基于神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法*

孫凌逸,黃先祥,蔡 偉,夏梅尼

1.第二炮兵工程學(xué)院 202室,西安 710025;2.中國(guó)空間技術(shù)研究院西安分院,西安 710100

無(wú)線傳感器網(wǎng)絡(luò)(WSNs)是一種新的信息收集(或事件探測(cè))的范式,它依靠眾多傳感器節(jié)點(diǎn)協(xié)作地感知、采集和處理網(wǎng)絡(luò)覆蓋區(qū)域中的對(duì)象信息,并發(fā)送給觀測(cè)者。在該網(wǎng)絡(luò)中,部署在遠(yuǎn)程環(huán)境中的傳感器節(jié)點(diǎn)在沒(méi)有任何網(wǎng)絡(luò)拓?fù)湎闰?yàn)信息的情況下完成自行配置,其最終目標(biāo)是監(jiān)測(cè)傳感器區(qū)域中感興趣的特定事件。由于傳感器節(jié)點(diǎn)的檢測(cè)范圍往往重疊,同樣的事件通常是由眾多的傳感器節(jié)點(diǎn)報(bào)道,這就導(dǎo)致了數(shù)據(jù)冗余[1]。

同時(shí),由于無(wú)線傳感網(wǎng)絡(luò)部署的環(huán)境條件可能會(huì)干擾傳感器讀數(shù),甚至破壞傳感器節(jié)點(diǎn),傳感器測(cè)量結(jié)果的準(zhǔn)確度可能低于預(yù)期值,并且覆蓋范圍也可能縮小。因此,在無(wú)線傳感器網(wǎng)絡(luò)的應(yīng)用中必須配置相當(dāng)數(shù)量的冗余節(jié)點(diǎn),用以克服節(jié)點(diǎn)失效和量測(cè)的不準(zhǔn)確性。而傳感器節(jié)點(diǎn)的能量、存儲(chǔ)空間與計(jì)算能力有限,冗余數(shù)據(jù)的傳送在一定程度將消耗過(guò)多的能量,縮短整個(gè)網(wǎng)絡(luò)的生存期。

再者,無(wú)線傳感器網(wǎng)絡(luò)連接多類傳感器,如機(jī)械、熱、化學(xué)、光學(xué)以及磁傳感器等,用以完成對(duì)目標(biāo)的監(jiān)測(cè)或?qū)χ車h(huán)境的感知。但單個(gè)傳感器節(jié)點(diǎn)只能完成局部環(huán)境的監(jiān)測(cè)或感知,而無(wú)線傳感器網(wǎng)絡(luò)關(guān)注的則是整個(gè)網(wǎng)絡(luò)感知結(jié)果的綜合。因此,從應(yīng)用層面上來(lái)講,數(shù)據(jù)融合在無(wú)線傳感器網(wǎng)絡(luò)中也是必需的。在某種意義上,對(duì)多源信息進(jìn)行數(shù)據(jù)融合也將產(chǎn)生一個(gè)好于單信息源輸出的結(jié)果[2]。

針對(duì)上述背景,本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法(Back-Propagation Networks Data Aggregation,簡(jiǎn)稱 BPNDA)。 BPNDA數(shù)據(jù)融合模型以無(wú)線傳感器網(wǎng)絡(luò)中普遍采用的分簇路由協(xié)議 LEACH[3]為基礎(chǔ),在簇首節(jié)點(diǎn)利用 BP神經(jīng)網(wǎng)絡(luò)對(duì)簇成員節(jié)點(diǎn)采集的原始數(shù)據(jù)進(jìn)行特征提取,然后將代表原始數(shù)據(jù)的少量特征值發(fā)送給匯聚節(jié)點(diǎn),以達(dá)到減少節(jié)點(diǎn)數(shù)據(jù)通信量、節(jié)省能量開(kāi)銷和提高信息收集準(zhǔn)確度的目標(biāo)。

1 相關(guān)工作

神經(jīng)網(wǎng)絡(luò)是由大量的、簡(jiǎn)單的處理單元(稱為神經(jīng)元)廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng),它反映了人腦功能的許多基本特征,能夠模擬人的大腦活動(dòng),具有極強(qiáng)的非線性逼近、分布式存儲(chǔ)、大規(guī)模并行處理、自訓(xùn)練學(xué)習(xí)、自組織和容錯(cuò)能力等優(yōu)點(diǎn),特別適合處理需要同時(shí)考慮諸多因素和條件的、不精確和模糊的信息處理問(wèn)題。

