基于神經(jīng)二部分裂結(jié)構(gòu)的多智能體WSNs數(shù)據(jù)融合算法*

屠雄剛,陳 軍,張長(zhǎng)江

(1.浙江師范大學(xué)數(shù)理與信息工程學(xué)院,浙江 金華 321004;2.浙江工業(yè)職業(yè)技術(shù)學(xué)院設(shè)計(jì)與藝術(shù)學(xué)院,浙江 紹興 312000)

?

基于神經(jīng)二部分裂結(jié)構(gòu)的多智能體WSNs數(shù)據(jù)融合算法*

屠雄剛1,2*,陳 軍2,張長(zhǎng)江1

(1.浙江師范大學(xué)數(shù)理與信息工程學(xué)院,浙江 金華 321004;2.浙江工業(yè)職業(yè)技術(shù)學(xué)院設(shè)計(jì)與藝術(shù)學(xué)院,浙江 紹興 312000)

為進(jìn)一步提高無(wú)線傳感器網(wǎng)絡(luò)WSNs(Wireless Sensor Networks)使用壽命,從提高算法數(shù)據(jù)融合效率角度出發(fā),提出一種神經(jīng)二部分裂結(jié)構(gòu)的多智能體WSNs數(shù)據(jù)融合算法。首先,根據(jù)神經(jīng)結(jié)構(gòu)的主干與枝干承載信息量不同的原理,選取主干、枝干通訊鏈路并賦予較大能量,并給出主、輔中心節(jié)點(diǎn)選取方法;其次,設(shè)計(jì)了基于LMS的自適應(yīng)加權(quán)融合算法,分別針對(duì)節(jié)點(diǎn)層級(jí)、枝干中心層級(jí)和主干中心層級(jí)進(jìn)行逐層處理,實(shí)現(xiàn)了對(duì)神經(jīng)二部分裂結(jié)構(gòu)的數(shù)據(jù)融合;最后,通過(guò)與兩種已有算法進(jìn)行仿真對(duì)比,顯示本文算法在Sink節(jié)點(diǎn)接收數(shù)據(jù)包,能耗等指標(biāo)上均具有優(yōu)勢(shì),驗(yàn)證了算法有效性。

無(wú)線傳感器網(wǎng)絡(luò);多智能體;神經(jīng)二部分裂;數(shù)據(jù)融合

無(wú)線傳感器網(wǎng)絡(luò)(WSNs)是基于能量驅(qū)動(dòng)的,因此能量約束是限制網(wǎng)絡(luò)使用壽命的主要因素[1～2]。為突破或更好的利用能量資源,相關(guān)學(xué)者給出了不同的研究方向:

文獻(xiàn)[3]提出一種聯(lián)合路由優(yōu)化和無(wú)損數(shù)據(jù)融合的WSNs網(wǎng)絡(luò)壽命延長(zhǎng)算法;文獻(xiàn)[4]采用一種遞歸平滑函數(shù)進(jìn)行優(yōu)化,并考慮時(shí)空特性,實(shí)現(xiàn)數(shù)據(jù)融合的自適應(yīng)機(jī)制;文獻(xiàn)[5]提出一種冗余消除的相鄰傳感器節(jié)點(diǎn)數(shù)據(jù)融合技術(shù);文獻(xiàn)[6]提出一種優(yōu)化的貝葉斯估計(jì)多傳感器數(shù)據(jù)融合方法,等。

上述算法都在提高數(shù)據(jù)融合算法性能角度,降低和平衡能耗,并延長(zhǎng)WSNs網(wǎng)絡(luò)使用壽命。此研究方向成果較多且較為成熟,但是在WSNs網(wǎng)絡(luò)布局方面的文獻(xiàn)相對(duì)較少,例如文獻(xiàn)[7]提出的基于車(chē)輪形狀的WSNs網(wǎng)絡(luò)布局等。此文獻(xiàn)可看作是一種二級(jí)模式下的網(wǎng)絡(luò)布局,分為Sink節(jié)點(diǎn)和網(wǎng)管節(jié)點(diǎn)。

為進(jìn)一步提高算法性能,設(shè)計(jì)一種神經(jīng)二部分裂結(jié)構(gòu)的多智能體WSNs數(shù)據(jù)融合算法NBMA-WSNs(Neural Bipartitions structure based Multiagent WSNS fusion Algorithm),實(shí)現(xiàn)信息傳輸?shù)娜?jí)網(wǎng)絡(luò)模式。

