無線傳感器網絡自適應預測加權數據融合算法*

余修武,范飛生,周利興,2,張 楓,2

(1.南華大學環(huán)境保護與安全工程學院,湖南 衡陽 421001;2.金屬礦山安全與健康國家重點實驗室,安徽 馬鞍山 243000)

?

無線傳感器網絡自適應預測加權數據融合算法*

余修武1,2*,范飛生1,周利興1,2,張 楓1,2

(1.南華大學環(huán)境保護與安全工程學院,湖南 衡陽 421001;2.金屬礦山安全與健康國家重點實驗室,安徽 馬鞍山 243000)

為提高無線傳感器網絡監(jiān)測系統(tǒng)的可靠性及壽命,提出了一種基于分簇的自適應的預測加權數據融合(AFWDF)算法。AFWDF算法依據數據在時間上的相關性,建立預測模型。源節(jié)點與簇頭利用前期監(jiān)測數據的變化態(tài)勢自適應調整預測模型參數對后期數據進行預測,源節(jié)點通過預測值與測量值比較提取特征值和剔除異常值,簇頭根據特征值和預測值還原監(jiān)測值,并計算監(jiān)測值可信度和權重進行加權數據融合。通過性能分析及仿真,得出AFWDF可靠性較高,且在模擬環(huán)境下網絡壽命周期比SAEMDA和BPNDA算法提高了15%左右。

無線傳感器網絡;數據融合;自適應預測模型;環(huán)境監(jiān)測;可信度

無線傳感網絡WSN(Wireless Sensor Network)由大量的無線傳感器節(jié)點及少數匯聚節(jié)點組成,具有感知、計算和無線通信能力,可用于各種環(huán)境監(jiān)測領域[1-2],能夠實時動態(tài)的進行數據采集分析,有效的對環(huán)境參數進行監(jiān)測預警。由于傳感器節(jié)點一般隨機布設,且單個節(jié)點監(jiān)測范圍受限,為增加監(jiān)測數據的魯棒性和可靠性,要使多個節(jié)點監(jiān)測范圍部分重疊,這勢必造成了監(jiān)測數據的冗余[3],而WSN能量、存儲、通信帶寬等資源非常有限[4-5],為保證WSN能夠長期有效運行,必須盡量降低其運行能耗。且傳感器屬于靈敏元件,在外界環(huán)境的干擾下很容易得到不可靠數據。為了增加可靠性和通信效率、降低能耗來提高節(jié)點以及整個網絡壽命,需對數據進行融合處理。

如何增加數據可靠性及延長網絡壽命是WSN中的一個關鍵問題[6-10],文獻[8]提出使用信息熵反映節(jié)點數據分布的統(tǒng)計特性,最大尋優(yōu)確定數據融合上下限閥值進行局部融合、實現冗余數據過濾,但其融合率低,融合度受到熵值的限制,節(jié)能有限;文獻[9]從驅動事件出發(fā),使用BP神經網絡(BPNDA)對數據融合,動態(tài)訓練樣本信息,提取特征值,但該算法在不含標簽信息時將無法訓練,且事件驅動訓練成本較高;文獻[10]基于深度學習模型(SAEMDA)采用自動編碼器簇內構建特征提取分類模型,克服了傳統(tǒng)訓練方法的不足,一定程度上減少了數據轉發(fā)能耗。以上算法對數據的可靠性分析較少,單純的以數據為中心融合,容易產生不可靠融合數據,且目前由于能耗的限制,WSN生命周期還較短,為最大限度延長網絡生命周期及提高數據可靠性,本文使用自適應預測模型在源節(jié)點即提取數據特征值來判斷數據可靠性,并發(fā)送可靠數據特征值至融合簇頭,簇頭還原原始數據并以數據可信度進行加權融合,在保證數據的可靠性的基礎上大大降低了通信能耗。

1 自適應預測模型

監(jiān)測節(jié)點布設完成后,通過分簇機制自行分簇,選取簇頭節(jié)點,在此采用經典的LEACH[11]分簇模型。假設源(S)節(jié)點通過定位ID位置已知,初始狀態(tài)S節(jié)點數據集合為空,當監(jiān)控中心給S節(jié)點下達監(jiān)測指令,開始收集數據。若簇內有n個S節(jié)點,設為Si(i為1,2,3…n),Si監(jiān)測時間序列數據集合為{dij},j為時間序列(j為1,2,3…)。在WSN中節(jié)點采集的數據之間在時間上存在著相關性,即后一時刻的數據和前期的監(jiān)測數據有關,且時間越接近相關性越大,故可通過前期數據來預測后一時刻數據,建立時間預測模型,通過預測值與測量值求取特征值與可信度來加權融合監(jiān)測數據。

