一種提高無線傳感器網(wǎng)絡(luò)能量利用率和服務(wù)性能的數(shù)據(jù)融合算法
【專利摘要】本發(fā)明公開了一種提高無線傳感器網(wǎng)絡(luò)能量利用率和服務(wù)性能的數(shù)據(jù)融合算法，屬于無線通信技術(shù)領(lǐng)域，步驟如下：首先，在監(jiān)測區(qū)域內(nèi)搭建無線傳感器網(wǎng)絡(luò)，并采用經(jīng)典分簇算法LEACH對無線傳感器網(wǎng)絡(luò)進(jìn)行分簇；然后，簇內(nèi)的成員節(jié)點(diǎn)將感應(yīng)采集到的數(shù)據(jù)發(fā)送給簇頭節(jié)點(diǎn)后，簇頭節(jié)點(diǎn)將所有接收到的數(shù)據(jù)和自身采集到的數(shù)據(jù)發(fā)送給匯聚節(jié)點(diǎn)；匯聚節(jié)點(diǎn)抽取部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)參數(shù)值；最后，匯聚節(jié)點(diǎn)構(gòu)建神經(jīng)網(wǎng)絡(luò)并對各傳感器節(jié)點(diǎn)所采集的數(shù)據(jù)信息進(jìn)行數(shù)據(jù)融合驗(yàn)證。優(yōu)點(diǎn)在于：大大降低了無線傳感器網(wǎng)絡(luò)內(nèi)的數(shù)據(jù)通信量，節(jié)約網(wǎng)絡(luò)能耗，從而，既可以保證數(shù)據(jù)采集的準(zhǔn)確性需求又可以提升網(wǎng)絡(luò)的生命周期。
【專利說明】
一種提高無線傳感器網(wǎng)絡(luò)能量利用率和服務(wù)性能的數(shù)據(jù)融合 算法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于無線通信技術(shù)領(lǐng)域，具體是一種提高無線傳感器網(wǎng)絡(luò)能量利用率和服 務(wù)性能的數(shù)據(jù)融合算法。
【背景技術(shù)】
[0002] 21世紀(jì)以來，隨著微機(jī)電系統(tǒng)、處理器、數(shù)據(jù)存儲(chǔ)及無線通信技術(shù)的日新月異，無 線傳感器網(wǎng)絡(luò)作為一種新型的數(shù)據(jù)采集網(wǎng)絡(luò)應(yīng)運(yùn)而生，通過將一定區(qū)域內(nèi)的傳感器節(jié)點(diǎn)通 過無線網(wǎng)絡(luò)聯(lián)結(jié)起來，形成一個(gè)統(tǒng)一的信息采集與管理系統(tǒng)。無線傳感器網(wǎng)絡(luò)憑借其小尺 寸、低成本、低功耗、多功能諸多優(yōu)越特性，越來越被人們所重視，在不同場景和條件下得到 了廣泛的應(yīng)用。由于無線傳感器網(wǎng)絡(luò)把采集到的數(shù)據(jù)信息通過數(shù)據(jù)傳輸網(wǎng)絡(luò)呈現(xiàn)在人們面 前，將人與自然界聯(lián)系到一起，從而大大拓展了人們從自然界獲取信息的能力，從而在軍事 國防、農(nóng)業(yè)生產(chǎn)、工業(yè)控制、城市管理、環(huán)境監(jiān)測、搶險(xiǎn)救災(zāi)等許多重要領(lǐng)域都得到了廣泛應(yīng) 用且成效顯著，因此得到了世界各個(gè)國家的高度重視，并獲得了快速的發(fā)展。
[0003]在無線傳感器網(wǎng)絡(luò)中，成百上千個(gè)傳感器節(jié)點(diǎn)被部署在需要檢測的區(qū)域中，節(jié)點(diǎn) 以自組織的形式構(gòu)成網(wǎng)絡(luò)，每個(gè)傳感器節(jié)點(diǎn)周期性的向基站或周圍其他傳感器節(jié)點(diǎn)發(fā)送自 身采集到的信息。由于傳感器節(jié)點(diǎn)自身體積較小，能夠攜帶的能源非常有限，一般都是采用 電池供電。無線傳感器網(wǎng)絡(luò)監(jiān)測的環(huán)境通常較為惡劣(例如沙漠、戰(zhàn)場、深海等），人員不易 到達(dá)，因此要給這些區(qū)域內(nèi)的傳感器節(jié)點(diǎn)更換電池是不太現(xiàn)實(shí)的。
[0004] 與此同時(shí)，無線傳感器網(wǎng)絡(luò)為了完成特定任務(wù)通常需要網(wǎng)絡(luò)中各節(jié)點(diǎn)之間協(xié)作， 因此保證整個(gè)網(wǎng)絡(luò)的能耗均衡對于保持網(wǎng)絡(luò)的連通性來說是非常重要的。如何降低網(wǎng)絡(luò)整 體的能量開銷并均衡網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)的能耗，延長網(wǎng)絡(luò)的生命周期是無線傳感器網(wǎng)絡(luò)中至 關(guān)重要的問題，也是該領(lǐng)域內(nèi)一個(gè)持久的研究熱點(diǎn)。
[0005] 無線傳感器網(wǎng)絡(luò)中關(guān)鍵的節(jié)能技術(shù)有:能量高效路由技術(shù)、數(shù)據(jù)融合技術(shù)、睡眠調(diào) 度以及功率控制技術(shù)。數(shù)據(jù)融合技術(shù)的目標(biāo)是將多個(gè)傳感器節(jié)點(diǎn)采集到的數(shù)據(jù)信息進(jìn)行壓 縮和去冗余，從而降低網(wǎng)內(nèi)通信數(shù)據(jù)量和網(wǎng)絡(luò)能耗。數(shù)據(jù)融合技術(shù)，是對信源給出的有用信 息的一個(gè)綜合、過濾、相關(guān)及合成的過程。
[0006] 數(shù)據(jù)融合技術(shù)作用如下：
[0007] (1)提高數(shù)據(jù)收集效率;數(shù)據(jù)融合技術(shù)能夠提高整個(gè)無線傳感器網(wǎng)絡(luò)的數(shù)據(jù)收集 效率，減少網(wǎng)絡(luò)的數(shù)據(jù)通信量，能夠有效地緩解網(wǎng)絡(luò)擁塞和數(shù)據(jù)包沖突的現(xiàn)象，從而降低網(wǎng) 內(nèi)數(shù)據(jù)傳輸?shù)难訒r(shí)，提升無線信道的利用率。
[0008] (2)降低網(wǎng)絡(luò)能耗;在無線傳感器網(wǎng)絡(luò)中，網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)通信所帶來的能量消耗占到 了網(wǎng)絡(luò)所有能耗的大部分。當(dāng)網(wǎng)絡(luò)應(yīng)用了數(shù)據(jù)融合技術(shù)之后，網(wǎng)絡(luò)內(nèi)的數(shù)據(jù)包傳輸量將會(huì) 得到極大的縮減，節(jié)點(diǎn)不必頻繁的發(fā)送數(shù)據(jù)，由于數(shù)據(jù)融合在處理的過程中帶來的能量開 銷僅為節(jié)點(diǎn)處理器計(jì)算和存取方面，相比節(jié)點(diǎn)通信能耗是要低得多。因此，在網(wǎng)絡(luò)中采用數(shù) 據(jù)融合算法能有效減少節(jié)點(diǎn)的數(shù)據(jù)通信量，從而降低網(wǎng)絡(luò)能耗；
