基于BP神經網絡的多傳感器數據融合技術優化*

何擁軍，曾文權，曾文英

(廣東科學技術職業學院 計算機工程技術學院，廣東 珠海519090)

大多數無線傳感器網絡應用是由大量傳感器節點構成的，共同完成信息收集、目標監視和感知環境的任務。在信息采集的過程中，若采用各個節點單獨傳輸數據到匯聚節點的方法，會產生大量冗余信息，從而浪費大量的通信帶寬和寶貴的能量資源，這顯然是不合適的[1]。此外還會降低信息的收集效率，影響信息的及時采集。為避免上述問題，人們采用了一種稱為數據融合(或稱為數據匯聚)的技術。所謂數據融合是指將多份數據或信息進行處理，組合出更高效、更符合用戶需求的數據的過程[2]。在大多數無線傳感器網絡應用中，許多時候只關心監測結果，并不需要收到大量原始數據，數據融合是處理該類問題的有效手段。根據融合操作的級別劃分為數據級融合[3]、特征級融合[4]以及決策級融合[5]。數據級融合是指通過傳感器采集的數據融合，是最底層的融合，通常僅依賴于傳感器的類型。特征級融合是指通過一些特征提取手段，將數據表示為一系列的特征向量，從而反映事物的屬性，是面向監測對象的融合。決策級融合是根據應用需求進行較高級的決策，是最高級的融合。無線傳感器網絡的數據融合技術可以結合網絡的各個協議層來進行。例如在應用層，可通過分布式數據庫技術，對采集的數據進行初步篩選，達到融合效果；在網絡層，可以結合路由協議，減少數據的傳輸量；在數據鏈路層，可以減少MAC層的發送沖突和頭部開銷，節省能量的同時，保證信息的完整性。無線傳感器網絡的數據融合技術只有面向應用需求的設計才會真正得到廣泛的應用。

目前許多學者提出了很多傳感網數據融合算法，DS方法[6]和貝葉斯算法[7]作為一種處理不確定性問題的重要的數據融合方法，已經廣泛應用于各種數據融合系統中，但是該方法主要是依靠自身的傳感器的采集，這種方法融合精度不高，具有一定的不確定性等，BP神經網絡算法是一種監督式的學習算法，其主要思想是通過采用梯度搜索技術對已知網絡入侵樣本進行學習，最終實現網絡的實際輸出值與期望輸出值的均方值誤差最小。

本文充分利用了BP神經網絡的優點，主要研究了傳感網絡數據融合方法，提出了一種改進的基于BP神經網絡算法在傳感網絡數據融合中的應用，依據不同的融合目標對傳感器信息進行選擇過濾和優化處理，仿真結果表明了本文算法的有效性和實用性，節約了數據融合的能量。

1 BP神經網絡的多傳感器數據融合技術

1.1 BP神經網絡算法

BP神經網絡[8]是一種前饋式神經網絡，是目前使用最廣泛的一種神經網絡，一般包括輸入層、若干隱含層和輸出層三部分，網絡結構如圖1所示。

圖1 BP神經網絡結構模型

BP神經網絡算法是一種監督式的學習算法，其主要思想是通過采用梯度搜索技術對已知網絡入侵樣本進行學習，最終的目的就是網絡的實際輸出值與期望輸出值的均方值誤差最小。在BP神經網絡的學習過程中，輸入信號從輸入層經隱含層單元逐層處理，并傳向BP神經網絡的輸出層，每一層BP神經元只影響下一層神經元的狀態。如果在BP神經網絡輸出層得不到期望的輸出，那么就要進行BP神經網絡反向傳播，將輸出信號的誤差沿原來的連接通路返回，通過不斷調整各層神經元的權重，最終使均方值誤差最小。其基本學習過程如下：

(1)初始化BP神經網絡狀態。對網絡的連接權值wij、vjt和閾值 θj、γt賦初值；

(2)輸入第1個BP神經網絡學習樣本對；

(3)對中間層各神經元的輸入uj和輸出hj進行計算。采用公式如下[8]：

(4)對BP神經網絡的輸出層各神經元的輸入lt和輸出yt進行計算：

(5)對BP神經網絡的連接到輸出層神經單元t上的權值誤差δt進行計算，即：

其中，ct表示樣本的期望值。

(6)對BP神經網絡的計算連接到中間層神經單元j上的權值誤差δj[9]進行計算，即：

(7)對 BP神經網絡的連接權值 vjt和閾值 γt進行更新，即：

(8)對 BP神經網絡的連接權值 wjt和閾值 θj進行更新，即：

(9)輸入下一個學習樣本對，跳轉到步驟(3)，不斷重復，直到全部樣本對訓練完畢。

(10)進行新一輪BP神經網絡學習訓練，如果滿足下列條件，則學習訓練完成。

其中，ε表示預設精度，Ek表示均方誤差，即：

1.2 BP神經網絡多傳感數據融合算法

本文提出基于神經網絡傳感器網絡數據融合方法，充分利用了BP神經網絡的優點，主要研究了多傳感網絡數據融合方法，提出了一種改進的基于BP神經網絡算法在傳感網絡數據融合中的應用，依據不同的融合目標對多傳感器信息進行選擇過濾和優化處理。本文數據融合算法的具體原理如圖2所示。

