通信網絡節點鄰居探測數據多目標融合仿真

王寶祥，李莉杰

(河南大學民生學院，河南 開封 475001)

1 引言

通信網絡[1]是根據許多個功能類似的小傳感器節點組成的網絡框架，它可以自行組織，且有著運行速度快、成本低、可靠性以及魯棒性好的優點，在此之上它還可以隨節點位置變化，當局部節點失效后，整個網絡節點系統依然可以正常運行，沒有對整體系統有著破壞性影響。多目標數據融合作為一種獨特的數據處理方法，在研究目標識別以及軌跡數據跟蹤領域得到了較為重視的發展，同時也面臨融合過程干擾因素多、計算復雜效率低法問題，在現下網絡信息發達的環境下，不同種類檢測數據設備的功能也不斷增多，監測到的數據信息也變得復雜多變。進而導致了多目標融合[2]作為一種特殊數據處理手段引起了各領域研究人員的重視。

在對目標探測的過程中，一個通信網絡子節點需要對其特征提權，但多數情況下單個節點收集的數據并不完整，還會進一步影響采集信息的有效性和可靠性，使系統穩定性大幅度下降。反之用多個相鄰節點對目標進行同時提取，可整獲得全部的目標信息數據，利于提升整體有效性，大幅度降低后續處理的失誤率。

在對目標進行數據融合時，最重要的是判斷不同節點輸入的是否是同一目標數據，通常使用自動識別系統(AIS)信息方法或基于自適應ABC/FOA融合定位算法來分辨。

賀豐收等人[3]提出了一種基于船載自動識別系統(AIS)信息的雷達航跡融合方法.根據AIS測量值和雷達的測量噪聲等級確定融合系數，保證融合數據的合理性;使用融合后的航跡對雷達測量值作雙波門的數據關聯處理，優化數據關聯方法，提高源于目標測量值的置信度，降低虛警和雜波的影響，進一步提高航跡的穩健性和跟蹤精度;徐同偉等人[4]提出了一種基于自適應ABC/FOA融合定位算法.該算法既吸收了ABC算法的全局尋優能力強的優點，又保留了FOA算法局部搜索能力強的特點;同時，引入自適應概念，對果蠅步長進行控制，提高種群多樣性;接下來，對節點定位誤差函數進行改進，提高了節點定位誤差的區分度。

但上述方法未對數據進行預處理，導致融合效率低。因此，提出通信網絡節點鄰居探測數據多目標融合方法。

2 通信網絡節點結構

通信網絡整體結構是用許多個無線傳感終端節點設備以及監控構成，網絡節點主要負責執行數據收集、預處理信息等指令。

傳感網絡節點可以看做是一個簡單的微小型嵌入式平臺，并主要由數據收集模塊、信息預處理模塊、無線通信以及電源，這4個部分組成的。數據收集模塊主要負責接受指令信息，且把收集后的信號轉換為數字信號，傳送到信息預處理模塊；信息預處理模塊負責將數據收集模塊的信息進行處理，且負責著整體節點控制、管理等工作；無線通信模塊則負責與其它鄰居節點進行通信，互換彼此的信息并完成地接收發送數據。

為了能夠擴展節點數據存儲空間，提高后續部分的處理效率，本文將數據收集模塊單獨放出來，做成兩塊能相互套接的可擴展主板。其結構如圖1所示。

圖1 網絡節點結構圖

3 節點鄰居探測數據多目標融合

3.1 數據預處理

3.1.1 數據灰關聯度

為了證明數據具有的有效可比性，在進行灰關聯[5]的過程中，需要針對不同的目標特征向量進行重新生成處理。

(k=1，2，…，n，j=1，2，…，n2)

(1)

參考的序列X0(k)與比較序列Xj(k)的關聯系數

δj(k)=

(2)

記Δj(k)=|X0(K)-Xj(K)|，則

(3)

