基于徑向基網絡的WSN跨應用能耗控制方案

劉冰月

摘? 要：針對無線傳感網節點資源受限，以及很難更換電池等問題，如何有效降低節點能耗成為研究關鍵點。現有文獻大多針對單一應用單獨設計解決方案、單獨評價方案效能，而實際上單一節點通常執行多個應用，因此需要研究基于跨應用的最優化能耗控制方案，使用基于神經網絡徑向基函數的k均值聚類自組織算法估算聚類中心、并使用最小均方差算法調整和修正聚類中心到輸出點的權重矩陣以改善收斂速度，最終實現數據融合、設計跨應用資源調度方案，可以實現節點能耗控制。仿真實驗結果表明，隨著節點運行輪次增加，本文算法的節點能耗顯著降低。

關鍵詞：無線傳感網;能耗控制;跨應用;徑向基函數

中圖分類號：TP393? ? ?文獻標識碼：A

A Cross-application Energy Saving Mechanism Based on?RBF for Wireless Sensor Networks

LIU Bingyue

（Department of Software Engineering，Dalian Neusoft Institute of Information，Dalian 116023，China）

Abstract：With regard to the problems of constrained node resources and difficult battery replacement，how to reduce energy consumption of nodes has become a key research point.Existing literature mostly aims at the single application to design scheme and performance evaluation protocols.Since a single node executes more than one application，it is a new challenge to make an optimal energy control based on cross-application.The paper proposes a cross-application energy saving mechanism based on RBF for Wireless Sensor Networks to control node energy consumption.Then adjust and modify the weight matrix of the cluster center by Least Mean Square algorithm to realize data fusion.The simulation experiment results show that the node energy consumption can be significantly reduced after several rounds.

Keywords：wireless sensor network;energy saving;cross-application;radial basis function

1? ?引言（Introduction）

無線傳感器網絡通常由上百萬甚至上千萬節點通過自組織的方式構成網絡，節點分布密度較大，而節點本身的計算能力、存儲能力和存儲能量的能力均十分有限，并且經常部署到條件惡劣的無人環境中，很難對節點進行更換，因此如何在保證節點正常工作的情況下盡可能地減少能量消耗成為無線傳感網的一個重點研究問題。為了解決這個問題，無線傳感器網需要引入各種用于抑制網絡覆蓋面積萎縮、抑制網絡空洞、延長網絡壽命的功能和應用，而這種做法導致一個節點上的應用增多從而造成在資源受限的情況下承擔多種功能的局面。

現有的解決方案大多考慮的是節點上某一個應用來單獨設計、單獨評價方案的有效性，力求使節點的有限資源能夠滿足單個應用的能耗要求，而當多個應用組合后，則很難做到所有應用的最優化協同和整體能耗控制。

2? 研究現狀（Current status of energy saving mechanisms）

由于無線傳感網中節點的能量消耗主要來自于數據感知、數據計算和數據通信等幾方面，其中，數據通信的單位能耗是最高的[1]，目前對于無線傳感網的能耗控制研究主要集中于如何減少節點間數據通信次數、有效進行數據融合等方面。文獻[2]提出了一種基于簇頭選舉算法的能量控制方案。文獻[3]研究了數據采樣過程中基于數據感知方法的能耗控制策略。文獻[4]研究了無線傳感網中現有的數據融合算法。文獻[5]提出Duty cycling概念來管理節點的激活與休眠兩種狀態的切換，通過使節點盡可能多地休眠達到節省能耗延長壽命的目的。

現有應用大多采用分立開發的方式，各應用按照自己的應用需求進行網絡通信的設計，調用節點提供的通信API去實現。這樣各應用有不同的數據包結構、有不同的節點休眠與激活調度。此外，在無線傳感器網絡中，節點間的通信通常就是發生在相鄰的節點之間，因此，當多種應用分立開發時，相鄰的兩個節點之間進行重復通信的可能性很大。為了提高信息在應用之間的使用效率，需要重點解決以下三個方面的問題：消息的“復用與分解”;跨應用的數據共享;服務提供方式（應用編程接口設計）。本文主要針對跨應用數據共享和數據融合這一問題進行研究。

