فایل ورد کامل بهینه‌سازی مصرف انرژی در شبکه‌های حسگر بی‌سیم با شبکه‌های عصبی SOM

بخشی از فهرست مطالب پروژه فایل ورد کامل بهینه‌سازی مصرف انرژی در شبکه‌های حسگر بی‌سیم با شبکه‌های عصبی SOM

عنوان    صفحه

فصل۱ مقدمه

۱-۱. مقدمه

۱-۲. تعریف مساله و سئوالات اصلی تحقیق

۱-۳. فرضیه‌ها

۱-۴. اهداف تحقیق

۱-۵. روش تحقیق

۱-۶. مراحل انجام تحقیق

۱-۷. ساختار پایان‌نامه

فصل۲ مروری بر منابع مطالعاتی

۲-۱. مقدمه

۲-۲. طبقه‌بندی روش‌های کاهش مصرف انرژی در شبکه‌های حسگر

۲-۲-۱. چرخه وظایف

۲-۲-۲. روش‌های داده‌گرا

۲-۲-۳. روش‌های مبتنی بر قابلیت تحرک

۲-۳. نقش شبکه‌های عصبی در کاهش مصرف انرژی شبکه‌های حسگر

۲-۳-۲. شبکه‌های عصبی در طرح‌های چرخه وظایف

۲-۳-۳. شبکه‌های عصبی در کاهش داده

۲-۳-۴. شبکه‌های عصبی در شبکه‌های حسگر متحرک

۲-۴. نتیجه‌گیری

فصل۳ نقش شبکه‌های عصبی در مسیریابی انرژی آگاه

۳-۱. مقدمه

۳-۲. ویژگی‌های مسیریابی در شبکه حسگر بی‌سیم

۳-۳. روش‌های مسیریابی در شبکه‌های حسگر بی‌سیم

۳-۳-۱. مسیریابی مسطح

۳-۳-۲. مسیریابی مبتنی بر مکان

۳-۳-۳. مسیریابی سلسه مراتبی(مبتنی بر خوشه‌بندی)

