặc
rõ. Theo luật suy diễn xấp xỉ, tập mờ 𝐵′ có thể suy diễn theo các bước
như sau:
- Đầu tiên, tìm quan hệ thành phần 𝑅𝑖 là quan hệ được định nghĩa
như sau: 𝑅𝑖 = (𝐴1𝑖 ∩ 𝐴2𝑖 ∩ … ∩ 𝐴𝑚𝑖 ) 𝐵𝑖
- Sau đó, xác định quan hệ tích hợp R từ các quan hệ thành phần
Cho
Tính

19

𝑅𝑖 qua phép hợp thành sau: 𝑅 = ∪ 𝑅𝑖
𝑖=1

- Cuối cùng xác định tập mờ đầu ra 𝐵′ thông qua toán tử hợp
thành sau: 𝐵′ = [𝐴1 ∩ 𝐴2 ∩ … ∩ 𝐴𝑚 ] 𝑅
Trong đó, tập mờ đầu ra 𝐵′ chính là những giá trị mờ. Tuy nhiên,
trong thực tế dữ liệu mà hệ cho ra cũng cần phải là những giá trị rõ chứ
không thể là những giá trị mờ. Vì vậy, với tập mờ 𝐵′ tương ứng chính
là kết quả đầu ra của bộ suy diễn trong hệ thống logic mờ. Sau khi đã
xác định được tập mờ đầu ra 𝐵′ , nó sẽ tiếp tục được khâu giải mờ xử lý
để cho ra kết quả với những giá trị rõ mà có thể đáp ứng được những
yêu cầu của con người.
Đối với thành phần chính cuối cùng trong mô hình logic mờ đó
chính là khâu giải mờ (defuzzification), có thể nói giai đoạn cuối trong

hệ thống logic mờ này nó có rất nhiều phương pháp để thực hiện nhằm
hỗ trợ tùy thuộc các công việc của mỗi ứng dụng chẳng hạn như
phương pháp cực đại trung bình, phương pháp cực đại trung bình có
trọng số hay phương pháp trọng tâm. Tuy nhiên trong luận văn này, tác
giả chỉ tập trung nghiên cứu và sử dụng phương pháp trọng tâm


16
(centroid method hay centre of gravity). Phương pháp này xuất phát từ
ý tưởng mọi giá trị của U đều được đóng góp với trọng số của nó vào
việc xác định giá trị khử mờ của tập mờ đầu vào đối với khâu giải mờ.
Giả sử chúng ta có thể hình dung thông qua một minh họa sau, xem tập
mờ 𝐴~ trên không gian U được định nghĩa chẳng hạn như.
Năng _lượng(𝐴~) = 0.54/Thấp + 0.82/Tr_bình + 0.18/Cao
Cụ thể, chúng ta có thể biểu diễn sự định nghĩa của tập mờ 𝐴~
thông qua các hàm thành viên được minh họa ở hình bên dưới sau.
Cao
Trung bình

Thấp
1
0.82
0.54
0.5

0.18
0

100

Hình 3.8. Các hàm thuộc của biến Năng_lượng(𝑨~ )
Như vậy, với công thức định nghĩa về tập mờ đối với biến Năng_
lượng và được tác giả thể hiện như hình 3.8 trên, chúng ta đều có thể
biến đổi về tập mờ có dạng như hình sau:
1

0.5

0
23 25

41

59

91

100

Hình 3.9. Hàm thuộc hợp của 3 hạng tử đối với biến Năng_lượng
(𝑨~ )
Như vậy, sau khi chúng ta đã xác định được các hàm thành viên
của các hạng tử đối với biến Năng_ lượng(𝐴~ ), theo công thức tính giá
trị khử mờ có dạng tổng quát như sau: 𝐷𝐶𝑒𝑛𝑡𝑟𝑜𝑖𝑑 (𝐴~ ) =

𝑏

∫𝑎 𝑢∗𝜇(𝑢)𝑑𝑢
𝑏

∫𝑎 𝜇(𝑢)𝑑𝑢

Theo công thức trên ta xác định lần lượt:
100

∫
0

𝑢𝜇(𝑢)𝑑𝑢
23

25
41
59
−1
1
= ∫ 0,54 𝑢𝑑𝑢 + ∫ ( 𝑢 + 1) 𝑢𝑑𝑢 + ∫ ( 𝑢) 𝑢𝑑𝑢 + ∫ 0,82𝑢𝑑𝑢
50
0
23
25 50
41
91
100
−1
+ ∫ ( 𝑢 + 2) 𝑢𝑑𝑢 + ∫ 0,18𝑢𝑑𝑢
50
59
91