1 算法框架描述

1.1 神經(jīng)二部分裂結(jié)構(gòu)

人體神經(jīng)結(jié)構(gòu)(nervous system)是生命體內(nèi)起主導(dǎo)的感覺(jué)系統(tǒng),主要由中樞系統(tǒng)和周?chē)到y(tǒng)組成[8]。中樞神經(jīng)系統(tǒng)包括腦和脊髓,周?chē)窠?jīng)系統(tǒng)主要由31對(duì)脊神經(jīng)和12對(duì)腦神經(jīng)組成,分布在人體各處,負(fù)責(zé)感知和連接中樞神經(jīng)和人體組織的作用,保證中樞系統(tǒng)既可感知內(nèi)外變化,又可實(shí)時(shí)調(diào)整人體動(dòng)作和各臟器功能,實(shí)現(xiàn)人體的統(tǒng)一與適應(yīng)性功能。簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為類(lèi)似于二叉樹(shù)性質(zhì)的簡(jiǎn)化結(jié)構(gòu),這里稱之為神經(jīng)二部分裂結(jié)構(gòu),如圖1所示。

通過(guò)分析人體神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),如圖1可知具有如下特點(diǎn):一是腦神經(jīng)負(fù)責(zé)全身神經(jīng)信號(hào)的接收與處理,需要較大計(jì)算量并且耗費(fèi)大量的能量,脊髓神經(jīng)(Sink節(jié)點(diǎn))與腦神經(jīng)直接相連;二是脊髓神經(jīng)負(fù)責(zé)連接全身神經(jīng)與腦神經(jīng),并負(fù)責(zé)將信號(hào)傳導(dǎo)給腦神經(jīng),消耗相對(duì)較多的能量,局部神經(jīng)元中心(主中心節(jié)點(diǎn))與脊髓神經(jīng)(Sink節(jié)點(diǎn))直接相連;三是全身神經(jīng)負(fù)責(zé)人體感知,處理數(shù)據(jù)簡(jiǎn)單,耗費(fèi)能量較少,當(dāng)網(wǎng)絡(luò)過(guò)大時(shí),增加二級(jí)局部神經(jīng)元中心(輔中心節(jié)點(diǎn))管理分散神經(jīng)元。經(jīng)過(guò)分析可知,若無(wú)線傳感器網(wǎng)絡(luò)結(jié)構(gòu)采用上述信號(hào)傳導(dǎo)和能量分配方法,可取得較好的能量使用效率和網(wǎng)絡(luò)使用壽命。

圖1給出的神經(jīng)二部分裂WSNs數(shù)據(jù)融合路由簡(jiǎn)化結(jié)構(gòu),從圖中不難看出,該算法結(jié)構(gòu)能夠順利執(zhí)行需要解決一下問(wèn)題:①適合計(jì)算機(jī)處理的多智能體框架的構(gòu)建;②主、輔中心節(jié)點(diǎn)的選取;③節(jié)點(diǎn)信息融合算法。下面將主要圍繞上述問(wèn)題進(jìn)行闡述。

1.2 多智能體框架

圖2(a)為Sink節(jié)點(diǎn)Agents框架,主要組成部分有:

①Sink管理Agent(SMA),為一靜態(tài)的Agent,用來(lái)監(jiān)測(cè)臨近節(jié)點(diǎn)信息,利用GPS信息計(jì)算參考方向,上傳并更新Sink黑板中的數(shù)據(jù)融合。負(fù)責(zé)計(jì)算相鄰節(jié)點(diǎn)的權(quán)重系數(shù)和歐氏距離,來(lái)選擇最近的主干中心節(jié)點(diǎn)。SMA通過(guò)全局主中心閾值Dmth和局部輔中心閾值Dlth,由用戶在數(shù)據(jù)融合中心觸發(fā);

②全局主中心點(diǎn)選擇Agent(MCSA),是一個(gè)由SMA基于相鄰節(jié)點(diǎn)之間的權(quán)重系數(shù)和歐氏距離觸發(fā)的移動(dòng)Agent。MCSA作用是負(fù)責(zé)神經(jīng)二部分裂結(jié)構(gòu)主中心的選擇。并根據(jù)主神經(jīng)(軸突)角閾值,輔神經(jīng)(樹(shù)突)角閾值來(lái)更新輔主中心點(diǎn),直到到達(dá)區(qū)域邊界處;

