無線傳感器網絡數據傳輸路徑目標識別方法*

朱永琴，田二林

(1. 黃河交通學院 機電工程學院，河南 焦作 454950； 2. 鄭州輕工業學院 計算機與通信工程學院，鄭州 450003)

目標識別是將一個特殊目標從眾多目標中識別出來的過程，目標識別技術在空間技術以及國防領域均有著十分廣泛的應用[1].將目標識別技術應用至無線傳感器網絡數據傳輸路徑識別中，可有效提高數據傳輸效率，降低數據傳輸能耗，對數據傳輸而言十分重要[2-3].鑒于無線傳感器網絡數據傳輸路徑目標識別的關鍵作用，秦鵬等[4]提出基于異步隱馬爾可夫的目標識別方法.在HSV顏色空間通過背景差分法得到視頻中多目標的準確位置，在多目標位置中，選擇目標位置和方向角當作觀測值.將多目標數據關聯目標問題轉換成軌跡識別問題，利用異步隱馬爾可夫中新增的時間標示以及時變轉移矩陣增強數據關聯的精準性.仿真結果表明，該方法目標識別準確性較為可靠，但過程繁瑣，識別過程所用網絡能耗較高.史鶴歡等[5]提出基于優化CNN的目標識別法.根據主成分分析技術對一組特征集合進行訓練，完成CNN初始化，并將線性修正函數當作非線性函數，對數據特征的局部對比度進行標準化，實現目標識別.但隨著識別時間的延長，識別過程中干擾因素的變動會影響識別精準性，導致該法持久性較差.鄔戰軍等[6]提出基于SR和BP網絡的識別法.算法首先提取空間目標HOG特征，將特征提取結果進行降維，并將降維之后的數據利用BP分類器實施訓練識別.所提方法識別具有較好的穩定性，但識別延遲率較高.

針對當前數據傳輸路徑目標識別相關方法中存在的問題，本文提出了一種基于粒子群的無線傳感器網絡數據傳輸路徑目標識別方法.

1 路徑目標識別算法

1.1 干擾抑制

為更加準確實現無線傳感器網絡數據傳輸路徑目標識別精度，降低識別過程中的網絡能耗，本文對傳感器網絡傳輸路徑中的頻帶干擾進行了抑制[7].抑制過程中，將無線傳感器網絡數據傳輸路徑中兩個相鄰的奇異值的比值進行計算，據此得出數據傳輸空間維數的估計值及數據傳輸路徑噪聲功率估計值，并利用濾波函數將噪聲濾除.

在部分頻帶干擾環境下，無線傳感器網絡數據傳輸矩陣的奇異值變化比較迅速；而信號噪聲子空間中的奇異值變化比較平緩，且比干擾相對應的奇異值小，則可將相鄰奇異值的比值F表示為

(1)

式中：αq+1、αq為兩個相鄰的奇異值；q為奇異值位置.

當F值分布在1周圍時，對無線傳感器網絡數據傳輸空間維數的估計值進行計算，即

(2)

在獲取干擾維數之后，即可確定無線傳感器網絡數據傳輸路徑中信號的噪聲子空間，同時可從中獲取噪聲功率估計值.對噪聲功率估計值進行濾波，可得到無線傳感器網絡數據傳輸路徑原始信號.

1.2 路徑識別過程

基于無線傳感器網絡數據傳輸路徑干擾抑制結果，分別對路徑傳輸效率、路徑剩余負載率、有效帶寬估計值進行計算，得到數據傳輸路徑目標識別決策函數.采用粒子群法對目標函數進行求解，設置粒子群初始化參數，并計算粒子適應度值，更新粒子運行速度和位置，直到達到最大迭代次數或找到數據傳輸路徑目標識別決策函數最優解，以此完成無線傳感器網絡數據傳輸路徑目標識別.

利用平均數據幀的傳輸效率E來表示每條鏈路質量以及擁塞狀況，同時將其當作無線傳感器網絡數據傳輸路徑目標識別判決參數之一.傳輸效率可表示為

(3)

根據式(3)即可獲取整條路徑的數據傳輸效率表達式為

(4)

式中，p為無線傳感器網絡數據傳輸過程中的所有路徑.網絡中任意路徑剩余負載率表達式為

(5)

式中：mi為節點固定數據存儲區域容量的大小；bi為無線傳感器網絡數據緩存區域已經被占的空間大小.

θ=c′lgε

(6)

式中，c′為無線傳感器網絡數據傳輸信道恒定服務率.