圖2 神經網絡數據融合原理圖

在網絡訓練之前，首先必須要對數據進行歸一化處理，以保證網絡層輸出不會太小。這里中心向量的初始值 pi由 訓 練 樣 本 確 定 ， 其 中 pi=(pi1，pi2，pi3，pi4，pi5)，i=1，2，…，10。若其屬于第一類數據變化的訓練樣本集，表示為{S1，S2，…，Sm},中心向量p1中各元素的初始值為這些樣本輸入向量中每個元素的平均值。 然后采用梯度下降法分別調整中心向量、寬度和系數及最后一層的權值。在訓練過程中，先選取較大的學習速率，如果后一步的訓練誤差大于前一步的訓練誤差,就減小學習速率，使得網絡收斂。 由于加入了每個類別中心向量的先驗信息，網絡權值的調整限制在了一定范圍內，避免陷入局部最小點。本文考慮了數據融合的有損融合和無損融合問題，算法的主要描述步驟如下：

(1)用選定的N個傳感器檢測系統狀態；

(2)采集N個傳感器的測量信號并進行預處理；

(3)對預處理后的N個傳感器信號進行特征選擇；

(4)對特征信號進行歸一化處理，為神經網絡的輸入提供標準形式；

(5)將歸一化的特征信息與已知的系統狀態信息作為訓練樣本，送神經網絡進行訓練，直到滿足要求為止。該訓練好的網絡作為已知網絡，只要將歸一化的多傳感器特征信息作為輸入送人該網絡，則網絡輸出就是被測系統的狀態。

2 仿真與結果分析

在Windows操作系統下，本文所有的實驗都是在PC P4 T2310 1.86 GHz，2 GB RAM，Inte182865G 顯卡的計算機上完成的，實驗環境為MATLAB7.0。對本文提出的神經網絡數據融合模型進行仿真測試，根據融合前后數據信息含量劃分為無損融合和有損融合，前者在數據融合過程中所有細節信息均被保留，只去除冗余的部分信息，后者通常會省略一些細節信息或降低數據的質量。

本文對有損融合、無損融合與沒有進行數據融合的實驗結果進行了比較。在仿真試驗中，本文在一定的范圍內放置一定參數的節點，10個源節點沿著一條路由路徑在4～6跳的范圍內發出連續的比特。為了對數據融合的有效性進行研究，本文增加了節點的發送頻率，數據流發送速度為 1.5～3.7包/s，仿真重復 30遍，端到端的延時為1 s。

如圖3所示，在網絡繁忙的時候，與不進行數據融合的結果相比，無損融合和有損融合都可以顯著地減少平均的延時。因為融合技術可以控制信息傳遞的數量。這里要注意的是，有損融合在保留延遲的區域之下總是成功的，而無損融合僅是點上的成功，在此之后系統將變得過載。

圖3 端到端數據傳遞負載

當產生的信息量超出實時容量時，有損融合通過聚集較小比例的包來保持端到端延遲。如圖4所示，融合具有非零的損失率。

如圖5所示，在擁塞出現之前，無損融合和有損融合可以通過減少控制消息的數量和傳播的數量達到能源的節約。從圖3、圖4和圖5可以看出，本文提出的神經網絡傳感器網絡數據融合模型是一種有效的數據融合處理方法。采用BP神經網絡對傳感器數據進行融合處理，輸出輸入穩定簡單。

圖4 無數據融合與有損融合仿真比較

圖5 能量和傳遞負載

數據融合是利用計算機技術將來自多個傳感器或多源的觀測信息進行分析、綜合處理。從而得出決策和估計任務所需信息的處理過程。針對傳統的傳感器網絡數據融合算法需要獲得對象比較精確數學模型，對于復雜難于建立的模型場合無法適用等問題，本文提出了一種基于BP神經網絡的多傳感器數據融合方法，算法首先建立三層網絡結構，接著提取數據庫中屬性數據的特征值并作為網絡的輸入，然后通過調節輸入向量與中心向量的距離及中心向量的值確定網絡權值，最后對數據進行有效融合，仿真實驗結果表明采用BP神經網絡對傳感器數據進行融合處理大大提高了傳感器的穩定性及其精度，效果良好。

[1]畢艷忠，孫利民.傳感器網絡中數據融合[J].計算機科學，2004，31(7)：101-103.

[2]ZHAO J，GOVINDAN R，ESTRIN D.Residual energy scans for monitoring wireless sensor networks[C].Proceedings of the IEEE Wilress Communications and Networking Conference(WCNC’02)，2002：17-21.

[3]付劍波，劉衛國.無線傳感器網絡的一種多層數據融合方案[J].傳感器與微系統，2007，26(12)：15-18.

[4]任豐原，黃海寧，林闖.無線傳感器網絡[J].軟件學報，2003，14(7)：1282-1291.

[5]NORDEN W V，JONG J D，BOLDERHEIJ F，et al.Intelligent task scheduling in sensor networks[C].Proceedings of 8th International Conference on Information Fusion，2005.

[6]BARBANCHO J，CarlosLeón，MOLINA F J，et al.Using artificial intelligence in routing schemes for wireless networks[J].Computer Communications，2007(30)：2802-2811.

[7]陳斌，萬江文，吳銀鋒，等.神經網絡和證據理論融合的管道泄漏診斷方法[J].北京郵電大學學報，2009，32(2)：5-9.

[8]俞黎陽，王能，張衛.無線傳感器網絡中基于神經網絡的數據融合模型[J].計算機科學，2008，35(12)：43-47.

[9]SUNG W T.Employed BPN to multi-sensors data fusion for environment Monitoring Services[J].Autonomic and Trusted Computing，2009(6)：149-163.