基于灰色預測的無線傳感器網絡數據融合算法

梁 青, 朱 婷

(西安郵電大學 電子工程學院， 陜西 西安 710121)

?

基于灰色預測的無線傳感器網絡數據融合算法

梁 青, 朱 婷

(西安郵電大學 電子工程學院， 陜西 西安 710121)

針對無線傳感網絡監測信息具有很高時間相關性，給出一種基于動態灰色預測模型的數據融合算法。對節點采集的歷史數據，應用動態灰色模型預測其未來數據值，若預測誤差大于設定閾值，傳輸本輪數據，若預測誤差小于設定閾值，不傳輸本輪數據，以此減少網絡數據傳輸量。仿真實驗表明，與未采用數據融合的低功耗自適應集簇分層協議算法相比，所給算法的數據傳輸量可減少34%，網絡壽命可延長39%。

無線傳感器網絡 ；數據融合；預測算法；動態灰色模型

由大量傳感器節點以自組織方式組成的無線傳感器網絡，可用以監測傳感器區域中的一些物理現象[1]。無線傳感器網絡由4個主要子系統組成：感知監測區域物理量的傳感模塊，處理(執行)與感知、通信和自組織相關指令的數據處理模塊，傳輸處理數據的通信子模塊，和為其他模塊提供工作能量的電源模塊。

節點實時地將監測信息傳輸到監測基站，需要消耗大量能量，而無線傳感器網絡節點的能量有限，故有必要考慮減少網絡數據傳輸，降低網絡能耗，延長網絡生命周期。

無線傳感器網絡中,節點采集的數據有很高時間相關性和空間相關性，會產生大量冗余數據，對這些冗余數據的處理及轉發必然帶來很大的能量開銷，縮短網絡生存時間，而且，處理大量冗余數據還會給sink節點帶來不必要的開支。

隨著數據融合技術成為無線傳感器網絡的研究熱點[2-6]，一種基于自組織映射神經網絡的無線傳感器網絡數據融合算法被提出[7]，它可在簇頭節點利用自組織特征映射(Self-Organization Feature Map, SOFM)神經網絡技術對數據分類，并提取特征，然后，將代表原始數據的特征數據，而不是所有的原始數據發送給匯聚節點，達到減少數據發送量，降低能耗的目的。將基因表達式編程(Gene Expression Programming,GEP)方法引入無線傳感器網絡預測數據融合[8]，也可提升整個無線傳感器網絡的生存周期。動態灰色預測算法也是一種可以節能并減少數據發送的數據融合算法[9]，它能減少普通節點到sink節點間的數據傳輸，通過減少數據傳輸的次數，從而節省大量能量，使網絡的壽命最大化。

本文擬將灰色預測模型應用于無線傳感器網絡的數據融合中，給出一種基于動態灰色預測模型的數據融合算法(Dynamic Grey Prediction Model Based Data Fusion Algorithm, DG-DFA)，以求有效減少冗余數據傳輸，降低整個網絡能耗。

1 灰色模型

1.1 一階單變量灰色預測模型

在系統論中，一個系統可以被定義為一種顏色，以表示該系統的明確信息量[10-11]。它的內部特征或參數完全未知，定義為黑色；它的系統信息完全已知，定義為白色；它的系統信息一些已知，一些未知，定義為灰色。灰色預測模型利用歷史數據預測未來數據值。

以GM(m,n)表示一個灰色模型，其中，m是微分方程階數，n是變量個數。動態灰色模型(Dynamic Grey Model, DGM)采用一階單變量灰色模型GM(1,1)，它在預測未來數據值上有著計算效率高和低復雜度的優勢[9]。