預測及融合流程如圖1所示。

圖1 AFDWF數據融合流程

1.1 預測模型的建立

WSN的監(jiān)測是一個實時在線過程,數據之間存在一定的連貫性。如果在無強烈的外力的干擾下,如人為干擾產生異常值或者環(huán)境突變而發(fā)生的監(jiān)測數據急劇增加或降低,相鄰的監(jiān)測數據不會產生劇烈的變化。結合預測模型理論,可用如下平滑預測模型進行預測,如式(1)所示[12]:

(1)

(2)

(3)

外界壞境的變化會使數據擁有不同的變化趨勢,為增加預測的準確性,αij需進行進自適應調整。

1.2 異常值檢測機制

由于監(jiān)測數據之間具有相關性,且相鄰兩監(jiān)測數據之間差距較小,預測值趨近于前期數據,可以認為預測值趨近于真實值,當測量值和預測值發(fā)生較大誤差時,則用如下機制確定。

1.3 自適應線性變化趨勢系數αij

2 自適應預測加權數據融合算法

自適應預測加權數據融合算法AFDWF(AdaptiveForecastWeightingDateFusion)是在自適應預測模型的基礎上,通過預測值與監(jiān)測值的比較,提取特征值,特征值數據比源監(jiān)測數據小的多,根據特征值排除異常值,并可得出監(jiān)測值的可信度,進而根據可信度算出權重,依據權重最終對監(jiān)測數據進行融合的一種算法。

2.1 監(jiān)測數據可信度

λi(j+1)=(2.58σ-|ηi(j+1)|)/(2.58σ)

(4)

化簡得

λi(j+1)=1-|ηi(j+1)|/(2.58σ)

(5)

2.2 加權融合

其中權重q計算公式如下

則最終融合值dj+1如式(6)所示。

(6)

3 算法性能分析及仿真

3.1 可靠性分析

3.1.1 預測模型分析

本實驗采用美國InspectorALERTV2多功能輻射測氡儀采集了兩組某鈾尾礦庫內兩個不同時間段的同一區(qū)域各節(jié)點連續(xù)時期γ射線輻射劑量率(單位μSv/hr)樣本數據,分別設為節(jié)點S1、S2時間段,在此把同一時期的各節(jié)點樣本數據做均值處理,分別使用上述平滑預測型模型進行預測,即

圖2為此兩時間段測量與預測均值比較。

圖2 S1、S2時間段節(jié)點平均測量值與預測值

選取實驗樣本測得2.58σ=0.075,測量值與預測值在S1時間段有最大相對誤差εmax

=0.043×100%=6.06%

兩組實驗測量值與預測值平均相對誤差為

3.1.2 AFWDF可靠性分析

3.2 算法能耗分析

數據融合算法的優(yōu)良除了需考慮數據可靠性外,另外一個最重要的因素是系統(tǒng)和節(jié)點的網絡壽命,節(jié)點的能量消耗主要分為兩個部分,信號收發(fā)(通信)和信號處理,研究表明[13]通信能耗遠遠大于信號處理能耗,故減少收發(fā)數據包的大小能夠有效的減少節(jié)點的能量消耗,節(jié)點能量消耗(Econ)模型可用式(7)表示。

Econ=k1Erec+k2Esend(d,εmp)+k3Etrans+Ecollect

(7)

式中:k1、k2和k3分別為節(jié)點接收、發(fā)送和處理數據包的大小,Erec和Esend分別為節(jié)點接收、發(fā)送和處理1bit的數據包消耗的能量(在環(huán)境一定的情況下為定值),其中Esend和發(fā)送距離d和多徑衰落系數εmp有關,且Etrans?Esend& Erec,Ecollect為節(jié)點數據采集能耗(指定能耗,在此假設為一固定值)。

