无线传感器网络(Wireless Sensor Networks,WSNs)面临着实时路由、节点集群和数据完整性等诸多技术需求,神经网络(Artificial Neural Network,ANN)可以为其提供一系列解决方案,增强WSNs适应其周围环境的动态行为能力。本文将研究重点放在WSNs路由协议上,以WSNs的小规模和大规模应用为背景,首先论文概述了课题的研究背景和研究目的,介绍了 WSNs体系结构,对WSNs与传统网络和Ad Hoc网络进行了比较。分析了 ANN原理、算法模型,讨论了 ANN与WSNs结构上的相似性和功能上的互补性。对ANN在WSNs路由上的性能改善进行优化研究并进行了实验验证。本文的主要工作有:(1)提出了一种结构简单的小簇集形式的自组织聚团结构。在基于ANN的WSNs路由协议中,为了更多的保持平面路由协议简单、易扩展、健壮性好的优点,网络首先以最近邻的形式自组织聚集成为较小的簇集,这种组织形式节点间通讯代价小,簇集间干扰也较小。(2)借助于自适应线性神经元(Aptive Linear Neuron,ADALINE)的泛化学习能力,以互为最近邻的“节点对”相互合作、监督的方式提高能效、增加网络健壮性、减小通讯量,并通过数据关系学习实现感知数据在Sink节点内的反演。另外优先消耗过紧密分布节点的能量,在节点大量死亡的情况下却更好的保持了存活节点的均衡分布,并以实验进行了验证。(3)以WSNs大规模应用为背景,提出了一种运用卷积神经网络(Convolutional Neural Network,CNN)分析能力提高WSNs性能的路由模型。该模型将CNN节点与WSNs节点形成对应关系,在WSNs内并行实现CNN网络模型;以CNN与WSNs分布式存储的对等关系增加网络健壮性;利用WSNs的分布式处理能力以CNN实现网内决策,减小网络通讯量,增加大规模WSNs的实用性和可行性。最后通过仿真实验以流量、能耗的方式进行分析。仿真结果表明网络流量无论是在簇头还是基站层面均有明显减少,能耗在模型压缩后降低明显。图[27]表[2]参[73]