③Sink黑板(SBB),是可由SMA和MCSA讀取和更新的知識(shí)庫(kù),存儲(chǔ)有節(jié)點(diǎn)連接信息:節(jié)點(diǎn)ID、剩余能量、偏角,鄰近節(jié)點(diǎn)數(shù),信號(hào)強(qiáng)度,區(qū)域位置,歷史數(shù)據(jù)融合,主神經(jīng)角度閾值,輔神經(jīng)角度閾值,接收時(shí)間等。

圖2 多智能體結(jié)構(gòu)

圖2(b)為傳感器節(jié)點(diǎn)Agent框架,主要組成部分有:

①節(jié)點(diǎn)管理Agent(NMA),為一靜態(tài)的Agent,位于所有傳感器節(jié)點(diǎn)中,它監(jiān)測(cè)等數(shù)據(jù)信息、信號(hào)強(qiáng)度、傳輸距離、剩余能量等。并根據(jù)這些信息,控制節(jié)點(diǎn)開(kāi)啟或者關(guān)閉,從而對(duì)能耗進(jìn)行控制。此外,NMA通過(guò)收集臨近節(jié)點(diǎn)的ID、位置、權(quán)重系數(shù)等對(duì)NBB進(jìn)行更新。

②局部輔中心點(diǎn)選擇Agent(LASA),LASA由NMA觸發(fā),LASA從NBB中獲取輔神經(jīng)角度值,并把它發(fā)送到一跳距離的臨近節(jié)點(diǎn)。

③輔中心點(diǎn)數(shù)據(jù)融合Agent(LAA),是由NMA驅(qū)動(dòng)的移動(dòng)Agent,獲取局部路徑信息以及NBB中的局部數(shù)據(jù)融合,并沿副神經(jīng)移動(dòng)到下一個(gè)局部中心點(diǎn)。LAA負(fù)責(zé)對(duì)每次局部中心的訪問(wèn),都會(huì)持續(xù)將信息沿副神經(jīng)傳達(dá)到與其相連的主神經(jīng)中心節(jié)點(diǎn)中。

④主中心點(diǎn)Agent(MAA),是由NMA驅(qū)動(dòng)的移動(dòng)Agent,獲取主中心路徑信息,并將與之相連的輔助神經(jīng)融合數(shù)據(jù)沿主干神經(jīng)傳遞到Sink節(jié)點(diǎn)中。五是節(jié)點(diǎn)黑板,定義同SBB類(lèi)似。

2 主、輔中心選取

2.1 主中心節(jié)點(diǎn)選取

例如在選擇S2作為主中心節(jié)點(diǎn)過(guò)程中,其上級(jí)節(jié)點(diǎn)為Sink節(jié)點(diǎn)S1,若S1坐標(biāo)為(xi,yi),以S2為代表的S1鄰域節(jié)點(diǎn)坐標(biāo)為(xj,yj),則夾角θm(j)的計(jì)算公式為:

(1)

(2)

則S1鄰域節(jié)點(diǎn)權(quán)重因子WM(j)計(jì)算公式為:

(3)

K=K1×A+K2×B

(4)

式中:A能量比,為節(jié)點(diǎn)的可用能量比。B鄰域計(jì)數(shù)比,為通訊范圍內(nèi)活躍節(jié)點(diǎn)比例,A和B的最大取值為1。K1和K2為SMA的最小閾值常數(shù),滿足:

(5)

當(dāng)θm(j)值增大,此時(shí)節(jié)點(diǎn)逐漸遠(yuǎn)離主中心節(jié)點(diǎn),則WM值減小。通常選取θm(j)值較大的節(jié)點(diǎn)構(gòu)建輔中心節(jié)點(diǎn)區(qū)域。

由SMA模塊負(fù)責(zé)啟動(dòng)主中心點(diǎn)的選擇過(guò)程,SMA給鄰域節(jié)點(diǎn)發(fā)送查詢信息,然后鄰域節(jié)點(diǎn)的NMA負(fù)責(zé)計(jì)算權(quán)重WM,NMA將坐標(biāo)和權(quán)重WM信息反饋到SMA,而后SMA計(jì)算歐式距離D[11～12]:

(6)

