通信網(wǎng)絡(luò)節(jié)點(diǎn)鄰居探測數(shù)據(jù)多目標(biāo)融合仿真

王寶祥，李莉杰

(河南大學(xué)民生學(xué)院，河南 開封 475001)

1 引言

通信網(wǎng)絡(luò)[1]是根據(jù)許多個(gè)功能類似的小傳感器節(jié)點(diǎn)組成的網(wǎng)絡(luò)框架，它可以自行組織，且有著運(yùn)行速度快、成本低、可靠性以及魯棒性好的優(yōu)點(diǎn)，在此之上它還可以隨節(jié)點(diǎn)位置變化，當(dāng)局部節(jié)點(diǎn)失效后，整個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)系統(tǒng)依然可以正常運(yùn)行，沒有對整體系統(tǒng)有著破壞性影響。多目標(biāo)數(shù)據(jù)融合作為一種獨(dú)特的數(shù)據(jù)處理方法，在研究目標(biāo)識別以及軌跡數(shù)據(jù)跟蹤領(lǐng)域得到了較為重視的發(fā)展，同時(shí)也面臨融合過程干擾因素多、計(jì)算復(fù)雜效率低法問題，在現(xiàn)下網(wǎng)絡(luò)信息發(fā)達(dá)的環(huán)境下，不同種類檢測數(shù)據(jù)設(shè)備的功能也不斷增多，監(jiān)測到的數(shù)據(jù)信息也變得復(fù)雜多變。進(jìn)而導(dǎo)致了多目標(biāo)融合[2]作為一種特殊數(shù)據(jù)處理手段引起了各領(lǐng)域研究人員的重視。

在對目標(biāo)探測的過程中，一個(gè)通信網(wǎng)絡(luò)子節(jié)點(diǎn)需要對其特征提權(quán)，但多數(shù)情況下單個(gè)節(jié)點(diǎn)收集的數(shù)據(jù)并不完整，還會進(jìn)一步影響采集信息的有效性和可靠性，使系統(tǒng)穩(wěn)定性大幅度下降。反之用多個(gè)相鄰節(jié)點(diǎn)對目標(biāo)進(jìn)行同時(shí)提取，可整獲得全部的目標(biāo)信息數(shù)據(jù)，利于提升整體有效性，大幅度降低后續(xù)處理的失誤率。

在對目標(biāo)進(jìn)行數(shù)據(jù)融合時(shí)，最重要的是判斷不同節(jié)點(diǎn)輸入的是否是同一目標(biāo)數(shù)據(jù)，通常使用自動識別系統(tǒng)(AIS)信息方法或基于自適應(yīng)ABC/FOA融合定位算法來分辨。

賀豐收等人[3]提出了一種基于船載自動識別系統(tǒng)(AIS)信息的雷達(dá)航跡融合方法.根據(jù)AIS測量值和雷達(dá)的測量噪聲等級確定融合系數(shù)，保證融合數(shù)據(jù)的合理性;使用融合后的航跡對雷達(dá)測量值作雙波門的數(shù)據(jù)關(guān)聯(lián)處理，優(yōu)化數(shù)據(jù)關(guān)聯(lián)方法，提高源于目標(biāo)測量值的置信度，降低虛警和雜波的影響，進(jìn)一步提高航跡的穩(wěn)健性和跟蹤精度;徐同偉等人[4]提出了一種基于自適應(yīng)ABC/FOA融合定位算法.該算法既吸收了ABC算法的全局尋優(yōu)能力強(qiáng)的優(yōu)點(diǎn)，又保留了FOA算法局部搜索能力強(qiáng)的特點(diǎn);同時(shí)，引入自適應(yīng)概念，對果蠅步長進(jìn)行控制，提高種群多樣性;接下來，對節(jié)點(diǎn)定位誤差函數(shù)進(jìn)行改進(jìn)，提高了節(jié)點(diǎn)定位誤差的區(qū)分度。