۳-۳-۴. پروتکل خوشه‌بندیLEACH

۳-۳-۵. پروتکل خوشه‌بندیLEACH متمرکز

۳-۴. شبکه‌های عصبی در الگوریتم‌های مسیریابی آگاه از انرژی

۳-۴-۱. شبکه عصبی انتشار معکوس در کشف مسیر

۳-۴-۲. شبکه عصبی نقشه خودسازماندهی در مسیریابی

۳-۴-۳. پروتکل‌های مسیریابی مبتنی بر نقشه خودسازماندهی

۳-۵. پروتکل خوشه‌بندی پیوندگرا وفقی با انرژی پایین

۳-۶. جمع‌بندی

فصل۴ پروتکل جدید پیشنهادی

۴-۱. مقدمه

۴-۲. پروتکل مسیریابی خوشه‌بندی مبتنی بر انرژی خودسازمانده

۴-۳. فرضیات الگوریتم

۴-۴. مرحله خوشه‌بندی

۴-۴-۲. مرحله اول : خوشه‌بندی با شبکه عصبی نقشه خودسازماندهی

۴-۴-۳. مرحله دوم : خوشه‌بندی با الگوریتم K-means

۴-۴-۴. مرحله انتخاب سرخوشه

۴-۵. مرحله انتقال داده

۴-۶. مرحله خوشه‌بندی مجدد

۴-۷. جمع‌بندی

فصل۵ نتایج شبیه‌سازی و تحلیل آن‌ها

۵-۱. مقدمه

۵-۲. پارامترهای شبیه‌سازی

۵-۲. نتایج شبیه‌‌سازی

۵-۲-۱. مقایسه نحوه تشکیل خوشه‌ها در EBCS  با پروتکل LEACH

۵-۲-۲. مقایسه کارایی EBCS با پروتکل‌های پیشین از لحاظ طول عمر شبکه

۵-۲-۳. ارزیابی تابع هزینه انتخاب  سرخوشه برکارایی EBCS

۵-۲-۴. ارزیابی کارایی پروتکلEBCS در افزایش پوشش شبکه‌ای

۵-۳. جمع بندی

فصل۶ جمع‌بندی و پیشنهاد‌ها

۶-۱. مقدمه

۶-۲. یافته‌های تحقیق

۶-۳. نوآوری تحقیق

۶-۴. پیشنهاد‌ها

مراجع

واژه‌نامه

مراجع

چکیده
 امروزه، در شبکه‌های حسگر بی‌سیم، پروتکل‌های مسیریابی مبتنی بر خوشه‌بندی از طریق تقسیم گره‌های همسایه به خوشه‌های مجزا و انتخاب سرخوشه‌های محلی برای ترکیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گره‌های شبکه، بهترین کارایی را از لحاظ افزایش طول عمر و حفظ پوشش شبکه‌ای در مقایسه با سایر روش‌های مسیریابی به‌ دست می‌آورند. با این وجود، همه پروتکل‌های خوشه‌بندی ارایه شده تاکنون، تنها نزدیکی جغرافیایی(همسایگی) را به عنوان پارامتر تشکیل خوشه‌ها در نظر گرفته‌اند. در این تحقیق، یک پروتکل جدید خوشه‌بندی متمرکز مبتنی بر انرژی با استفاده از شبکه عصبی نقشه خودسازماندهی برای شبکه‌های حسگر بی‌سیم ارایه می‌شود که قادر به خوشه‌بندی گره‌های شبکه بر اساس سطح انرژی و مختصات گره‌ها می‌باشد. این پروتکل با استفاده از تعداد مشخصی از گره‌های پرانرژی در شبکه و اعمال آن‌ها به عنوان وزن نورون‌های نقشه خودسازماندهی، نزدیک‌ترین گره‌های کم‌انرژی را جذب گره‌های پرانرژی می‌کند؛ به طوری که خوشه‌ها لزوماً از گره‌های مجاور تشکیل نشده و در واقع براساس دو پارامتر سطح انرژی و همسایگی، خوشه‌هایی با انرژی متوازن تشکیل خواهند شد. به علاوه یک تابع هزینه جدید به منظور تصمیم‌گیری در انتخاب گره‌های سرخوشه، پیشنهاد شده است که سعی در ترکیب معیارهای مختلف موثر در انتخاب بر اساس میزان اهمیت آن‌ها دارد. کارایی برتر این پروتکل از لحاظ افزایش طول عمر مفید شبکه و حفظ بهتر پوشش شبکه‌ای در مقایسه با پروتکل‌های پیشین نظیر LEACH و LEA2C و نیز تاثیر تابع هزینه پیشنهادی بر کارایی آن (با شبیه‌سازی) به اثبات رسیده است.

واژه‌های کلیدی: شبکه‌های حسگر بی‌سیم، شبکه عصبی، نقشه خودسازماندهی، کاهش مصرف انرژی، خوشه‌بندی.
 

بخشی از منابع و مراجع پروژه فایل ورد کامل بهینه‌سازی مصرف انرژی در شبکه‌های حسگر بی‌سیم با شبکه‌های عصبی SOM

