基于人工智能的無線傳感器網絡數據融合算法比較研究

【摘 要】 數據融合技術作為無線傳感器網絡的核心技術，通過一定的算法處理原始數據，去除冗余信息，形成高質量的融合數據傳輸到匯聚節點，從而減少數據傳輸量，達到節省能量，延長網絡壽命，提高數據收集效率和準確度的目的。文中對近年來數據融合算法的研究現狀進行了全面深入分析，根據融合過程中采用的融合方法，將現有的無線傳感器網絡數據融合算法分為了基于估計方法、統計方法、信息論方法、人工智能方法四大類，本文針對人工智能算法從原理上進行了綜述，對其中涉及到的不同融合算法從性能、時延、復雜度以及能耗方面進行了詳細分析與比較。

【關鍵詞】 無線傳感器網絡 數據融合 能耗 網絡壽命

引 言

無線傳感器網絡是由大量傳感器節點組成的無線通信網絡[1]。在監測區域內隨機分布了N個傳感器節點，這些傳感器節點分為匯聚節點（sink節點或基站）和普通節點，該無線傳感器網絡能夠周期性的進行數據的采集處理[2]。sink節點位于監測區域外，能量可以補充。監測區域內的所有傳感器節點（普通節點）能量是相同的且能量有限不可補充。所有節點都能相互通信，也能與基站通信。WSN的網絡拓補結構如圖1所示。

傳感器節點小，能量非常有限，且后期難以補充[2]。在WSN中消耗能量分數據采集、數據傳輸、數據處理三部分，其中數據傳輸消耗的能量最多，因此降低數據傳輸消耗的能量是節能的關鍵。數據融合即通過一定的算法處理原始數據，去除冗余信息，形成高質量的融合數據傳輸到匯聚節點，從而減少數據傳輸量，達到節省能量，延長網絡壽命，提高數據收集效率和準確度的目的。構建合適的數據融合算法是消除冗余信息、節省網絡能耗、延長網絡周期的關鍵。

1 數據融合方法分類

在無線傳感器網絡中用到的數據融合算法有很多種，本文將數據融合算法大致分為四類：基于估計理論的數據融合、基于統計理論的數據融合、基于信息論的數據融合、基于人工智能的數據融合，分類如圖2所示。

2 基于人工智能的數據融合算法

2.1 基于模糊理論的數據融合

模糊理論是在美國加州大學伯克利分校電氣工程系的LAzadeh 教授于 1965 年創立的模糊集合理論的數學基礎上發展起來的，主要包括模糊集合理論、模糊邏輯、模糊推理和模糊控制等方面內容。模糊邏輯運用模糊集合的方法來研究模糊性思維、語言形式及其規律，故其適合處理不準確性以及不確定性的數據[3]。

文獻[4]提出利用模糊理論中的相關性函數計算節點間相互支持程度，對支持程度高的傳感器進行數據融合，并利用融合結果與服務質量期望篩選出冗余節點，使其進入休眠狀態。該方法能夠獲得更高的精度和可靠性，并能有效延長網絡生命周期。

文獻[5] 提出了一種基于模糊的數據融合方法的WSN，通過傳感器節點中嵌入的二型模糊邏輯系統對待發送的數據分配權重，簇頭進行區分和聚合所收集的數據的真值后在報送到基站，從而減少在基站（BS）處理整個數據的負擔。該方法能夠它還能夠消除冗余數據，從而減少能量消耗，從而增加網絡壽命。

2.2 基于神經網絡的數據融合

神經網絡（Neural Networks， NNs），是由大量簡單的處理單元（神經元）組成的非線性自適應自組織系統，具有極強的非線性逼近、大規模并行處理、自訓練學習、自組織和容錯能力等優點[6，7]。

文獻[8]將BP神經網絡和傳感器網絡分簇路由協議進行結合，提出了基于神經網絡的數據融合算法（ BPNDA，Back- Propagation Networks Data Aggregation）。每個簇就是一個神經網絡模型，在網絡中提取少量特征數據后發送至匯聚節點，從而提高數據收集效率，減少了網絡通信量，延長網絡生存時間。文獻中未給出在缺乏缺乏訓練集合情況下的實現方案。

文獻[9] 為了降低無線傳感器網絡的通信量，降低能耗，延長網絡的生命周期。提出了一種基于SOFM（Self-Organizing Feature Mapping）神經網絡的數據融合算法（SOFMDA），該算法將自組織映射神經網絡和無線傳感器網絡分簇路由協議相結合，使簇中的各個節點完成神經元的工作，按照數據的特征對其進行分類，提取同類數據的特征，將特征數據發送到匯聚節點，從而減少了數據發送量，延長網絡的生命期。

