無線傳感網(wǎng)絡中的神經(jīng)網(wǎng)絡多級數(shù)據(jù)融合算法

雷宇飛

(泉州信息工程學院， 福建 泉州 362000)

?

無線傳感網(wǎng)絡中的神經(jīng)網(wǎng)絡多級數(shù)據(jù)融合算法

雷宇飛

(泉州信息工程學院， 福建 泉州 362000)

根據(jù)傳感器網(wǎng)絡數(shù)據(jù)間的相關特性，基于神經(jīng)網(wǎng)絡的多級融合算法，利用數(shù)據(jù)間的時間-空間相關特性對采樣數(shù)據(jù)進行二級融合處理，獲得更準確的數(shù)據(jù)。仿真實驗表明，本算法滿足大數(shù)據(jù)環(huán)境下對數(shù)據(jù)精確度的要求。

感知節(jié)點； 神經(jīng)網(wǎng)絡； 置信度； 容錯性

0 引 言

物聯(lián)網(wǎng)技術是當今國際上備受關注的、由多學科高度交叉形成的新興的前沿研究熱點領域，具有全面感知、可靠傳輸、智能處理的特點，能夠?qū)崟r、可靠地獲取目標區(qū)域各種監(jiān)測對象的信息，在軍事和民用中具有廣泛的應用前景[1-2]。WSN是物聯(lián)網(wǎng)技術中的核心技術之一，WSN具有自組織、自恢復、自適應的特點，通過各類集成化的微型終端節(jié)點協(xié)作完成信息采集任務，是當代物聯(lián)網(wǎng)技術的核心環(huán)節(jié)和關鍵技術之一,在十大關鍵技術中榮居榜首[3]。

在WSN中，由于終端節(jié)點具有密度高的特點，而且節(jié)點之間具有自組織性能，因此,采集的數(shù)據(jù)具有時間-空間相關性，同一個數(shù)據(jù)在終端設備的傳送過程中，節(jié)點存儲的數(shù)據(jù)容易形成多個相同數(shù)據(jù)副本，造成存儲資源浪費，形成大量不必要的冗余數(shù)據(jù)，容易造成數(shù)據(jù)傳輸過程中數(shù)據(jù)阻塞，降低傳感器的網(wǎng)絡實時性。另外，終端節(jié)點一般利用隨機分布的方式自主組網(wǎng)，容易受到外界環(huán)境干擾，導致采樣數(shù)據(jù)出現(xiàn)偏差、異常，甚至數(shù)據(jù)丟失的情況，給后續(xù)處理帶來額外的開銷。綜上問題會導致WSN性能下降，影響物聯(lián)網(wǎng)技術的實時性與準確性，而數(shù)據(jù)融合技術能夠有效解決上述問題，是WSN技術中的關鍵技術之一[4]。

數(shù)據(jù)融合技術利用終端節(jié)點的數(shù)據(jù)和一定算法完成對同類數(shù)據(jù)的聚合處理，獲得更少的數(shù)據(jù)量和更精確的數(shù)據(jù)值，一般原理結(jié)構(gòu)如圖1所示[5]。

圖1 數(shù)據(jù)融合的流程圖

利用數(shù)據(jù)融合可以有效減少數(shù)據(jù)傳輸量。降低數(shù)據(jù)沖突，減輕網(wǎng)絡堵塞，從而有效地節(jié)省能量開銷，起到延長網(wǎng)絡壽命的作用[5]。

均值估計算法[6]是將網(wǎng)絡中多個節(jié)點的采樣數(shù)據(jù)進行取均值處理。當采樣數(shù)據(jù)樣本足夠大時，估計值趨于真值；自適應加權融合算法[7]是基于卡爾曼濾波原理的最小方差意義下遞推估計算法，利用總的均方誤差最小的條件，自適應地對各個節(jié)點權值進行匹配，使得結(jié)果達到最優(yōu)。由于采樣真值存在時間上的差異，同時節(jié)點間采用的數(shù)據(jù)值也存在一定的偏差，所以會造成權值估計出現(xiàn)偏差，估計復雜度較高，不適用于傳感器節(jié)點。基于信任度的估計算法[8]利用了數(shù)據(jù)之間的偏差程度來估計數(shù)據(jù)的有效性，最后融合有效數(shù)據(jù)，得到較為可靠的數(shù)據(jù)結(jié)果，該算法只考慮采樣數(shù)據(jù)的空間相關特性，忽略了節(jié)點采樣值是一個隨機變量和采樣方差對數(shù)據(jù)的影響，得到的結(jié)果存在一定的偏差。