Abdel-Aty-Zohdy, H.S. and Ewing R.L. (2000) ‘Intelligent Information Processing Using Neural Networks and Genetic Algorithms’, In: Proc. 43rd Midwest Symp. Circuits and Systems, Aug, pp. 840-845.
Al-karaki J.N, Kamal A.E. (2004) ‘Routing Techniques in Wireless Sensor Networks: A Survey’, In: IEEE Wireless Communication, pp.6-28.            
Anastasi G, Conti M, Passarella A. (2009) ‘Energy Conservation in Wireless Sensor Networks: a survey’, In: Ad Hoc Networks, volume 7, Issue 3, Elsevier; pp.537-568.
Ash T. (1989) ‘Dynamic Node Creation in Back propagation Networks’, technical report, Inst. for Cognitive Science, Univ. of California, San Diego
Aslam N, Philips W, Robertson W, Siva Kumar SH. (2010) ‘A multi-criterion optimization technique for energy efficient cluster formation in Wireless Sensor networks’, In: Information Fusion, Elsevier
Barbancho J, Leon C, Molina F.J, Barbancho A. (2007) ‘Using artificial intelligence in routing scheme for wireless networks’, In: Computer Communications 30, Elsevier, pp. 2802-2811.
Buchberger M, Jorg K.W, and von Puttkamer E. (1993) ‘Laser Radarand Sonar Based World Modelling and Motion Control for Fast Obstacle Avoidance of the Autonomous Mobile Robot MOBOTIV’ , In: Proc. IEEE Int’l Conf. Robotics and Automation, pp. 534-539.
Chang C.C and Song K.T. (1996) ‘Ultrasonic Sensor Data Integration and Its Application to   Environment Perception’, In: Journal of Robotic Systems, vol. 13, no. 10, pp. 663-677.
Chaudhuri S.P. and Das S. (1990) Neural Networks for Data Fusion, In: Proc. IEEE Int’l Conf. Systems Eng.
Chengfa L, Mao Y, Guigai C. (2005) ‘An Energy-Efficient Unequal Clustering Mechanism for Wireless Sensor Networks’, In: Proceeding. Of IEEE MASS.
Chung, Y.N., Chong, C.Y., Bar-Shalom, Y. (1986) ‘Joint Probabilistic data and association Distributed sensor Networks’, In: IEEE Trans. Automa. Contr. AC-31, pp.889–897.
Cordina M, Debono C.J. (2008) ‘Increasing Wireless Sensor Network Lifetime through the Application of SOM neural networks’, In: ISCCSP, IEEE, Malta, pp. 467-471.
Courtney  J.D. and Jain A.K. (1994) ‘Neural Network Learning of Variable Grid-Based Maps for the Autonomous Navigation of Robots’, In: Proc. IEEE Int’l Conf. Robotics and Automation, pp. 40-45.
Davies D.L and Bouldin D.W. (1979) ‘A Cluster Sepration Measure’, In: IEEE Trans. on Pattern Analysis and Machine Intelligence, PAMI (2): pp. 224-227.
DeAngelis, C.M and Whitney, J.E. (1998) ‘The Neurally Inspired Contact Estimator (NICE)’, In:  Proc. IEEE Oceanic Eng. Soc. Conf, vol. 3, pp. 1619-1623.
Dehni L, Kief F, Bennani Y. (2005) ‘Power Control and Clustering in Wireless Sensor Networks’, In: Proceedings of Med-Hoc-Net 2005: Mediterranean Ad Hoc Networking Workshop, France.
Dehni L, Krief F, Bennani Y. (2005) ‘Power Control and Clustering in Wireless Sensor Networks’, In: Challenges in Ad Hoc Networking, vol 2005, pp.31-40.
Demirkol I, Ersoy C, Alagoz F. (2006) ‘MAC Protocols for Wireless Sensor Networks: a Survey’, In: IEEE Communications Magazine.