式中:i為Sink節(jié)點(diǎn)或上一級(jí)主中心節(jié)點(diǎn),j為i鄰域節(jié)點(diǎn)。然后SMA比較其所有鄰域節(jié)點(diǎn)歐式距離D(i,j)與閾值Dmth,若D(i,j)>Dmth,則節(jié)點(diǎn)j作為MC節(jié)點(diǎn)選取的備選節(jié)點(diǎn),對(duì)于所有的備選節(jié)點(diǎn),選取權(quán)重WM最大的作為MC節(jié)點(diǎn)。若無(wú)鄰域節(jié)點(diǎn)滿足D(i,j)>Dmth,則降低閾值Dmth。算法偽代碼如下:

Algorithm1:主中心點(diǎn)選取

1.Begini為選取的主中心節(jié)點(diǎn);

2.令i為坐標(biāo)原點(diǎn),計(jì)算NC鄰域點(diǎn)坐標(biāo)(x2(j),y2(j));

3.計(jì)算所有節(jié)點(diǎn)的歐式距離D(i,j);

4.forj=1:NCdo

5.ifD(i,j)>Dmththen

6.ifx2(j)>x1(j)then

7.ify2(j)=y1(j)then

8.WM(j)=Wmin;

9.else

10.計(jì)算θm(j)和WM(j);

11.存儲(chǔ)WM(j)到SBB中;

12.endif

13.endif

14.endif

15.endfor

16.選擇最大WM(j)對(duì)應(yīng)節(jié)點(diǎn)j作為主中心節(jié)點(diǎn)MC;

17.End

按照上述MC節(jié)點(diǎn)選取方法,SMA觸發(fā)MCSA沿著主神經(jīng)尋找其余MC節(jié)點(diǎn),最后一個(gè)MC節(jié)點(diǎn)管理所有MC節(jié)點(diǎn)的ID信息。如圖3(a)所示。圖3(a)節(jié)點(diǎn)S12負(fù)責(zé)管理所有節(jié)點(diǎn)的ID信息,通過(guò)該信息可查詢數(shù)據(jù)信號(hào)的傳遞路徑,該圖為一個(gè)最簡(jiǎn)單的無(wú)分叉的神經(jīng)二部分裂結(jié)構(gòu)的WSNs數(shù)據(jù)融合算法,S1為Sink節(jié)點(diǎn),S2、S4、S5、S6、S8、S10、S11和S12為MC節(jié)點(diǎn)。

圖3 主、輔中心節(jié)點(diǎn)選取

2.2 輔中心節(jié)點(diǎn)選取

理論上神經(jīng)二部分裂結(jié)構(gòu)的夾角變化范圍為:0°～180°,但為保證該結(jié)構(gòu)在WSNs區(qū)域內(nèi)寬度和縱度延伸的均衡,設(shè)定角度取值范圍為:

rib∈{135°～150°}∪{45°～60°}

(7)

此處,參數(shù)物理意義同主中心節(jié)點(diǎn)定義,不同的是,輔中心選取不必考慮夾角問(wèn)題,則輔中心節(jié)點(diǎn)選取權(quán)重因子WL計(jì)算公式定義如下:

(8)

式中:K∈[0,1]為閾值常數(shù)。

鄰域內(nèi)節(jié)點(diǎn)滿足式(7)所劃定范圍內(nèi),并且當(dāng)閾值為Dlth時(shí),滿足D(i,j)>Dlth,則該節(jié)點(diǎn)將被作為輔中心節(jié)點(diǎn)(LC)。同MC選取方式類(lèi)似,所有候選LC節(jié)點(diǎn)中,最大值WL所對(duì)應(yīng)的節(jié)點(diǎn),被選為L(zhǎng)C節(jié)點(diǎn)。若無(wú)鄰域節(jié)點(diǎn)滿足D(i,j)>Dlth,則增大NMA或者降低閾值Dlth。當(dāng)D(i,j)變化時(shí),SMA負(fù)責(zé)管理閾值Dmth和Dlth,初始化SMA閾值參數(shù)R來(lái)存儲(chǔ)MC和LC節(jié)點(diǎn),變化規(guī)則為:①若中心節(jié)點(diǎn)已找到,則R→R+δ;②若中心節(jié)點(diǎn)未找到,則R→R+Iδ。