但上述方法未對數(shù)據(jù)進(jìn)行預(yù)處理，導(dǎo)致融合效率低。因此，提出通信網(wǎng)絡(luò)節(jié)點(diǎn)鄰居探測數(shù)據(jù)多目標(biāo)融合方法。

2 通信網(wǎng)絡(luò)節(jié)點(diǎn)結(jié)構(gòu)

通信網(wǎng)絡(luò)整體結(jié)構(gòu)是用許多個(gè)無線傳感終端節(jié)點(diǎn)設(shè)備以及監(jiān)控構(gòu)成，網(wǎng)絡(luò)節(jié)點(diǎn)主要負(fù)責(zé)執(zhí)行數(shù)據(jù)收集、預(yù)處理信息等指令。

傳感網(wǎng)絡(luò)節(jié)點(diǎn)可以看做是一個(gè)簡單的微小型嵌入式平臺，并主要由數(shù)據(jù)收集模塊、信息預(yù)處理模塊、無線通信以及電源，這4個(gè)部分組成的。數(shù)據(jù)收集模塊主要負(fù)責(zé)接受指令信息，且把收集后的信號轉(zhuǎn)換為數(shù)字信號，傳送到信息預(yù)處理模塊；信息預(yù)處理模塊負(fù)責(zé)將數(shù)據(jù)收集模塊的信息進(jìn)行處理，且負(fù)責(zé)著整體節(jié)點(diǎn)控制、管理等工作；無線通信模塊則負(fù)責(zé)與其它鄰居節(jié)點(diǎn)進(jìn)行通信，互換彼此的信息并完成地接收發(fā)送數(shù)據(jù)。

為了能夠擴(kuò)展節(jié)點(diǎn)數(shù)據(jù)存儲空間，提高后續(xù)部分的處理效率，本文將數(shù)據(jù)收集模塊單獨(dú)放出來，做成兩塊能相互套接的可擴(kuò)展主板。其結(jié)構(gòu)如圖1所示。

圖1 網(wǎng)絡(luò)節(jié)點(diǎn)結(jié)構(gòu)圖

3 節(jié)點(diǎn)鄰居探測數(shù)據(jù)多目標(biāo)融合

3.1 數(shù)據(jù)預(yù)處理

3.1.1 數(shù)據(jù)灰關(guān)聯(lián)度

為了證明數(shù)據(jù)具有的有效可比性，在進(jìn)行灰關(guān)聯(lián)[5]的過程中，需要針對不同的目標(biāo)特征向量進(jìn)行重新生成處理。

(k=1，2，…，n，j=1，2，…，n2)

(1)

參考的序列X0(k)與比較序列Xj(k)的關(guān)聯(lián)系數(shù)

δj(k)=

(2)

記Δj(k)=|X0(K)-Xj(K)|，則

(3)

δj(k)={δj(k)，k=1，2，…，n}

(4)

把每一個(gè)比較序列中的相關(guān)不同指標(biāo)關(guān)聯(lián)系數(shù)[7]全部都呈現(xiàn)在一個(gè)數(shù)據(jù)值上，此步驟是因?yàn)榉奖氵M(jìn)行比較，該閾值被普遍成為灰關(guān)聯(lián)度。兩個(gè)序列的灰度關(guān)聯(lián)度可以描述為

(5)

(6)

3.1.2 灰關(guān)聯(lián)準(zhǔn)則

在算出表達(dá)軌跡數(shù)據(jù)接近程度的關(guān)聯(lián)度后，下一步驟是根據(jù)關(guān)聯(lián)度來判定這兩個(gè)目標(biāo)之間的相關(guān)性。為了能夠可以有效的判定i(i∈U1)和j(j∈U2)，將會把關(guān)聯(lián)值排序，排序方法是根據(jù)數(shù)據(jù)值的大小，通過最大關(guān)聯(lián)度識別辦法，得到相對的關(guān)聯(lián)序列

(7)