δj(k)={δj(k)，k=1，2，…，n}

(4)

把每一個比較序列中的相關不同指標關聯系數[7]全部都呈現在一個數據值上，此步驟是因為方便進行比較，該閾值被普遍成為灰關聯度。兩個序列的灰度關聯度可以描述為

(5)

(6)

3.1.2 灰關聯準則

在算出表達軌跡數據接近程度的關聯度后，下一步驟是根據關聯度來判定這兩個目標之間的相關性。為了能夠可以有效的判定i(i∈U1)和j(j∈U2)，將會把關聯值排序，排序方法是根據數據值的大小，通過最大關聯度識別辦法，得到相對的關聯序列

(7)

為了能夠更加有效的制約軌跡數據關聯[8]檢測的完結和終止，將可以進一步導入軌跡數據質量mil(l)。假設在l時判定軌跡數據i(i∈U1)j(j∈U2)是相互關聯的，那么就有

mil·(l)=mil·(l-1)+1

(8)

否則：

mil·(l)=mil·(l-1)-1

(9)

其中mil·(0)=0。如果mil·(l)≥6，那么軌跡數據i和j*就是固定關聯的，且在后續檢驗中將會直接進行融合，不再進行關聯測試。

通信網絡節點依據接收到的目標信息進行相應提取處理，隨后就會得到觀測數據的特征向量[9]，結果可作為多目標融合的基礎。

在此之前，首先需要對目標進行識別，后再次將多個目標進行綜合處理以及數據關聯，這一步驟處理可有效提升該目標的估測和針對目標分類的精準度，最后經過估測和分類將會得到精準的目標識別結果。

根據不同的信息抽取程度，以及不同的信息輸入方式來看，多目標數據融合可以分成三大種類，分別是：數據融合、特征融合、決策融合[10]。

數據融合需要對每一個包含數據的節點進行監測，在提取基礎上融合，這種方法是一種小層次的融合；特征融合是在講所有特征參數值融合到一起之后，將會得到相對應的特征向量，屬于融合后的特征向量，該種方法屬于中層次的融合。

而決策層融合首先針對單個的傳感器進行關于特征提取，將會得到該目標的特征向量，再次針對每個不同的目標特征向量進行融合，這個層次的融合兼顧了上述提到的特征融合、數據融合的優點及缺陷，同時也有著比較大范圍的高層決策融合數據融合。任意的一個傳感器內包含的數據都會經過本身的處理模塊，對數據進行對應的處理工作，并且針對目標屬性有單獨的決策，經過決策判定出了身份，最后將其結果進行融合，融合后就會得到一個完整的決策結果，決策融合有著較好的容錯性、適應范圍廣等優點。

3.2 多目標融合實現

多目標數據融合是多層次方向的一種信息數據處理過程，在這個過程中針對多目標信息的多元數據進行相對應的檢測、互聯，在此基礎上需要確保狀態估計的準確定以及獲取完整的評估。此融合框架有三個中心內容：

首先：信息融合是根據多個信息來源、多個層次處理后的過程，在這其中每一個層次都會表達著不同的信息抽取程度；

其次：信息在融合的過程中，它包含了數據監測、關聯、估測與融合的程序；

最后：信息融合后的輸出包含了數據估測以及總評估。

根據融合的不同層次之分，即可將融合分成五個基本等級其中分別是：監測判定、數據位置合并、數據目標識別、數據態勢評測、威脅估測。上述五個等級中，前三個融合功能可以適用于任意的多目標數據融合系統，后兩個很少用。這是一種廣義的信息融合功能分級方法，但分層次后顯然會更加易于研究多目標數據融合。

節點在到相對應的獨立判定，既可完成變換，節點根據順序來融合鄰居節點的判定屬性。每個節點分別探測一個目標，并需要對該目標進行關于特征的識取，在識取之后把識別的特征向量進行合并融合。在進行特征融合的過程中，需要采用關聯處理，針對向量進行分類。因為特征向量在某種程度上來講，它具有龐大的數據差別量，所以為何位置融合在此過程中有著很大的作用。

