基于神經(jīng)網(wǎng)絡(luò)的WSN丟失數(shù)據(jù)恢復(fù)研究

鮮江峰+徐善凱

摘 要：在無(wú)線傳感網(wǎng)中，由于無(wú)線信道的不穩(wěn)定性、海量數(shù)據(jù)傳輸?shù)膿砣⒐?jié)點(diǎn)故障等影響，導(dǎo)致WSN中數(shù)據(jù)經(jīng)常發(fā)生大規(guī)模丟失。針對(duì)這一問(wèn)題，文中提出了基于徑向基神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感網(wǎng)丟失數(shù)據(jù)恢復(fù)算法。該算法能夠有效通過(guò)數(shù)據(jù)丟失節(jié)點(diǎn)歷史輪數(shù)據(jù)來(lái)恢復(fù)預(yù)測(cè)丟失數(shù)據(jù)。最后通過(guò)仿真實(shí)驗(yàn)證明了該算法的有效性。

關(guān)鍵詞：無(wú)線傳感網(wǎng)；RBF神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)恢復(fù)；WSN

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2017）02-00-02

0 引 言

近年來(lái)，無(wú)線傳感網(wǎng)已經(jīng)被廣泛應(yīng)用于生態(tài)環(huán)境監(jiān)測(cè)[1]。由于硬件故障、數(shù)據(jù)包沖突、信號(hào)衰減、能量不足、時(shí)間不同步、惡意攻擊等原因，海洋無(wú)線傳感器網(wǎng)絡(luò)中的數(shù)據(jù)很容易發(fā)生大規(guī)模丟失。這就需要恢復(fù)丟失數(shù)據(jù)來(lái)獲得完整的環(huán)境數(shù)據(jù)。在數(shù)據(jù)采集過(guò)程中，對(duì)丟失數(shù)據(jù)的恢復(fù)是一項(xiàng)基本操作。現(xiàn)如今，無(wú)線傳感網(wǎng)丟失數(shù)據(jù)問(wèn)題得到了越來(lái)越多的關(guān)注，并且已提出了幾種解決方法，例如忽視丟失數(shù)據(jù)，使用備用傳感器節(jié)點(diǎn)來(lái)重新發(fā)送數(shù)據(jù)和預(yù)測(cè)丟失數(shù)據(jù)[2]。由于觀測(cè)得到的傳感器數(shù)據(jù)時(shí)間序列有著強(qiáng)相關(guān)性，故可以利用傳感器節(jié)點(diǎn)歷史輪數(shù)據(jù)來(lái)恢復(fù)丟失數(shù)據(jù)。

本文針對(duì)無(wú)線傳感網(wǎng)數(shù)據(jù)丟失的特性，提出了基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)恢復(fù)算法。最后利用實(shí)測(cè)環(huán)境溫度數(shù)據(jù)集對(duì)該算法在Matlab2014a平臺(tái)上進(jìn)行了仿真驗(yàn)證。

1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)能夠逼近任意非線性函數(shù)，可以處理系統(tǒng)內(nèi)難以解析的規(guī)律，具有良好的泛化能力，且有很快的學(xué)習(xí)收斂速度，并已成功應(yīng)用于非線性函數(shù)逼近、時(shí)間序列分析、數(shù)據(jù)分類、模式識(shí)別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷等方面[3]。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)鋱D如圖1所示。

1.1 徑向基函數(shù)

σ為基函數(shù)的標(biāo)準(zhǔn)差。σ越小，徑向基函數(shù)的寬度越小，基函數(shù)就越有選擇性。隱藏層基函數(shù)的作用是把向量從低維m映射到高維P，低維線性不可分的情況到高維就線性可分 [4]。