文中在現(xiàn)有傳感器網(wǎng)絡網(wǎng)內(nèi)融合算法的基礎上,根據(jù)傳感器網(wǎng)絡數(shù)據(jù)間的相關特性，提出了一種基于神經(jīng)網(wǎng)絡的多級融合算法MLFA(Multi-level fusion algorithm based on Neural Network)，利用數(shù)據(jù)間的時間-空間相關特性對采樣數(shù)據(jù)進行二級融合處理，獲得更準確的數(shù)據(jù)。

1 MLFA算法

1.1 MLFA算法的模型

對采集數(shù)據(jù)進行相關性的分析，利用傳感器網(wǎng)絡中終端節(jié)點設備采樣數(shù)據(jù)的空間相關性，對同一時間的采樣數(shù)據(jù)進行一致性檢驗，消除在采樣過程中由于設備異常或者損壞導致異常的數(shù)據(jù)，然后利用神經(jīng)網(wǎng)絡自學習理論對節(jié)點方差進行估計，最后匹配權值。算法模型如圖2所示。

圖2 MLFA算法的原理框圖

1.2 基于置信矩陣的初級融合

在傳感器網(wǎng)絡中，傳感器節(jié)點容易受到外界環(huán)境因素的干擾(包括溫度、濕度和天氣等因素影響),導致節(jié)點采樣數(shù)據(jù)出現(xiàn)不同程度的偏差,甚至出現(xiàn)異常數(shù)據(jù)，因此,需要對一次采樣數(shù)據(jù)進行初級融合，消除異常數(shù)據(jù)對融合結(jié)果的影響。

假定在監(jiān)測區(qū)域中部署了n個傳感器，節(jié)點同時采集相同類型的數(shù)據(jù)。其中狀態(tài)觀測方程如下：

式中：x----一維狀態(tài)量;

X----n維測量向量，設X=[x1x2…xn-1xn]T；

e----n維測量噪聲向量，包含傳感器的內(nèi)部噪聲和環(huán)境干擾噪聲，設e=[e1e2…en-1en]T；

H----已知的n維常向量,設H=[1 1 … 1 1]T。

其中，各傳感器的測量值彼此相互獨立，且為無偏估計。

式中：xi----傳感網(wǎng)絡單次采集數(shù)據(jù)，i=1,2,…,n；

Dij----節(jié)點i與節(jié)點j采樣數(shù)據(jù)的偏差程度。

Dij越大，表示節(jié)點i和j的采樣數(shù)據(jù)值之間偏差越大。由式(2)構(gòu)建一個偏差矩陣Dn表示一次采樣中傳感器間的數(shù)據(jù)偏差程度。

Dij的值越小,表示節(jié)點i和j的采樣數(shù)據(jù)越相近，數(shù)據(jù)間的相關程度越高，故可用1/Dij表征傳感器之間的支持程度：

由式(3)可知,vii=0，這里令vii?vij，由式(4)計算出各個傳感器數(shù)據(jù)間的支持度。由誤差矩陣Dn可以得到傳感器間的置信矩陣：

由于關系矩陣Rn為非負矩陣，根據(jù)Perron-Frobenius定理可知，Rn存在最大的特征值λ>0，且對應正特征向量Z=[z1,z2,…,zn]T，則有RnZ=λmaxZ,由此定義節(jié)點i的權值：

由此,單次采樣數(shù)據(jù)的融合結(jié)果為：

利用數(shù)據(jù)間空間相關性并進行數(shù)據(jù)融合處理，有效消除了異常數(shù)據(jù)對融合結(jié)果的影響。

1.3 基于神經(jīng)網(wǎng)絡的二級數(shù)據(jù)融合

學習規(guī)則[9]：誤差修正學習方法是神經(jīng)網(wǎng)絡學習中的一個重要方法，具體描述如下：

式中:λ----學習因子；

dj，yj----第j個神經(jīng)元的期望與實際輸出；

xi(n)----第j個神經(jīng)元的第i個輸入。

由于終端設備都存在采樣誤差，僅考慮數(shù)據(jù)空間相關性進行融合時，融合結(jié)果的精度依然無法保證，一旦終端節(jié)點采樣偏差很大，仍然無法得到精確度高的數(shù)據(jù)。MTFA算法利用神經(jīng)網(wǎng)絡誤差修正學習方法[3-8]對節(jié)點的方差進行估計，最后匹配權值。