[0009] (3)增強(qiáng)所收集數(shù)據(jù)的可靠性。傳感器節(jié)點(diǎn)自身體積通常較小，與此同時(shí)其中的傳 感器模塊的數(shù)據(jù)采集能力受到技術(shù)和成本的限制，單個(gè)節(jié)點(diǎn)的監(jiān)測范圍較小并且采集到的 信息精度一般較低，因此從單個(gè)節(jié)點(diǎn)獲取的數(shù)據(jù)可靠性較低。同時(shí)由于傳感器網(wǎng)絡(luò)中數(shù)據(jù) 通信是基于無線通信機(jī)制的，因此數(shù)據(jù)的傳送容易由于環(huán)境或者是其他原因受到干擾，從 而導(dǎo)致數(shù)據(jù)遭受破壞。另外，在傳感器網(wǎng)絡(luò)的實(shí)際應(yīng)用中節(jié)點(diǎn)可能由于各種原因死亡或無 法工作。為了使網(wǎng)絡(luò)滿足系統(tǒng)的性能需求，需要應(yīng)用多傳感器節(jié)點(diǎn)數(shù)據(jù)融合技術(shù)提高采集 信息的準(zhǔn)確程度和可信度。
[0010] 綜上可知，數(shù)據(jù)融合技術(shù)對于無線傳感器網(wǎng)絡(luò)節(jié)能的重要性不言而喻，根據(jù)系統(tǒng) 的實(shí)際需求選擇合適的數(shù)據(jù)融合算法，對網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)采集到的數(shù)據(jù)信息進(jìn)行處理是無線傳 感器網(wǎng)絡(luò)節(jié)能設(shè)計(jì)需要考慮的問題。
[0011] 無線傳感器網(wǎng)絡(luò)中多節(jié)點(diǎn)數(shù)據(jù)融合技術(shù)的應(yīng)用對于網(wǎng)絡(luò)的節(jié)能以及網(wǎng)絡(luò)的性能 優(yōu)化具有重要的意義。在基于分簇結(jié)構(gòu)的網(wǎng)絡(luò)中，數(shù)據(jù)融合技術(shù)一般應(yīng)用于簇內(nèi)的簇頭節(jié) 點(diǎn)中，簇頭節(jié)點(diǎn)將簇內(nèi)成員節(jié)點(diǎn)發(fā)送的數(shù)據(jù)信息壓縮和去冗余之后再發(fā)給匯聚節(jié)點(diǎn)或其他 傳感器節(jié)點(diǎn)。數(shù)據(jù)融合能夠消除簇內(nèi)傳感器節(jié)點(diǎn)所采集到的數(shù)據(jù)信息之間的冗余，有效的 降低網(wǎng)絡(luò)內(nèi)的數(shù)據(jù)傳輸量，從而減少網(wǎng)絡(luò)的能耗。
[0012]神經(jīng)網(wǎng)絡(luò)所具有的自學(xué)習(xí)、自組織、自適應(yīng)的能力以及良好的容錯(cuò)性非常適合處 理無線傳感器網(wǎng)絡(luò)中的復(fù)雜非線性映射問題。在傳感器網(wǎng)絡(luò)中，每個(gè)節(jié)點(diǎn)所感應(yīng)采集到的 數(shù)據(jù)信息都存在一定程度的不確定性，對于這些信息進(jìn)行融合的過程實(shí)際上是一個(gè)不確定 的推理過程。在應(yīng)用神經(jīng)網(wǎng)絡(luò)本身所具有的優(yōu)秀信息處理和自動(dòng)推導(dǎo)的能力的同時(shí)，通過 設(shè)計(jì)特定的學(xué)習(xí)算法，可以使得神經(jīng)網(wǎng)絡(luò)能夠獲取知識(shí)與不確定性推理機(jī)制以及對系統(tǒng)的 樣本進(jìn)行分類，從而實(shí)現(xiàn)網(wǎng)絡(luò)中的數(shù)據(jù)融合。
[0013] BPNDFA(Back Propagation Neural Network Data Fusion Algorithm)算法模型 是將無線傳感網(wǎng)絡(luò)的分簇結(jié)構(gòu)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，在簇內(nèi)利用BP神經(jīng)網(wǎng)絡(luò)對采集到的原 始數(shù)據(jù)進(jìn)行處理后再發(fā)送出去。因?yàn)锽PNDFA算法可以消除簇內(nèi)傳感器節(jié)點(diǎn)采集的數(shù)據(jù)信息 之間的冗余，降低網(wǎng)內(nèi)數(shù)據(jù)通信量，從而達(dá)到降低網(wǎng)絡(luò)能耗，提升網(wǎng)絡(luò)性能的目的。無線傳 感器網(wǎng)絡(luò)結(jié)構(gòu)由輸入層，輸出層和隱層構(gòu)成，其中隱層可以有多層，不過最常用的還是單隱 層的三層BP網(wǎng)絡(luò)。其中神經(jīng)網(wǎng)絡(luò)的輸入層位于簇成員節(jié)點(diǎn)中，而隱層和輸出層位于簇頭節(jié) 點(diǎn)中。在每個(gè)分簇結(jié)構(gòu)中，簇內(nèi)傳感器節(jié)點(diǎn)采集到大量的原始數(shù)據(jù)經(jīng)過預(yù)處理以后首先傳 送給簇頭節(jié)點(diǎn)，在簇頭節(jié)點(diǎn)內(nèi)部進(jìn)行數(shù)據(jù)處理后再發(fā)送給匯聚節(jié)點(diǎn)。BPNDFA算法就是在簇 內(nèi)傳感器節(jié)點(diǎn)與簇頭節(jié)點(diǎn)間利用BP神經(jīng)網(wǎng)絡(luò)算法來處理數(shù)據(jù)的。
[0014] BPNDFA算法可以很好的實(shí)現(xiàn)非線性映射，對于處理傳感器網(wǎng)絡(luò)中的非線性數(shù)據(jù)非 常適合包括其長期公平性和短期公平性;而且具有很強(qiáng)的容錯(cuò)性和很快的處理速度，并且 具有自學(xué)習(xí)的能力，泛化能力較強(qiáng)，能夠適用于不同應(yīng)用場景和需求的無線傳感器網(wǎng)絡(luò)。 [0015] BPNDFA算法的流程具體為：當(dāng)分簇網(wǎng)絡(luò)結(jié)構(gòu)得到確定后，開始對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行 訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是由信號的正向傳播與誤差的反向傳播兩個(gè)過程組成的，在正向 傳播時(shí)，輸入樣本信號從輸入層進(jìn)入網(wǎng)絡(luò)，通過隱層處理最后傳送給輸出層，如果輸出結(jié)果 與期望值不符，則把誤差進(jìn)行反向傳播，根據(jù)上面的權(quán)值調(diào)整系數(shù)調(diào)整權(quán)值的變化，直到網(wǎng) 絡(luò)輸出層的輸出結(jié)果滿足要求為止。
[0016] BPNDFA算法雖然具有眾多優(yōu)點(diǎn)，適合無線傳感器網(wǎng)絡(luò)，但是有時(shí)會(huì)存在訓(xùn)練速度 慢和陷入局部最優(yōu)無法收斂的問題。

【發(fā)明內(nèi)容】

[0017]本發(fā)明針對上述問題，為了適應(yīng)無線傳感器網(wǎng)絡(luò)中不同的應(yīng)用場景和系統(tǒng)需求， 提出了一種提高無線傳感器網(wǎng)絡(luò)能量利用率和服務(wù)性能的數(shù)據(jù)融合算法；
[0018] 具體步驟如下：
[0019] 步驟一、在監(jiān)測區(qū)域內(nèi)隨機(jī)分布N個(gè)無線傳感器節(jié)點(diǎn)，搭建無線傳感器網(wǎng)絡(luò)；
[0020] N為整數(shù);無線傳感器網(wǎng)絡(luò)包括一個(gè)匯聚節(jié)點(diǎn)和N個(gè)無線傳感器節(jié)點(diǎn)；
[0021 ]步驟二、采用經(jīng)典分簇算法LEACH對無線傳感器網(wǎng)絡(luò)進(jìn)行分簇；
[0022] N個(gè)無線傳感器節(jié)點(diǎn)分成若干個(gè)簇，每個(gè)簇均包括簇頭節(jié)點(diǎn)和成員節(jié)點(diǎn)；
