Titre :	Modélisation de la mobilité de la station de base par les réseaux de neurones
Type de document :	texte imprimé
Auteurs :	Hadj sahraoui,charaf Eddine ; Djamila Mechta, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2017
Importance :	1 vol (47f.)
Format :	29 cm
Langues :	Français (fre)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Réseaux Systèmes Distribués WSN Station de base bio-inspirées neurones
Index. décimale :	004 Informatique
Résumé :	RÉSUMÉ Un réseau de capteurs sans fil (RCSF) est un ensemble d’un grand nombre de nœuds autonomes équipés de capacités de détection, d’interfaces de communication sans fil, de traitement limité (CPU),de stockage de données et de ressources énergétiques.Sachant que la consommation d’énergie a toujours été un problème pour ce genre de réseau,c’est pourquoi la mobilité de la station de base (SB) a été exploitée dans d’énormes projets pour résoudre ce problème et prolonger la durée de vie de RCSF. Il existe un certain nombre de modèles différents d’intelligence d’essaims qui peuvent présenter de puissantes sources d’inspiration pour les chercheurs dans le domaine RCSF mobiles, comme l’optimisation des colonies de fourmis (ACO), l’optimisation des essaims de particules (PSO), l’essaimage des abeilles, l’essaim de poisson artificiel (AFS) et les fourrages bactériens et autres.L’objectif principale de notre mémoire est de proposer un nouveau modèle de mobilité de la SB en se basant sur l’une des méthodes bio inspirée. Notre choix s’est porté sur les Réseaux de neurones.On a essayé de mettre en œuvre notre proposition ( prtocole LBSNN ) et on a comparé les résultats obtenus avec le protocole LEACH et on a trouvé des résultats satisfaisants.
Note de contenu :	Table des matières 1 État de l’art 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 Avantages de la mobilité dans les WSN : . . . . . . . . . . . . . . . . . . . 4 1.3 La station de base mobile dans les WSN . . . . . . . . . . . . . . . . . . . 5 1.3.1 Types de mobilité des BS dans WSN . . . . . . . . . . . . . . . . 6 1.3.1.1 - Modèle de mobilité aléatoire / imprévisible . . . . . . . 6 1.3.1.2 - Modèle de mobilité prévisible / fixe . . . . . . . . . . . 6 1.3.1.3 - Modèle de mobilité contrôlée . . . . . . . . . . . . . . 7 1.4 Stratégies de déplacement pour la BS mobile dans WSN . . . . . . . . . . 7 1.4.1 Mobile Sink based Routing Protocol (MSRP) . . . . . . . . . . . . 8 1.4.1.1 Discussion : . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4.2 Multiple Enhanced Specified deployed Sub-sinks (MESS) : . . . . 8 1.4.2.1 Discussion : . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4.3 Energy Efficient data collection in Grid based WSN unsing a mobile sink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4.3.1 - la mobilité de station de base . . . . . . . . . . . . . . 9 1.4.4 Improved WSN Life Time Duration through Adaptive Clustering, Duty Cycling and Sink Mobility . . . . . . . . . . . . . . . . . . . 9 1.4.5 Improving LEACH-C Using Sink Mobility 2016(LEACH-CM) . . 10 1.5 Intelligence d’essaim et mobilité dans WSN . . . . . . . . . . . . . . . . . 11 1.5.1 Performance of Mobile Base Station Using Genetic Algorithms in Wireless Sensor Networks . . . . . . . . . . . . . . . . . . . . . . 11 1.5.2 Ant Colony Optimization Algorithm for Lifetime Maximization in WirelessSensor Network with Mobile Sink . . . . . . . . . . . . . 12 1.5.2.1 - prinicpe de fonctionnement de l’algorithme ACO . . . . 12 1.5.2.2 - Discussion : . . . . . . . . . . . . . . . . . . . . . . . 14 1.5.3 Bio inspired method Digital Hormone Model (DHM) with mobile sink nodes in WSNs . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.5.3.1 principe de fonctionnement de Digital Hormone Model . 15 1.5.3.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.4 Particle swarm optimization based clustering algorithm with mobile sink for WSNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.4.1 Principe d’algorithme du PSO . . . . . . . . . . . . . . . 16 1.5.5 Optimization-Based Artificial Bee Colony Algorithm for Data Collection in Large Scale Mobile Wireless Sensor Networks . . . . . . 