單次采樣時，傳感器i的方差為：

假設終端節(jié)點進行m次采樣，由于傳感器的測量噪聲是平穩(wěn)隨機過程，具有各態(tài)歷經(jīng)特性，因此，應用神經(jīng)網(wǎng)絡誤差修正學習方法對終端節(jié)點的方差進行樣本訓練，更新方差估計值，直到趨于一個穩(wěn)定值。故傳感器i的方差估計值為：

進一步寫成遞推公式：

其中,學習因子λ=1/m，隨著新樣本的加入，對傳感器方差進行修正，趨于穩(wěn)定值。然后利用在滿足最小均方誤差的條件，重新修正終端節(jié)點本次采樣的權值W。最后由式(11)計算二次融合結(jié)果：

1.4 算法的復雜度分析

假設N個傳感器節(jié)點對同一目標參數(shù)進行數(shù)據(jù)監(jiān)測，當傳感器節(jié)點采樣一次后進行數(shù)據(jù)融合時，MTFA算法只需進行N次計算就可以求出傳感器方差，計算復雜度為O(N)。與自適應加權融合算法相比顯著降低了算法的復雜度。

2 實驗仿真與結(jié)果分析

文中采用MATLAB進行仿真，仿真數(shù)據(jù)采用文獻[9]的監(jiān)測參數(shù)。文獻中的實驗參數(shù)來自對倉庫溫度進行監(jiān)測的實際設備參數(shù)指標，具有一定程度的可信度。分別采用均值估計算法、自適應加權融合算法、基于信任度的融合算法和MTFA算法進行數(shù)據(jù)融合,實驗仿真參數(shù)見表1。

表1 實驗仿真參數(shù)

2.1 方差估計的有效性

采用MTFA算法時傳感器的權重值隨采樣次數(shù)變化的情況如圖3所示。

圖3 MTFA算法權值隨采樣次數(shù)變化圖

由圖3可以看出，采樣改進的多傳感器融合算法隨著采樣次數(shù)的增加，各個傳感器的權值趨于穩(wěn)定值,而且算法的收斂速度快。

LMS算法權值隨采樣次數(shù)變化如圖4所示。

圖4 LMS算法權值隨采樣次數(shù)變化圖

由圖4可知，自適應加權融合算法在目標參數(shù)變化的情況下，估計方差值會出現(xiàn)波動現(xiàn)象，方差估計值收斂速度較慢。

仿真結(jié)果表明了MTFA算法方差估計的有效性，而且權值收斂比自適應加權融合算法更快，更符合傳感器的處理性能。

2.2 融合結(jié)果的誤差分析

不同算法的融合結(jié)果隨采樣次數(shù)的變化情況如圖5所示。

圖5 不同算法的融合誤差比較

由圖5可以看出，隨著采樣次數(shù)的增加，均值估計算法、自適應加權融合算法、基于信任度估計算法和MTFA算法的誤差值分別為：0.130、0.162、0.165和0.100。

仿真結(jié)果表明,當只采用一級融合，即只基于信任度進行估計真值時，融合結(jié)果存在較大誤差，估計性能甚至比均值估計算法更差，因此有必要進行二級融合。

與均值估計算法、LMS算法和基于信任度融合算法相比，MTFA算法的融合誤差最小，融合精度高。因此，MTFA算法在進行融合處理時更具優(yōu)勢，融合結(jié)果也更加貼近實際的真實情況，精度更高。特別是在如今的大數(shù)據(jù)環(huán)境中，能夠更好地利用數(shù)據(jù)間的相關性，融合出更準確的結(jié)果，有利于作出正確的決策。

2.3 容錯性能分析

由于傳感器的硬件限制，容易受到人為因素或者自然環(huán)境因素的干擾，容易產(chǎn)生異常數(shù)據(jù)，因此有必要對算法的容錯性能進行分析。我們還是用絕對誤差作為評價標準。假設第8個傳感器的測量方差為5，用來模擬異常數(shù)據(jù),實驗仿真參數(shù)見表2。

表2 實驗仿真參數(shù)