[0023] 步驟三、簇內(nèi)的成員節(jié)點(diǎn)將感應(yīng)采集到的數(shù)據(jù)發(fā)送給簇頭節(jié)點(diǎn)后，簇頭節(jié)點(diǎn)將所 有接收到的數(shù)據(jù)和自身采集到的數(shù)據(jù)發(fā)送給匯聚節(jié)點(diǎn)；
[0024]簇內(nèi)成員節(jié)點(diǎn)與簇頭節(jié)點(diǎn)間利用RBF神經(jīng)網(wǎng)絡(luò)模型處理數(shù)據(jù);其中，成員節(jié)點(diǎn)作為 神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，簇頭節(jié)點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元和輸出層神經(jīng)元。
[0025] 步驟四、匯聚節(jié)點(diǎn)收到各個(gè)簇的數(shù)據(jù)后，抽取部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò) 模型進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)參數(shù)值；
[0026] 神經(jīng)網(wǎng)絡(luò)參數(shù)值包括隱層與輸出層的連接權(quán)值參數(shù)，以及隱層神經(jīng)元的徑向基函 數(shù)。以每個(gè)簇內(nèi)的簇頭節(jié)點(diǎn)和成員節(jié)點(diǎn)采集的數(shù)據(jù)作為一組樣本；
[0027]步驟401、對訓(xùn)練樣本采用模糊K-means聚類算法進(jìn)行聚類，并更新初始聚類中心 Ci；
[0028]訓(xùn)練樣本選用N個(gè)，選取的初始聚類中心Ci為h個(gè)，i = l, ...，h;對剩余的訓(xùn)練樣本 根據(jù)最小距離原則，進(jìn)行聚類，形成h個(gè)子類ai;
[0029]更新各聚類中心公式如下：
[0031 ] 其中，Si為第i個(gè)子類ai中的樣本數(shù)量，Si G N; xk為第i個(gè)子類ai中的樣本值，k = 1，? ? ?，Si ;
[0032]步驟402、針對某個(gè)聚類中心Cl，計(jì)算該聚類中心下的每個(gè)樣本屬于該聚類中心的 隸屬度：
[0034] U={uijG[0,l]|i = l,2,...,h,j = l,2,...,Si}
[0035] Xj表示聚類中心ci對應(yīng)的子類ai中的第j個(gè)樣本;Uij表示樣本xj與聚類中心ci的中 心隸屬度；I Ixj-Ci| I表示第j個(gè)樣本與第i個(gè)聚類中心之間的歐式距離；
[0036]步驟403、判斷Cl是否符合誤差范圍，如果是則進(jìn)入步驟404;否則根據(jù)樣本隸屬度 返回步驟401重新調(diào)整子類個(gè)數(shù)并繼續(xù)；
[0037]誤差范圍根據(jù)具體實(shí)施人為規(guī)定。
[0038]步驟404、根據(jù)聚類中心的隸屬度計(jì)算徑向基函數(shù)的方差，進(jìn)一步得到每個(gè)隱層神 經(jīng)元節(jié)點(diǎn)的輸出；
[0039]第i個(gè)隱層神經(jīng)元的徑向基函數(shù)方差〇i2公式如下：
[0041]根據(jù)聚類中心Cl和徑向基函數(shù)方差確定了徑向基函數(shù)和隱層神經(jīng)元的數(shù)量m; [0042]第i'（i'=l, . . .
,m)個(gè)隱層神經(jīng)元節(jié)點(diǎn)的輸出bi，（x)為：
[0044] 步驟405、根據(jù)每個(gè)隱層神經(jīng)元節(jié)點(diǎn)的輸出，計(jì)算整個(gè)神經(jīng)網(wǎng)絡(luò)的期望輸出y(x); m
[0045] .,r(xH 十沒
[0046] 0為神經(jīng)網(wǎng)絡(luò)輸出層的門限值，on，為隱層到輸出層的連接權(quán)重值，初始值為(〇，l) 之間的一個(gè)隨機(jī)數(shù)。
[0047] 步驟406、根據(jù)神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果與期望輸出結(jié)果，計(jì)算神經(jīng)網(wǎng)絡(luò)的目標(biāo)函 數(shù)E;
[0049] 其中_v(Xi)為神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果，y(xk)為神經(jīng)網(wǎng)絡(luò)的期望輸出。
[0050] 步驟407、采用梯度下降法對神經(jīng)網(wǎng)絡(luò)中隱層到輸出層的連接權(quán)重值進(jìn)行修正； [00511權(quán)值系數(shù)修正公式為：
[0053] n 為學(xué)習(xí)率，nG[0，i];
[0054] 權(quán)值的修正式為：
[0055] c〇i, - c〇i,+ A ?i'（i'=l，2，...，m)
[0056]步驟408、判斷目標(biāo)函數(shù)E的結(jié)果是否小于最大訓(xùn)練誤差e，如果是，修正后的權(quán)值 參數(shù)為訓(xùn)練結(jié)果;否則，返回步驟407繼續(xù)修正權(quán)值；
[0057]最大訓(xùn)練誤差e根據(jù)實(shí)際訓(xùn)練人為設(shè)置。
[0058]步驟五、匯聚節(jié)點(diǎn)將訓(xùn)練后得到的神經(jīng)網(wǎng)絡(luò)參數(shù)值發(fā)送給各簇構(gòu)建神經(jīng)網(wǎng)絡(luò)；
[0059] 步驟六、利用神經(jīng)網(wǎng)絡(luò)對無線傳感器網(wǎng)絡(luò)簇內(nèi)的各傳感器節(jié)點(diǎn)所采集的數(shù)據(jù)信息 進(jìn)行數(shù)據(jù)融合驗(yàn)證。
[0060] 本發(fā)明的優(yōu)點(diǎn)在于:一種提高無線傳感器網(wǎng)絡(luò)能量利用率和服務(wù)性能的數(shù)據(jù)融合 算法，通過將RBF神經(jīng)網(wǎng)絡(luò)引入到分簇?zé)o線傳感器網(wǎng)絡(luò)中，充分利用RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速 度快、精確度高以及適用性強(qiáng)等特性，大大降低了無線傳感器網(wǎng)絡(luò)內(nèi)的數(shù)據(jù)通信量，節(jié)約網(wǎng) 絡(luò)能耗，從而，既可以保證數(shù)據(jù)采集的準(zhǔn)確性需求又可以提升網(wǎng)絡(luò)的生命周期。
【附圖說明】
[0061] 圖1是本發(fā)明的分簇?zé)o線傳感器網(wǎng)絡(luò)結(jié)構(gòu)示意圖；
[0062] 圖2是本發(fā)明RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)示意圖；
[0063] 圖3是本發(fā)明采用的RBF神經(jīng)網(wǎng)絡(luò)中神經(jīng)元模型示意圖；
[0064] 圖4是本發(fā)明提高無線傳感器網(wǎng)絡(luò)能量利用率和服務(wù)性能的數(shù)據(jù)融合算法流程 圖；
[0065] 圖5是本發(fā)明匯聚節(jié)點(diǎn)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的方法流程圖；
[0066] 圖6是本發(fā)明實(shí)施例中無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)分布示意圖；