上述I=2p,p為整數(shù)。LC節(jié)點(diǎn)選取過(guò)程類(lèi)似于MC節(jié)點(diǎn)的選取過(guò)程,如圖3(b)所示。對(duì)于主中心節(jié)點(diǎn)S3,在LC節(jié)點(diǎn)S11選定后,由NMA觸發(fā)LCSA沿著設(shè)定的角度取值范圍rib,查找剩余LC節(jié)點(diǎn),此處無(wú)其他LC節(jié)點(diǎn),則節(jié)點(diǎn)S11亦作為最后一個(gè)LC節(jié)點(diǎn)負(fù)責(zé)存儲(chǔ)信號(hào)傳遞路徑信息。圖中S1可作為Sink節(jié)點(diǎn),LC節(jié)點(diǎn)S5、S6和S9直接與Sink節(jié)點(diǎn)相連,而S11則與2.1節(jié)確定的MC節(jié)點(diǎn)S3相連,信號(hào)通過(guò)S3中轉(zhuǎn)傳遞到Sink節(jié)點(diǎn)。

3 數(shù)據(jù)融合及算法流程

3.1 LMS自適應(yīng)加權(quán)融合

神經(jīng)二部分裂結(jié)構(gòu)的多智能體WSNs數(shù)據(jù)融合算法的數(shù)據(jù)融合涉及到3個(gè)層面:Part1:普通節(jié)點(diǎn)級(jí)融合;Part2:LC節(jié)點(diǎn)級(jí)融合;Part3:MC節(jié)點(diǎn)級(jí)融合。傳統(tǒng)的無(wú)線傳感器網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合時(shí)需要節(jié)點(diǎn)的方差或觀測(cè)方差,但在現(xiàn)實(shí)中信號(hào)的非平穩(wěn)性,導(dǎo)致上述兩個(gè)參量的統(tǒng)計(jì)特性很難得到[13～14],為提高融合精度此處采用LMS自適應(yīng)加權(quán)融合。

定理1 對(duì)于圖4遞推系統(tǒng),LMS自適應(yīng)加權(quán)融合遞推公式選取為:

(9)

時(shí),系統(tǒng)收斂,當(dāng)k→∞時(shí),εk→0。

證明 假定k時(shí)刻傳感器數(shù)量為N,則其加權(quán)系數(shù)可定義為:

(10)

(11)

(12)

(13)

(14)

(15)

與之類(lèi)似可定義:

(16)

則LMS自適應(yīng)加權(quán)融合均方誤差為:

(17)

則通過(guò)式(16)可看出,誤差期望E(εk)為W′的二次型函數(shù),為保證εk收斂,采用梯度下降法:

(18)

式中:μ為步長(zhǎng)調(diào)整參數(shù),k為加權(quán)梯度,其估計(jì)形式如下:

(19)

式(18)、式(19)結(jié)合可得LMS自適應(yīng)加權(quán)融合遞推公式:

(20)

證畢。

圖4 遞推算法

3.2 算法流程及時(shí)間復(fù)雜度分析

綜上所述,在完整NBMA-WSNs算法中,應(yīng)包含兩個(gè)步驟:一是主輔節(jié)點(diǎn)選取;二是主輔節(jié)點(diǎn)數(shù)據(jù)融合。具體算法流程如圖5所示。

圖5 算法流程

圖5中,A為主中心節(jié)點(diǎn)選取過(guò)程,B為輔中心節(jié)點(diǎn)選取過(guò)程,C為數(shù)據(jù)融合過(guò)程。則根據(jù)上述算法流程,算法的時(shí)間復(fù)雜度可分析如下:令DAi={DAp1,DAp2,…,DApn}為在時(shí)間窗T=t1→tn={t1,t2,…,tn}內(nèi)從節(jié)點(diǎn)i中采集的數(shù)據(jù)。令Docc為DAi中重復(fù)數(shù)據(jù)量,則重復(fù)比為:

PDocc=Docc/DAi

(21)

則融合數(shù)據(jù)超出DAi概率為:

PDagg=1-PDocc

(22)

令l為MC節(jié)點(diǎn)數(shù)量,則二部分裂結(jié)構(gòu)下,連接到主神經(jīng)的輔神經(jīng)數(shù)量為:

Rntotal=2l

(23)

令TLp1,TLp2,…,TLpn為L(zhǎng)C節(jié)點(diǎn)數(shù)據(jù)融合時(shí)間,則每個(gè)輔神經(jīng)的融合時(shí)間為:

(24)