17
= 142,83 + 24,946 + 355,306 + 738 + 1145,386 + 154,71 = 2561,178
100

∫

𝜇(𝑢)𝑑𝑢

0

23
25
41
59
−1
1
= ∫ 0,54 𝑑𝑢 + ∫ ( 𝑢 + 1) 𝑑𝑢 + ∫ ( 𝑢) 𝑑𝑢 + ∫ 0,82𝑑𝑢
50
50
0
23
25
41
91
100
−1
+ ∫ ( 𝑢 + 2) 𝑑𝑢 + ∫ 0,18𝑑𝑢
50
59

91

= 12,42 + 1,04 + 10,56 + 14,76 + 16 + 1,62 = 56,4

Do đó, 𝐷𝐶𝑒𝑛𝑡𝑟𝑜𝑖𝑑 (𝐴~ ) =

2561,178
56,4

= 45,4.

Dựa trên cơ sở về mặc lý thuyết đã giới thiệu ở trên, đối với sự
mô phỏng ở kịch bản 1: Tác giả xây dựng một hệ thống mạng giả sử
gồm 101 nodes được định nghĩa nằm trong miền xác định [0 100] và nó
được phát tán trong môi trường, để đánh giá được sự tiêu hao năng
lượng của các nodes trong hệ thống mạng, điều này sẽ được tác giả
nghiên cứu thực hiện bằng cách thay đổi số cụm cũng như số nodes
trong các cụm mà tác giả đã định nghĩa nằm trong miền xác định [0
100] cụm. Hay nói các khác hơn, bằng sự thay đổi các giá trị tham số
đầu vào trong hệ thống mà tác giả xây dựng nhằm mô phỏng việc thực
nghiệm đều được chính tác giả giả định nằm trong miền xác định [0
100].
Đối với kịch bản này, tác giả giả định rằng các nodes truyền dữ
liệu ở chế độ single – hop và báo cáo sự kiện là duy nhất, báo cáo sự
kiện duy nhất này chính là các nodes Sensors lân cận sẽ gửi và nhận dữ
liệu đến node chủ sau đó node chủ sẽ thực hiện việc tổng hợp tất cả các
dữ liệu từ chính các nodes lân cận gửi đến, và rồi lúc này nó mới gửi dữ
liệu đến node Sink, để người dùng cuối lúc này mới có thể sử dụng dữ
liệu nhằm thực hiện các công việc mong muốn của mình. Như vậy, với
kịch bản mô phỏng 1 này tác giả sẽ thiết kế xây dựng minh họa với rất

nhiều kịch bản thử nghiệm khác nhau nhằm mục tiêu đánh giả về mức
tiêu hao năng lượng của hệ thống mạng cảm biến không dây.
Đối với trường hợp 1, giả sử việc mô phỏng giả định chỉ với 32
cụm minh họa nhưng chúng ta sẽ xác định được mức tiêu hao năng lượng
của hệ thống đạt được bởi kết quả minh họa cụ thể như ở hình sau.


18

Hình 3.10. Mức tiêu hao năng lượng trung bình của mạng WSNs
Ở trường hợp minh họa này, chúng ta thấy rằng với những giá trị
tham số đầu vào đã được xác định cụ thể ở từng kịch bản và thể hiện
bởi kết quả thực nghiệm cụ thể trên. Lúc này, chúng ta có thể khẳng
định chỉ sau khi qua các bước thực thi tuần tự đối với hệ thống logic mờ
thì kết quả đạt cuối cùng chính là mức tiêu hao năng lượng của hệ thống
mạng với giá trị cụ thể trong trường hợp 1 là 50%.
Còn đối với trường hợp 2, chúng ta sẽ thực hiện việc thử nghiệm
với sự giảm diện tích hoạt động còn 1.9, kcNutdenCH = 50,
kcCHdenBS = 50, sonutCH = 50, giảm diện tích hoạt động còn 1.9, thời
lượng hoạt động là 11.9 thì mức tiêu hao năng lượng là 48.8%, mô
phỏng và đồng thời với những tham số của mỗi chức năng đầu vào đã
được xác định cụ thể như vậy kết quả tương ứng sau khi thực thi sẽ đạt
được như hình sau:

Hình 3.11. Mức tiêu hao năng lượng của mạng WSNs với minh họa 48.8%

Với kết quả mô phỏng cụ thể đã đạt được ở hình biểu diễn trên,
chúng ta nhận thấy rằng chỉ với các giá trị tham số đầu vào đã được xác
định cụ thể mà tác giả đã định nghĩa. Trong trường hợp này, ta giảm