3? 跨應用能耗控制方案設計（Design of a cross-applications energy saving mechanism）

由于無線傳感網各節點分布密度較大，節點上的各應用經常會采集、存儲或傳輸大連冗余信息，從而消耗過多的資源和能量。利用節點本地計算和存儲能力來進行數據融合，減少冗余信息，降低通信數據量，這樣就能夠減少無線傳感網節點的能量消耗，從而達到延長節點壽命、降低資源負荷等目的。

為解決以上問題，本文提出跨應用能耗控制方案。本文從跨應用數據共享和數據融合這一方面入手，通過建立一個數據中心，如圖1所示，將各應用需要通過無線通信交互獲得的數據轉變為訪問本地數據，各應用不再直接使用無線通信功能。數據中心通過調度器自行維護各應用所需數據的時效性。通過這種方式謀求各應用間的數據共享，避免重復通信，達到節點整體的資源優化使用。

這里的數據存儲單元在進行數據存儲時，由于來自多個應用的數據信息量較大，并且具有不同的數據類型，但數據之間也存在多種聯系或冗余，在進行數據存儲時，需要根據上層應用數據的相似性進行數據融合，并根據各應用需求進行最大可能的壓縮數據。

當前主要技術方向是基于提供的樣本數據的相似性進行分類，可以借助神經網絡的學習算法有效地實現數據融合的智能化。使用特定的學習算法參照訓練樣本值進行不斷地調整和修正權值，從而實現神經網絡對大量不確定數據進行推理，由于神經網絡的非線性逼近能力，可以在對訓練樣本進行學習并不斷調整和修正權值之后，建立起有效的神經網絡數據融合模型。

數據中心屬于更特殊的節點設備，系統的模塊化使得節點可以根據環境條件配備不同類型的傳感器，而數據中心可以整合所有類型的數據。當節點休眠時，通常只啟動數據采集模塊和數據融合模塊，當數據中心檢測到節點被激活時，它將打開通信模塊，這種機制可以顯著降低節點功耗。更重要的是，數據中心所采用的數據融合算法會大大減少通信數據量和通信次數，從而節點能耗也隨之下降[6-9]。

4? 基于徑向基函數的數據融合算法（Data fusion?algorithm based on radial basis function）

由于無線傳感網中各傳感器節點獲得的信息數據量非常大，數據的類型也是各種各樣的，這就要求數據融合系統能夠通過不斷的學習，準確的理解和掌握這些數據之間的聯系。另外，傳感器節點從外界采集的數據具有不可靠、不完備等特點，從而要求數據融合系統必須具有較好的容錯性。神經網絡由于自身的特點可以很好地滿足以上要求。

本文選擇徑向基函數作為神經網絡的隱層激活函數。為了設計一個符合實際需求的RBF神經網絡，在得到足夠的訓練樣本后，需要解決以下問題：

首先，必須確認神經網絡中的隱節點數，然后確定各個聚類域的聚類中心、擴展常數和輸出權重矩陣。構建神經網絡的核心是選擇樣本聚類中心。最便捷的方法是將所有樣本作為一個聚類中心。這種方法的優點是計算復雜度較低，適用于變量較少的小型網絡[10]。

如圖2所示，假設神經網絡中有N個輸入，K個隱節點和M個輸出。假設輸入向量為，是輸出權重矩陣，是網絡輸出向量集合，是第i個隱節點的激活函數。

在圖2中，數據中心從應用層接收到的各類型數據作為輸入樣本，中間層是隱層，由隱節點構成，變換函數采用RBF函數，本文使用徑向高斯函數作為中心點的徑向平衡衰減非負和非線性函數[11]。輸出層采用線性激活函數。

在RBF中選擇聚類中心有很多種方法。本文使用了一種稱為k均值聚類的自組織方法。該算法有兩個階段：自組織學習階段和監督學習階段。在第一階段，它將估計聚類的中心，然后再根據期望值的均方誤差和第二階段的輸出值不斷調整權重。

5 仿真實驗結果（Simulation experiment and?performance analysis）

本文使用ZigBee模塊組建網絡，利用Arduino工具開發ZigBee驅動并嵌入單片機構成中心節點，使用MATLAB仿真工具，在30m×30m的區域內隨機放置500個傳感器節點，組成仿真神經網絡。所有節點相互連接，并且各節點的初始能量設置為相同。中心節點通過最小均方差算法不斷修正權重矩陣和閾值，并發送到終端節點。終端節點傳感器通過新的權重矩陣和閾值進行數據融合，通過單片機編程進行采樣結果的監測和分析，進而對比本文的能耗控制策略和數據融合算法與傳統BP算法的性能。