19 1.5.5.1 Principe d’algorithme ABC . . . . . . . . . . . . . . . . 19 1.5.5.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.5.6 Algorithme basé sur les réseaux neurone : CNN-LEACH . . . . . 21 1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2 Protocole Proposé : LBSNN 23 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.2 Protocole LEACH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.2.1 Phase de configuration (setup phase) . . . . . . . . . . . . . . . . . 24 2.2.2 Phase de transmission (steady state phase) . . . . . . . . . . . . . . 24 2.3 Description du protocole proposé . . . . . . . . . . . . . . . . . . . . . . 25 2.3.1 Le modèle de réseau . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.1.1 Hypothèses : . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.2 Le modèle d’énergie . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4 Conception du protocoles proposés . . . . . . . . . . . . . . . . . . . . . . 27 2.4.1 élection de Cluster-Head (CH) dans LBSNN . . . . . . . . . . . . 28 2.4.2 Division du réseau en grilles . . . . . . . . . . . . . . . . . . . . . 29 2.5 Mouvement de la SB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.5.1 Algorithme de KOHONEN (SOM) . . . . . . . . . . . . . . . . . 31 2.5.2 Notre algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.5.2.1 Comment on a procédé ? . . . . . . . . . . . . . . . . . . 32 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3 Simulation et Résultat 35 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2 L’environnement de développement . . . . . . . . . . . . . . . . . . . . . 35 3.3 Paramètres de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.4 Les métrique du performance . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.5 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.5.1 Comparaison en termes d’énergie consommée . . . . . . . . . . . . 38 3.5.1.1 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.5.2 Comparaison en termes de durée de vie du réseau . . . . . . . . . . 38 3.5.2.1 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.5.3 Comparaison en termes de quantité de données reçues par la SB . . 41 3.5.3.1 Discussion : . . . . . . . . . . . . . . . . . . . . . . . . 41 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 Bibliographie 45
Côte titre :	MAI/0156
En ligne :	https://drive.google.com/file/d/1stanjkJovv6zv3oUdQPBJMn-78iPebsA/view?usp=shari [...]
Format de la ressource électronique :	pdf

Modélisation de la mobilité de la station de base par les réseaux de neurones [texte imprimé] / Hadj sahraoui,charaf Eddine ; Djamila Mechta, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (47f.) ; 29 cm.
Langues : Français (fre)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Réseaux Systèmes Distribués WSN Station de base bio-inspirées neurones
Index. décimale :	004 Informatique
Résumé :	RÉSUMÉ Un réseau de capteurs sans fil (RCSF) est un ensemble d’un grand nombre de nœuds autonomes équipés de capacités de détection, d’interfaces de communication sans fil, de traitement limité (CPU),de stockage de données et de ressources énergétiques.Sachant que la consommation d’énergie a toujours été un problème pour ce genre de réseau,c’est pourquoi la mobilité de la station de base (SB) a été exploitée dans d’énormes projets pour résoudre ce problème et prolonger la durée de vie de RCSF. Il existe un certain nombre de modèles différents d’intelligence d’essaims qui peuvent présenter de puissantes sources d’inspiration pour les chercheurs dans le domaine RCSF mobiles, comme l’optimisation des colonies de fourmis (ACO), l’optimisation des essaims de particules (PSO), l’essaimage des abeilles, l’essaim de poisson artificiel (AFS) et les fourrages bactériens et autres.L’objectif principale de notre mémoire est de proposer un nouveau modèle de mobilité de la SB en se basant sur l’une des méthodes bio inspirée. Notre choix s’est porté sur les Réseaux de neurones.On a essayé de mettre en œuvre notre proposition ( prtocole LBSNN ) et on a comparé les résultats obtenus avec le protocole LEACH et on a trouvé des résultats satisfaisants.
