無線傳感器網絡簇內多傳感器數據融合算法*

何學文， 鄭樂平， 孫 汗

(江西理工大學 機電工程學院，江西 贛州 341000)

0 引 言

通常,無線傳感器網絡(wireless sensor networks,WSNs)節點只具有有限的計算能力, 存儲能力, 無線通信能力和電源供應[1]。數據的處理、存儲、發送和接收等都需要消耗能量，但通信能耗是節點的主要能耗[2]。由于WSNs節點一般高密度覆蓋在被監測的區域內，會導致WSNs存在大量的數據冗余，傳輸這些冗余數據必然會消耗大量能量。數據融合能夠對數據冗余進行處理，降低信息冗余度和網絡數據傳量，提高測量的精度和準確度[3],因此,能夠達到節約能量的目的。

由于數據融合技術已成為WSNs節約能源研究的重點，許多學者針對多傳感器數據的融合問題進行了研究。文獻[4]提出了一種簡單的基于模糊數學的融合算法，利用模糊數學理論進行數據融合。文獻[5]針對異質傳感器數據融合結果精度較低的問題，提出了一種基于加權最小二乘法的數據融合新算法。文獻[6]將中介理論中的真值程度度量用于數據融合，根據距離比函數定義各傳感器的權重。文獻[7]是基于代理和熵權的WSNs數據融合，采用信息熵的思想，通過節點數據的熵權融合獲取融合結果。上述數據融合均運行在網絡的同一層次上，對多層次的數據融合較少，不同的網絡結構應考慮不同的數據融合方案。因此，基于分簇式網絡結構，本文提出了一種兩層模式數據融合方案。

1 WSNs拓撲結構

分簇數據融合算法因為具有簡單、靈活、易擴展等特點而成為目前WSNs數據融合研究的熱點。基于分簇網絡結構，網絡結構如圖1所示，本文研究并提出一種兩層模式數據融合方案。將兩層模式數據融合方案應用于WSNs拓撲結構，兩層模式數據融合方案包括低、高層次數據融合。低層次數據融合發生在傳感器節點上，對傳感器采集的數據進行預處理和加權融合。高層次數據融合發生在簇頭節點上，簇頭節點接收簇內節點發送的數據，對數據進行融合，提取有效信息發送至基站。

圖1 WSNs拓撲結構

2 低層次數據融合方案

2.1 數據預處理

由于環境影響可導致傳感器節點損壞或參數變化產生測量值誤差，因此,需要對采集到的數據進行一定的預處理。本文采用格羅貝斯準則對傳感器節點所采集的數據進行預處理。

假設一組系列x1,x2,…,xn服從正態分布，并令

(1)

根據順序統計原理，格羅貝斯計算統計分布

(2)

在給定顯著水平(α=0.05)之后，用查表法找出格羅貝斯統計量臨界值g0(n,α)，即p[gi≥g0(n,α)]=a為小概率事件。若測量值中統計量滿足gi≤g0(n,α)，則認為測量值有效;反之,為無效，需要剔除。

2.2 順序加權數據融合模型

假設有n個數據參與，可用函數F(x1,x2,…，xn)表示，那么其中每個數據對最后結果作用大小可用權系數wi表示。融合結果值可用加權平均算子y表示，公式如下

(3)

調整權向量W=[w1,w2,…,wn]T，加權平均算子可以給出一系列的融合函數。為了有效調整W，定義樂觀度量為

(4)

利用樂觀度量，O’Hagan M[8]給出了一種確定W的方法。給定樂觀系數α∈[0,1]和維數n，求解如下優化問題

(5)

在求得權系數的基礎上，利用加權平均算子y即可求出融合測量值。

3 高層次數據融合方案

簇內節點包含各種傳感器，采集各種環境參數。將簇頭節點收到的數據直接上傳給基站，需要傳輸大量的數據，造成不必要的浪費。因此，在簇頭節點上對多傳感器信息進行融合，產生新的有價值的東西，得出更為準確和可信的信息。將融合后的信息進行上傳，大大減少了網絡傳輸的數據量。本文采用BP神經網絡算法對簇頭上的節點進行高層次數據融合。BP神經網絡是一種多層前饋式網絡，神經元的傳遞函數采用Sigmoid型函數，學習算法采用誤差反向傳播的梯度下降算法，即BP算法。在網絡學習中，把輸出節點的期望輸出與實際輸出的均方誤差，逐層向輸入層方向傳播，采用梯度下降算法調整各連接權值，使得均方誤差達到最小。

BP神經網絡結構如圖2所示，共分為三層：i為輸入層節點；j為隱含層節點；k為輸出層節點，dk表示網絡的期望輸出，yk表示網絡的實際輸出。

圖2 BP神經網絡結構

網絡的誤差函數定義為均方誤差E和激活函數Sigmoid函數f(x)如下

(6)

