基于ANN的多路徑傳輸WSNs數據丟包率預測

崔 峰， 付保紅， 吳春梅， 陳 鑫

(大慶師范學院機電工程學院,黑龍江 大慶 163712)

基于ANN的多路徑傳輸WSNs數據丟包率預測

崔 峰， 付保紅， 吳春梅， 陳 鑫

(大慶師范學院機電工程學院,黑龍江 大慶 163712)

為了提高無線傳感器網絡(WSNs)數據傳輸的準確率，設計了一種基于人工神經元網絡(ANN)的數據丟包(DPL)率預測方法。通過預測WSN數據包在多個傳輸路徑上的丟包率，選擇出最優數據傳輸路徑。首先，建立1個150節點的網絡拓撲結構，使各節點在固定區域內隨機分布，并采用粒子群算法對各節點進行層級聚類。然后，采用1個3層前向人工神經元網絡來預測數據傳輸的丟包率。在BP網絡學習算法中引入動量修正因子，避免了ANN訓練陷入局部極小的問題。ANN的3個輸入分別為傳輸路徑上的節點數目、節點應用環境類型和節點采樣頻率。最后，采用基于最優最差螞蟻系統(BWAS)的多傳輸路徑規劃方法，以傳輸路徑數據丟包率作為評價參數，選擇最優傳輸路徑。經仿真驗證可知，本方法能夠獲得較高的數據傳輸準確率，與FEC糾刪編碼多路徑傳輸策略相比具有明顯優勢。

無線傳感器網絡； 人工神經元網絡； 數據傳輸； 最優最差螞蟻系統； 編碼技術； 動量因子

0 引言

無線傳感器網絡(wireless sensor networks，WSNs)由大量的傳感器節點組成，其依靠節點之間的相互合作，能夠完成對眾多物理參數和環境變量的監控。目前，WSNs在環境溫濕度、交通流量、有毒有害氣體監控以及振動監測等方面都已得到成功應用。在一些諸如戰場監測的應用場合中，需將大量傳感器節點散布于廣闊的區域內，而這些配備了無線通信裝置的節點均需由電池供電。這種情況下，WSNs承擔了臨時無線自組網的功能。當無線節點工作在有電磁干擾或振動的環境中時，其動態的拓撲結構、有限的計算和傳輸能力以及受約束的電能供應，容易導致網絡中的射頻沖突、時間異步和數據丟包(data packet loss，DPL)[1]問題。WSNs的健康狀況決定了它能否實現數據可靠傳輸、穩定運行和性能優化。當前的很多研究工作都集中在WSNs的數據可靠傳輸上。

數據丟包多發生于WSNs特征參數變化時。應用在不同場合的無線傳感器網絡對數據丟包率的要求不盡相同，有些應用背景下需要嚴格限制數據丟包率，而有些應用則完全可以承受較高的數據丟包率[2]。在WSNs中使用多路徑傳輸手段，有助于提高網絡的整體效能、可靠性和完整性；對多路徑傳輸WSNs進行數據丟包率預測，不僅有助于選擇數據傳輸的最優路徑，還有助于確定網絡的節點數目、節點采樣頻率和合適的網絡應用物理環境，可保證數據的可靠傳輸[3]。

由于WSNs在許多應用場合中,網絡節點都不可移動，因此本文采用了粒子群算法(particle swarm optimization,PSO)對WSNs節點進行非均勻聚類，進而得到依托多路徑傳輸的網絡拓撲模型。在數據的多路徑傳輸中，本文將WSNs的數據丟包率作為路徑選擇的依據，與采用前向糾錯(forward error correction,FEC)糾刪編碼的WSNs多路徑傳輸負載平衡策略進行對比，文中所設計的方法可表現出更高的有效數據接收率。

1 網絡拓撲結構

1.1 節點的分類

網絡中各節點與匯聚節點之間的距離不同，因此節點被分為兩類。其中，平均節點負責數據的采集和傳輸，集群節點負責數據的轉發和路由的選擇。所建立的網絡拓撲中共含有150個節點，數據包在網絡中由集群節點向匯聚節點轉發的過程中，有多條路由路徑可供選擇。

1.2 非均勻聚類

假設150個WSNs節點隨機分布在(100×100) km的坐標區域內，各節點在地理位置已知區域內不可移動。全部節點工作于全雙工傳輸模式，且具有相同的工作參數和初始能量[4]。除匯聚節點外，其余節點均不分等級，節點在x軸、y軸定義的坐標區域內的分布如圖1所示。其中，匯聚節點坐標為(120，50)。