واژه‌نامه

واژه‌نامه انگلیسی به فارسی

اقتضایی    Ad- hoc
وفقی    Adaptive
مجاورت(همسایگی)    Adjacency
دورها یا زمان الگوریتم    Algorithm Time(Rounds)
گره زنده (گرهی که هنوز کار می‌کند)    Alive node
تقویت(فزون‌سازی)    Amplification
تقویت‌کننده    Amplifier
تحلیل    Analysis
آنتن (گره حسگر)    Antenna
کاربرد    Application
هوش‌مصنوعی    Artificial Intelligence
شبکه عصبی مصنوعی     Artificial Neural Network
رده‌بندی خودکار داده‌ها    Automatic data classification
مدل میانگین متحرک خودبازگشتی     AutoRegressive Moving Average model(ARMA)
ایستگاه مبنا     Base Station
باتری    Battery
واحد دارای بالاترین انطباق    Best Matching Unit(BMU)
مرکزیت    Centrality
متمرکز    Centralized
رده‌بندی    Classification
خوشه    Cluster
انتخاب گره سرخوشه    Cluster Head Election
چرخش نوبتی سرخوشه    Cluster Head Rotation
گره سرخوشه    Cluster Head(CH)
مرحله‌ی نصب خوشه‌ها     Cluster Set-up Phase
خوشه‌بندی    Clustering
ارتباط    Communication
مقایسه    ‍Comparison
لایه رقابتی     Competitive layer
پیوندگرا    Connectionist
بسته کنترلی     Control Packet
مختصات    Coordinates
هزینه    Cost
معیار/ معیارها    Criterion/Criteria
داده/ داده‌ها    Data
اجتماع داده    Data Aggregation
انتساب داده    Data Association
روش‌های داده‌گرا    Data Driven approaches
ترکیب داده    Data Fusion
بسته داده    Data Packet
پیش‌بینی داده    Data Prediction
کاهش داده    Data reduction
مرحله‌ی انتقال داده    Data Transmission Phase
مصور‌سازی داده‌ها    Data Visualization
مجموعه داده    Dataset
شاخص دیویس – بولدین    Davies-Bouldin Index
گره مرده     Dead node
بعد    Dimension
کاهش ابعاد     Dimensionality Reduction
توزیع شده     Distributed
روش‌های چرخه وظایف     Duty Cycling approaches
مدارهای الکترونیکی    Electronics
انرژی    Energy
روش‌های انرژی آگاه    Energy Aware  Methods
خوشه‌های با سطح انرژی متوازن    Energy Balanced Clusters
مبتنی بر انرژی    Energy Based
ذخیره انرژی    Energy Conservation(Saving)
محدودیت انرژی    Energy Constraint
مصرف انرژی    Energy consumption
بهره‌وری انرژی    Energy efficiency
الگوهای بهره‌ور انرژی    Energy Efficient approaches
سطح انرژی    Energy level
مدل انرژی    Energy model
منبع انرژی    Energy resource
ارزیابی    Evaluation
آزمایشی    Experimental
افزایش طول عمر شبکه حسگر بی‌سیم    Extending Wireless Sensor Network Lifetime
زمان مرگ اولین گره (زمان اولین مرگ)    First dead(death)
پروتکل‌های مسیریابی مسطح    Flat Routing Protocols
تابع    Function
تابع گوسی    Gaussian Function
سیستم موقعیت‌یاب جهانی    Global Positioning System(GPS)
مرکز ثقل     Gravity Center
گرید    Grid
زمان مرگ نیمی از گره‌ها    Half dead(death)
دانشگاه فناوری هلسسینکی    Helsinki University of Technology
لایه مخفی    Hidden Layer
پروتکل‌های مسیریابی سلسله‌مراتبی    Hierarchical Routing Protocols
پردازش درون شبکه‌ای    In- network Processing
شاخص    Index
لایه ورودی    Input Layer
هوشمند    Intelligent
ارتباطات بین خوشه‌ای    Inter- Cluster Communications
ارتباطات درون خوشه‌ای    Intra- cluster communications
الگوریتم k  میانگین    K-Means Algorithm
زمان مرگ آخرین گره (زمان آخرین مرگ)    Last dead(death)
ضریب آموزش    Learning coefficient
طول عمر    Life time
واحد نقشه     Map Unit
نگاشت    Mapping
نرم‌افزار مطلب    MATLAB
ماتریس    Matrix
روش‌های مبتنی بر قابلیت تحرک    Mobility based Approaches
پایش    Monitoring
کنترل دسترسی رسانه    Multiple Access Control(MAC)
همسایگی    Neighborhood
شعاع همسایگی    Neighborhood Radius
فضای شبکه    Network Area(space)
پوشش شبکه‌ای    Network coverage
عمر مفید شبکه    Network Useful Lifetime
سلول عصبی(نورون)    Neuron
گره    Node
گره عادی(گره غیر‌سرخوشه)    Normal Node
نرمالیزه کرده    Normalization
بهینه    Optimal
بهینه‌سازی    Optimization
لایه خروجی    Output Layer
سربار    Overhead
کارایی    Performance
توان    Power
کنترل توان    Power Control
کیفیت سرویس    Quality Of Service
شبکه عصبی با تابع پایه شعاعی    Radial Basis Function(RBF)
تصادفی    Random
قرارگیری تصادفی    Random deployment
گیرنده    Receiver
کاهش مصرف انرژی    Reduction of Energy Consumption
چرخش نوبتی    Rotation
دور(راند)    Round
پروتکل‌های مسیریابی    Routing protocols
سناریو    Scenario
صحنه    Scene
شبکه عصبی نقشه خودسازماندهی    Self Organizing Map Neural Network
حسگری    Sensing
حسگر    Sensor
شبیه‌سازی    Simulation
گره سینک    Sink
وضعیت خواب    Sleep Mode
جعبه ابزار شبکه عصبی نقشه خودسازماندهی    SOMtoolbox
بقاء (شبکه)    Survivability
ارتباطات وزن‌دار شبکه عصبی    Synapses
طبقه‌بندی    Taxonomy
تست    Test
آستانه    Threshold
آموزش(شبکه عصبی)    Training
فرستنده    Transmitter
آموزش بدون نظارت    Unsupervised learning
اندازه‌گیری برداری    Vector Quantization
بردار وزن    Weight vector
ارتباطات بی‌سیم    Wireless communications
شبکه‌ حسگر بی‌سیم    Wireless Sensor Network