BP神經網絡算法流程如下：

1)初始化網絡的連接權值wij，wjk，閾值為θj，θk；

2)隨機選取第k個輸入樣本和對應期望輸出；

3)計算隱含層單元輸出yj，輸出層輸出yk

(7)

(8)

式中wjk為隱含層第j個神經元至輸出層第k個神經元的連接權值，xk為輸入值。

4)計算輸出層與隱含層訓練誤差δk和δj；

(9)

式中dk為真實值。

5)修正權值

wjk(t+1)=wjk(t)+ηδkxj,wij(t+1)=wij(t)+ηδkxi,

(10)

式中η為學習效率，wjk為隱含層與輸出層的連接權值，wij為輸入層與隱含層的連接權值。

6)判斷均方誤差e是否滿足，給定允許誤差，滿足時，則跳到步驟(7)，不滿足,則轉向步驟(4)；

7)算法結束。

4 仿真與結果分析

選取某尾礦庫主壩溫度傳感器所測的值如表1和監測點數據如表2建立樣本，用Matlab軟件對本文多傳感器數據融合算法進行仿真。仿真結果如圖3、圖4所示。

表1 某節點所測的溫度值

表2 某尾礦庫壩主體部分數據

圖3 算法的誤差比較

圖4 神經網絡輸出浸潤線高度與實際浸潤線輸出高度對比

圖3以表1數據為樣本，將本文順序加權數據融合算法與平均值算法、高斯型加權數據融合算法[9]對溫度值融合后的誤差進行比較結果圖。3種算法的融合誤差分別為0.022 0,0.022 6,0.022 4 ℃。順序加權數據融合算法融合數據的精度要比其他2種算法高，驗證了低層次數據融合算法的有效性。

圖4以表2的數據作為樣本，對神經網絡進行訓練的結果圖，其中神經網絡學習效率為0.035，誤差為0.000 1，初始閾值隨機生成。利用訓練好的神經網絡，對表3的數據進行測試，將測試結果與文獻[10]中時間序列功能模型和回歸預測模型測試結果比較如表4所示。

表3 神經網絡測試樣本

表4 算法預測誤差比較

從表4可以看出:本文BP神經網絡算法預測精度高于其他2種，由此如果只有浸潤線的歷史監測數據, 運用神經網絡算法可以實現對其較為準確的預測。

5 結 論

對于WSNs，本文基于分簇的網絡結構，提出了一種兩層模式數據融合方案。在傳感器節點上用低層數據融合方案進行初步數據融合，再在簇頭節點上用高層數據融合方案對數據進一步融合。仿真測試表明:兩層模式數據融合方案，數據誤差由0.022 6降到了0.022 0，降低了數據的冗余度，提高了數據的精度，減少了網絡中的數據傳輸量，從而降低傳感器節點的能耗。

參考文獻:

[1]Galluccio Laura,Palazzo Sergio,Campbell Andrew T.Modeling and designing efficient data aggregation in wireless sensor networks under entropy and energy bounds[J].Wireless Inf Networks,2009(16):175-183.

[2]Potdar V,Sharif A,Chang E.Wireless sensor networks:A sur-vey[C]∥IEEE Int Conf Adv Inf Netw,2009:636-641.

[3]孫利民,李建中,陳 渝,等.無線傳感器網絡 [M].北京:清華大學出版社,2005.

[4]楊曉飛,吳曉蓓,黃錦安.數據融合技術在無線傳感器網絡中的應用[J].微電子學與計算機,2009,5(5):190-192.

[5]焦竹青,熊偉麗,徐保國.基于加權最小二乘法的異質傳感器數據融合[J].吉林大學學報:工學版,2010,40(3):816-820.

[6]戎 舟.基于中介理論的無線傳感器網絡加權數據融合[J].電子測量與儀器學報,2010,24(8):705-710.

[7]劉加杰,孫子文.基于代理和熵權的無線傳感器網絡數據融合[J].計算機應用研究,2012,29(10):3879-3882.

[8]O’agan M.Using maxium entropy-ordered weighted averaging to construct a fuzzy neuron[C]∥Proceedings of 24th Annual IEEE Asilomar Conference on Signal Systems and Computers,California:Pacific Grove,1990:618-623.

[9]陳偉琦,胡斌杰.基于高斯隸屬度的融合算法在改進Leach中的應用[J].傳感器與微系統,2011,30(2):135-138.

[10] 王云海,李 娟,李春民.尾礦壩浸潤線數據挖掘預測模型的樣本選取研究[J].中國安全生產科學技術,2009,5(5):9-12.