為了能夠更加有效的制約軌跡數(shù)據(jù)關(guān)聯(lián)[8]檢測的完結(jié)和終止，將可以進(jìn)一步導(dǎo)入軌跡數(shù)據(jù)質(zhì)量mil(l)。假設(shè)在l時(shí)判定軌跡數(shù)據(jù)i(i∈U1)j(j∈U2)是相互關(guān)聯(lián)的，那么就有

mil·(l)=mil·(l-1)+1

(8)

否則：

mil·(l)=mil·(l-1)-1

(9)

其中mil·(0)=0。如果mil·(l)≥6，那么軌跡數(shù)據(jù)i和j*就是固定關(guān)聯(lián)的，且在后續(xù)檢驗(yàn)中將會直接進(jìn)行融合，不再進(jìn)行關(guān)聯(lián)測試。

通信網(wǎng)絡(luò)節(jié)點(diǎn)依據(jù)接收到的目標(biāo)信息進(jìn)行相應(yīng)提取處理，隨后就會得到觀測數(shù)據(jù)的特征向量[9]，結(jié)果可作為多目標(biāo)融合的基礎(chǔ)。

在此之前，首先需要對目標(biāo)進(jìn)行識別，后再次將多個(gè)目標(biāo)進(jìn)行綜合處理以及數(shù)據(jù)關(guān)聯(lián)，這一步驟處理可有效提升該目標(biāo)的估測和針對目標(biāo)分類的精準(zhǔn)度，最后經(jīng)過估測和分類將會得到精準(zhǔn)的目標(biāo)識別結(jié)果。

根據(jù)不同的信息抽取程度，以及不同的信息輸入方式來看，多目標(biāo)數(shù)據(jù)融合可以分成三大種類，分別是：數(shù)據(jù)融合、特征融合、決策融合[10]。

數(shù)據(jù)融合需要對每一個(gè)包含數(shù)據(jù)的節(jié)點(diǎn)進(jìn)行監(jiān)測，在提取基礎(chǔ)上融合，這種方法是一種小層次的融合；特征融合是在講所有特征參數(shù)值融合到一起之后，將會得到相對應(yīng)的特征向量，屬于融合后的特征向量，該種方法屬于中層次的融合。

而決策層融合首先針對單個(gè)的傳感器進(jìn)行關(guān)于特征提取，將會得到該目標(biāo)的特征向量，再次針對每個(gè)不同的目標(biāo)特征向量進(jìn)行融合，這個(gè)層次的融合兼顧了上述提到的特征融合、數(shù)據(jù)融合的優(yōu)點(diǎn)及缺陷，同時(shí)也有著比較大范圍的高層決策融合數(shù)據(jù)融合。任意的一個(gè)傳感器內(nèi)包含的數(shù)據(jù)都會經(jīng)過本身的處理模塊，對數(shù)據(jù)進(jìn)行對應(yīng)的處理工作，并且針對目標(biāo)屬性有單獨(dú)的決策，經(jīng)過決策判定出了身份，最后將其結(jié)果進(jìn)行融合，融合后就會得到一個(gè)完整的決策結(jié)果，決策融合有著較好的容錯(cuò)性、適應(yīng)范圍廣等優(yōu)點(diǎn)。

3.2 多目標(biāo)融合實(shí)現(xiàn)

多目標(biāo)數(shù)據(jù)融合是多層次方向的一種信息數(shù)據(jù)處理過程，在這個(gè)過程中針對多目標(biāo)信息的多元數(shù)據(jù)進(jìn)行相對應(yīng)的檢測、互聯(lián)，在此基礎(chǔ)上需要確保狀態(tài)估計(jì)的準(zhǔn)確定以及獲取完整的評估。此融合框架有三個(gè)中心內(nèi)容：

