Эффективный метод сбора данных на основе предсказаний для беспроводных датчиковых сетей с гибридным нечетким кластеризацией и оптимизированными глубокими maxout-нейронными сетями

Умные датчики для взаимосвязанного мира

От умных ферм до городских систем мониторинга качества воздуха — беспроводные датчики тихо отслеживают окружение и передают данные в Интернет вещей. Но компактные устройства на батарейках могут передавать лишь ограниченное количество информации, прежде чем исчерпают энергию. В этой статье рассматривается новый подход к организации, маршрутизации и прогнозированию данных датчиков, который позволяет сетям работать дольше, сокращать лишние передачи и при этом сохранять точность измерений окружающей среды.

Почему сенсорные сети нуждаются в модернизации

Современные сенсорные сети могут разбросать сотни или тысячи устройств по полю, зданию или городу. Каждый датчик измеряет такие параметры, как температура или влажность, и пересылает эти данные на центральную станцию. Если каждый датчик передает постоянно, батареи быстро садятся, и сеть выходит из строя. Существующие методы пытаются группировать датчики в кластеры и прокладывать пути для сообщений, но часто упускают тонкие факторы — перекрытия зон, резкие изменения условий или ограничения маленьких батарей и процессоров. В результате энергия расходуется впустую, нагрузка распределяется неравномерно, и теряются возможности предсказать события вместо постоянных опросов всех датчиков.

Нежная группировка и продуманные маршруты

Авторы предлагают фреймворк, который поэтапно устраняет эти слабые места. Сначала они группируют близко расположенные датчики с использованием мягкой, или «нечеткой», концепции членства: датчик может частично принадлежать нескольким кластерам, что лучше отражает запутанные реальные раскладки, чем жесткие границы. В каждом кластере нужен специальный узел — глава кластера, который собирает и пересылает данные. Выбор такого узла важен, потому что он будет расходовать больше энергии, чем соседи. Для этой задачи система использует алгоритм, вдохновленный охотой красных пираней. Он исследует множество возможных кандидатов и отдает предпочтение узлам, у которых остается много энергии, которые находятся ближе к центру группы, имеют разумное число соседей и не слишком удалены от базовой станции. Такое взвешивание распределяет нагрузку и помогает сети дольше оставаться работоспособной.

Поиск энергоэффективных маршрутов в реальном времени

После выбора глав кластеров следующая задача — как сообщения добираются от этих лидеров до базовой станции. Здесь фреймворк использует еще одну стратегию, вдохновленную животным, основанную на способах охоты тюленей-леопардов. Этот метод маршрутизации перебирает множество возможных путей и постепенно отбирает те, которые сокращают число прыжков, избегают перегруженных узлов и предпочитают устройства с большим запасом энергии. Постоянно адаптируясь к изменяющимся уровням батарей и трафику, он выбирает маршруты, которые уменьшают задержки и снижают риск преждевременной потери нескольких неудачно расположенных датчиков, пока другие простаивают.

Обучение сети предсказывать вместо постоянной болтовни

Даже при эффективной кластеризации и маршрутизации постоянная передача сырых измерений обходится дорого. Чтобы сократить ненужные сообщения, авторы добавляют глубокую модель машинного обучения, называемую глубокой maxout-нейронной сетью. Перед обучением система очищает данные, заполняет пропуски, сглаживает шум и масштабирует значения температуры и влажности в стандартный диапазон. Нейросеть затем усваивает временные закономерности, так что во многих случаях базовая станция может с высокой точностью предсказать значение, которое прислал бы датчик. Только когда реальное показание вероятно сильно отличается от предсказания, датчик действительно передает данные. Это превращает сеть в своего рода «тихого наблюдателя» — она разговаривает реже, но сохраняет достоверную картину условий.

Проверка фреймворка в действии

Чтобы оценить эффективность комбинированного подхода, исследователи смоделировали большую виртуальную сеть из 1500 датчиков и использовали реальные записи температуры и влажности в качестве входных данных. Они сравнили свой метод с несколькими популярными альтернативами, включая другие глубокие модели и схемы кластеризации. В разных сценариях новый фреймворк потреблял меньше энергии, подавлял до примерно 98–99 процентов возможных передач и сохранял очень низкие ошибки предсказания. Он также поддерживал больше живых датчиков и более высокий остаток энергии на протяжении многих раундов связи, показывал меньшую нагрузку на коммуникации и меньше передач пакетов, даже при росте числа узлов.

Что это значит для повседневных технологий

Проще говоря, работа демонстрирует, как сочетание умной группировки, стратегий поиска, вдохновленных природой, и современных методов глубокого обучения может сделать сенсорные сети более экономичными и надежными. Позволяя датчикам отправлять реже, но более содержательные сообщения — и тщательно выбирая лидеров и пути для данных — предложенная система значительно продлевает срок службы сети, сохраняя качество данных. Для повседневных приложений это может означать сенсоры на фермах, работающие годами без замены батарей, системы мониторинга зданий с меньшим числом сбоев и более надежные потоки данных для следующего поколения подключенных устройств.

Цитирование: Padmini Devi, B., Gunapriya, D., Sivaranjani, S. et al. An efficient prediction based data collection method for wireless sensor networks using hybrid fuzzy clustering and optimized deep maxout neural networks. Sci Rep 16, 13851 (2026). https://doi.org/10.1038/s41598-026-42380-8

Ключевые слова: беспроводные сенсорные сети, энергоэффективная маршрутизация, прогнозирование данных IoT, глубокие нейронные сети, метаэвристическая оптимизация