[0067] 圖7是本發(fā)明RBF神經(jīng)網(wǎng)絡(luò)計(jì)算值與實(shí)際值對比示意圖；
[0068] 圖8是本發(fā)明對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)的誤差收斂曲線示意圖；
[0069] 圖9是本發(fā)明隨輪數(shù)和時(shí)間的推移節(jié)點(diǎn)平均能量消耗的變化曲線圖；
[0070] 圖10是本發(fā)明兩種算法下存活節(jié)點(diǎn)數(shù)隨著網(wǎng)絡(luò)輪數(shù)推移的對比情況圖；
[0071 ]圖11是本發(fā)明匯聚節(jié)點(diǎn)接收到的數(shù)據(jù)包數(shù)目隨輪數(shù)時(shí)間的變化情況圖。 具體實(shí)施例
[0072]下面結(jié)合附圖，對本發(fā)明的具體實(shí)施方法進(jìn)行詳細(xì)說明。
[0073]本發(fā)明一種提高無線傳感器網(wǎng)絡(luò)能量利用率和服務(wù)性能的數(shù)據(jù)融合算法，是基于 RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法RBFNDFA，具有較強(qiáng)數(shù)據(jù)信息處理并且處理速度很快。
[0074] RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為三層，分別為輸入層、隱層和輸出層。輸入層直接與輸入矢 量的各個(gè)分量相連接，輸入層和隱層之間的權(quán)值為1，即輸入層不對輸入信息進(jìn)行處理，直 接發(fā)送給隱層神經(jīng)元。隱層神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的核心結(jié)構(gòu)，直接影響神經(jīng)網(wǎng)絡(luò)的信號處理 能力和性能，隱層神經(jīng)元的數(shù)量根據(jù)具體的應(yīng)用需求或是問題的需要而確定。隱層的輸入 和輸出之間是一種非線性映射的關(guān)系，通常采用的徑向基函數(shù)為高斯函數(shù)。隱層和輸出層 之間通過線性加權(quán)進(jìn)行連接，連接的權(quán)重值根據(jù)系統(tǒng)設(shè)計(jì)和問題的需要進(jìn)行調(diào)節(jié)，一般權(quán) 重值通過對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后確定。
[0075]本發(fā)明當(dāng)無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)布設(shè)完畢，網(wǎng)內(nèi)簇頭節(jié)點(diǎn)選舉完成，分簇結(jié)構(gòu)得以 確定后，簇頭節(jié)點(diǎn)將簇內(nèi)的信息發(fā)送給匯聚節(jié)點(diǎn)，匯聚節(jié)點(diǎn)收到網(wǎng)內(nèi)各個(gè)簇的信息之后開 始對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。確定隱層單元的徑向基函數(shù)以及調(diào)整隱層到輸出層的權(quán)重值，直至網(wǎng) 絡(luò)輸出層的輸出結(jié)果達(dá)到事先規(guī)定的要求為止。由于考慮到在整個(gè)網(wǎng)絡(luò)內(nèi)進(jìn)行訓(xùn)練的話會(huì) 消耗節(jié)點(diǎn)的部分能量，為了最大限度的降低網(wǎng)絡(luò)能耗同時(shí)便于仿真驗(yàn)證階段的比較，對網(wǎng) 絡(luò)樣本值的訓(xùn)練，基函數(shù)及輸出層權(quán)重值的生成都在匯聚節(jié)點(diǎn)內(nèi)完成;本發(fā)明采用自組織 選取中心的方法確定基函數(shù)的中心，并采用梯度下降法對網(wǎng)絡(luò)輸出層權(quán)重值進(jìn)行修正，最 終得到訓(xùn)練完畢后的神經(jīng)網(wǎng)絡(luò)參數(shù)值。
[0076] 如圖4所示，具體步驟如下：
[0077] 步驟一、在監(jiān)測區(qū)域隨機(jī)分布N個(gè)無線傳感器節(jié)點(diǎn)，搭建無線傳感器網(wǎng)絡(luò)；
[0078] 無線傳感器網(wǎng)絡(luò)架構(gòu)如圖1所示，包含N個(gè)無線傳感器節(jié)點(diǎn)，N為整數(shù);傳感器節(jié)點(diǎn) 隨機(jī)分布在MXM大小的監(jiān)測區(qū)域內(nèi)；無線傳感器網(wǎng)絡(luò)包括一個(gè)匯聚節(jié)點(diǎn)和N個(gè)無線傳感器 節(jié)點(diǎn)；
[0079]網(wǎng)絡(luò)的性質(zhì)如下：
[0080] 1)所有的傳感器節(jié)點(diǎn)結(jié)構(gòu)和特性都相同并且能量受限；
[0081 ] 2)所有節(jié)點(diǎn)部署完畢后不能移動(dòng)，即為靜態(tài)節(jié)點(diǎn)；
[0082] 3)節(jié)點(diǎn)不具有定位功能，無法獲得自己的地理位置或網(wǎng)絡(luò)中其他節(jié)點(diǎn)的地理位 置，但是每個(gè)節(jié)點(diǎn)根據(jù)接收到信號的強(qiáng)度計(jì)算其他節(jié)點(diǎn)與自己之間的距離；
[0083] 4)節(jié)點(diǎn)的發(fā)射功率采用功率控制進(jìn)行調(diào)節(jié)，能夠根據(jù)距離自適應(yīng)的調(diào)整其發(fā)射功 率；
[0084] 5)節(jié)點(diǎn)天線發(fā)射與接收模型如式所示： 2, d < t/"
[0085] 二 \ J \lEe}ec+lsmpd\ d>d,
[0086] ERx(l) = lEelec
[0087] 其中，ETX(l，d)為傳感器節(jié)點(diǎn)發(fā)送1比特信息發(fā)射機(jī)天線產(chǎn)生的能耗，ERX(1)表示 傳感器節(jié)點(diǎn)接收1比特信息接收機(jī)天線產(chǎn)生能耗。E ele。為傳輸電路的能量消耗，d表示兩個(gè) 進(jìn)行數(shù)據(jù)通信的節(jié)點(diǎn)間的距離，do為臨界值，計(jì)算公式為：
[0089] ￡^為自由空間模型中傳感器節(jié)點(diǎn)電路中功率放大器的系數(shù)、emp為多徑衰減模型 中傳感器節(jié)點(diǎn)電路中功率放大器的系數(shù)；
[0090] 步驟二、采用經(jīng)典分簇算法LEACH對無線傳感器網(wǎng)絡(luò)進(jìn)行分簇；
[0091 ] N個(gè)無線傳感器節(jié)點(diǎn)劃分為若干簇，每個(gè)簇包括簇頭節(jié)點(diǎn)和成員節(jié)點(diǎn)；
[0092]步驟三、簇內(nèi)的成員節(jié)點(diǎn)將感應(yīng)采集到的數(shù)據(jù)發(fā)送給簇頭節(jié)點(diǎn)后，簇頭節(jié)點(diǎn)將所 有接收到的數(shù)據(jù)和自身采集到的數(shù)據(jù)發(fā)送給匯聚節(jié)點(diǎn)；