式中:αi<αi+1,α∈[0.001,0.003]。LC節(jié)點(diǎn)的總?cè)诤蠒r(shí)間為:

TR=Rbagtime×Rntotal

(25)

令TM1,TM2,…,TMn為L(zhǎng)C節(jié)點(diǎn)數(shù)據(jù)融合時(shí)間,則MC節(jié)點(diǎn)的總?cè)诤蠒r(shí)間為:

(26)

式中:γi<γi+1,γ∈[0.003,0.005]。則總數(shù)據(jù)融合時(shí)間為:

Taggre=Magtime+TR

(27)

4 仿真實(shí)驗(yàn)與分析

實(shí)驗(yàn)平臺(tái):MATLAB R2012b,Intel i7 3.40 GHz處理器,4G RAM,Win7系統(tǒng)。實(shí)驗(yàn)區(qū)域大小為300 m×300 m,共由500個(gè)傳感器節(jié)點(diǎn)。當(dāng)節(jié)點(diǎn)能量降為0時(shí),宣布該節(jié)點(diǎn)“失效”。仿真參數(shù)設(shè)置如表1所示。

表1 仿真參數(shù)

為驗(yàn)證NBMA-WSNs算法的有效性,選取仿真對(duì)比指標(biāo):失效CHs,Sink節(jié)點(diǎn)接收數(shù)據(jù)包數(shù)量,能量消耗和標(biāo)準(zhǔn)偏差。對(duì)比算法選取WSNs分布式能量均衡算法(DEBR)[15]和WSNs輪盤(pán)觸發(fā)數(shù)據(jù)融合算法(WBTDA)[7]算法。DEBR方法和WBTDA方法均是從各節(jié)點(diǎn)能耗均衡角度出發(fā),提高網(wǎng)絡(luò)壽命,但過(guò)分考慮能耗,犧牲部分?jǐn)?shù)據(jù)傳輸效率,實(shí)際中可對(duì)耗能較大的節(jié)點(diǎn),提高其電池儲(chǔ)量方式,提高節(jié)點(diǎn)利用效率。如本文中選取的主輔節(jié)點(diǎn)可通過(guò)增配電池容量方式,實(shí)現(xiàn)網(wǎng)絡(luò)壽命延長(zhǎng)的同時(shí),不降低數(shù)據(jù)傳輸效率。假定Sink節(jié)點(diǎn)位于區(qū)域中間位置,則MC和LC節(jié)點(diǎn)的選取如圖6所示,性能對(duì)比如圖7(a)～7(d)所示。

圖6 二部神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖6給出了上述實(shí)驗(yàn)環(huán)境下的神經(jīng)二部分裂結(jié)構(gòu)圖,其中,黑三角為L(zhǎng)C節(jié)點(diǎn),黑六邊形為MC節(jié)點(diǎn),黑四邊形為Sink節(jié)點(diǎn),上述節(jié)點(diǎn)共有33個(gè),LC節(jié)點(diǎn)位于區(qū)域邊緣與Sink節(jié)點(diǎn)直接通訊的能耗較大,為此MC節(jié)點(diǎn)作為中繼負(fù)責(zé)聯(lián)系LC節(jié)點(diǎn)與Sink節(jié)點(diǎn)的通訊。Sink節(jié)點(diǎn)賦予較大能量值,MC節(jié)點(diǎn)能量較高,LC節(jié)點(diǎn)能量次之,普通傳感器節(jié)點(diǎn)的能量配備最低,通過(guò)此方式可有效降低組網(wǎng)成本,平衡能量分布和消耗,同時(shí)還起到節(jié)省能耗的作用,延長(zhǎng)網(wǎng)絡(luò)使用壽命。

