基于自組織圖算法的水下傳感器網絡優化部署研究

梁靜霖 ,孫 茜, 王小藝 ,許繼平, 王 立,楊增順

(1.北京工商大學 人工智能學院，北京 100048;2.北京航天測控技術有限公司，北京 100041 )

0 引言

海洋是生命的搖籃，人類以及地球上所有生命都依賴于海洋，海洋對于人類社會生存和發展具有重要意義[1]。近年來, 隨著各沿海國家對領海主權的日益重視和海洋資源爭奪的日益白熱化, 以及水下無線傳感器網絡(UWSNs, underwater wireless sensor networks)在海洋環境監測、海洋數據收集、地質災害預報等領域的重要應用價值, 水下傳感器網絡研究及應用得到了越來越多的關注，已成為當前研究熱點之一[2-3]。水下傳感器網絡部署是水下傳感器網絡應用的基礎, 具有重要的研究意義[4]。

水下環境復雜多變，常伴有隨機事件的發生。針對隨機事件的發生，國內外許多學者對UWSNs的傳感器部署進行了深入的研究。文獻[5]針對水環境中隨機事件的突發性和不確定特點，提出一種差別于傳統魚群行為的類魚行為部署方法。該部署方案通過初始部署傳感器和類魚探索行為來實現擴展傳感器搜尋空間的目的，有效提高了水下隨機事件的覆蓋率，提高了傳感器節點能效。文獻[6]針對水域中存在的某些孤立的隨機事件提出了一種分層不均勻分簇的傳感器優化部署算法。首先通過靜態分層部署方式，進行概率統計分析，然后推導出無線傳感器網絡的部署期望值和分布密度，并進行分簇，在保證網絡連通性的前提下，可以有效提高網絡覆蓋率，延長網絡生命周期。文獻[7]在事件驅動下，針對隨機事件的優先模型和節點感知誤差函數推導出基于Voronoi剖分時感知誤差最小，并定義了傳感器有效覆蓋權值，然后結合虛擬力提出一種分布式優化算法，在能夠快速實現對區域部署的同時，也保證了較高的覆蓋率。文獻[8]針對水域中水流等因素導致隨機事件具有突發性和不確定的問題，受到魚群運行機制的啟發，提出了一種模擬魚群覓食行為的傳感器優化部署算法，使得傳感器能夠自主地向隨機事件移動，同時通過構建信息池，使互相連通的傳感器節點可以共享數據信息，增強傳感器的搜索能力，避免節點盲目移動，減少節點移動過程中的能量消耗，并有效提高了事件覆蓋率。

雖然專家學者們做了大量的研究，但由于水下環境的動態性，隨機事件往往是突發的和不確定的，這為水下無線傳感器網絡部署帶來了很大的困難。為此，針對隨機事件的突發性，提出了一種基于自組織圖算法(SOM, self-organizing map)的水下無線傳感器網絡優化部署方案。首先在水環境中隨機部署傳感器，預設隨機事件呈L型不均勻分布，當隨機事件發生在傳感器感知范圍外時，采用自組織圖算法確定水下傳感器需要移動到的目標位置以達到有效監測的目的。在Matlab平臺上進行仿真實驗，驗證了自組織圖算法在水下傳感器網絡優化部署中的可行性和優越性。

1 水下傳感器網絡體系結構

在水下傳感器網絡中，傳感器節點通常被部署在水下監測區域，通過水下節點感知監測區域的海洋信息，達到監測的目的。水下無線傳感器網絡是一種特殊的水下監測系統，它是由一定數目的具有智能感知和通信能力的傳感器組成，這些傳感器可以在一些水下輔助設備例如自主式水下航行器(AUV, autonomous underwater vehicle)的幫助下進行移動以達到實時監測水環境的目的[9-10]。

圖1為水下無線傳感器網絡結構圖。將若干個具有感知和通信能力的傳感器隨機部署在監測水域中，在傳感器節點部署完成之后，水下無線傳感器網絡可以對節點感知范圍內的各種物理信息(如溫度、聲音、壓力、pH值等)進行實時采集并監測，然后將傳感器節點監測到的各種信息數據通過聲波通信以一跳或者多跳的傳播方式傳輸到水面的匯聚節點或者基站[11]，隨后匯聚節點或者基站將收集到的物理信息利用電磁波轉發到衛星，最后衛星或者互聯網將其所收集的海洋數據信息傳輸到數據處理中心進行處理，達到有效監測水環境的目的。

圖1 水下傳感器網絡結構

2 模型建立

水下傳感器網絡由m個具有感知能力和通信能力的移動傳感器節點組成，用Si表示水下傳感器網絡中第i個傳感器節點，S={S1,S2,...Sm}為傳感器節點的集合。在同構網絡中，所有傳感器節點具有相同的屬性，設置任意傳感器節點Si均具有相同的感知半徑和通信半徑r。節點隨機部署在面積范圍一定的二維區域內，m個傳感器之間使用無線方式進行通信，且都具有移動性，在一定的通信協議下，它可以移動到網絡區域內的任意位置。傳感器節點能夠感知監測區域的物理信息，并與其鄰居節點進行通信，以獲取鄰居節點的狀態信息。傳感器節點的任務是感知其覆蓋范圍內的隨機事件，收集海洋數據信息并保持節點間的連通性，通過聲波通信以一跳或者多跳的方式進行傳播。節點通過節點間的自組織，對水環境進行監測[12-13]。