如圖3所示，本文算法通過節點上的跨應用資源調度方案達到能量傳輸自適應，可以降低節點在傳輸周期內的工作強度，并且依據算法進行數據融合，與采用周期輪詢方式的DSPC算法相比，經多個回合執行之后，本文算法的節點能量消耗總量低于傳統算法的能量消耗總量。

與采用傳統BP算法的普通節點相比，采用本文改進后的算法的節點的生命周期也有著顯著改善。隨著節點數量的不斷提高，信息傳輸也將消耗相對較高的功率。在這種情況下，本文提出的算法的優點將更為明顯。圖4對比了本文算法和傳統BP算法在不同節點數量時的收斂速度。從實驗結果可以看出，當單片機CPU頻率高于2000Hz時，算法收斂速度僅和節點數目有關。

通過以上仿真實驗結果可以看出，優化后的數據融合算法能夠有效地降低節點能耗，將優化融合算法應用于無線傳感器網絡的ZigBee網絡，可以達到遠距離、低功耗信息傳輸的目的。

6? ?結論（Conclusion）

目前無線傳感器網絡的關鍵問題是如何在資源受限的條件下使各種應用最佳地協同工作。為解決實施過程中的關鍵問題，本文給出了一種新的解決方案。

解決方案從兩個方面考慮共享多個應用的數據：數據存儲和數據通信。它可以提高數據存儲的效率，減少重復的通信。另外，引入了數據中心節點進行數據的調度、維護和本地存儲，以減少通信次數。在數據存儲方面，使用人工神經網絡數據融合算法進行數據融合。該算法目前基于原始檢測數據進行數據信息的分析和融合，將來的工作是，對數據進行特征抽取，依據提取的特征信息對多個傳感器節點、多應用的數據進行分析和歸類，然后進行目標狀態和特征的數據融合。

在分析目前無線傳感器網絡研究的基礎上，協調各種應用資源、加強應用信息共享是控制能源消耗的新突破。本文是在上述研究熱點的基礎上對節點運行多個應用程序時能耗控制的基本解決方案和關鍵技術進行研究，研究成果可以應用于無線傳感器網絡或類似的物聯網結構。

參考文獻（References）

[1] Yu Shaojun.Dynamic energy consumption analysis and test of node in wireless sensor networks[C].Proceedings of 2017 13th IEEE International Conference on Electronic Measurement & Instruments （ICEMI），2017（8）：1481-1488.

[2] Sivasankar P T，Ramakrishnan M.Energy efficient life time in wireless sensor network using cluster head election based on hit set[J].Emerging Trends in New & Renewable Energy Sources and Energy Management，2015：140-142.

[3] Soufiene B.Secure.Data Aggregation with MAC Authentication in Wireless Sensor Networks[J].2013 12th IEEE International Conference on Trust.Security and Privacy in Computing and Communications，2013：188-194.

[4] Zhang Q.Cooperative Data Reduction in Wireless Sensor Network[J].Globecom 2012-Adhoc and Sensor Networking Symposium，2012：646-651.

[5] Shouwen Lai.Duty.Cycled Wireless Sensor Networks Wakeup scheduling，Routing and Broadcasting[M].A thesis submitted to Virginia Polytechnic Institute and State University，Virginia，2010.

[6] Xiaoxiao Liang.Research on Wireless Sensor Networks Data Fusion Algorithm Based on COA-BP[C].peer reviewed papers from the 4th International Conference on Intelligent Structure and Vibration Control（ISVC 2014），2014（4）：226-229.

[7] Li Li，Li Weijia.The analysis of data fusion energy consumption in WSN[J].International Conference on System Science，Engineering Design and Manufacturing Information，2011：310-313.

[8] Zhao X，Wang J.An algorithm of data fusion using neural network[J]，International Conference on Electric Information and Control Engineering，2011：2950-2953.

[9] Izadian，Roshanak，Manzuri.Energy-saving technologies of WSN[J].Advanced Materials Research，2013，605：566-569.

[10] 羅丹.一種改進的BP神經網絡WSN數據融合方案[J].信息技術，2017（02）：155-160.

[11] 樊雷松，強彥，趙涓涓，等.無線傳感網中基于BP神經網絡的數據融合方法[J].計算機工程與設計，2014，35（01）：62-66.