1.2 RBF神經(jīng)網(wǎng)絡(luò)的輸出

（1）網(wǎng)絡(luò)隱層使用K個(gè)隱節(jié)點(diǎn)。

（2）把所有K個(gè)樣本輸入分別作為K個(gè)隱節(jié)點(diǎn)的中心。

（3）各基函數(shù)取相同的擴(kuò)展常數(shù)。

（4）確定權(quán)值可解線性方程組。

RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程分2個(gè)階段：

（1）第1階段的學(xué)習(xí)得到輸入層與隱層之間徑向基函數(shù)的中心和標(biāo)準(zhǔn)差；

（2）第2階段學(xué)習(xí)隱含層與輸出層之間的線性權(quán)值。

RBF神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)恢復(fù)流程如圖2所示。

2 仿真實(shí)驗(yàn)

我們選取了海洋監(jiān)測(cè)項(xiàng)目某一節(jié)點(diǎn)330個(gè)海洋溫度數(shù)據(jù)，其中280個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，50個(gè)數(shù)據(jù)作為測(cè)試數(shù)據(jù)集。設(shè)置RBF神經(jīng)網(wǎng)絡(luò)參數(shù)如表1所列。

利用上述設(shè)置的訓(xùn)練參數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練、驗(yàn)證以及預(yù)測(cè)。仿真實(shí)驗(yàn)結(jié)果如圖3所示。

由以上實(shí)驗(yàn)結(jié)果分析可知，本文提出的算法對(duì)無(wú)線傳感網(wǎng)溫度丟失數(shù)據(jù)的估計(jì)結(jié)果是準(zhǔn)確合理的。

3 結(jié) 語(yǔ)

無(wú)線傳感網(wǎng)數(shù)據(jù)是一個(gè)非常復(fù)雜的動(dòng)態(tài)參數(shù)，它受許多因素的影響，這些因素本身是隨機(jī)變量，各因素之間相互制約、互為因果。因此傳感器節(jié)點(diǎn)丟失數(shù)據(jù)實(shí)際上是一個(gè)多變量、時(shí)變、灰色、高度非線性及復(fù)雜的動(dòng)力學(xué)系統(tǒng)。本文提出的基于神經(jīng)網(wǎng)絡(luò)的WSN丟失數(shù)據(jù)恢復(fù)算法可以較好地恢復(fù)傳感網(wǎng)丟失的數(shù)據(jù)。然而該算法沒(méi)有考慮傳感器節(jié)點(diǎn)的移動(dòng)，未來(lái)我們將在傳感器節(jié)點(diǎn)移動(dòng)的情況下建立數(shù)據(jù)恢復(fù)模型。

參考文獻(xiàn)

[1] E Jabbari，O Talebi. Using artificial neural networks for estimation of scour at the head of vertical wall breakwater[J].Journal of Coastal Research， 2011，99（1）：521-526.

[2] N Vijayakumar，B Plale. Knowledge Discovery from Sensor Data[M]. Boca Raton， Florida CRC Press，2009.

[3]胡順仁，陳偉民，符玉梅.基于神經(jīng)網(wǎng)絡(luò)的不可靠數(shù)據(jù)恢復(fù)研究[J].計(jì)算機(jī)仿真，2007，24（7）：333-336.

[4]葉健，葛臨東，吳月嫻.一種優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)在調(diào)制識(shí)別中的應(yīng)用[J].自動(dòng)化學(xué)報(bào)，2007，33（6）：652-654.

[5]肖少寧，郭欣.交通量預(yù)測(cè)中的神經(jīng)網(wǎng)絡(luò)模型對(duì)比分析研究[J].物聯(lián)網(wǎng)技術(shù)，2015，5（7）：39-41.

[6]謝佳華，劉軍.自由搜索的BPNN在WSNs數(shù)據(jù)融合中的應(yīng)用[J].物聯(lián)網(wǎng)技術(shù)，2015，5（11）：63-65.

[7]王改云，胡錦艷.基于BP神經(jīng)網(wǎng)絡(luò)和蟻群的WSN分簇算法的研究[J].現(xiàn)代電子技術(shù)，2015，38（17）：45-48.

[8]胡順仁，陳偉民，章鵬，等.基于RBF神經(jīng)網(wǎng)絡(luò)的橋梁撓度數(shù)據(jù)恢復(fù)研究[J].儀器儀表學(xué)報(bào)，2006，27（12）：1605-1608.