設有原始數據序列

XA(0)={XA(0)(1),XA(0)(2),…,XA(0)(n)}

，

為平滑原始數據，構造其一階累加(1-AGO)序列

XA(1)={XA(1)(1),XA(1)(2),…,XA(1)(n)}

。

其中

構造一階累加序列的緊鄰序列

Z(1)={Z(1)(1),Z(1)(2),…,Z(1)(n)}。

其中Z(1)(k)(k=2,3，…,n)是一階累加序列中相鄰數據的平均值，即

GM(1,1)灰色差分方程定義為

XA(0)(k)+aXA(1)(k)=b(k=2,3,…,n)。

其中，灰色模型參數a和b分別代表發展系數和灰色輸入。由最小二乘法可得

[a,b]T=(BTB)-1BTY。

其中

將a和b代入灰色模型白化方程

解得XA(1)在下一時刻(k+1)的預測值

再經一次累減，可得XA(0)在(k+1)時刻的預測值

預測誤差為

1.2 預測模型的動態更新

[a,b]T與真實數據密切相關，若始終采用固定的[a,b]T進行預測數據，會增大預測誤差，降低數據可靠性，故考慮采用動態灰色預測模型進行數據預測。

動態灰色預測模型以恒定長度的歷史數據預測時間序列的未來數據值。在GM(1,1)模型基礎上，采用新陳代謝的方式更新模型，在預測模型中不斷加入新的真實信息，并去掉相同個數的舊信息，不斷更新的數據就會降低模型的灰度，使預測數據更加接近真實值。對于短期的預測,選用較小的樣本數據，如樣本不少于 4個，即可以獲得較好預測結果。與GM(1,1)模型相比，動態模型計算效率更高，復雜度更低，而且所需內存更少。

2 無線傳感器網絡數據融合

DG-DFA將灰色動態預測模型和無線傳感器網絡分簇路由協議相結合，由簇內節點對所采集歷史數據應用動態灰色預測模型來預測下一輪次數據值。若預測誤差在所設定閾值范圍內，則無需上傳本次采集數據，更新本地數據即可；否則，上傳本次數據，再更新本地存儲數據。

為簡化問題陳述，假設無線傳感器網絡滿足：

(1) 所有節點在部署之后不能隨意移動，且每個節點具有唯一的網內標識ID號；

(2) 節點的初始能量相同，不存在能量補給；

(3) 普通傳感器節點與匯聚節點之間的傳輸是可靠的，普通節點每一輪次傳輸一次數據；

(4) 匯聚節點位置固定，且有足夠的計算能力、能量和存儲能力。

在DG-DFA所采用的無線傳感器網絡分簇路由協議中，普通節點工作過程分為3個階段：歷史數據的采集階段，未來數據的預測階段，以及判定是否發送數據階段。

在網絡初始工作時，節點沒有足夠歷史數據，無法預測，此時節點采集數據并存儲，同時將收集數據上傳至匯聚節點，匯聚節點同樣儲存本次收到數據。當完成建模所需數據量的采集后，節點采用動態灰色預測模型進行預測，并計算預測值與實際感知數據值間的誤差。如果預測誤差小于所設定的閾值ε，節點不發送本次采集數據，只更新節點儲存數據；如果預測誤差大于所設定的閾值ε，節點發送本次采集數據到匯聚節點，同時更新節點儲存數據，匯聚節點則同時更新本地數據。

通過分簇協議對網絡分簇后，即可對簇內節點運行DG-DFA，其具體步驟如下。

步驟1 各簇節點采集數據并存儲數據，判斷所存儲數據是否滿足建模所需數據個數。若滿足則執行下一步，否則，發送本次采集數據。

步驟2 各簇節點對所存儲歷史數據構造原始序列XA(0)，應用GM(1,1)模型，得出下一輪次預測數據XP(1)(k+1)。

步驟3 計算預測值XP(1)(k+1)與本輪采集數據XA(0)(k+1)之間的誤差e。

步驟4 比較預測誤差e與所設定閾值ε。如若e<ε,不發送本輪采集數據，否則,發送本輪采集數據。

步驟5 更新本地存儲數據，將本輪次采集數據存儲，并刪除最舊數據XA(0)(1)，跳轉至步驟2。

3 實驗仿真

3.1 參數設置

采用Matlab進行模擬仿真實驗。將100個傳感器節點隨機部署在100 m×100 m的正方形區域[12-13]，基站(匯聚節點)坐標為(50,50)，仿真最大輪數設為2 000次。更多具體參數如表1所示，其中Eelec為節點發送或接受單位長度數據的電路能耗,εfs為此模型的電路能耗參數,εmp為此模型電路能耗參數,Eda為融合單位比特數據所消耗的能量。