圖7 算法性能對(duì)比

圖7(a)給出隨著執(zhí)行循環(huán)數(shù)的增加,失效CHs數(shù)量的變化情況,CHs失效意味著能量的耗盡,從圖中可以看出,NBMA-WSNs算法在該指標(biāo)上要明顯好于DEBR和WBTDA算法。其中DEBR算法最早能量耗盡,網(wǎng)絡(luò)的生存周期最短。主要原因在于,DEBR算法采取的分布式直連方式,存在數(shù)據(jù)傳輸距離過(guò)長(zhǎng),能耗過(guò)多的問(wèn)題。而WBTDA算法為平衡能量消耗,執(zhí)行的策略是數(shù)據(jù)包可能會(huì)通過(guò)其他的CHs穿往Sink節(jié)點(diǎn),但是問(wèn)題是如果選擇了相反的方向,會(huì)導(dǎo)致數(shù)據(jù)包無(wú)法到達(dá)Sink節(jié)點(diǎn)處,雖然平衡了能量,但同時(shí)也浪費(fèi)了能量。相比而言,NBMA-WSNs算法在處理能耗節(jié)省和平衡上具有優(yōu)勢(shì)。圖7(b)給出隨著執(zhí)行循環(huán)數(shù)的增加,Sink節(jié)點(diǎn)接收到的總數(shù)據(jù)包數(shù)量情況。從接收數(shù)據(jù)總量看,NBMA-WSNs算法要多于對(duì)比算法,并且隨著執(zhí)行循環(huán)數(shù)增加,存在能量耗盡,CHs失效的情況,導(dǎo)致NBMA-WSNs算法與對(duì)比算法在接收數(shù)據(jù)量的差距越來(lái)越大。圖7(c)給出隨著執(zhí)行循環(huán)數(shù)的增加,傳感器網(wǎng)絡(luò)的總能耗,雖然各網(wǎng)絡(luò)初期能量的消耗率差不多,但是由于NBMA-WSNs算法網(wǎng)絡(luò)中處于活躍狀態(tài)的節(jié)點(diǎn)要多于DEBR和WBTDA算法,所以在傳輸更多數(shù)據(jù)量的同時(shí),消耗相對(duì)較多的總能量。圖7(d)給出隨著執(zhí)行循環(huán)數(shù)的增加,剩余能量標(biāo)準(zhǔn)偏差,該指標(biāo)主要反映能耗平衡情況。從圖7(d)中可看出,NBMA-WSNs算法的剩余能量偏差始終處于較低的水平,說(shuō)明節(jié)點(diǎn)的剩余能耗相差不多,從而反映出節(jié)點(diǎn)能耗的平衡。

5 結(jié)束語(yǔ)

從降低和平衡能耗角度,借鑒神經(jīng)結(jié)構(gòu)的主干、分支信息傳遞方式,設(shè)計(jì)一種神經(jīng)二部分裂結(jié)構(gòu)的多智能體WSNs數(shù)據(jù)融合路由算法。給出了主干、分支路徑中,主輔節(jié)點(diǎn)的選取算法,并且提出一種基于LMS的自適應(yīng)加權(quán)融合算法,實(shí)現(xiàn)數(shù)據(jù)從普通節(jié)點(diǎn)到LC節(jié)點(diǎn)到MC節(jié)點(diǎn)到Sink節(jié)點(diǎn)的數(shù)據(jù)融合算法,仿真結(jié)果驗(yàn)證了所提算法的有效性。本文算法的不足是,由于主輔節(jié)點(diǎn)選取特點(diǎn),其承載的數(shù)據(jù)傳輸量會(huì)增大,為保持能耗剩余均衡,需對(duì)這樣節(jié)點(diǎn)電量進(jìn)行增配,因此網(wǎng)絡(luò)部署前期工作相對(duì)繁瑣一些。

[1] 程紅舉,黃行波. 不可靠通信環(huán)境下無(wú)線傳感器網(wǎng)絡(luò)最小能耗廣播算法[J]. 軟件學(xué)報(bào),2014,25(5):1101-1112.

[2] Zhang Y Z,Zhang X H,Fu W Y. HDRE:Coverage Hole Detection with Residual Energy in Wireless Sensor Networks[J]. Journal of Communications and Networks,2014,16(5):1229-2370.

[3] Hua C Q,Yum T S. Data Aggregated Maximum Lifetime Routing for Wireless Sensor Networks[J]. Ad Hoc Networks,2008,6(3):380-392.

[4] Huifang C,Hiroshi M,Tadanori M. Adaptive Data Fusion Scheme in Clustered Wireless Sensor Networks[J]. Computer Communications,2008,35(15):3579-3585.

[5] 王濤春,秦小麟,劉亮. 無(wú)線傳感器網(wǎng)絡(luò)中安全高效的空間數(shù)據(jù)聚集算法[J]. 軟件學(xué)報(bào),2014,25(8):1671-1684.

[6] 張品,董為浩,高大冬. 一種優(yōu)化的貝葉斯估計(jì)多傳感器數(shù)據(jù)融合方法[J]. 傳感技術(shù)學(xué)報(bào),2014,27(5):643-648.