Note de contenu :	Table des matières 1 État de l’art 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 Avantages de la mobilité dans les WSN : . . . . . . . . . . . . . . . . . . . 4 1.3 La station de base mobile dans les WSN . . . . . . . . . . . . . . . . . . . 5 1.3.1 Types de mobilité des BS dans WSN . . . . . . . . . . . . . . . . 6 1.3.1.1 - Modèle de mobilité aléatoire / imprévisible . . . . . . . 6 1.3.1.2 - Modèle de mobilité prévisible / fixe . . . . . . . . . . . 6 1.3.1.3 - Modèle de mobilité contrôlée . . . . . . . . . . . . . . 7 1.4 Stratégies de déplacement pour la BS mobile dans WSN . . . . . . . . . . 7 1.4.1 Mobile Sink based Routing Protocol (MSRP) . . . . . . . . . . . . 8 1.4.1.1 Discussion : . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4.2 Multiple Enhanced Specified deployed Sub-sinks (MESS) : . . . . 8 1.4.2.1 Discussion : . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4.3 Energy Efficient data collection in Grid based WSN unsing a mobile sink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.4.3.1 - la mobilité de station de base . . . . . . . . . . . . . . 9 1.4.4 Improved WSN Life Time Duration through Adaptive Clustering, Duty Cycling and Sink Mobility . . . . . . . . . . . . . . . . . . . 9 1.4.5 Improving LEACH-C Using Sink Mobility 2016(LEACH-CM) . . 10 1.5 Intelligence d’essaim et mobilité dans WSN . . . . . . . . . . . . . . . . . 11 1.5.1 Performance of Mobile Base Station Using Genetic Algorithms in Wireless Sensor Networks . . . . . . . . . . . . . . . . . . . . . . 11 1.5.2 Ant Colony Optimization Algorithm for Lifetime Maximization in WirelessSensor Network with Mobile Sink . . . . . . . . . . . . . 12 1.5.2.1 - prinicpe de fonctionnement de l’algorithme ACO . . . . 12 1.5.2.2 - Discussion : . . . . . . . . . . . . . . . . . . . . . . . 14 1.5.3 Bio inspired method Digital Hormone Model (DHM) with mobile sink nodes in WSNs . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.5.3.1 principe de fonctionnement de Digital Hormone Model . 15 1.5.3.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.4 Particle swarm optimization based clustering algorithm with mobile sink for WSNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.4.1 Principe d’algorithme du PSO . . . . . . . . . . . . . . . 16 1.5.5 Optimization-Based Artificial Bee Colony Algorithm for Data Collection in Large Scale Mobile Wireless Sensor Networks . . . . . . 19 1.5.5.1 Principe d’algorithme ABC . . . . . . . . . . . . . . . . 19 1.5.5.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.5.6 Algorithme basé sur les réseaux neurone : CNN-LEACH . . . . . 21 1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2 Protocole Proposé : LBSNN 23 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.2 Protocole LEACH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.2.1 Phase de configuration (setup phase) . . . . . . . . . . . . . . . . . 24 2.2.2 Phase de transmission (steady state phase) . . . . . . . . . . . . . . 24 2.3 Description du protocole proposé . . . . . . . . . . . . . . . . . . . . . . 25 2.3.1 Le modèle de réseau . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.1.1 Hypothèses : . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3.2 Le modèle d’énergie . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.4 Conception du protocoles proposés . . . . . . . . . . . . . . . . . . . . . . 27 2.4.1 élection de Cluster-Head (CH) dans LBSNN . . . . . . . . . . . . 28 2.4.2 Division du réseau en grilles . . . . . . . . . . . . . . . . . . . . . 29 2.5 Mouvement de la SB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.5.1 Algorithme de KOHONEN (SOM) . . . . . . . . . . . . . . . . . 31 2.5.2 Notre algorithme . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.5.2.1 Comment on a procédé ? . . . . . . . . . . . . . . . . . . 32 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3 Simulation et Résultat 35 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2 L’environnement de développement . . . . . . . . . . . . . . . . . . . . . 35 3.3 Paramètres de simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.4 Les métrique du performance . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.5 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.5.1 Comparaison en termes d’énergie consommée . . . . . . . . . . . . 38 3.5.1.1 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.5.2 Comparaison en termes de durée de vie du réseau . . . . . . . . . . 38 3.5.2.1 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.5.3 Comparaison en termes de quantité de données reçues par la SB . . 41 3.5.3.1 Discussion : . . . . . . . . . . . . . . . . . . . . . . . . 41 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 Bibliographie 45
Côte titre :	MAI/0156
En ligne :	https://drive.google.com/file/d/1stanjkJovv6zv3oUdQPBJMn-78iPebsA/view?usp=shari [...]
Format de la ressource électronique :	pdf