[0093]在分簇?zé)o線傳感器網(wǎng)絡(luò)中，簇內(nèi)采用RBF神經(jīng)網(wǎng)絡(luò)模型處理數(shù)據(jù)；其中，成員節(jié)點(diǎn) 作為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，簇頭節(jié)點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元和輸出層神經(jīng)元;匯 聚節(jié)點(diǎn)位于監(jiān)測區(qū)域的中心，是一個(gè)相對特殊的節(jié)點(diǎn)，整個(gè)傳感器網(wǎng)絡(luò)的數(shù)據(jù)信息最終都 要發(fā)送給匯聚節(jié)點(diǎn)。
[0094]將分簇?zé)o線傳感器網(wǎng)絡(luò)轉(zhuǎn)化為RBF神經(jīng)網(wǎng)絡(luò)之后，如圖2所示，網(wǎng)絡(luò)從左到右分別 為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，隱層神經(jīng)元及輸出層神經(jīng)元。X1，X2, .. .Xn為輸入層神經(jīng)元的 輸入，心(1)，1?2(1)，...1(1)為隱層神經(jīng)元的徑向基函數(shù)，隱層神經(jīng)元的數(shù)目與實(shí)際應(yīng)用需 求有關(guān)。為隱層第i個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元的連接權(quán)值， yi，y2, . . .yP為輸出層神 經(jīng)元的輸出。
[0095] RBF神經(jīng)網(wǎng)絡(luò)中的最小信息處理單元-神經(jīng)元的結(jié)構(gòu)，如圖3所示。通常神經(jīng)網(wǎng)絡(luò)中 由大量的神經(jīng)元節(jié)點(diǎn)組成，神經(jīng)元之間呈并行分布結(jié)構(gòu)，每個(gè)神經(jīng)元的輸入層同時(shí)也為其 他神經(jīng)元的輸出層。神經(jīng)元模型中輸入為矩陣向量P，是R維矢量，《為權(quán)重向量，b為閾值，f 為徑向基函數(shù)，I |dist| |模塊為輸入向量和權(quán)重向量之間的歐式距離，其表達(dá)式如下式所 示：
[0097] W為R維權(quán)重矢量，PT為P的轉(zhuǎn)置，網(wǎng)絡(luò)的基函數(shù)通常選用高斯函數(shù)，表達(dá)式所示：
[0099] 式中，x為n維輸入向量，Ci為神經(jīng)網(wǎng)絡(luò)中第i個(gè)隱層神經(jīng)元的基函數(shù)中心；i = 1，. . .，m，m為訓(xùn)練后確定的隱層神經(jīng)元的數(shù)量，m為整數(shù);跟x-樣也是n維的向量，〇i為第i 個(gè)隱層神經(jīng)元基函數(shù)的方差，決定了徑向基函數(shù)的寬度，I |x_Cl| I為1與(^之間的歐式距離。
[0100] 由于徑向基函數(shù)為高斯函數(shù)，根據(jù)其圖形可以知道，靠近函數(shù)中心時(shí)函數(shù)值較大， 而離函數(shù)中心較遠(yuǎn)時(shí)函數(shù)值會(huì)非常小。在神經(jīng)網(wǎng)絡(luò)中，當(dāng)輸入層的輸入矢量與函數(shù)的中心 相距較遠(yuǎn)也即兩者之間的歐氏距離較大時(shí)，函數(shù)的值接近于零，這時(shí)候網(wǎng)絡(luò)基本沒有輸出。 而當(dāng)輸入矢量與函數(shù)的中心距離較近時(shí)，網(wǎng)絡(luò)將會(huì)取得較大的輸出響應(yīng)值。
[0101] 步驟四、匯聚節(jié)點(diǎn)收到各個(gè)簇的數(shù)據(jù)后，抽取部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò) 進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)的參數(shù)值；
[0102] 神經(jīng)網(wǎng)絡(luò)參數(shù)值包括隱層與輸出層的連接權(quán)值參數(shù)，以及隱層神經(jīng)元的徑向基函 數(shù)。
[0103] 以每個(gè)簇內(nèi)的簇頭節(jié)點(diǎn)和成員節(jié)點(diǎn)采集的數(shù)據(jù)作為一組樣本;對于RBF神經(jīng)網(wǎng)絡(luò) 隱層到輸出層權(quán)重值的訓(xùn)練，本算法中輸出層的目標(biāo)函數(shù)采用最小二乘法來表示，當(dāng)網(wǎng)絡(luò) 輸出結(jié)果E的值達(dá)到最小也即實(shí)際輸出和期望輸出的均方差也取得最小值的時(shí)候，如果輸 出結(jié)果滿足規(guī)定的誤差要求，則此時(shí)輸出權(quán)重的估計(jì)值就是需要的參數(shù)。通過選取滿足條 件的權(quán)重值可以使得網(wǎng)絡(luò)盡可能的接近對應(yīng)的映射關(guān)系。
[0104] 如圖5所示，具體步驟如下：
[0105]步驟401、對訓(xùn)練樣本采用模糊K-means聚類算法進(jìn)行聚類，并更新初始聚類中心 Ci；
[0106] 采用K-均值聚類算法自組織性的選取隱層徑向基函數(shù)的中心值和方差。
[0107] 訓(xùn)練樣本選用N個(gè)，初始聚類中心Cl*h個(gè)，i = l，. . .，h;h為初始設(shè)定的隱層神經(jīng) 元的數(shù)量;隨機(jī)選取h個(gè)訓(xùn)練樣本值作為(^的初始值，并且要求這些初值不相等。為訓(xùn)練樣 本中除去初始聚類中心后，對剩余的訓(xùn)練樣本根據(jù)最小距離原則，進(jìn)行聚類，形成h個(gè)子類 ai(i = 0，l, . . .，h)，每個(gè)子類ai對應(yīng)一個(gè)聚類中心Ci，每個(gè)子類ai中包括si個(gè)樣本值xk; [0108] 更新各聚類中心ci的公式如下：
[0110] 其中，Sl為第i個(gè)子類ai中的樣本數(shù)量，或者Sl為第i個(gè)隱層神經(jīng)元的樣本數(shù)量， Sl GN;xk為第i個(gè)子類ai中的樣本值，k=l，? ? ?，Si;xkGai;
[0111] 步驟402、針對某個(gè)聚類中心Cl，計(jì)算該聚類中心下的每個(gè)樣本屬于該聚類中心的 隸屬度：
[0112] 計(jì)算公式如下：
[0114] U={uijG[0,l]|i = l,2,...,h,j = l,2,...,si}
[0115] Xj表示聚類中心ci對應(yīng)的子類ai中的第j個(gè)樣本;Uij表示樣本xj與聚類中心ci的中 心隸屬度；I Ixj-Ci| I表示第j個(gè)樣本與第i個(gè)聚類中心之間的歐式距離；
[0116] 步驟403、判斷Cl是否符合誤差范圍，如果是，聚類中心即為徑向基函數(shù)的中心，進(jìn) 入步驟404;否則根據(jù)樣本隸屬度返回步驟401重新調(diào)整子類個(gè)數(shù)并繼續(xù)；
[0117] 對上述計(jì)算的結(jié)果進(jìn)行誤差判斷，判斷Cl是否在允許的誤差范圍內(nèi)，誤差范圍根 據(jù)具體實(shí)施人為規(guī)定，一般具體實(shí)施設(shè)置;如果不是，根據(jù)隸屬度重新執(zhí)行更新聚類中心步 驟。
[0118] 步驟404、根據(jù)聚類中心的隸屬度計(jì)算徑向基函數(shù)的方差，進(jìn)一步得到每個(gè)隱層神 經(jīng)元節(jié)點(diǎn)的輸出；
[0119] 第i個(gè)隱層神經(jīng)元的徑向基函數(shù)的方差〇i2公式如下：