首先：信息融合是根據(jù)多個(gè)信息來源、多個(gè)層次處理后的過程，在這其中每一個(gè)層次都會表達(dá)著不同的信息抽取程度；

其次：信息在融合的過程中，它包含了數(shù)據(jù)監(jiān)測、關(guān)聯(lián)、估測與融合的程序；

最后：信息融合后的輸出包含了數(shù)據(jù)估測以及總評估。

根據(jù)融合的不同層次之分，即可將融合分成五個(gè)基本等級其中分別是：監(jiān)測判定、數(shù)據(jù)位置合并、數(shù)據(jù)目標(biāo)識別、數(shù)據(jù)態(tài)勢評測、威脅估測。上述五個(gè)等級中，前三個(gè)融合功能可以適用于任意的多目標(biāo)數(shù)據(jù)融合系統(tǒng)，后兩個(gè)很少用。這是一種廣義的信息融合功能分級方法，但分層次后顯然會更加易于研究多目標(biāo)數(shù)據(jù)融合。

節(jié)點(diǎn)在到相對應(yīng)的獨(dú)立判定，既可完成變換，節(jié)點(diǎn)根據(jù)順序來融合鄰居節(jié)點(diǎn)的判定屬性。每個(gè)節(jié)點(diǎn)分別探測一個(gè)目標(biāo)，并需要對該目標(biāo)進(jìn)行關(guān)于特征的識取，在識取之后把識別的特征向量進(jìn)行合并融合。在進(jìn)行特征融合的過程中，需要采用關(guān)聯(lián)處理，針對向量進(jìn)行分類。因?yàn)樘卣飨蛄吭谀撤N程度上來講，它具有龐大的數(shù)據(jù)差別量，所以為何位置融合在此過程中有著很大的作用。

將節(jié)點(diǎn)內(nèi)包含的數(shù)據(jù)直接融合，在融合后對其進(jìn)行特征識取與屬性判定。為了能夠更好的直接融合數(shù)據(jù)，在一定程度上該節(jié)點(diǎn)需要是相同的或者屬于同類別。

根據(jù)上述確保被融合的數(shù)據(jù)是直接與目標(biāo)進(jìn)行相對應(yīng)的，需要在初始數(shù)據(jù)時(shí)就完成關(guān)聯(lián)。該方法和位置融合在根本上有著相似點(diǎn)，將接近信源的數(shù)據(jù)融合，將會得到較高的精確度，就是指數(shù)據(jù)融合的精確度要高于特征融合，決策融合的精確度是最差的。但數(shù)據(jù)融合僅僅適用于傳感器，應(yīng)用范圍受限。

圖2 數(shù)據(jù)融合

多目標(biāo)融合在根本上包括了狀態(tài)估側(cè)和融合協(xié)方差[11]兩部分，將數(shù)據(jù)進(jìn)行關(guān)聯(lián)處理僅僅能夠表明，不同的數(shù)據(jù)將會有極大的可能是來源于同一個(gè)目標(biāo)的，在此基礎(chǔ)上對已經(jīng)關(guān)聯(lián)的軌跡數(shù)據(jù)進(jìn)行合并，合并后產(chǎn)生軌跡數(shù)據(jù)系統(tǒng)，并且對融合后的軌跡數(shù)據(jù)協(xié)方差進(jìn)行計(jì)算，以便于針對軌跡數(shù)據(jù)更新。

1) 軌跡數(shù)據(jù)融合

(10)

對應(yīng)的系統(tǒng)誤差協(xié)方差為：

(11)

2)協(xié)方差加權(quán)軌跡數(shù)據(jù)融合

(12)

則dij的協(xié)方差矩陣

(13)

3)自適應(yīng)軌跡數(shù)據(jù)融合

在目標(biāo)融合的過程中，在一些情況下可以用簡單的融合方式，這種情況下也可能得到對應(yīng)的結(jié)果。但在其中將會需要考慮到多種影響因素，需要既能夠達(dá)到硬性要求，也能夠完全考慮到計(jì)算量等條件。面對復(fù)雜情況下，計(jì)算量大，會浪費(fèi)大量時(shí)間，并且繁瑣計(jì)算也會影響后續(xù)融合結(jié)果的精準(zhǔn)度。因此在復(fù)雜情況下，采用自適應(yīng)融合算法就比較簡單，因?yàn)樵摲椒梢栽谝欢ǔ潭壬咸岣咝詢r(jià)比。