واژه‌نامه فارسی به انگلیسی

اجتماع داده    Data Aggregation
ارتباط    Communication
ارتباطات بی‌سیم    Wireless Communications
ارتباطات بین خوشه‌ای    Inter- Cluster Communications
ارتباطات درون خوشه‌ای    Intra- cluster communications
ارتباطات وزن‌دار شبکه عصبی    Synapses
ارزیابی    Evaluation
آزمایشی    experimental
آستانه    Threshold
افزایش طول عمر شبکه حسگر بی‌سیم    Extending Wireless Sensor Network Lifetime
اقتضایی    Ad- hoc
آموزش بدون نظارت    Unsupervised learning
آموزش(شبکه عصبی)    Training
انتخاب گره سرخوشه    Cluster Head Election
انتساب داده    Data Association
آنتن (گره حسگر)    Antenna
اندازه‌گیری برداری    Vector Quantization
انرژی    Energy
ایستگاه مبنا     Base Station
باتری    Battery
بردار وزن    Weight vector
بسته داده    Data Packet
بسته کنترلی     Control Packet
بعد    Dimension
بقاء (شبکه)    Survivability
بهره‌وری انرژی    Energy efficiency
بهینه    Optimal
بهینه‌سازی    Optimization
پایش    Monitoring
پردازش درون شبکه‌ای    In- network Processing
پروتکل‌های مسیریابی    Routing protocols
پروتکل‌های مسیریابی سلسله‌مراتبی    Hierarchical Routing Protocols
پروتکل‌های مسیریابی مسطح    Flat Routing Protocols
پوشش شبکه‌ای    Network coverage
پیش‌بینی داده    Data Prediction
پیوندگرا    Connectionist
تابع    Function
تابع گوسی    Gaussian Function
تحلیل    Analysis
ترکیب داده    Data Fusion
تست    Test
تصادفی    Random
تقویت کننده    Amplifier
تقویت(فزون سازی)    Amplification
توان    Power
توزیع شده     Distributed
جعبه ابزار شبکه عصبی نقشه خودسازماندهی    SOMtoolbox
چرخش نوبتی    Rotation
چرخش نوبتی سرخوشه    Cluster Head Rotation
حسگر    Sensor
حسگری    Sensing
خوشه    Cluster
خوشه‌بندی    Clustering
خوشه‌های با سطح انرژی متوازن    Energy Balanced Clusters
داده/ داده‌ها    Data
دانشگاه فناوری هلسسینکی    Helsinki University of Technology
دور(راند)    Round
دورها یا زمان الگوریتم    Algorithm Time(Rounds)
ذخیره انرژی    Energy Conservation(Saving)
رده‌بندی    Classification
رده‌بندی خودکار داده‌ها    Automatic data classification
روش‌های انرژی آگاه    Energy aware  Methods
روش‌های چرخه وظایف     Duty Cycling approaches
روش‌های داده‌گرا    Data Driven approaches
روش‌های مبتنی بر قابلیت تحرک    Mobility based approaches
زمان آخرین مرگ(زمان مرگ آخرین گره)    Last dead(death)
زمان اولین مرگ(زمان مرگ اولین گره)    First dead(death)
زمان مرگ نیمی از گره‌ها    Half dead(death)
سربار    Overhead
سطح انرژی    Energy level
سلول عصبی(نورون)    Neuron
سناریو    Scenario
سیستم موقعیت‌یاب جهانی    Global Positioning System(GPS)
شاخص    Index
شاخص دیویس – بولدین    Davies-Bouldin Index
شبکه حسگر بی‌سیم    Wireless Sensor Network
شبکه عصبی با تابع پایه شعاعی    Radial basis Function(RBF)
شبکه عصبی مصنوعی     Artificial Neural Network
شبکه عصبی نقشه خودسازماندهی    Self Organizing Map Neural Network
شبیه‌سازی    Simulation
شعاع همسایگی    Neighborhood Radius
صحنه    Scene
ضریب آموزش    Learning coefficient
طبقه‌بندی    Taxonomy
طول عمر    Life time
عمر مفید شبکه    Network Useful Lifetime
فرستنده    Transmitter
فضای شبکه    Network Area(space)
قرارگیری تصادفی    Random deployment
کارایی    Performance
کاربرد    Application
کاهش ابعاد داده     Dimensionality Reduction
کاهش داده    Data reduction
کاهش مصرف انرژی    Reduction of Energy Consumption
کنترل توان    Power Control
کنترل دسترسی رسانه    Multiple Access Control(MAC)
کیفیت سرویس    Quality Of Service
گره    Node
گره زنده (گرهی که هنوز کار می‌کند)    Alive node
گره سرخوشه    Cluster Head(CH)
گره سینک    Sink
گره عادی(گره غیر‌سرخوشه)    Normal node
گره مرده     Dead node
گرید    Grid
الگوریتم k  میانگین    K-Means Algorithm
الگوهای بهره‌ور انرژی    Energy- efficient approaches
گیرنده    Receiver
لایه خروجی    Output Layer
لایه رقابتی     Competitive Layer
لایه مخفی    Hidden Layer
لایه ورودی    Input Layer
ماتریس    Matrix
مبتنی بر انرژی    Energy Based
متمرکز    Centralized
مجاورت(همسایگی)    Adjacency
مجموعه داده    Dataset
محدودیت انرژی    Energy constraint
مختصات    Coordinates
مدارهای الکترونیکی    Electronics
مدل انرژی    Energy Model
مدل میانگین متحرک خودبازگشتی     Autoregressive Moving Average model(ARMA)
مرحله‌ انتقال داده    Data Transmission Phase
مرحله نصب خوشه‌ها     Cluster Set-up Phase
مرکز ثقل     Gravity Center
مرکزیت    Centrality
مصرف انرژی    Energy consumption
مصور‌سازی داده‌ها    Data Visualization
معیار/ معیارها    Criterion/Criteria
مقایسه    ‍Comparison
منبع انرژی    Energy resource
نرم‌افزار مطلب    MATLAB
نرمالیزه کرده    Normalization
نگاشت    Mapping
هزینه    Cost
همسایگی    Neighborhood
هوش‌مصنوعی    Artificial Intelligence
هوشمند    Intelligent
واحد دارای بالاترین انطباق    Best Matching Unit(BMU)
واحد نقشه     Map unit
وضعیت خواب    Sleep mode
وفقی    Adaptive