圖1 節點分布圖

本文采用粒子群算法對網絡中的節點進行非均勻聚類[5]，其中自適應慣性系數在0.4～0.9之間變化，學習率分別取1.5和2.0。通過非均勻聚類，將圖1中的網絡節點分為3個層級，聚類結果如表1所示。

表1 聚類結果表

2 數據丟包率的預測

2.1 數據丟包的產生

在無線傳感器網絡數據傳輸過程中，引起數據丟包的因素較多，本文所討論的數據丟包與無線傳感器節點的使用環境、節點數據采樣頻率以及網絡節點數有關。其他與數據丟包相關的因素，例如射頻傳輸功率、集群節點與匯聚節點間的距離等都被假定為常數。所討論的網絡拓撲中共含有19個集群節點，可通過人工神經元網絡(artificial neuron network, ANN)預測這些集群節點上的數據丟包率，從而判斷數據路由的最優路徑。

2.2 人工神經元網絡預測

采用BP前向神經元網絡對WSNs節點的數據丟包率進行預測，神經網絡由1個輸入層、2個隱含層和1個輸出層組成，其網絡結構如圖2所示。

圖2 網絡結構圖

該網絡含有3個輸入，分別為集群節點所關聯節點數、節點應用環境類型和節點采樣頻率。

BP網絡對數據丟包率預測的準確度與網絡隱含層神經元數直接相關，仿真中另2個隱含層神經元數在15～30之間變化，隱含層神經元數同網絡預測誤差間的關系如圖3所示，最終確定2個隱含層神經元數均為26。

隱含層和輸出層神經元節點采用Tansig激活函數，由式(1)表示：

(1)

式中：Net為神經元由輸入加權偏置后產生的輸出。

圖3 隱含層神經元數-網絡預測誤差關系圖

BP網絡在采用梯度下降學習法時，能夠使權值矩陣和偏置向量收斂到固定解；但此學習算法收斂速度慢，且易導致收斂過程陷入局部極小的問題，而單純地加大學習率又容易導致收斂振蕩，使得學習過程無法穩定。為了解決該問題，在BP網絡梯度下降學習算法中加入了動量因子，將原有學習算法改進為MOBP學習算法。利用MOBP算法對圖2所示的神經元網絡進行權值和閾值修正，如式(2)所示。

T(k+1)=T(k)+ΔT(k+1)+η[T(k)-T(k-1)]

(2)

MOBP算法的學習率將直接影響到數據丟包率預測網絡的性能，較大的學習率易導致權值、閾值修正無法收斂，而較小的學習率又會使網絡訓練過程變慢。本文網絡訓練中的學習率α∈[0,1]，MOBP算法固定不變的學習率往往不能適應網絡訓練中對收斂速度和收斂穩定性的要求。為了選取最佳學習率值，在訓練過程中使學習率沿著誤差曲面修正收斂，即學習率值越大，對權值和閾值的修正越大。算法中，令α在訓練初始階段取較大值，實際訓練過程中α按式(3)定義的原則調整。式(3)中的學習率α最大值為0.995，最小值為0.015。

(3)

根據前面所討論的無線傳感器網絡拓撲結構，通過試驗獲取1 000個與節點數、環境類型和節點采樣頻率對應的樣本點。數據歸一化處理后，隨機抽取500個樣本點用于神經網絡訓練，其余500個樣本點用于仿真。網絡訓練結果分別如圖4、圖5所示。

圖4 輸出曲線

圖5 預測誤差曲線

3 多路徑傳輸與FEC糾刪編碼對比仿真

3.1 多路徑傳輸策略

利用文獻[6]中所討論的最優最差螞蟻系統(best-worst ant system,BWAS)在每兩個不同等級節點間鏈路上生成信息素值，信息素值的大小可反映出不同傳輸路徑數據的傳輸質量。通過計算每條路徑的節點數，根據節點初始化信息(節點采樣頻率、節點應用環境)，采用前述的ANN預測不同傳輸路徑的數據丟包率，從而判斷出最佳數據傳輸路徑。多路徑傳輸策略算法概述如下。

①初始化節點信息，包括節點類型(源節點、匯聚節點、簇頭節點、目的節點)、節點采樣頻率、節點工作環境類型。

②運行文獻[6]中設計的BWAS算法，計算出每條傳輸路徑上的信息素值。

③計算出每條路徑上數據傳輸經過的節點數，并根據信息素值的大小對不同路徑進行優先級排序，信息素值大則傳輸可靠、優先級高。

④通過ANN預測每條傳輸路徑的數據丟包率，選擇數據丟包率最低、信息素值最大的傳輸路徑作為最終數據傳輸路徑。

3.2 FEC糾刪編碼對比仿真

針對無線傳感器網絡數據丟包問題，文獻[7]采用了一種基于糾刪編碼的多路徑負載平衡策略，即FEC糾刪編碼多路徑傳輸策略。它將數據包分解為編碼數據片，使其在多條路徑上傳輸，并在目的節點解碼重組數據，以此提高數據傳輸的準確率。由于無線傳感器網絡節點能量、計算能力有限，該方法從負載均衡的角度出發，解決了數據準確傳輸和能效的問題。