在無線傳感器網絡數據傳輸路徑目標識別時，需要判斷路徑優劣，在該過程中，要綜合考量各路徑的質量.本文通過HEAOR路徑選擇法選擇無線傳感器網絡數據傳輸路徑識別決策函數值中最大的路徑，以完成數據傳輸.將數據傳輸路徑目標識別決策函數定義為

F′(E，ηB，LP′，θ)=w1ηB(c)+w2E+

w3LP′+w4θ

(7)

式中：w1、w2、w3和w4為加權因子，其是由各路徑質量所決定的，質量越好，加權因子越大，本文取值分別為0.2、0.6、0.8、1.2；ηB(c)為無線傳感器網絡數據傳輸路徑歸一化后的有效帶寬.

利用粒子群算法對無線傳感器網絡數據傳輸路徑目標識別決策函數進行求解.粒子群的值隨著無線傳感器網絡數據傳輸路徑的變化而變化，設定粒子群初始化取值為20，然后對粒子維數、粒子數量進行設定.對粒子Xi′進行初始化，粒子每維位置、速度于解空間范圍也隨之初始化，各粒子的歷史最優值為pB，各粒子適應度值計算表達式為

(8)

式中：f(Xi′)為粒子的適應度值，并將其中適應度值最小的記作gB；xn″+1、yn″+1為粒子即將要前往的位置橫、縱坐標值；xn″、yn″為粒子當前位置的橫、縱坐標值.

粒子速度更新表達式為

vid(t+1)=Wvid(t)+e1r1+

e2r2[g″d(t)-xid(t)]

(9)

式中：vid(t+1)為更新后的粒子速度；vid(t)為粒子當前速度；e1、e2為加速因子；r1、r2為[0，1]之間的隨機數；g″d(t)、xid(t)為gB和pB中的參數值；W為非負常數，該參數可使得出的粒子速度值不僅可以控制速度權重，還能夠有效提升無線傳感器網絡數據傳輸路徑目標識別速度，即迅速識別出數據傳輸的最優路徑目標[10].

粒子位置更新表達式為

xid(t+1)=xid(t)vid(t+1)

(10)

式中：xid(t+1)為更新后的粒子位置；xid(t)為當前粒子位置.

分別對式(8)～(10)進行迭代，直到達到最大迭代次數或找到無線傳感器網絡數據傳輸路徑目標識別決策函數最優解.

2 實驗結果與分析

以驗證基于粒子群無線傳感器網絡數據傳輸路徑目標識別方法的有效性為目的，在無線Mesh骨干網絡條件下對所提方法進行驗證.無線Mesh骨干網絡是一種無線網狀網絡，是一項與傳統無線網絡完全不同的新型無線網絡.實驗中，將骨干網絡看作源、目的節點的數據傳輸路徑，數據傳輸的起止點為無線Mesh骨干網絡中兩個不同的節點，實驗場景大小為1 140 m×1 140 m.圖1為本文算法與基于優化CNN算法的識別準確率對比圖.

圖1 不同目標識別方法識別準確率對比Fig.1 Comparison of recognition accuracy with different target recognition methods

分析圖1可知，基于優化CNN的目標識別方法識別準確率呈“M”變化趨勢發展，識別準確率最高為80%.基于粒子群的無線傳感器網絡數據傳輸路徑目標識別方法隨著實驗次數和識別時間的不斷增加，識別準確率略有波動，但不影響整體識別準確率的提升，最高可達99%.

表1為本文算法與基于SR和BP網絡算法的識別延遲對比情況.O0代表實驗次數，O1代表基于SR和BP網絡的識別法平均識別延遲，O2代表本文方法平均識別延遲.

由表1可知，在不同的實驗次數下，基于SR和BP網絡的算法總平均識別延遲為10.9 μs，而本文算法的總平均識別延遲為1.8 μs，對比可知所提方法識別延遲更低，更具有可行性.

表2為本文算法與基于異步隱馬爾可夫的目標識別方法的能耗對比情況.U0代表識別時長，U1代表基于異步隱馬爾可夫的目標識別方法識別能耗，U2代表本文算法的識別能耗.

表1 不同方法識別延遲對比Tab.1 Comparison of recognition delay with different methods

表2 不同方法識別能耗對比Tab.2 Comparison of recognition energy consumption with different methods

根據表2得知，基于異步隱馬爾可夫的目標識別方法識別平均能耗為109.3 J，而本文方法識別能耗平均為69.6 J，所提方法相較當前方法運行能耗減少39.7 J，更具實用性.

3 結 論

本文提出了一種基于粒子群的無線傳感器網絡數據傳輸路徑目標識別方法.通過對傳感器網絡傳輸路徑中頻帶干擾進行抑制，提高了目標識別準確率、降低了識別能耗和識別延遲.利用路徑傳輸效率、路徑剩余負載率、有效帶寬估計值制定網絡數據傳輸路徑目標識別的目標函數，并采用粒子群法對目標函數進行求解，進一步提高識別準確性.實驗結果表明，所提方法識別準確率高，且延遲和能耗均較低，具備較好的實用價值.