   
Abstract

Today, Cluster based routing protocols are the most useful schemes for extending Wireless Sensor Networks lifetime through dividing the nodes into several clusters and electing of a local cluster head for aggregating/fusing of cluster nodes data and transmitting a packet to Base Station. However, there are several energy efficient cluster-based methods in the literature; most of them used the topological neighborhood or adjacency as main parameter to form the clusters. This paper presents a new centralized adaptive Energy Based Clustering protocol through the application of Self-organizing map neural network (called EBCS) which can cluster sensor nodes, based on multi parameters, energy level and coordinates of sensor nodes. We applied some maximum energy nodes as weights of SOM map units, so that the nodes with higher energy attract the nearest nodes with lower energy levels. Thus, a cluster may not necessarily contain adjacent nodes. The new algorithm enables us to form energy-balanced clusters and distribute energy consumption equally. Moreover, we proposed a new cost fuction to incorporate different useful criteria for election of Cluster head nodes with energy efficiency. Simulation results for two different scenes and comparison of them with previous similar protocols (LEACH and LEA2C) prove that the new algorithm is able to extend the lifetime of the network and preserve more network coverage with the same number of dead nodes. In addition, the effectiveness of new cost function is apparently shown.

 
Keywords: Wireless Sensor Networks, Self-Organizing Map, Neural Networks, Reduction of energy consumption, clustering.

Acknowledgment:
 
Above all, I would like to thank God…

Then I would like to begin by thanking Dr. Reza Askari Moghadam, my thesis supervisor, for his support on whole steps of this research, countless hours he has spent for my work, discussing all around the issue always imparting and inspiring a new viewpoint and solution to the problem. In addition, I would like to thank Dr. A.T.Haghighat, my thesis advisor, for his guidance in my initial steps.  Moreover, I had the chance to recieve kindly and hopeful feedbacks on my work from Dr. Mojtaba Hoseini, I am grateful to him too. I would also like to thank the first person motivated me to work in Wireless Sensor Network field, Dr. Ahmad Farahi, for his helping and encouraging me in my seminar course which was the foundation of this thesis.
Moreover, I am grateful to distant helping of those scientists around the world, who always answered to my countless questions kindly: Dr.Wendi Heinzelman from Rochester University for her helps to understand LEACH protocol, Dr. Juha Vesanto for supporting me about his SOMtoolbox and Mario Cordina, from Malta, for his kindly helps and feedbacks especially on simulation part. I would also like to thank Lahcen Dehni et al. for their valuable paper, which was the basis of this research.
Finally, I would like to thank my parents, husband, family and friends who are always supporting me in my life.
Certainly, every success in science and research, if this is supposed to be any success, is indebted to best efforts of previous researchers around the world. Therefore, I am grateful to them all.

"If I have seen further it is by standing on the shoulders of giants."
Isaac Newton, letter to Robert Hooke, 1676