[0121]基函數(shù)方差〇12決定了徑向基函數(shù)的寬度；當(dāng)確定CdP 〇12后，徑向基函數(shù)便得到確 定，隱層神經(jīng)元的數(shù)量也得到確定，設(shè)為m個(gè)。因此，第i'個(gè)隱層神經(jīng)元節(jié)點(diǎn)的輸出br(x)為：
[0123] 步驟405、根據(jù)每個(gè)隱層神經(jīng)元節(jié)點(diǎn)的輸出，計(jì)算神經(jīng)網(wǎng)絡(luò)的期望輸出y(x); m
[0124] ,v(.v)-2]^../?/.(.v) + ^ i -1
[0125] 其中0為輸出層的門限值，on，為神經(jīng)網(wǎng)絡(luò)中隱層到輸出層之間的連接權(quán)重值，初 始值為(〇，1)之間的一個(gè)隨機(jī)數(shù)。
[0126] 步驟406、根據(jù)神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果與期望輸出結(jié)果，計(jì)算神經(jīng)網(wǎng)絡(luò)的目標(biāo)函 數(shù)E;
[0128] 其中彡^卩為神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果，y(xk)為神經(jīng)網(wǎng)絡(luò)的期望輸出，N為訓(xùn)練樣 本集中總共的樣本個(gè)數(shù)。初始化E = 0，
[0129] 為了使得網(wǎng)絡(luò)的目標(biāo)函數(shù)E取得最小值，需要不斷修正輸出層的權(quán)重值co;
[0130]步驟407、采用梯度下降法對神經(jīng)網(wǎng)絡(luò)中隱層到輸出層的連接權(quán)重值進(jìn)行修正；
[0131]在無線傳感器網(wǎng)絡(luò)內(nèi)應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)對采集的數(shù)據(jù)信息進(jìn)行處理的過程，實(shí)際 上是用神經(jīng)網(wǎng)絡(luò)隱層的基函數(shù)去對未知的目標(biāo)函數(shù)進(jìn)行逼近的過程。在本發(fā)明中，對于無 線傳感器網(wǎng)絡(luò)內(nèi)簇頭的輸出結(jié)果為RBF神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元節(jié)點(diǎn)輸出的線性加權(quán)和。
[0132]計(jì)算連接權(quán)值的修正系數(shù)，網(wǎng)絡(luò)的訓(xùn)練規(guī)則是使每個(gè)訓(xùn)練循環(huán)按梯度下降，權(quán)值 系數(shù)修正公式為：
[0135] n 為學(xué)習(xí)率，nG[0，i];
[0136] 權(quán)值《的修正式為：
[0137] c〇i，+A ?i'（i，=l，2，...，m)
[0138] 步驟408、判斷目標(biāo)函數(shù)E的結(jié)果是否小于最大訓(xùn)練誤差e，如果是，修正后的權(quán)值 參數(shù)為訓(xùn)練結(jié)果;否則，返回步驟407繼續(xù)修正權(quán)值；
[0139] 不斷修正co的值直到滿足￡<￡;￡為最大訓(xùn)練誤差，根據(jù)應(yīng)用的精度來設(shè)定，其值 為一個(gè)大于零的小數(shù)，如￡=〇.1，精度很容易達(dá)到。
[0140] 步驟五、匯聚節(jié)點(diǎn)將訓(xùn)練后得到的神經(jīng)網(wǎng)絡(luò)參數(shù)值發(fā)送給各簇構(gòu)建神經(jīng)網(wǎng)絡(luò)； [0141]步驟六、利用神經(jīng)網(wǎng)絡(luò)對無線傳感器網(wǎng)絡(luò)簇內(nèi)節(jié)點(diǎn)所采集的數(shù)據(jù)信息進(jìn)行數(shù)據(jù)融 合驗(yàn)證，使無線傳感器網(wǎng)絡(luò)能耗降低。
[0142] 神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢，隱層的徑向基函數(shù)以及輸出層的權(quán)值得到確定之后，匯聚節(jié) 點(diǎn)在網(wǎng)絡(luò)初始化時(shí)將這些參數(shù)廣播發(fā)送給網(wǎng)絡(luò)內(nèi)的所有傳感器節(jié)點(diǎn)。當(dāng)簇頭節(jié)點(diǎn)選取完成 后，簇內(nèi)節(jié)點(diǎn)將采集到的數(shù)據(jù)信息經(jīng)過輸入層簡單處理之后發(fā)送給該簇的簇頭節(jié)點(diǎn)，簇頭 節(jié)點(diǎn)將收集到的簇內(nèi)以及自身采集的所有數(shù)據(jù)信息，經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練出的隱層徑向基函 數(shù)和輸出層線性加權(quán)處理之后，將輸出結(jié)果發(fā)送至網(wǎng)絡(luò)中的匯聚節(jié)點(diǎn)。
[0143] 本算法通過對無線傳感器網(wǎng)絡(luò)分簇結(jié)構(gòu)的簇內(nèi)各節(jié)點(diǎn)，采集到的數(shù)據(jù)包進(jìn)行快速 高效的數(shù)據(jù)融合，得到一組能夠反映網(wǎng)內(nèi)原始數(shù)據(jù)的特征值，并將該特征值代替原始數(shù)據(jù) 包發(fā)送給匯聚節(jié)點(diǎn)，從而減少了網(wǎng)內(nèi)的數(shù)據(jù)通信量，降低了整個(gè)網(wǎng)絡(luò)的能耗。
[0144] 實(shí)施例：
[0145] 通過仿真實(shí)驗(yàn)對基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法進(jìn)行仿真驗(yàn)證和研究，將算法 應(yīng)用于分簇結(jié)構(gòu)的網(wǎng)絡(luò)中，并和沒有在網(wǎng)絡(luò)內(nèi)采用數(shù)據(jù)融合算法的結(jié)果進(jìn)行對比，從數(shù)據(jù) 采集的準(zhǔn)確度、匯聚節(jié)點(diǎn)總共接收到的數(shù)據(jù)包的數(shù)量、網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)的平均能耗以及網(wǎng)絡(luò)的 生命周期四個(gè)方面進(jìn)行了分析，從而驗(yàn)證所提出的數(shù)據(jù)融合算法在分簇傳感器網(wǎng)絡(luò)內(nèi)進(jìn)行 數(shù)據(jù)融合的有效性和優(yōu)越性。
[0146] 仿真環(huán)境設(shè)置:本次仿真采用火災(zāi)監(jiān)測作為應(yīng)用實(shí)例，為了便于樣本采集和神經(jīng) 網(wǎng)絡(luò)的訓(xùn)練，將l〇〇mX 100m的監(jiān)測區(qū)域分割成九塊，每塊中布設(shè)9個(gè)相同的傳感器節(jié)點(diǎn)，一 共81個(gè)，如圖6所示，每塊區(qū)域內(nèi)的節(jié)點(diǎn)自成一簇，除了分簇結(jié)構(gòu)固定之外網(wǎng)絡(luò)的其余路由 設(shè)定都與經(jīng)典分簇路由協(xié)議LEACH相同。簇頭節(jié)點(diǎn)將該區(qū)域內(nèi)其他簇內(nèi)節(jié)點(diǎn)的信息采集并 進(jìn)行數(shù)據(jù)融合處理之后發(fā)送給位于監(jiān)測區(qū)域中心的匯聚節(jié)點(diǎn)。規(guī)定當(dāng)區(qū)域內(nèi)有火災(zāi)發(fā)生時(shí) 神經(jīng)網(wǎng)絡(luò)的輸出為1，否則為0。以每個(gè)簇內(nèi)9個(gè)節(jié)點(diǎn)采集到的區(qū)域內(nèi)溫度值作為一組樣本， 一共采集400組樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中200組為發(fā)生火災(zāi)的樣本，另外200組為未發(fā) 生火災(zāi)的樣本。選擇其中的100組樣本用于神經(jīng)網(wǎng)絡(luò)的測試，其中發(fā)生火災(zāi)的樣本60組，未 發(fā)生火災(zāi)的樣本40組，其余仿真參數(shù)如表1所示。
