(3) 定義網(wǎng)絡(luò)誤差

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

　　式中，Ep是網(wǎng)絡(luò)誤差，tpi是第i個輸出神經(jīng)元的期望值，Opi是第i個輸出神經(jīng)元的實際值。

　　(4) 進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練

　　利用已有神經(jīng)網(wǎng)絡(luò)應(yīng)用程序，把學(xué)習(xí)樣本歸一化后輸入到模型，讓網(wǎng)絡(luò)模型對學(xué)習(xí)樣本反復(fù)地學(xué)習(xí)，直到網(wǎng)絡(luò)的識別精度滿足要求，這時網(wǎng)絡(luò)模型已基本建立，即可進(jìn)行效能評估。樣本的錄用和訓(xùn)練過程如圖3和圖4所示。

　　3 不同分簇網(wǎng)絡(luò)通信能力的評估

　　當(dāng)前用于Ad H0c網(wǎng)絡(luò)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(xiàn)，這里利用VC++語言編制簡單的程序來對不同分簇算法構(gòu)建的網(wǎng)絡(luò)的通信能力進(jìn)行效能評估。在模擬環(huán)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(jié)點傳輸?shù)墓β氏嗟?，建立仿真場景的大小?50×150單位距離的仿真區(qū)域。在此仿真區(qū)域內(nèi)設(shè)置30個節(jié)點，仿真時間為1 000個時間單位。在30個節(jié)點選擇10個節(jié)點作為移動節(jié)點，節(jié)點的移動方向在[0，2π]內(nèi)隨機分布，節(jié)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(jié)點的運動方式選用隨機點運動模型，每個移動節(jié)點在網(wǎng)絡(luò)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(jié)點的移動速度和方向，這樣節(jié)點的運動將更加隨機，如果移動節(jié)點碰到區(qū)域的邊界時按照一定的規(guī)則(反射)向區(qū)域內(nèi)運動。通信能力仿真的流程如下：①加載網(wǎng)絡(luò)數(shù)據(jù)；②對網(wǎng)絡(luò)進(jìn)行分簇；③模擬通信過程，計算不同分簇算法下各底層指標(biāo)。④利用訓(xùn)練好的：BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行通信能力評估；⑤增大節(jié)點的傳輸范圍，重復(fù)上述模擬過程。網(wǎng)絡(luò)通信能力評估仿真的流程圖如圖5所示，網(wǎng)絡(luò)通信能力隨節(jié)點傳輸范圍的變化如圖6所示。

　　仿真結(jié)果表明：WCA分簇算法構(gòu)建的網(wǎng)絡(luò)，在傳輸范圍變化的過程中，都有一定的優(yōu)勢。在傳輸范圍小于60之前，MOBIC和LOWID分簇算法構(gòu)建的網(wǎng)絡(luò)其通信能力強于HIGHD。但隨著傳輸范圍的增大，HIGHD分簇算法構(gòu)建的網(wǎng)絡(luò)優(yōu)于其他分簇算法。原因在于WCA分簇算法負(fù)載平衡度高，減少了網(wǎng)絡(luò)阻塞和瓶頸出現(xiàn)的概率，提高了網(wǎng)絡(luò)的通信能力。HIGHD分簇算法簇頭承擔(dān)的業(yè)務(wù)量較高，因此容易出現(xiàn)阻塞的現(xiàn)象，而當(dāng)傳輸范圍增大到一定程度，其簇頭數(shù)較少，控制和通信開銷小，通信能力增強。

　　4 結(jié)束語

　　針對Ad Hoc網(wǎng)絡(luò)的特點?？紤]到?jīng)Q定通信能力的底層指標(biāo)與網(wǎng)絡(luò)通信能力是非線性映射關(guān)系，本文把神經(jīng)網(wǎng)絡(luò)的方法用于網(wǎng)絡(luò)通信能力評估，該方法能夠比較準(zhǔn)確地評估網(wǎng)絡(luò)的通信能力，但在通信能力的評估中，考慮的底層指標(biāo)可能不夠全面，仿真結(jié)果有一定局限性。