[7] Sutagundar A V,Manvi S S. Wheel Based Event Triggered Data Fusion and Routing in Wireless Sensor Networks:Agent Based Approach[J]. Wireless Pers Commun,2013,71(2):491-517.

[8] 楊雅輝,黃海珍,沈晴霓. 基于增量式GHSOM神經(jīng)網(wǎng)絡(luò)模型的入侵檢測(cè)研究[J]. 計(jì)算機(jī)學(xué)報(bào),2014,37(5):1216-1223.

[9] Kuila P,Jana P K. Approximation Schemes for Load Balanced Clustering in Wireless Sensor Networks[J]. Journal of Supercomputing,2014,68(1):87-105.

[10] 劉端陽(yáng),暴占兵,程珍. 一種可分負(fù)載WSNs的能耗均衡負(fù)載調(diào)度算法[J]. 傳感技術(shù)學(xué)報(bào),2014,27(2):225-232.

[11] Yuan F,Zhan Y J,Wang Y H. Data Density Correlation Degree Clustering Method for Data Fusion in WSNs[J]. IEEE Sensors Journal,2014,14(4):1089-1098.

[12] Tseng F H,Cho H H,Chou L D. Efficient Power Conservation Mechanism in Spline Function Defined WSNs Terrain[J]. IEEE Sensors Journal,2014,14(3):853-864.

[13] Demigha O,Hidouci W K,Ahmed T. On Energy Efficiency in Collaborative Target Tracking in Wireless Sensor Network:A Review[J]. IEEE Communications Surveys and Tutorials,2013,15(3):1210-1222.

[14] 李建洲,王海濤,陶安. 一種能耗均衡的WSNs分簇路由協(xié)議[J]. 傳感技術(shù)學(xué)報(bào),2013,26(3):396-401.

[15] Ok C S,Lee S,Mitra M. Distributed Energy Balanced Routing for Wireless Sensor Networks[J]. Computer and Industrial Engineering,2009,57(1):125-135.

屠雄剛(1977-),男,碩士,浙江師范大學(xué),數(shù)理與信息工程學(xué)院副教授,研究方向?yàn)槟Ｊ阶R(shí)別智能計(jì)算等,tuxiongg@sina.cn;

陳 軍(1980-),女,碩士,浙江工業(yè)職業(yè)技術(shù)學(xué)院設(shè)計(jì)與藝術(shù)學(xué)院副教授,研究方向?yàn)閳D像處理,模式識(shí)別;

張長(zhǎng)江(1974-),男,博士,浙江師范大學(xué)數(shù)理與信息工程學(xué)院教授,研究方向?yàn)閳D像處理,模式識(shí)別,機(jī)器學(xué)習(xí),多尺度幾何分析及應(yīng)用。

NBMA-WSNs:Neural Bipartitions Structure Based MultiagentWSNs Fusion Algorithm*

TUXionggang1,2*,CHENJun2,ZHANGChangjiang1

(1.College of Mathematics Physics and Information Engineering,Zhejiang Normal University,Jinhua Zhejiang 321004,China;2.School of Design and Arts,Zhejiang Industry Polytehnic College,Shaoxing Zhejiang 312000,China)

In order to further improve the wireless sensor network(WSNS)service life,from the angle of improving the efficiency of data fusion algorithm,,a neural bipartitions structure based multi-agent WSNs fusion algorithm was proposed. Firstly,according to the trunk and branches of the nerve structure bearing different amount of information,the trunk and branches were selected to construst the communication link,then the main,auxiliary center node’s selection method was also used. Secondly,the adaptive weighted fusion algorithm based on LMS was designed,which processed the node,the branches and the trunk center level to realize the aggregative for the neural bipartitions structure. Finally,through simulation compared with two existing algorithms,this algorithm shows the advantages at the indicators such as the Sink node’ss packet reception,the energy consumption,and so on,which verified the effectiveness of the algorithm.

wireless sensor network;multi-agent;neural bipartitions;fusion

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(61202029,61272449);浙江省自然科學(xué)基金項(xiàng)目(LY12E05016)

2014-12-28 修改日期:2015-02-16

C:6150P

10.3969/j.issn.1004-1699.2015.06.022

TP393.09

A

1004-1699(2015)06-0907-07