[0147]表1
[0149] 通過采用RBFNDFA算法之后網(wǎng)絡(luò)對于監(jiān)測事件的計(jì)算值和實(shí)際值之間的比較，如 圖7所示，從圖中可以看出經(jīng)過RBF神經(jīng)網(wǎng)絡(luò)處理過后輸出的結(jié)果具有很高的準(zhǔn)確率，在100 個(gè)樣本中判斷失誤的樣本只有8個(gè)，準(zhǔn)確度達(dá)到了 92%。
[0150] 對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)的誤差收斂曲線圖，如圖8所示，由圖可知達(dá)到標(biāo)準(zhǔn)誤差需 要28步。為了驗(yàn)證所提出數(shù)據(jù)融合算法在數(shù)據(jù)采集準(zhǔn)確度及訓(xùn)練速度上優(yōu)越性，將該算法 與經(jīng)過相同樣本訓(xùn)練和測試之后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和數(shù)據(jù)采集結(jié)果進(jìn)行對比，準(zhǔn)確率對比 結(jié)果如表2所示，仿真證明采用RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的速度要明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，且進(jìn)行數(shù) 據(jù)融合之后準(zhǔn)確率相比BP神經(jīng)網(wǎng)絡(luò)也更高。
[0151] 表2
[0153]隨輪數(shù)和時(shí)間的推移網(wǎng)絡(luò)中節(jié)點(diǎn)平均能量的變化如圖9所示，在傳感器網(wǎng)絡(luò)中由 于節(jié)點(diǎn)能量受限的特性影響網(wǎng)絡(luò)壽命最主要的因素便是網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)的能耗，而節(jié)點(diǎn)的能耗 中所占比重最大的便是用于通信的開銷。降低網(wǎng)絡(luò)中節(jié)點(diǎn)用于通信的能耗對于延長網(wǎng)絡(luò)的 生命周期有著直接的作用。從節(jié)點(diǎn)平均能耗方面的比較結(jié)果可以看出加入了數(shù)據(jù)融合的 RBFNDFA算法的節(jié)點(diǎn)平均能量消耗始終比沒有在網(wǎng)內(nèi)采用數(shù)據(jù)融合的仿真結(jié)果要低，因?yàn)?加入了基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法之后簇頭節(jié)點(diǎn)發(fā)送給匯聚節(jié)點(diǎn)的數(shù)據(jù)包數(shù)量大大 減少，網(wǎng)絡(luò)中簇頭節(jié)點(diǎn)用于通信的能量開銷相比沒有采用數(shù)據(jù)融合算法來說降低了很多。 與此同時(shí)，當(dāng)沒有采用RBFNDFA算法時(shí)，簇頭節(jié)點(diǎn)會(huì)因?yàn)橄牧诉^多能量而過早死亡，此后 簇內(nèi)的成員節(jié)點(diǎn)便只能直接與匯聚節(jié)點(diǎn)進(jìn)行通信，從而加速了簇內(nèi)節(jié)點(diǎn)的死亡，導(dǎo)致網(wǎng)絡(luò) 節(jié)點(diǎn)的平均能耗情況始終高于RBFNDFA。
[0154]采用和沒有采用數(shù)據(jù)融合算法RBFNDFA時(shí)在網(wǎng)絡(luò)的生命周期也即存活節(jié)點(diǎn)數(shù)隨著 網(wǎng)絡(luò)輪數(shù)推移的對比情況，如圖10所示，從圖中可以看出，沒有加入數(shù)據(jù)融合的算法在大約 1200輪的時(shí)候已經(jīng)有部分節(jié)點(diǎn)因?yàn)槟芰亢谋M而死亡，并且隨著網(wǎng)絡(luò)輪數(shù)和時(shí)間的推移在 1500到2000輪這段時(shí)間內(nèi)節(jié)點(diǎn)開始大量死亡，到2800輪左右的時(shí)候網(wǎng)絡(luò)中已經(jīng)沒有存活的 節(jié)點(diǎn)了，而數(shù)據(jù)融合算法RBFNDFA在大約1600輪的時(shí)候才開始出現(xiàn)節(jié)點(diǎn)死亡，且其相對死亡 速度相比沒有采用時(shí)慢了一些，網(wǎng)絡(luò)的生命周期相比沒有采用的情況提高了 27%左右。由 此可見，本發(fā)明提出的基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法RBFNDFA能更好地提升無線傳感器 網(wǎng)絡(luò)的性能，延長網(wǎng)絡(luò)的生命周期。主要是由于數(shù)據(jù)融合算法在簇內(nèi)的應(yīng)用使得網(wǎng)絡(luò)內(nèi)簇 頭節(jié)點(diǎn)的數(shù)據(jù)發(fā)送量大大降低，用于通信的能耗減少，使得算法每輪中簇頭節(jié)點(diǎn)的存活時(shí) 間相對于沒有進(jìn)行數(shù)據(jù)融合時(shí)更長，避免了簇頭節(jié)點(diǎn)由于過早死亡導(dǎo)致的網(wǎng)絡(luò)割裂，從而 延長了整個(gè)網(wǎng)絡(luò)的生命周期。
[0155]網(wǎng)絡(luò)中各簇頭節(jié)點(diǎn)總共發(fā)送給匯聚節(jié)點(diǎn)的數(shù)據(jù)包數(shù)量隨輪數(shù)時(shí)間的變化情況，如 圖11所示，從圖中可以看出數(shù)據(jù)融合算法的引入能有效的減少網(wǎng)絡(luò)所傳輸?shù)臄?shù)據(jù)包的數(shù) 量，提高網(wǎng)絡(luò)能量的利用率，延長網(wǎng)絡(luò)的生命周期。在網(wǎng)絡(luò)的初始階段，沒有采用數(shù)據(jù)融合 時(shí)匯聚節(jié)點(diǎn)接收到的數(shù)據(jù)包數(shù)量要大于RBFNDFA，因?yàn)榍罢呔W(wǎng)絡(luò)中簇頭節(jié)點(diǎn)由于沒有采用 數(shù)據(jù)融合算法，網(wǎng)絡(luò)內(nèi)的簇頭節(jié)點(diǎn)直接將接收到的簇內(nèi)節(jié)點(diǎn)發(fā)送的所有數(shù)據(jù)包轉(zhuǎn)發(fā)給匯聚 節(jié)點(diǎn)，因此匯聚節(jié)點(diǎn)接收到的數(shù)據(jù)包數(shù)量是要高于RBFNDFA的，隨著輪數(shù)的增加，沒有采用 數(shù)據(jù)融合的算法由于發(fā)送了太多的數(shù)據(jù)包導(dǎo)致節(jié)點(diǎn)能量早早的消耗殆盡，大量節(jié)點(diǎn)的死亡 致使數(shù)據(jù)傳輸已經(jīng)接近于零，匯聚節(jié)點(diǎn)接收到的總數(shù)據(jù)包數(shù)量呈現(xiàn)近乎停滯的狀態(tài)。反觀 RBFNDFA算法，由于引入了數(shù)據(jù)融合，少量經(jīng)過簇頭節(jié)點(diǎn)處理過后的能夠反映簇內(nèi)節(jié)點(diǎn)信息 的特征值的數(shù)據(jù)包被穩(wěn)定的發(fā)送給匯聚節(jié)點(diǎn)，簇頭節(jié)點(diǎn)能耗的降低使其存活時(shí)間更長，節(jié) 點(diǎn)依舊可以正常監(jiān)測環(huán)境和發(fā)送數(shù)據(jù)，匯聚節(jié)點(diǎn)收到的數(shù)據(jù)包的數(shù)量仍呈現(xiàn)上升趨勢，等 到網(wǎng)絡(luò)中的節(jié)點(diǎn)因?yàn)槟芰炕竞谋M而大量死亡時(shí)接收曲線逐漸趨于穩(wěn)定。