無(wú)線傳感器網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)有特別相似的地方：無(wú)線傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)就好比神經(jīng)元,具有感受和處理的功能;而無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)之間的連接,則相當(dāng)于連接神經(jīng)元的突觸,完成信號(hào)的傳遞。無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合與神經(jīng)網(wǎng)絡(luò)具有一個(gè)共同的基本特征,即通過(guò)對(duì)大量的數(shù)據(jù)進(jìn)行一定的運(yùn)算和處理,得到能夠反映這些數(shù)據(jù)特征的結(jié)論性的結(jié)果。因此,可以利用神經(jīng)網(wǎng)絡(luò)的方法來(lái)實(shí)現(xiàn)和解決無(wú)線傳感器網(wǎng)絡(luò)中的數(shù)據(jù)融合問(wèn)題。神經(jīng)網(wǎng)絡(luò)用于無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合已經(jīng)被證明是非常有效的。

Reznik等[4]應(yīng)用多層感知神經(jīng)網(wǎng)絡(luò)檢測(cè)無(wú)線傳感器網(wǎng)絡(luò)的信號(hào)變化,判斷異常事件的發(fā)生。Wilbert等[5]將遺傳算法和神經(jīng)網(wǎng)絡(luò)算法相結(jié)合,在監(jiān)測(cè)系統(tǒng)的多任務(wù)進(jìn)程管理中取得了較好的表現(xiàn)。模式分類可以在節(jié)點(diǎn)中獨(dú)立判斷,簇首節(jié)點(diǎn)搜集其它節(jié)點(diǎn)的分類信息,進(jìn)一步融合數(shù)據(jù),節(jié)省了通訊能量,實(shí)驗(yàn)顯示該算法具有很強(qiáng)的數(shù)據(jù)魯棒性。Julio Barbancho等[6]將自組織映射網(wǎng)絡(luò)(Self-Organizing Map,SOM)引入無(wú)線傳感器網(wǎng)絡(luò)的路由決策中,并對(duì)引入神經(jīng)網(wǎng)絡(luò)的效率進(jìn)行分析。陳斌等[7]結(jié)合神經(jīng)網(wǎng)絡(luò)和證據(jù)理論,建立基于無(wú)線傳感器網(wǎng)絡(luò)的管道泄漏診斷模型。俞黎陽(yáng)等[8]將無(wú)線傳感器網(wǎng)絡(luò)的分簇層次結(jié)構(gòu)與神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)相結(jié)合,構(gòu)造一個(gè)三層感知器神經(jīng)網(wǎng)絡(luò)對(duì)無(wú)線傳感器網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合,仿真測(cè)試的結(jié)果顯示該模型可以有效地節(jié)省傳感器節(jié)點(diǎn)的能耗、延長(zhǎng)網(wǎng)絡(luò)壽命。但該模型在分析簇首更替與神經(jīng)網(wǎng)絡(luò)參數(shù)移交時(shí)未考慮簇成員改變和節(jié)點(diǎn)死亡所產(chǎn)生的影響。W-T Sung[9]利用 BP神經(jīng)網(wǎng)絡(luò)對(duì)環(huán)境監(jiān)測(cè)系統(tǒng)中的多傳感器數(shù)據(jù)進(jìn)行融合,該環(huán)境監(jiān)測(cè)系統(tǒng)基于無(wú)線傳感器網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果表明,引入 BP神經(jīng)網(wǎng)絡(luò)方法可以大大降低數(shù)據(jù)特征維數(shù),提高環(huán)境監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)融合效率。

本文將 BP神經(jīng)網(wǎng)絡(luò)引入到無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合中,構(gòu)建一種新的數(shù)據(jù)融合算法。為方便討論,文中假設(shè) N個(gè)傳感器節(jié)點(diǎn)隨機(jī)分布在感知區(qū)域內(nèi),用 si表示第 i個(gè)節(jié)點(diǎn),相應(yīng)的節(jié)點(diǎn)集合為 S={s1,s2,…,sN}。并且該傳感器網(wǎng)絡(luò)具有如下性質(zhì)：