表1 仿真實驗參數

利用DG-DFA，發送和接收l比特數據的能耗為[14]

其中

即當d≤d0時,采用自由空間模型，而當d>d0時，采用多路徑衰減模型。

3.2 實驗結果

通過仿真實驗對比DG-DFA和未采用數據融合的低功耗自適應集簇分層協議 (Low Energy Adaptive Clustering Hierarchy, LEACH)算法進行對比。

兩種算法的生命周期比照結果如圖1所示，從中可見節點死亡的情況：LEACH算法在第973輪次開始出現死亡節點，至第1 408輪次所有節點全部死亡；DG-DFA在直至第1 228輪次節點才開始死亡，直至第1 953輪次節點全部死亡。因為減少了網絡中數據的傳輸量，DG-DFA的生存時間較LEACH算法提高了39%。

圖1 兩種算法的生命周期

兩種算法的傳輸數據量比照結果如圖2所示，LEACH算法的網絡傳輸數據量為105 490個數據包，而DG-DFA的網絡傳輸數據量只有69 356個數據包。DG-DFA比LEACH算法減少了34%的網絡數據傳輸，故能有效延長網絡生存時間。

圖2 兩種算法的數據傳輸量

兩種算法的網絡剩余能量比照結果如圖3所示，從中可見，LEACH算法在第1 408輪次能量已耗盡，而DG-DFA直至第1 953輪次才耗盡能量。DG-DFA的剩余能量一直大于LEACH算法的剩余能量，其網絡耗能顯然要比LEACH算法低，這也是其生存周期長的原因之一。

圖3 兩種算法的網絡剩余能量

針對DG-DFA算法，設置不同預測誤差閾值，相應的傳輸數據量也將隨之發生變化，如圖4所示。所采用閾值的大小與網絡數據傳輸量成反比：所設置的閾值越小，網絡傳輸數據量越多；反之，所設置的閾值越大，網絡傳輸數據量越少。不過，閾值過大會損失部分數據精度，故閾值設定因由用戶根據需求來設定。

圖4 DG-DFA不同閾值對應的傳輸數據量

4 結語

將灰色預測模型應用于無線傳感器網絡的數據融合中，給出一種基于動態灰色預測模型的數據融合算法。利用動態灰色預測模型對節點數據進行預測，并借助預測誤差，決定是否進行數據傳輸，由此可以減少網絡中數據的傳輸量，節省網絡能量。所給算法計算簡單高效，所需建模樣本數據量小，需占內存空間較小，有利于硬件實現。

[1] 梁青,韓昊澎,李卓冉,等.一種無線傳感器網絡定位算法的改進[J/OL].西安郵電大學學報,2014,19(3):11-14[2016-07-08].http://dx.chinadoi.cn/10.13682/j.issn.2095-6533.2014.03.003.

[2] 陳正宇，楊庚，陳蕾，等.無線傳感器網絡數據融合研究綜述[J/OL].計算機應用研究，2011，28(5):1601-1604[2016-07-08].http://dx.chinadoi.cn/10.3969/j.issn.1001-3695.2011.05.001．

[3] 回春立，崔莉.無線傳感器網絡中基于預測的時域數據融合技術[J/OL].計算機工程應用,2007,43(21):121-125[2016-07-08].http://dx.chinadoi.cn/10.3321/j.issn:1002-8331.2007.21.038.

[4] LI L, BAI F. Analysis of data fusion in wireless sensor networks[C/OL]//2011 International Conference on Electronics, Communications and Control (ICECC). [S.l]:IEEE,2011:2547-2549[2016-07-08].http://dx.doi.org/10.1109/ICECC.2011.6066544.