AFWDF算法運用LEACH協(xié)議對網絡節(jié)點進行分簇。若網絡數據未融合,即源節(jié)點數據包直接經過簇頭發(fā)送給匯聚節(jié)點,設每個節(jié)點數據包大小相同且都為k,則一個簇其除去數據采集所需能耗之外的網絡能耗為E1=nk(2Esend+Erec+Etrans)。通過AFWDF算法融合之后,其網絡能耗為E2=nk[(ρ1+ρ2)Esend+ρ1Erec]+ρ3nkEtrans,其中n為簇內源節(jié)點數量,ρ1為特征值提取數據包壓縮系數(0<ρ1<1),如表3所示,特征值的數據遠遠小于源采集數據,即0<ρ1?1;ρ2為簇頭數據包壓縮系數(0<ρ2<1),且ρ2≈1/n;ρ3為數據處理倍增系數。

假設Erec=(3/4)Esend,Etrans=(1/1000)Esend,ρ1=0.1,ρ2=0.1,ρ3=10。則E2≈0.1E1,融合后節(jié)點能耗顯著降低。

3.3 網絡仿真對比

為了更好的分析AFWDF算法的性能,在此通過仿真對AFWDF算法與BPNDA算法和SAEMDA算法的網絡消耗和壽命進行簡化比較。為了保持仿真環(huán)境的近似性,采用同種通信能耗模型和LEACH分簇協(xié)議,設置在100m×100m平面區(qū)域中,設置初始化參數如表1所示,布設50個節(jié)點。在此使用簡化能耗模型,即不考慮通信距離、通信多徑衰落、等因素的影響,直接以定值Erec、Etrans、Esend和數據包長度來模擬,20s計算一次網絡能耗。

表1 仿真參數設置

由圖3可以看出,在600輪之前AFWDF的匯聚節(jié)點收包率稍低于SAEMDA和BPNDA,600輪之后SAEMDA和BPNDA下降趨勢明顯,至700輪左右下降至低于AFWDF,1100輪左右收包率趨于零,而AFWDF下降趨勢相對于SAEMDA和BPNDA較慢,壽命相對增加15%左右。這是因為:AFWDF是由簇頭高度融合的數據,其相對于其余兩種算法的數據融合率較高,且能夠剔除異常數據,相應的減少了信息通信量,網絡能耗低;3種算法工作一段時間后出現死亡節(jié)點或無效節(jié)點,使匯聚節(jié)點接收數據量減少,降低了收包率。

圖3 匯聚節(jié)點收包率與實驗輪數的關系

圖4 平均節(jié)點能量與實驗時間的關系

算法平均節(jié)點能量對比如圖4所示,在相同的實驗時間下,AFWDF明顯比SAEMDA和BPNDA平均節(jié)點能量多,而SAEMDA與BPNDA差距不大。與SAEMDA和BPNDA算法相比,AFWDF算法相對簡單,利用預測減少了數據樣本訓練的損耗,降低了傳輸至簇頭數據包的大小,同時在簇頭的加權高度融合下,進一步降低了通信量,即明顯降低了平攤到單節(jié)點的能耗。

4 結束語

AFWDF算法依據數據在時間上的相關性,提出在源節(jié)點及簇頭同時使用自適應型預測模型進行預測分析,利用監(jiān)測數據的變化態(tài)勢動態(tài)調整預測模型的參數,源節(jié)點通過對預測值和測量值的比較提取特征值并排除異常值,簇頭求取監(jiān)測值可信度及權重對監(jiān)測數據進行融合。AFWDF算法屬于高度融合型算法,信息提取度較高,降低了數據傳輸能耗,能夠有效的延長網絡的整體壽命。同時,由于預測模型監(jiān)測數據需建立在相近時間段的條件下,AFWDF只適用于動態(tài)實時在線監(jiān)測系統(tǒng)。對于數據監(jiān)測間隔時間較長,時間相關性很小的監(jiān)測系統(tǒng),預測模型有待進一步研究。

[1] Md Azharuddin,Prasanta KJana. A Distributed Algorithm for Energy Efficient and Fault Tolerant Routing in Wireless Sensor Networks[J]. Wireless Networks,2015,21(1):251-267.

[2] 余修武,范飛生,李睿,等. 基于接受信號強度分區(qū)礦山無線定位算法[J]. 中國安全生產科學技術,2015,11(9):70-75.

[3] Azlan Awang,Shobhit Agarwal. Data Aggregation Using Dynamic Selection of Aggregation Points Based on RSSI for Wireless Sensor Networks[J]. Wireless Personal Communications,2015,80(2):611-633.