(1)節(jié)點(diǎn)部署后不再移動(dòng),所有傳感器節(jié)點(diǎn)都被事先編排惟一的 ID號(hào)。

(2)節(jié)點(diǎn)能量相同且不能補(bǔ)充。

(3)匯聚節(jié)點(diǎn)(即基站)唯一且部署在感知區(qū)域以外的固定位置。

(4)匯聚節(jié)點(diǎn)擁有持續(xù)的能量供給,能夠使用足夠大的功率向所有節(jié)點(diǎn)直接發(fā)送信息,而節(jié)點(diǎn)發(fā)射功率有限。

(5)節(jié)點(diǎn)能夠獲知其位置信息。

前 4項(xiàng)假設(shè)是無(wú)線傳感器網(wǎng)絡(luò)的典型設(shè)置。第5項(xiàng)假設(shè)十分必要,因?yàn)楣?jié)點(diǎn)通常需要獲取它的位置信息,尤其當(dāng)傳感器網(wǎng)絡(luò)簇首更替、簇成員發(fā)生變化或節(jié)點(diǎn)死亡時(shí),確定節(jié)點(diǎn)的位置十分重要。

2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合

2.1 BPNDA算法的模型

BPNDA算法基于無(wú)線傳感器網(wǎng)絡(luò)的 LEACH分簇路由協(xié)議,在整個(gè)網(wǎng)絡(luò)范圍中按照一定的規(guī)則選舉簇首,形成分簇結(jié)構(gòu)。在這種分簇結(jié)構(gòu)下,傳感器節(jié)點(diǎn)采集到的大量原始數(shù)據(jù)將首先被發(fā)送給自己所在簇的簇首節(jié)點(diǎn)。BPNDA算法在簇首節(jié)點(diǎn)和成員節(jié)點(diǎn)間利用 BP神經(jīng)網(wǎng)絡(luò)算法對(duì)采集到的原始數(shù)據(jù)進(jìn)行融合處理。

圖1給出了 BPNDA算法的模型示意圖,該結(jié)構(gòu)采用了三層 BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)應(yīng)無(wú)線傳感器網(wǎng)絡(luò)中的一個(gè)簇。理論已經(jīng)證明,三層 BP神經(jīng)網(wǎng)絡(luò),只要隱層節(jié)點(diǎn)數(shù)足夠多,就具有模擬任意復(fù)雜的非線性映射的能力[10]。考慮到簇成員節(jié)點(diǎn)具有對(duì)采集數(shù)據(jù)進(jìn)行濾波等預(yù)處理的功能,文中將 BPNDA算法的輸入層設(shè)于簇成員節(jié)點(diǎn)中,而隱層和輸出層位于簇首節(jié)點(diǎn)中。

圖1 BPNDA數(shù)據(jù)融合算法的模型圖

假設(shè)無(wú)線傳感器網(wǎng)絡(luò)中一個(gè)簇內(nèi)有 m個(gè)簇成員節(jié)點(diǎn),那么該神經(jīng)網(wǎng)絡(luò)模型共有 m個(gè)輸入層神經(jīng)元。輸出層神經(jīng)元的數(shù)量 n可以根據(jù)實(shí)際應(yīng)用的需要進(jìn)行調(diào)整,一般由研究對(duì)象的輸出信息來(lái)確定,與簇成員節(jié)點(diǎn)的數(shù)量沒(méi)有必然聯(lián)系。而隱層神經(jīng)元數(shù)量 k的確定與求解問(wèn)題的要求、輸入輸出神經(jīng)元數(shù)量都有直接的關(guān)系,是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中非常重要的一個(gè)環(huán)節(jié)。但是,到目前為止,BP網(wǎng)絡(luò)隱層神經(jīng)元數(shù)量的確定尚無(wú)成熟的理論指導(dǎo),本文采用“試算法”來(lái)確定隱層神經(jīng)元的數(shù)量：根據(jù)經(jīng)驗(yàn)公式確定隱層神經(jīng)元數(shù)量的范圍,設(shè)計(jì)一個(gè)隱層神經(jīng)元數(shù)量可變的 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),基于相同的訓(xùn)練目標(biāo)精度、訓(xùn)練樣本和測(cè)試樣本數(shù),通過(guò)對(duì)比不同隱層神經(jīng)元數(shù)量下的訓(xùn)練次數(shù)和識(shí)別精度,選取最佳的隱層神經(jīng)元數(shù)。最佳的隱層神經(jīng)元數(shù)量由經(jīng)驗(yàn)公式確定,其中,β為[1,10]之間的常數(shù)。