4 仿真研究

仿真環(huán)境為Intel(R)Core(TM)i5-2520M處理器+4GB內(nèi)存+Linux操作系統(tǒng)，用MATLAB實(shí)現(xiàn)本課題的所有分析模型。實(shí)驗(yàn)設(shè)備如圖3所示。

圖3 實(shí)驗(yàn)設(shè)備

為了能夠更好的驗(yàn)證整體通信網(wǎng)絡(luò)節(jié)點(diǎn)多目標(biāo)融合的穩(wěn)定性、有效性，將使用不同的融合算法進(jìn)行對比實(shí)驗(yàn)，并對比分析其結(jié)果。融合實(shí)驗(yàn)對比如表1所示。

表1 傳感器網(wǎng)絡(luò)節(jié)點(diǎn)融合對比圖

通過上表1對比后可知，多目標(biāo)數(shù)據(jù)融合前后數(shù)值的變化差距，表中明顯的呈現(xiàn)出了數(shù)據(jù)融合后整體穩(wěn)定性有了大幅度提升了，且針對數(shù)據(jù)零散性有了一定的整合情況。

隨著現(xiàn)在網(wǎng)絡(luò)信息技術(shù)的快速發(fā)展，同時(shí)也因?yàn)槌霈F(xiàn)了更多的人為干擾因素，多目標(biāo)融合的系統(tǒng)整體穩(wěn)定性以及運(yùn)行速度是現(xiàn)下需要面臨的主要問題。

根據(jù)圖4多目標(biāo)融合數(shù)據(jù)對比圖來看，三種方法融合時(shí)間隨著融合目標(biāo)數(shù)目的增多，融合時(shí)間隨之增加，在融合目標(biāo)為160個(gè)時(shí)，文獻(xiàn)[3]方法融合時(shí)間為93s；文獻(xiàn)[4]方法融合時(shí)間為48s；而所提方法融合時(shí)間為21s，具有明顯的優(yōu)勢。所提出的關(guān)于數(shù)據(jù)多目標(biāo)融合方法，能夠在一定程度上讓網(wǎng)絡(luò)節(jié)點(diǎn)系統(tǒng)的運(yùn)行速度更加平穩(wěn)快速。

圖4 融合目標(biāo)時(shí)間對比圖

為了進(jìn)一步驗(yàn)證融合精度，進(jìn)行分仿真，實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 不同方法融合精度對比圖

如圖5所示，文獻(xiàn)[3]方法與文獻(xiàn)[4]方法融合精度較為相近，所提方法融合精度高于傳統(tǒng)方法，大致在75%左右，證明所提方法具有明顯優(yōu)勢，符合實(shí)驗(yàn)?zāi)康摹?/p>

5 結(jié)論

本文提出通信網(wǎng)絡(luò)節(jié)點(diǎn)鄰居探測數(shù)據(jù)多目標(biāo)融合仿真，通過對分析通信網(wǎng)絡(luò)鄰居節(jié)點(diǎn)結(jié)構(gòu)，將數(shù)據(jù)收集模塊分割成兩個(gè)可套用的結(jié)構(gòu)，擴(kuò)大節(jié)點(diǎn)存儲空間，進(jìn)一步提升后續(xù)融合效率。隨后根據(jù)融合灰關(guān)聯(lián)規(guī)則和協(xié)方差確定使用哪種方法融合。通過仿真結(jié)果得知：所提融合方法可大幅度提升通信網(wǎng)絡(luò)節(jié)點(diǎn)整體穩(wěn)定性，同時(shí)進(jìn)一步降低融合速度，具有高精準(zhǔn)度和魯棒性。