[5] 魏玉宏，田杰，孔韋韋.一種基于 LEACH 協議高效節能的數據融合算法[J/OL].傳感器與微系統,2015,34(6):148-150[2016-07-08].http://dx.chinadoi.cn/10.13873/J.1000-9787(2015)06-0148-03.

[6]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/OL].計算機應用研究,2016,33(1)：185-188[2016-07-08].http://dx.chinadoi.cn/10.3969/j.issn.1001-3695.2016.01.043.

[7] 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[J/OL].傳感技術學報,2013,26(12):1757-1763[2016-07-08].http://dx.chinadoi.cn/10.3969/j.issn.1004-1699.2013.12.026.

[8] 姜靜，侯振乾.GEP算法在無線傳感器網絡數據預測中的仿真應用[J/OL].沈陽理工大學學報,2014,33(6):16-20[2016-07-08].http://dx.chinadoi.cn/10.3969/j.issn.1003-1251.2014.06.004.

[9] 王衛華.一種新型無線傳感網數據預測機制[J/OL].科學技術與工程,2013,13(1):240-243[2016-07-08].http://dx.chinadoi.cn/10.3969/j.issn.1671-1815.2013.01.053.

[10] KAYACAN E, ULUTAS B, KAYNAK O. Grey system theory-based models in time series prediction[J/OL].Expert Systems with Applications,2010,37(2):1784-1789[2016-07-08].http://dx.doi.org/10.1016/j.eswa.2009.07.064.

[11] 顧樂民.對GM灰色模型及理論的分析[J/OL].計算機工程與應用,2016,52(6):1-7[2016-08-10].http://dx.chinadoi.cn/10.3778/j.issn.1002-8331.1506-0203.

[12] WEI G Y, LING Y, GUO B F, et al. Prediction-based data aggregation in wireless sensor networks: Combining grey model and Kalman Filter[J/OL].Computer Communication,2011,34(6):793-802[2016-07-08].http://dx.doi.org/10.1016/j.comcom.2010.10.003.

[13] LU T, ZHU Q X, ZHANG L. An improvement for LEACH algorithm in wireless sensor network[C/OL]//2010 the 5th IEEE Conference on Industrial Electronics and Applications (ICIEA). [S.l]:IEEE, 2010:1811-1814[2016-07-08].http://dx.doi.org/10.1109/ICIEA.2010.5515365.

[14] 陳秋紅,郭猛.基于PSO-BP的無線傳感器網絡數據融合算法研究[J/OL].計算機測量與控制，2014,22(4):1212-1214[2016-08-20].http://dx.chinadoi.cn/10.3969/j.issn.1671-4598.2014.04.076.

[責任編輯:陳文學]

Wireless sensor network data fusion algorithm based on grey prediction

LIANG Qing, ZHU Ting

(School of Electronic Engineering, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

As the monitoring informations of wireless sensor networks is of high temporal correlation, a data fusion algorithm based on dynamic grey prediction model (DG-DFA) is proposed. The dynamic grey model is used to deal with the historical data, and predict the future values of all nodes. If the prediction error is greater than the threshold, the current round data is transmitted, otherwise, the transmission is given up, thus, the amount of network data transmission can be reduced. Simulation experiments show that, compared with the low energy adaptive clustering hierarchy (LEACH) algorithm not using data fusion, the data transfer quantity of the given algorithm DG-DFA can be reduced by 34%, and the network lifetime can be extended by 39%.

wireless sensor network, data fusion, prediction algorithm, dynamic grey model

10.13682/j.issn.2095-6533.2016.06.020

2016-09-01

國家自然科學基金資助項目(61202490)；陜西省自然科學基礎研究計劃資助項目(2014JM2-6117)；陜西省教育廳科學研究計劃資助項目(15JK1654)

梁青(1966-)，女，教授，從事無線傳感器網絡研究。E-mail:liangqing@xupt.edu.cn 朱婷(1990-)，女，碩士研究生，研究方向為無線傳感器網絡數據融合。E-mail:379877278@qq.com

TP393

A

2095-6533(2016)06-0103-05