根據(jù)這樣一種三層 BP神經(jīng)網(wǎng)絡(luò)模型,BPNDA數(shù)據(jù)融合算法首先在每個(gè)傳感器節(jié)點(diǎn)對(duì)所有采集到的數(shù)據(jù)按照輸入層神經(jīng)元函數(shù)進(jìn)行初步處理,然后將處理結(jié)果發(fā)送給其所在簇的簇首節(jié)點(diǎn)。簇首節(jié)點(diǎn)再根據(jù)隱層神經(jīng)元函數(shù)和輸出層神經(jīng)元函數(shù)進(jìn)行進(jìn)一步處理。最后,由簇首節(jié)點(diǎn)將處理結(jié)果發(fā)送給匯聚節(jié)點(diǎn)。

從無(wú)線傳感器網(wǎng)絡(luò)的整體來(lái)看,簇成員節(jié)點(diǎn)就相當(dāng)于最底層的神經(jīng)元,簇首節(jié)點(diǎn)則是起到匯聚作用的中間神經(jīng)元,而整個(gè)網(wǎng)絡(luò)則可以被看成是一個(gè)復(fù)雜的神經(jīng)系統(tǒng)。

2.2 簇首選取及分簇

已有分簇算法基本上都是每輪循環(huán)都要構(gòu)造簇,這無(wú)疑會(huì)增加構(gòu)造簇的開(kāi)銷,考慮利用網(wǎng)絡(luò)自身拓?fù)浣Y(jié)構(gòu),得到一個(gè)穩(wěn)定的簇結(jié)構(gòu),無(wú)需每輪循環(huán)都構(gòu)造簇,從而減少網(wǎng)絡(luò)能量消耗。因此,Heinzelman還提出了 LEACH-F算法[11]：簇組織完成后即固定不變,而簇首實(shí)行輪轉(zhuǎn),這種方法減小了成簇開(kāi)銷,并且簇首分布總體上較為均勻。

文中 BPNDA算法結(jié)合 LEACH-F算法的思想,在網(wǎng)絡(luò)初始布置的時(shí)候,通過(guò)一次運(yùn)行 LEACH或LEACH-F分簇算法,得到一個(gè)擁有穩(wěn)定簇結(jié)構(gòu)的網(wǎng)絡(luò),直到有大量新的節(jié)點(diǎn)加入或失效的節(jié)點(diǎn)退出之前,都不需要再運(yùn)行此算法。算法的運(yùn)行和數(shù)據(jù)的存儲(chǔ)都可以在 Sink匯聚節(jié)點(diǎn)中解決,這樣可以大大減少傳感器節(jié)點(diǎn)的運(yùn)算和存儲(chǔ)負(fù)擔(dān)。

由于簇首的負(fù)擔(dān)較重,BPNDA算法在構(gòu)造簇時(shí),特意選擇剩余能量較高的節(jié)點(diǎn)作為簇首。令 si為任意的一個(gè)候選簇首。si根據(jù)自身到匯聚點(diǎn)的距離信息計(jì)算它的競(jìng)爭(zhēng)區(qū)域,區(qū)域的半徑記作 Rc。下面定義候選簇首之間競(jìng)爭(zhēng)的規(guī)則：

在競(jìng)選過(guò)程中,若候選簇首 si宣布其競(jìng)選獲勝,則在 si的競(jìng)爭(zhēng)半徑Rc內(nèi)的所有候選簇首均不能成為最終簇首,需要退出競(jìng)選過(guò)程。