19
diện tích hoạt động còn các giá trị tham số khác vẫn giữ nguyên như
trường hợp 1 trong mô hình thì kết quả sau khi thực thi đạt được như
hình trên đã cho chúng ta biết được mức tiêu hao năng lượng của mạng
thay đổi, cụ thể là 48.8%.
Đối với trường hợp thứ 3, giả sử việc minh họa mô phỏng trong
trường hợp này đối với mô hình logic mờ đã được thiết kế ban đầu với
các giá trị sau: giảm khoảng cách nút đến CH còn 18.4, các giá trị khác
vẫn giữ nguyên thì mức tiêu hao năng lượng của mạng thay đổi, cụ thể
là 48.8%. Bên cạnh đó, chúng ta phải xác định được những giá trị tham
số của mỗi chức năng đầu vào phải được định nghĩa cụ thể, thì lúc này
có thể nói mức tiêu hao năng lượng được thể hiện toàn bộ thông qua kết
quả minh họa ở hình sau.

Hình 3.12. Mức tiêu hao năng lượng sau khi giảm khoảng cách nút đến CH

Trường hợp nếu tăng đồng thời các chỉ số: khoảng cách từ nút
đến CH, khoảng cách CH đến BS, số nút CH, thời lượng hoạt động
nhưng giữ nguyên diện tích hoạt động thì mức tiêu hoa năng lượng vẫn
không thay đổi.

Hình 3.13. Mức tiêu hao năng lượng sau khi giữ nguyên diện tích hoạt động

Trường hợp hệ thống mạng hoạt động với chỉ số tối đa thì mức


20
tiêu hao năng lượng là 90.1%, kết quả mô phỏng đạt được cụ thể ở hình
sau:

Hình 3.14. Mức tiêu hao năng lượng khi hệ thống mạng hoạt động tối đa

Mức tiêu hao năng lượng của hệ thống mạng không phụ thuộc
vào thời lượng hoạt động của hệ thống mạng, kết quả này được mô tả ở
các trường hợp dưới đây:

Hình 3.15. Mức tiêu hao năng lượng khi hệ thống mạng hoạt động
50% thời lượng

Hình 3.16. Mức tiêu hao năng lượng khi hệ thống mạng ngừng hoạt động


21

Hình 3.17. Mức tiêu hao năng lượng khi hệ thống mạng hoạt động liên tục

Dựa trên cơ sở đối với kết quả đã đạt được mô tả trong các hình
mô phỏng thực nghiệm trên, chúng ta có thể nói rằng khi dữ liệu đầu
vào được xác định cụ thể do chúng ta đã định nghĩa trong việc thiết kế
mô hình hệ thống thực nghiệm, thì đồng nghĩa lúc này chúng ta sẽ xác
định được kết quả cuối cùng đầu ra tương ứng đó cũng chính là mức
tiêu hao năng lượng của các nodes trong hệ thống mạng cảm biến không
dây sẽ đạt được, và được thể hiện bởi các hình minh họa trên.
Sự tiêu hao năng lượng của hệ thống mạng ít phụ thuộc vào thời
lượng hoạt động.
Như thế, có thể nói với rất nhiều kịch bản thử nghiệm mà em đã
xây dựng nhằm xác định được mức tiêu hao năng lượng tối đa, mức tiêu
hao năng lượng ít nhất và mức tiêu hao năng lượng trung bình của hệ
thống mạng cảm biến không dây. Đồng thời với những kết quả đạt được

đã chứng minh rằng đối với việc phân các node Sensors thuộc các cụm
sử dụng logic mờ cũng là một giải pháp nhằm giúp giải quyết vấn đề
phức tạp đối với hệ thống mạng loại này.
Chúng ta có thể nhận thấy rằng, đối với các nodes mạng được
phát tán trong một khu vực với mật độ phân bố giảm, đồng thời với các
chức năng của mỗi đầu vào đã được xác định với những giá trị tương
ứng cụ thể như ở hình trên, thì kết quả đầu ra sẽ cung cấp cho chúng ta
biết được chính là sự tiêu hao năng lượng của hệ thống mạng.
3.3. ĐÁNH GIÁ
Có thể nói rằng với những kết quả mô phỏng đã đạt được đối với