將節點內包含的數據直接融合，在融合后對其進行特征識取與屬性判定。為了能夠更好的直接融合數據，在一定程度上該節點需要是相同的或者屬于同類別。

根據上述確保被融合的數據是直接與目標進行相對應的，需要在初始數據時就完成關聯。該方法和位置融合在根本上有著相似點，將接近信源的數據融合，將會得到較高的精確度，就是指數據融合的精確度要高于特征融合，決策融合的精確度是最差的。但數據融合僅僅適用于傳感器，應用范圍受限。

圖2 數據融合

多目標融合在根本上包括了狀態估側和融合協方差[11]兩部分，將數據進行關聯處理僅僅能夠表明，不同的數據將會有極大的可能是來源于同一個目標的，在此基礎上對已經關聯的軌跡數據進行合并，合并后產生軌跡數據系統，并且對融合后的軌跡數據協方差進行計算，以便于針對軌跡數據更新。

1) 軌跡數據融合

(10)

對應的系統誤差協方差為：

(11)

2)協方差加權軌跡數據融合

(12)

則dij的協方差矩陣

(13)

3)自適應軌跡數據融合

在目標融合的過程中，在一些情況下可以用簡單的融合方式，這種情況下也可能得到對應的結果。但在其中將會需要考慮到多種影響因素，需要既能夠達到硬性要求，也能夠完全考慮到計算量等條件。面對復雜情況下，計算量大，會浪費大量時間，并且繁瑣計算也會影響后續融合結果的精準度。因此在復雜情況下，采用自適應融合算法就比較簡單，因為該方法可以在一定程度上提高性價比。

4 仿真研究

仿真環境為Intel(R)Core(TM)i5-2520M處理器+4GB內存+Linux操作系統，用MATLAB實現本課題的所有分析模型。實驗設備如圖3所示。

圖3 實驗設備

為了能夠更好的驗證整體通信網絡節點多目標融合的穩定性、有效性，將使用不同的融合算法進行對比實驗，并對比分析其結果。融合實驗對比如表1所示。

表1 傳感器網絡節點融合對比圖

通過上表1對比后可知，多目標數據融合前后數值的變化差距，表中明顯的呈現出了數據融合后整體穩定性有了大幅度提升了，且針對數據零散性有了一定的整合情況。

隨著現在網絡信息技術的快速發展，同時也因為出現了更多的人為干擾因素，多目標融合的系統整體穩定性以及運行速度是現下需要面臨的主要問題。

根據圖4多目標融合數據對比圖來看，三種方法融合時間隨著融合目標數目的增多，融合時間隨之增加，在融合目標為160個時，文獻[3]方法融合時間為93s；文獻[4]方法融合時間為48s；而所提方法融合時間為21s，具有明顯的優勢。所提出的關于數據多目標融合方法，能夠在一定程度上讓網絡節點系統的運行速度更加平穩快速。

圖4 融合目標時間對比圖

為了進一步驗證融合精度，進行分仿真，實驗結果如圖5所示。

圖5 不同方法融合精度對比圖

如圖5所示，文獻[3]方法與文獻[4]方法融合精度較為相近，所提方法融合精度高于傳統方法，大致在75%左右，證明所提方法具有明顯優勢，符合實驗目的。

5 結論

本文提出通信網絡節點鄰居探測數據多目標融合仿真，通過對分析通信網絡鄰居節點結構，將數據收集模塊分割成兩個可套用的結構，擴大節點存儲空間，進一步提升后續融合效率。隨后根據融合灰關聯規則和協方差確定使用哪種方法融合。通過仿真結果得知：所提融合方法可大幅度提升通信網絡節點整體穩定性，同時進一步降低融合速度，具有高精準度和魯棒性。