每個(gè)候選簇首維護(hù)一個(gè)鄰簇首集合 SCH,在這個(gè)集合內(nèi)依據(jù)當(dāng)前各節(jié)點(diǎn)的剩余能量高低競(jìng)爭(zhēng)選出最終簇首。在 BPNDA簇首競(jìng)選中,候選簇首 si的鄰簇首集合 si.SCH包括與 si具有競(jìng)爭(zhēng)規(guī)則所約束的競(jìng)爭(zhēng)關(guān)系的所有候選簇首節(jié)點(diǎn)：

si.SCH={sj|sj是候選簇首,且 d(si,sj)＜max(si.Rc,sj.Rc)}。

每個(gè)節(jié)點(diǎn)均以同樣的功率發(fā)送廣播消息,為了節(jié)約能量,這個(gè)廣播半徑設(shè)為即可(這保證了節(jié)點(diǎn)能夠與鄰簇首集合內(nèi)的所有節(jié)點(diǎn)正常通信)。下面闡述競(jìng)爭(zhēng)選取簇首的步驟：

Step 1 依概率在網(wǎng)絡(luò)中選出部分節(jié)點(diǎn)成為候選簇首,參與競(jìng)選。普通節(jié)點(diǎn)成為候選簇首的概率為 T,它是一個(gè)預(yù)先設(shè)置的閾值。未參與競(jìng)選的節(jié)點(diǎn)進(jìn)入睡眠狀態(tài),直到簇首競(jìng)選過(guò)程結(jié)束。

Step 2 每個(gè)競(jìng)選節(jié)點(diǎn)廣播競(jìng)選消息COMPETE_HEAD_MSG,消息的內(nèi)容為節(jié)點(diǎn)的 ID、競(jìng)爭(zhēng)半徑 Rc和當(dāng)前剩余能量 ER。

Step 3 節(jié)點(diǎn)根據(jù)收到的廣播消息構(gòu)建其鄰簇首集合 SCH。

Step 4 當(dāng) SCH構(gòu)建完成后,節(jié)點(diǎn)做出其是否能擔(dān)任簇首的決策。節(jié)點(diǎn)需要等待其鄰簇首集合中所有能量比它大的節(jié)點(diǎn)先做出決策,然后才能確定自身是否能擔(dān)任簇首。若節(jié)點(diǎn)的剩余能量相等,則以節(jié)點(diǎn)的 ID作為次比較依據(jù)。

Step 5 一旦si發(fā)現(xiàn)它的剩余能量比其鄰簇首集合中的節(jié)點(diǎn)的剩余能量都高,則它將贏得競(jìng)選,并廣播獲勝消息 FINAL_HEAD_MSG以通知它的鄰簇首。

Step 6 如果 si收到來(lái)自 sj的獲勝消息,且 sj是 si.SCH中的一個(gè)節(jié)點(diǎn),則 si立即退出競(jìng)選,并廣播消息 QUIT——ELECTION_MSG通知它的鄰簇首。

Step 7 如果 si收到來(lái)自 sj的退出消息,且 sj是 si.SCH中的一個(gè)節(jié)點(diǎn),則 si將 sj從其鄰簇首集合中刪除。

在簇首競(jìng)選過(guò)程結(jié)束后,之前未參與競(jìng)選的節(jié)點(diǎn)從睡眠狀態(tài)喚醒,接著競(jìng)選產(chǎn)生的簇首向全網(wǎng)廣播其競(jìng)選獲勝的消息 CH_ADV_MSG。普通節(jié)點(diǎn)選擇簇內(nèi)通信代價(jià)最小亦即接收信號(hào)強(qiáng)度最大的簇首,發(fā)送加入消息 JOIN_CLUSTER_MSG通知該簇首。這樣,網(wǎng)絡(luò)就形成了分簇結(jié)構(gòu),接下來(lái)進(jìn)入簇內(nèi)部的數(shù)據(jù)傳輸階段。

2.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練及數(shù)據(jù)融合

BPNDA算法中的神經(jīng)元在運(yùn)行時(shí)需要一些運(yùn)行參數(shù)(如權(quán)值),因此,在完成簇首選取和分簇后,無(wú)線傳感器網(wǎng)絡(luò)進(jìn)入自治工作狀態(tài)前,需對(duì) BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。通常,神經(jīng)網(wǎng)絡(luò)可以通過(guò)網(wǎng)絡(luò)本身學(xué)習(xí)、訓(xùn)練、調(diào)整這些參數(shù)。但在無(wú)線傳感器網(wǎng)絡(luò)中,由于受到能量、處理能力和存儲(chǔ)空間等資源的限制,無(wú)法在無(wú)線傳感器網(wǎng)絡(luò)內(nèi)部對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。因此,BPNDA算法選擇在無(wú)線傳感器網(wǎng)絡(luò)匯聚節(jié)點(diǎn)完成對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練及數(shù)據(jù)融合基本步驟如下：