22
những kịch bản mà em xây dựng nhằm khảo sát, đánh giá về năng
lượng của mạng cảm biến không dây. hông qua các kết quả đã đạt được
thì chúng ta nhận thấy rằng nếu kcnutdenCH tăng lên thì mức tiêu hao
năng lượng của mạng giảm, còn ngược lại trong trường hợp đối với
kcnutdenCH giảm đi thì mức tiêu hao năng lượng của mạng tăng. Rõ
ràng mật độ sự phân cụm cũng ảnh hưởng đến mức tiêu hao năng lượng
của hệ thống mạng. Dựa trên cơ sở thực nghiệm và đưa ra sự đánh giá
về hai đại lượng giữa kcnutdenCH tỉ lệ nghịch với mức tiêu hao năng
lượng của hệ thống mạng.
Khi thay đổi mật độ khu vực phân bố của các nodes nhưng số
cụm không thay đổi thì mức tiêu hao năng lượng của mạng cũng thay
đổi. Vì hệ thống mạng hoạt động dựa trên cơ sở nguồn năng lượng của
các nodes phân bố trong một khu vực xác định, khi nguồn năng lượng
thay đổi hay không là phụ thuộc vào mật độ phân bố các nodes mạng.
Theo các kết quả mô phỏng, có thể nói rằng, đối với mật độ phân bố các
nodes giảm thì mức tiêu hao năng lượng của hệ thống mạng lại tăng lên
và ngược lại đồng thời kcCHdenBS thay đổi cũng làm thay đổi mức

tiêu hao năng lượng của hệ thống mạng.

Hình 3.18. Biểu đồ biểu diễn mức tiêu hao năng lượng khi hệ thống mạng
hoạt động liên tục

3.4. KẾT LUẬN
Có thể nói yếu tố quan trọng nhất ảnh hưởng đến nguồn năng
lượng của hệ thống mạng cảm biến không dây là mật độ sự phân cụm
kcnutdenCH, và một trong những phương pháp nghiên cứu nhằm tối ưu
hóa nguồn năng lượng trong WSNs đó chính là phương pháp phân cụm.


23
Tuy nhiên, để thiết kế một mô hình mô phỏng chính xác các yêu tố đầu
vào nhằm giải quyết bài toán đặt ra đối với WSNs là rất khó. Vì vậy,
sau khi nghiên cứu các tài liệu và đã trình bày cụ thể ở các chương trên,
đối với luận văn này em dựa trên cơ sở phương pháp phân cụm và kết
hợp với phương pháp logic mờ để khảo sát năng lượng của WSNs thông
qua việc xác định số cụm hội tụ trong thuật toán FCM mở rộng và mật
độ khu vực phân bố của các node Sensors.
Với rất nhiều môi trường để thực hiện việc mô phỏng chẳng hạn
NS2,.... Tuy nhiên, đối với những mô phỏng này em sử dụng phần mềm
Matlab để thiết kế và xây dựng mô hình thực hiện nghiên cứu trong luận
văn. Vì kiến trúc của môi trường này có những quy định rõ ràng, có các bộ
thư viện cho phép chúng ta sử dụng các hàm cũng như các chức năng tính
toán để cho phép thiết kế các giao diện đồ họa và đồng thời nó cũng là
ngôn ngữ lập trình bậc cao. Hơn nữa, môi trường này rất tiện ích vì nó đã
tích hợp sẵn logic mờ nhằm giúp việc thiết kế và mô phỏng thuận lợi hơn.
Với những kết quả mô phỏng đạt được ở trên đã cho chúng ta
thấy rằng, việc lựa chọn số cụm và mật độ khu vực phân bố sẽ ảnh

hưởng đến mức tiêu hao năng lượng của toàn mạng hay năng lượng của
các node Sensors trong hệ thống.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Luận văn chỉ tập trung nghiên cứu một phần trong rất nhiều
phương pháp nhằm khảo sát và tối ưu hóa năng lượng cho hệ thống
mạng WSNs, từ đó có được một kiến thức cần thiết nhất để xây dựng
chương trình mô phỏng với sự hỗ trợ của môi trường Matlab.
1. Kết quả đạt được
Luận văn đã giới thiệu một cách có hệ thống các kiến thức cơ bản
như các khái niệm về hệ thống Logic mờ, các vấn đề cũng như các mặt
lý thuyết của Mạng cảm biến không dây, các thuật toán phân cụm
nhưng đặc biệt nghiên cứu về thuật toán phân cụm FCM của giáo sư
Bezdek và hệ thống suy diễn mờ. Đây là những kiến thức cần thiết để
thực hiện việc mô phỏng.