異常數(shù)據(jù)情況下，不同算法的融合結(jié)果隨采樣次數(shù)的變化情況如圖6所示。

圖6 數(shù)據(jù)異常情況下融合結(jié)果的誤差曲線

由圖6可以看出，當存在異常數(shù)據(jù)時，采用4種不同的融合算法進行數(shù)據(jù)融合，融合結(jié)果的絕對誤差分別為：均值估計算法的誤差0.24,LMS算法的誤差0.19,基于信任度融合算法的誤差0.16,MTFA算法的誤差0.10。

仿真結(jié)果表明，當存在異常數(shù)據(jù)時，與其他3種算法相比，MTFA算法的融合誤差最小，抗干擾性能最好。因此，MTFA算法具有更好的容錯性能。

3 結(jié) 語

MTFA算法首先基于置信矩陣利用數(shù)據(jù)的空間相關性對采樣數(shù)據(jù)進行初級融合，保證數(shù)據(jù)結(jié)果更接近真值，然后利用終端節(jié)點的時間相關性，運用神經(jīng)網(wǎng)絡誤差修正的方法重新修正權重，算法計算量更小，適合傳感器處理。MATLAB仿真實驗結(jié)果表明，與現(xiàn)有的數(shù)據(jù)融合算法相比,MTFA算法的融合精度更高，算法的收斂性快，而且在異常數(shù)據(jù)情況下，文中提出的多傳感器融合算法的容錯性能更好。在大數(shù)據(jù)環(huán)境下，可以更好地利用數(shù)據(jù)間的相關性，融合出可靠性高的結(jié)果，有利于作出正確的決策。

[1] Yi S, Naldurg P, Kravets R. Security-aware ad hoc routing for wireless networks[C]//Proceedings of the 2nd ACM international symposium on Mobile ad hoc networking & computing. [S.l.]: ACM,2001:299-302.

[2] 高良誠,劉杰,李江華.保證服務質(zhì)量的無線傳感網(wǎng)節(jié)能跨層路由算法[J].長春工業(yè)大學學報,2016,37(1):63-68.

[3] Singhal D, Garimella R M. Simple Median based information fusion in wireless sensor network[C]//2012 International Conference on.IEEE.[S.l.]: Computer Communication and Informatics (ICCCI),2012:1-7.

[4] 沈麗艷,馬春龍.基于數(shù)據(jù)融合的土壤電導率測量方法[J].長春工業(yè)大學學報：自然科學版,2012,33(2):151-154.

[5] Rout R R, Ghosh S K. Enhancement of lifetime using duty cycle and network coding in wireless sensor networks [J]. Wireless Communications, IEEE Transactions on,2013,12(2):656-667.

[6] 曾黎.多傳感器數(shù)據(jù)融合的數(shù)學方法研究[J].云南民族大學學報：自然科學版,2010,19(5):321-324.

[7] 張陽,沈明霞,孫玉文,等.基于多傳感器自適應加權融合的溫室信息系統(tǒng)[J].傳感器與微系統(tǒng),2014,33(6):100-103.

[8] 劉克中,莊洋,周少龍,等.基于節(jié)點感知信任度模型的無線傳感網(wǎng)絡事件檢測方法[J].北京郵電大學學報,2015,38(1):61-66.

[9] 陳延偉,施江天,吳艷茹,等.基于神經(jīng)網(wǎng)絡的多傳感器信息融合技術在移動機器人中的應用[J].長春工業(yè)大學學報：自然科學版,2008,29(5):550-555.

[10] 白玉艷,嚴偉榆,楊自瓊.基于S3C2440和多傳感器數(shù)據(jù)融合的煙葉倉庫溫濕度監(jiān)測系統(tǒng)設計[J].安徽農(nóng)業(yè)科學,2012,40(8):5010-5011.

Neural multi-layer data fusion algorithm in wireless sensor network

LEI Yufei

(Quanzhou Institute of Information Engineering, Quanzhou 362000， China)

Based on the corrections among the sensor network data, a multi-layer data fusion algorithm is applied for second-level fusion according to the space-time correction of the data to get more accurate data. Simulation results indicate than the algorithm can meet the needs of data precision under huge data environment.

sensor node; neural network; confidence degree; fault tolerance.

2017-01-25

福建省中青年教師教育科研項目(JAT160613)

雷宇飛(1981-)，男，漢族，福建泉州人，泉州信息工程學院講師,碩士，主要從事計算機網(wǎng)絡、數(shù)據(jù)庫技術方向研究,E-mail:13636926060@163.com.

10.15923/j.cnki.cn22-1382/t.2017.2.10

TP 393

A

1674-1374(2017)02-0155-07