文獻[10]為了解決BP 神經網絡收斂慢、易陷入局部最優值且泛化能力差從而影響數據融合效果的問題，提出一種將深度學習技術與分簇協議相結合的數據融合算法AESMDA。SAESMDA 用基于層疊自動編碼器（ SAE） 的深度學習模型SAESM 取代 BP 神經網絡，算法首先在匯聚節點訓練 SAESM 并對網絡分簇，接著各簇節點通過 SAESM 對采集數據進行特征提取，之后由簇首將分類融合后的特征發送至匯聚節點。在網絡能耗大致相同的情況下具有更高的特征提取分類正確率。

2.3 基于遺傳算法的數據融合

遺傳算法（Genetic Algorithm）是受進化論的啟發提出的模擬生物進化過程的計算模型。其自適應和群體進化能力適合求解大規模復雜優化問題。求解過程中無需求出最優解，只需淘汰最差個體。因此遺傳算法適用于搜索空間較大且對結果準確性要求不高的應用中[11]。

文獻[12]結合遺傳算法全局搜索和模擬退火算法局部搜索的優點，提出一種模擬退火遺傳算法的WSN數據融合方法（SA-GA）。采用模擬退火遺傳算法快速找到移動代理路由最優傳感器節點序列，并實現數據融合。SA-GA更能快速找到全局最優數據融合節點序列，并對數據進行有效融合，具有更小的網絡能耗和網絡延時。

文獻[13]基于遺傳算法中的分類器系統，提出遺傳機器學習算法（Genetic Machine Learning Al-gorithm， GMLA）。該算法通過動態的調整傳感器節點把數據發送到基站的概率，來提高數據融合的質量，并減少了數據傳輸量，節約網絡能耗。但該方案適用于高密度的傳感器網絡，對發送率低的網絡則效果不夠明顯，且存在一定數據延遲。

2.4 基于人工智能的數據融合算法比較

人工智能算法因為其自組織、自適應、自學習的方式使其適合于大規模復雜化問題，能通過一定的先驗知識與規律，有效的對數據進行訓練及預測，被廣泛應用于無線傳感器網絡問題的處理。表1對論文中涉及的算法進行了整體的比較。

3.總結

由于傳感器節點分布的隨機性及相鄰節點監測數據的相似性，導致無線傳感器網絡監測數據的冗余性。而無線傳感器網絡數據融合即通過多層次、多方面的特征提取將時間與空間上的互補與冗余信息依照某種優化準則重新組合起來。用以提升數據可信度以及有效性、節省通信帶寬及提高網絡生命周期。

【參考文獻】

[1] Lin Y H，Chang S Y，Sun H M. CDAMA：Concealed data aggregation scheme for multiple applications in wireless sensor[J].IEEE Transactions on Knowledge and Data Engineering，2013，25（7）：417-483.

[2] 王麗紅，于光華，劉平.無線傳感器網絡LEACH算法的改進研究[J].齊齊哈爾大學學報（自然科學版）， 2018，（2）：6-8.

[3] X Zhai， H Jing， T Vladimirova. Multi-sensor data fusion in Wireless Sensor Networks for Planetary Exploration[j]. Adaptive Hardware & Systems， 2014： 188-195.

[4] 竇桂琴，萬潤澤.張興艷基于模糊理論的無線傳感器網絡數據融合算法[J]，微電子學與計算機，2012，29（9）：133-136

[5] D Izadi， JH Abawajy， S Ghanavati， et al. A Data Fusion Method in Wireless Sensor Networks. Sensors 2015， 15， 2964-2979.

[6] DF Larios， J Barbancho，et al. Energy efficient wireless sensor network communications based on computa-tional intelligent data fusion for environmental monitoring[J]. Communications Iet， 2012， 6（14）： 2189-2197.

[7] X Luo， XH Chang. A Novel Data Fusion Scheme using Grey Model and Extreme Learning Machine in Wireless Sensor Networks[J]. International Journal of Control， Automation， and Systems， 2015， 13（3）： 539-546.

[8] 孫凌逸， 黃先祥， 蔡偉等.基于神經網絡的無線傳感器網絡數據融合算法.傳感技術學報， 2011， 24（1）： 122-127.

[9] 楊永健，劉帥.基于SOFM神經網絡的無線傳感器網絡數據融合算法.傳感技術學報， 2013， 26（12）： 1757-1763.

[10] 邱立達，劉天鍵，傅 平. 基于深度學習的無線傳感器網絡數據融合[J].計算機應用研究，2016，33（1）：185-189.

[11] O Islam， S Hussain， H Zhang. Genetic algorithm for data aggregation trees in wireless sensor networks. Intelligent Environments， 2007， 43（20）： 312-316.

[12] 張揚，楊松濤，張香芝.一種模擬退火遺傳算法的傳感器網絡數據融合技術研究[J].計算機應用研究，2012，（5）：1860-1862.

[13] AR Pinto， C Montez， G Araújo， et al. An approach to imple-ment data fusion techniques in wireless sensor networks us-ing genetic machine learning algorithms[J]. Information Fusion， 2014， 15（1）： 90-101.

作者簡介：王麗紅（1983—），女，漢族，內蒙古赤峰，講師，碩士，工作單位：黑河學院，研究方向：無線傳感器網絡、算法研究。