【主權(quán)項(xiàng)】
1. 一種提高無線傳感器網(wǎng)絡(luò)能量利用率和服務(wù)性能的數(shù)據(jù)融合算法，其特征在于，具 體步驟如下： 步驟一、在監(jiān)測區(qū)域內(nèi)隨機(jī)分布N個(gè)無線傳感器節(jié)點(diǎn)，搭建無線傳感器網(wǎng)絡(luò)； N為整數(shù);無線傳感器網(wǎng)絡(luò)包括一個(gè)匯聚節(jié)點(diǎn)和N個(gè)無線傳感器節(jié)點(diǎn)； 步驟二、采用經(jīng)典分簇算法LEACH對無線傳感器網(wǎng)絡(luò)進(jìn)行分簇； 步驟三、簇內(nèi)的成員節(jié)點(diǎn)將感應(yīng)采集到的數(shù)據(jù)發(fā)送給簇頭節(jié)點(diǎn)后，簇頭節(jié)點(diǎn)將所有接 收到的數(shù)據(jù)和自身采集到的數(shù)據(jù)發(fā)送給匯聚節(jié)點(diǎn)； 步驟四、匯聚節(jié)點(diǎn)收到各個(gè)簇的數(shù)據(jù)后，抽取部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本，對神經(jīng)網(wǎng)絡(luò)模型 進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)參數(shù)值； 神經(jīng)網(wǎng)絡(luò)參數(shù)值包括隱層與輸出層的連接權(quán)值參數(shù)，以及隱層神經(jīng)元的徑向基函數(shù)； 以每個(gè)簇內(nèi)的簇頭節(jié)點(diǎn)和成員節(jié)點(diǎn)采集的數(shù)據(jù)作為一組樣本； 步驟五、匯聚節(jié)點(diǎn)將訓(xùn)練后得到的神經(jīng)網(wǎng)絡(luò)參數(shù)值發(fā)送給各簇構(gòu)建神經(jīng)網(wǎng)絡(luò)； 步驟六、利用神經(jīng)網(wǎng)絡(luò)對無線傳感器網(wǎng)絡(luò)簇內(nèi)的各傳感器節(jié)點(diǎn)所采集的數(shù)據(jù)信息進(jìn)行 數(shù)據(jù)融合驗(yàn)證。2. 如權(quán)利要求1所述的一種提高無線傳感器網(wǎng)絡(luò)能量利用率和服務(wù)性能的數(shù)據(jù)融合算 法，其特征在于，所述的步驟三中，簇內(nèi)成員節(jié)點(diǎn)與簇頭節(jié)點(diǎn)間利用RBF神經(jīng)網(wǎng)絡(luò)模型處理 數(shù)據(jù);其中，成員節(jié)點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，簇頭節(jié)點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元 和輸出層神經(jīng)元。3. 如權(quán)利要求1所述的一種提高無線傳感器網(wǎng)絡(luò)能量利用率和服務(wù)性能的數(shù)據(jù)融合算 法，其特征在于，所述的步驟四具體為： 步驟401、對訓(xùn)練樣本采用模糊K-means聚類算法進(jìn)行聚類，并更新初始聚類中心Cl; 訓(xùn)練樣本選用N個(gè)，選取的初始聚類中心Cl*h個(gè)，i = l，...，h;對剩余的訓(xùn)練樣本根據(jù) 最小距離原則，進(jìn)行聚類，形成h個(gè)子類ai; 更新各聚類中心公式如下：其中，Si為第i個(gè)子類ai中的樣本數(shù)量，SiGN;xk為第i個(gè)子類ai中的樣本值，k=l，...， Si； 步驟402、針對某個(gè)聚類中心Cl，計(jì)算該聚類中心下的每個(gè)樣本屬于該聚類中心的隸屬 度：U= {uije [0,l]|i = l,2,...,h,j = 1,2,...,si} xj表示聚類中心ci對應(yīng)的子類ai中的第j個(gè)樣本;Uij表示樣本xj與聚類中心ci的中心隸 屬度；I Ixrcd |表示第j個(gè)樣本與第i個(gè)聚類中心之間的歐式距離； 步驟403、判斷Cl是否符合誤差范圍，如果是則進(jìn)入步驟404;否則根據(jù)樣本隸屬度返回 步驟401重新調(diào)整子類個(gè)數(shù)并繼續(xù)； 誤差范圍根據(jù)具體實(shí)施人為規(guī)定； 步驟404、根據(jù)聚類中心的隸屬度計(jì)算徑向基函數(shù)的方差，進(jìn)一步得到每個(gè)隱層神經(jīng)元 節(jié)點(diǎn)的輸出； 第i個(gè)隱層神經(jīng)元的徑向基函數(shù)方差公式如下：根據(jù)聚類中心Cl和徑向基函數(shù)方差〇12確定了徑向基函數(shù)和隱層神經(jīng)元的數(shù)量m; 第i'（i' = l,. . .，m)個(gè)隱層神經(jīng)元節(jié)點(diǎn)的輸出bi，（x)為：步驟405、根據(jù)每個(gè)隱層神經(jīng)元節(jié)點(diǎn)的輸出，計(jì)算整個(gè)神經(jīng)網(wǎng)絡(luò)的期望輸出y(x);Θ為神經(jīng)網(wǎng)絡(luò)輸出層的門限值，ωι，為隱層到輸出層的連接權(quán)重值，初始值為(〇，1)之間 的一個(gè)隨機(jī)數(shù)； 步驟406、根據(jù)神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果與期望輸出結(jié)果，計(jì)算神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)Ε;其中：為神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果，y(xk)為神經(jīng)網(wǎng)絡(luò)的期望輸出； 步驟407、采用梯度下降法對神經(jīng)網(wǎng)絡(luò)中隱層到輸出層的連接權(quán)重值進(jìn)行修正； 權(quán)值系數(shù)修正公式為：π為學(xué)習(xí)率，πε [〇，1 ]; 權(quán)值的修正式為： c〇i'K〇i' + A c〇i'（i，= l，2，...，m) 步驟408、判斷目標(biāo)函數(shù)E的結(jié)果是否小于最大訓(xùn)練誤差ε，如果是，修正后的權(quán)值參數(shù) 為訓(xùn)練結(jié)果;否則，返回步驟407繼續(xù)修正權(quán)值； 最大訓(xùn)練誤差ε根據(jù)實(shí)際訓(xùn)練人為設(shè)置。
【文檔編號】H04W40/02GK105959987SQ201610230591
【公開日】2016年9月21日
【申請日】2016年4月14日
【發(fā)明人】王珂, 歐陽瑞, 紀(jì)紅, 李曦, 張鶴立
【申請人】北京郵電大學(xué)