在采用相同WSNs拓撲結構的前提下，分別采用基于ANN數據傳輸丟包率預測的BWAS多路徑傳輸策略和FEC糾刪編碼多路徑傳輸策略，選取前述ANN網絡訓練后剩余的500個樣本點進行仿真。兩種多路徑傳輸策略的數據傳輸準確率對比如圖6所示。

圖6 數據傳輸準確率對比圖

4 結束語

WSNs數據傳輸準確率常與傳輸路徑節點數、節點工作環境和節點采樣頻率有關，當這3種參數變化時，網絡傳輸中的數據丟包率將產生變化。本文設計了一個3層前向人工神經元網絡，該網絡以上述3個參量為輸入，能夠對無線傳感器網絡數據傳輸丟包率進行預測，通過實測數據樣本點訓練神經網絡后，ANN體現出較高的預測準確度。以ANN預測的數據丟包率為參考變量，結合BWAS多路徑傳輸策略，可以使WSNs數據傳輸獲得較高的準確率，該方法與傳統FEC糾刪編碼多路徑傳輸策略相比具有明顯優勢。

[1] JENNIFER Y,BISWANATH M,DIPAK G.Wireless sensor network survey[J].Computer Networks,2008,52(6): 2292-2330.

[2] 黃廷輝,伊凱,崔更申.基于非均勻分簇的無線傳感器網絡分層路由協議[J].計算機應用,2016,36(1): 66-71.

[3] 張榮標,李克偉,白斌.網絡傳輸丟包率對溫室WSN測控系統的影響[J].江蘇大學學報(自然科學版),2009,30(4): 383-386.

[4] LINDSEY S,RAGHAVENDRA C,SIVALINGAM K M.Data gathering algorithms in sensor networks using energy metrics[J].IEEE Transactions on Parallel and Distributed Systems,2002,13(5):924-935.

[5] 李燈熬,郝海龍,郭錦龍.一種能量有效的無線傳感器網絡分簇及簇間路由算法[J].自動化儀表,2015,36(12): 4-7.

[6] LI H B,GAO P,XIONG Q,et al.A vascular-network-based nonuniform hierarchical fault-tolerant routing algorithm for wireless sensor networks[J].International Journal of Distributed Sensor Networks,2012,30(12): 2-14.

[7] DJUKIC P,VALAEE S.Reliable packet transmissions in multipath routed wireless networks[J].IEEE Transactions on Mobile Computing,2006,27(5): 548-559.

ANN-Based Prediction of Data Packet Loss Rate for Multipath Transmission in WSNs

CUI Feng,FU Baohong,WU Chunmei,CHEN Xin

(Department of Electromechanical Engineering,Daqing Normal University,Daqing 163712,China)

In order to improve the accuracy of WSN data transmission,a method based on artificial neuron network (ANN) is designed for the prediction of data packet loss (DPL) rate.Through predicting the packet loss rate of WSN data packets in multipath transmission,the optimal data transmission path is selected.Firstly,a topologic structure of the network with 150 nodes that are distributed randomly in a fixed area is established,and hierarchical clustering of nodes is conducted by PSO algorithm.Then,the DPL of data transmission is predicted by using a three-layer feed-forward ANN.A momentum correction factor is introduced in BP network learning algorithm,to avoid ANN training process traps into local minima.Three of the inputs of ANN are respectively related to the node number of transmission path,types of node application environment,and the node sampling rate.Finally,the multipath transmission planning method based on BWAS is used;the optimal transmission path is selected with the transmission path data packet loss rate as the evaluation parameter.From the simulation verification,it is found that the method proposed obtains higher accuracy of data transmission;it has obvious advantages than that of the FEC encoding multipath transmission strategy.

Wireless sensor networks; Artificial neuron network; Data transmission; Best-worst ant system; Coding technique; Momentum factor

資金項目:大慶市指導性科技計劃項目(szdfy-2015-60)、大慶師范學院自然科學基金(14ZR15)

崔峰(1982—)，男，碩士，講師，主要從事無線傳感器、執行器網絡容錯機制、復雜系統建模和仿真的應用與研究。E-mail:cuifeng304@163.com。

TH6;TP273

A

10.16086/j.cnki.issn 1000-0380.201702016

修改稿收到日期：2016-10-18