[4] Arafat A A Shabaneh,Azizi Mohd Ali,Chee Kyun Ng,et al. Review of Energy Conservation Using Duty Cycling Schemes for IEEE 802.15.4 Wireless Sensor Network(WSN)[J]. Wireless Personal Communications,2014,77(1):589-604.

[5] Azlan Awang,Shobhit Agarwal. Data Aggregation Using Dynamic Selection of Aggregation Points Based on RSSI for Wireless Sensor Networks[J]. Wireless Personal Communications,2015,80(2):611- 633.

[6] Tarek Sheltami. An Enhanced Energy Saving Approach for WSNs[J]. Procedia Computer Science,2013,21:199-206.

[7] Pinghui Zou,Yun Lin. A Data-Aggregation Scheme for WSN Based on Optimal Weight Allocation[J]. Journal of Networks,2014,9(1):100-107.

[8] 李懷俊,張學習. 基于二維信息熵的無線傳感器網絡簇內數據融合方法的研究[J]. 計算機應用研究,2014,31(7):2171-2174.

[9] 侯鑫,張東文,鐘鳴. 基于事件驅動和神經網絡的無線傳感器網絡數據融合算法研究[J]. 傳感器技術學報,2014,27(1):142-148.

[10] 邱麗達,劉天健,林南,等. 基于深度學習模型的無線傳感器網絡數據融合算法[J]. 傳感技術學報,2014,27(12):1704-1709.

[11] Lee S,Sriram K,Kim K,et al,Vertical Hand off Decision Algorithms for Providing Optimized Performance in Heterogeneous Wireless Networks[J]. IEEE Trans on Vehicular Technology,2009,58(2):865-881.

[12] 魯慶,穆志純. 多層線性模型在碳鋼土壤腐蝕規(guī)律中的應用研究[J]. 北京科技大學學報,2013,35(11):1458-1464.

[13] Min R,Bhardwaj M,Seonghwan Cho et al.Energy-Centric Enabling Technologies for Wireless Sensor Networks[J]. IEEE Wireless Communications.2002,9(4):28-29.

Adaptive Forecast Weighting Data Fusion Algorithm for Wireless Sensor Network*

YU Xiuwu1,2*,FAN Feisheng1,ZHOU Lixing1,2,ZHANG Feng1,2

(1.Environmental Protection and Safety Engineering Institute,University of South China,Hengyang Hu’nan 421001,China; 2.The State Key Laboratory of Safety and Health for Metal Mines,Maanshan Anhui 243000,China)

In order to improve the reliability and extend lifetime of wireless sensor network(WSN)monitoring system,an adaptive forecast weighting data fusion(AFWDF)algorithm based on clustering is proposed.AFWDF builds a forecast model based on the temporal correlation of data.The source node and the cluster head adaptively adjust the prediction model parameters by using the change trend of the early monitoring data to predict the later data.The source node extracts the eigenvalues and eliminates the abnormal values by comparing the predicted values with the measured values. The cluster head restores the monitored values and calculates the reliability and weight of the monitored values to fuse the them.Through the performance analysis and simulation,it is concluded that the AFWDF algorithm has high reliability,and the network life cycle is about 15% higher than SAEMDA and BPNDA in the simulation environment.

wireless sensor network;data fusion;adaptive forecast model;environmental monitoring;reliability

余修武(1976-),男,江西九江人,博士,副教授,主要研究方向為安全智能監(jiān)測預警技術,安全科學技術,1248575964@qq.c om;

范飛生(1990-),男,江西上饒人,碩士研究生,主要研究方向為無線傳感器網絡數據處理,1098471222@qq.com;

周利興(1993-),男,山西朔州人,碩士研究生,主要研究方向為無線定位技術;

張 楓(1993-),女,湖南邵陽人,碩士研究生,主要研究方向為,無線傳感器數據融合技術。

項目來源:金屬礦山安全與健康國家重點實驗室開放基金項目(2016JSKSSYS04);湖南省重點研發(fā)項目(2015SK2005);湖南省教育廳科研重點項目(15A161);江西省自然科學基金項目(20122BAB201050)

2016-09-08 修改日期:2017-01-11

TP393

A

1004-1699(2017)05-0772-05

C:7230

10.3969/j.issn.1004-1699.2017.05.023