Step 1 簇首節(jié)點(diǎn)向匯聚節(jié)點(diǎn)傳送其簇內(nèi)節(jié)點(diǎn)信息表;

Step 2 匯聚節(jié)點(diǎn)依據(jù)簇首及其簇內(nèi)節(jié)點(diǎn)信息,構(gòu)造 BP神經(jīng)網(wǎng)絡(luò);

Step 3 BP神經(jīng)網(wǎng)絡(luò)檢索樣本數(shù)據(jù)庫(kù),搜集與簇成員信息匹配的樣本進(jìn)行訓(xùn)練,從而生成相應(yīng)簇的神經(jīng)網(wǎng)絡(luò)參數(shù);

Step 4 匯聚節(jié)點(diǎn)將 BPNDA各神經(jīng)元參數(shù)發(fā)送給對(duì)應(yīng)節(jié)點(diǎn),包括簇首節(jié)點(diǎn)和成員節(jié)點(diǎn);

Step 5 分簇穩(wěn)定工作,簇首對(duì)接收信息進(jìn)行融合并向匯聚節(jié)點(diǎn)傳遞融合后數(shù)據(jù)。無(wú)線傳感器網(wǎng)絡(luò)運(yùn)行過(guò)程中產(chǎn)生的歷史記錄也可添加至樣本數(shù)據(jù)庫(kù)。

圖2為 BPNDA數(shù)據(jù)融合算法的結(jié)構(gòu)圖,其中w1,w2為權(quán)值矩陣;b1,b2為閾值矩陣;f1,f2為激勵(lì)函數(shù),其中 f1為 tansig型函數(shù),f2為 purelin型函數(shù);x1,x2為各層神經(jīng)網(wǎng)絡(luò)輸入,x2,output為各層神經(jīng)網(wǎng)絡(luò)輸出。對(duì)于多層神經(jīng)網(wǎng)絡(luò),上一層的輸出為下一層的輸入。x2=f1(w1×x1+b1),output=f2(w2×x2+b2),output為代表感知區(qū)域觀測(cè)對(duì)象的特征值。

圖2 BPNDA數(shù)據(jù)融合算法的結(jié)構(gòu)圖

當(dāng) BP神經(jīng)網(wǎng)絡(luò)經(jīng)離線訓(xùn)練好后(由匯聚節(jié)點(diǎn)完成),神經(jīng)網(wǎng)絡(luò)各層的權(quán)重、閾值便確定下來(lái),再由匯聚節(jié)點(diǎn)將確定的權(quán)值及閾值發(fā)送至對(duì)應(yīng)節(jié)點(diǎn)。無(wú)線傳感器網(wǎng)絡(luò)分簇即可利用訓(xùn)練生成的神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行在線計(jì)算,實(shí)現(xiàn)數(shù)據(jù)融合。由神經(jīng)網(wǎng)絡(luò)的輸入矢量 Input(即簇成員的采集數(shù)據(jù))求解輸出矢量 output(即數(shù)據(jù)融合結(jié)果)的步驟如下：①

文獻(xiàn)[12]表明,每傳輸 1 byte數(shù)據(jù)所消耗的能量可以用來(lái)執(zhí)行數(shù)千條 CPU條指令,而且所消耗的時(shí)間也少得多。因此,雖然 BPNDA數(shù)據(jù)融合算法增加了有限的計(jì)算量,但其大幅降低了數(shù)據(jù)通信量,將有效提高無(wú)線傳感器網(wǎng)絡(luò)的工作周期。

3 算法的仿真測(cè)試

本文選用 NS-2仿真工具對(duì) BPNDA數(shù)據(jù)融合算法進(jìn)行仿真測(cè)試,以液壓系統(tǒng)的狀態(tài)監(jiān)測(cè)為應(yīng)用實(shí)例,布置在液壓系統(tǒng)中不同監(jiān)測(cè)位置的流量、壓力和溫度傳感器節(jié)點(diǎn)不間斷采集其相對(duì)應(yīng)信號(hào),而后經(jīng)BPNDA進(jìn)行融合處理后由簇首節(jié)點(diǎn)向匯聚節(jié)點(diǎn)發(fā)送液壓系統(tǒng)的工作狀態(tài)。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中,當(dāng)液壓系統(tǒng)正常時(shí),設(shè)定神經(jīng)網(wǎng)絡(luò)輸出為 0,否則為1[13]。因此,輸出層只設(shè)定 1個(gè)神經(jīng)元,用來(lái)輸出液壓系統(tǒng)的狀態(tài)。

BPNDA算法的性能主要通過(guò) Sink節(jié)點(diǎn)接收的數(shù)據(jù)量與平均節(jié)點(diǎn)能耗兩個(gè)方面進(jìn)行仿真評(píng)估。為了測(cè)試不同網(wǎng)絡(luò)規(guī)模下 BPNDA的性能,選取 5種具有不同的節(jié)點(diǎn)密度、不同規(guī)模的無(wú)線傳感器網(wǎng)絡(luò)場(chǎng)景：100、150、200、250和 300個(gè)傳感器節(jié)點(diǎn)隨機(jī)分布在一個(gè) 100m×100 m大小的區(qū)域內(nèi),具有較好的可比性。為最大限度地減少網(wǎng)絡(luò)隨機(jī)部署的影響,在每種測(cè)試方案中,都生成 10個(gè)不同的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),最后取其運(yùn)行結(jié)果的平均值,并將其與 LEACH算法進(jìn)行性能對(duì)比。節(jié)點(diǎn)的具體的仿真參數(shù)如表 1所示。由于在 BPNDA算法中,簇首節(jié)點(diǎn)需發(fā)送的數(shù)據(jù)僅為代表液壓系統(tǒng)工作狀態(tài)的 0或 1,不同于簇成員節(jié)點(diǎn)發(fā)送的流量、壓力和溫度數(shù)據(jù);同時(shí),在傳感器網(wǎng)絡(luò)中,數(shù)據(jù)字段的長(zhǎng)度通常為2 byte,一個(gè)數(shù)據(jù)字段完全可以表示出液壓系統(tǒng)的工作狀態(tài),所以在仿真時(shí),將簇首節(jié)點(diǎn)發(fā)送數(shù)據(jù)包的長(zhǎng)度設(shè)為 2 byte。

表1 仿真參數(shù)表

圖3反映了 BPNDA算法對(duì)網(wǎng)絡(luò)性能的影響。其中圖 3(a)給出 Sink節(jié)點(diǎn)接收到數(shù)據(jù)量與不同網(wǎng)絡(luò)規(guī)模的關(guān)系,由圖可見(jiàn),隨著網(wǎng)絡(luò)規(guī)模的增長(zhǎng),在LEACH算法中,由于信道和通信速率的限制,大量的沖突數(shù)據(jù)包被丟棄,所以 Sink節(jié)點(diǎn)接收的數(shù)據(jù)量在增加到一定程度后保持基本穩(wěn)定;而采用 BPNDA數(shù)據(jù)融合算法,簇首節(jié)點(diǎn)發(fā)送的數(shù)據(jù)包(25 byte+2 byte=27 byte)遠(yuǎn)小于簇成員節(jié)點(diǎn)以及 LEACH算法中簇首節(jié)點(diǎn)發(fā)送的數(shù)據(jù)包(25 byte+500 byte=525 byte),因此可以有效減少數(shù)據(jù)通信量,并且隨著傳感器節(jié)點(diǎn)數(shù)量的增長(zhǎng),其融合效果將得到更好的體現(xiàn),Sink節(jié)點(diǎn)接收的數(shù)據(jù)量也隨之下降。

圖3 BPNDA對(duì)網(wǎng)絡(luò)性能的影響

圖3(b)反映了不同網(wǎng)絡(luò)規(guī)模下,傳感器節(jié)點(diǎn)平均能耗的對(duì)比結(jié)果。通過(guò)對(duì)該結(jié)果的分析,可以得出,采用 BPNDA數(shù)據(jù)融合算法,傳感器節(jié)點(diǎn)平均能耗明顯低于使用 LEACH算法時(shí)的平均能耗。并且,隨著傳感器節(jié)點(diǎn)數(shù)量的增加,使用 BPNDA算法時(shí)節(jié)點(diǎn)平均能耗隨數(shù)據(jù)通信量的下降而下降,而使用 LEACH算法時(shí)節(jié)點(diǎn)平均能耗則節(jié)點(diǎn)數(shù)量的增加而上升,兩者之間的差值逐漸增大。

4 結(jié)論

對(duì)于無(wú)線傳感器網(wǎng)絡(luò),基于分簇的網(wǎng)絡(luò)結(jié)構(gòu)是一種較好的選擇,在簇內(nèi)可以結(jié)合數(shù)據(jù)融合功能來(lái)提高網(wǎng)絡(luò)性能。本文提出了一種適用于分簇?zé)o線傳感網(wǎng)絡(luò)的數(shù)據(jù)融合算法 BPNDA,仿真測(cè)試表明,該算法能夠有效減少網(wǎng)絡(luò)中的數(shù)據(jù)傳輸量,從而降低傳感器節(jié)點(diǎn)的能耗,延長(zhǎng)網(wǎng)絡(luò)的生命周期。

[1]Intanagonwiwat C,Govindan R,Estrin D.Directed Diffusion：a Scalable and Robust Communication Paradigm for Sensor Networks[C]//New York：MobiCom'00,2000：56-67.

[2]Andr LL de Aquino,Carlos M S Figueiredo,Eduardo F Nakamura,et al.Data Stream Based Algorithms for Wireless Sensor Networks Applications[C]//Ontario：21st International Conference on Advanced Networking and Applications(AINA'07),2007：869-876.

[3]Heinzelman W,Chandrakasan A,Balakrishnan H.Energy-Efficient Communication Protocols for Wireless Microsensor Networks[C]//Proceedings of 33rd Hawaii International Conference on Systems Science,Washington,DC,2000：8020-8030.

[4]Reznik L,Von PlessG,AIKarim T.Intelligent Protocols Based on Sensor Signal Change Detection[C]//Proceedings of Systems Communications,2005：443-448.

[5]van Norden W,de Jong J,Bolderheij F,et al.Intelligent task Scheduling in Sensor Networks[C]//Proceedings of 8th International Conference on Information Fusion,2005.

[6]Julio Barbancho,Carlos León,F JMolina,etal.Using Artificial Intelligence in Routing Schemes for Wireless Networks[J].Computer Communications,2007,(30)：2802-2811.

[7]陳斌,萬(wàn)江文,吳銀鋒,等.神經(jīng)網(wǎng)絡(luò)和證據(jù)理論融合的管道泄漏診斷方法[J].北京郵電大學(xué)學(xué)報(bào),2009,32(2)：5-9.

[8]俞黎陽(yáng),王能,張衛(wèi).無(wú)線傳感器網(wǎng)絡(luò)中基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型[J].計(jì)算機(jī)科學(xué),2008,35(12)：43-47.

[9]Wen-Tsai Sung.Employed BPN to Multi-Sensors Data Fusion for Environment Monitoring Services[J].Autonomic and Trusted Computing,2009,(6)：149-163.

[10]Om id O,Judith D.Neural Networks and Pattern Recognition[M].San Diego：Academic Press,1998.

[11]Heinzelman W.Application-Specific Protocol Architectures for Wireless Networks[D].MIT,2000.

[12]Min R,Bhardwaj M,Seong-hwan Cho,et al.Energy-Centric Enab-ling Technologies for Wireless Sensor Networks[J].IEEE Wireless Communications,2002,9(4)：28-39.

[13]黃志堅(jiān),袁周.液壓設(shè)備故障診斷與檢測(cè)實(shí)用技術(shù)[M].北京：機(jī)械工業(yè)出版社,2005,7：215-217.

[14]李成法,陳貴海,葉懋,等.一種基于非均勻分簇的無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議[J].計(jì)算機(jī)學(xué)報(bào),2007,30(1)：27-36.