2.1 節點感知模型

在水下無線傳感器網絡中進行傳感器節點的部署研究，比如隨機事件監測問題，則需要對傳感器節點的感知模型進行研究。節點感知模型與水下傳感器收集數據信息的服務質量以及無線傳感器網絡的整體監測效果緊密相關。

二維平面上，水下傳感器節點感知模型的感知區域是一個以傳感器節點為圓心，節點的感知半徑r為半徑的圓形區域D=πr2，如圖2所示。

圖2 水下傳感器節點感知模型

設二維空間中傳感器節點Si的坐標為(xi,yi)，任意一點P的坐標為(xj,yj)，那么該點到傳感器節點的歐式距離如式(1)所示：

(1)

點P被傳感器節點Si感知的概率如式(2)所示：

(2)

若點P在傳感器感知范圍內，則被監測到的概率為1，否則為0。

2.2 基于隨機事件的監測模型

水下傳感器網絡的任務是采集并監測水環境中的各種數據信息(如溫度、聲音、壓力、pH值等)。水下傳感器節點部署，即是通過某種方式在水域中對傳感器進行合理部署，達到實時監測的目的[14-15]。水下傳感器部署和陸地傳感器部署相比具有特殊性[16]，水下環境比較復雜，隨機事件具有突發性和不確定的特點，因此需要考慮隨機事件發生時傳感器如何能夠根據環境和隨機事件的變化自主調整位置，以達到實時監測隨機事件的目的。

當隨機事件位于傳感器的覆蓋范圍內時，可以被節點有效監測，反之則無法被傳感器監測。傳感器監測隨機事件的模型如圖3所示。

圖3 傳感器監測隨機事件模型

3 基于SOM算法的傳感器優化部署

水下復雜環境發生隨機事件并且事件發生在傳感器覆蓋漏洞區域時，則需要通過將傳感器移動到事件所在地，對事件進行實時監測。水下傳感器網絡中所有傳感器均可以在部署后移動，這就使節點能夠移動到隨機事件區域進行監測。水下無線傳感器網絡的主要關注點是確定傳感器需要移動到的目標位置，以達到最優的監測效果。為了確定傳感器需要移動的理想位置，采用了SOM算法[17-18]，將未發生隨機事件區域的傳感器移動到目標位置。

3.1 SOM算法原理

自組織神經網絡的無導師學習方式類似于人類大腦中生物神經網絡的學習，其最重要的特點是通過自動尋找樣本中的內在規律和本質屬性，自組織、自適應地改變網絡參數和結構。這種學習方式大大拓寬了神經網絡在模式識別與分類方面的應用。SOM算法是一種無導師的自組織的具有競爭性的網絡，此算法的原理是根據生物神經元中＂勝者為王＂的思想提出的。它首次是在1958年由Roseenblatt提出，然后芬蘭赫爾辛基大學教授Kohonen于1981年正式提出了自組織圖神經網絡模型。這種算法目前已經得到學者廣泛應用，它可以根據目標的相似性和客觀規律進行分類，達到聚類的目的。

自組織圖算法訓練數據樣本的原理及依據符合大腦神經元對于陌生事物經歷從認識階段到熟知階段的一種規律。具體可以通過模擬大腦神經元的認知過程來理解，人類大腦了解新鮮事物的過程是從感性認識階段不斷上升到理性認識階段的。感性認識階段即通過不斷地接觸外界，在大腦中出現對新事物的印象并不斷深化；理性認識階段是在感性認識的前提下，大腦神經元不斷思考發現事物的內在規律和本質屬性。自組織圖算法首先輸入樣本得到對于樣本空間拓撲結構的感性認識，然后在訓練中不斷發現事物的相似性和客觀規律，最終實現分類的目的[19]。

SOM網絡結構屬于層次型結構，有多種類型，其共同特點是都具有競爭層。最簡單的結構具有一個輸入層和一個競爭層，如圖4所示。輸入層先輸入樣本做數據預處理，然后把處理過的數據傳送到競爭層，即輸入層負責接收外界信息并將輸入模式向競爭層傳遞，起觀察作用。在競爭層進行理性認識階段，發現樣本的客觀規律，即競爭層負責對該模式進行分析比較，找出規律以正確歸類。它的基本思想是：網絡的競爭層各神經元競爭對輸入模式響應的機會，最后僅有一個神經元成為競爭的獲勝者。這一獲勝神經元則表示對輸入模式的分類[20]。

圖4 SOM神經網絡結構

水下環境發生隨機事件時，我們希望能夠得到傳感器需要移動到的目標位置，可以將其看成是聚類，即對隨機事件進行分類，通過SOM算法得到聚類中心，聚類中心即為傳感器需要移動到的目標位置，使隨機事件被某個水下節點覆蓋以達到監測目的。

3.2 基于SOM的傳感器網絡優化部署

SOM采用一種無導師的自適應的學習訓練方式，輸入樣本是通過相似性度量來進行分類、聚類的。水環境中發生隨機事件時，將其看成是聚類，即對隨機事件進行分類，使之被某個傳感器感知以達到監測的目的。

SOM的算法步驟如下：

1)向量歸一化，隨機設定輸入層以及映射層的權值。

2)選擇向量x輸入神經網絡，并計算向量x與權值向量的歐式距離，尋找獲勝神經元，表達式如式(3)所示：

(3)

式(3)中，wij是輸入層神經元i與映射層神經元j的權值。

3)網絡輸出與權值調整。勝者為王競爭學習算法規定，獲勝神經元輸出為“1”，其余輸出為“0”。對于獲勝神經元權值計算如式(4)：

(4)

對于其他神經元權值計算如式(5)所示：

wj(n+1)=wj(n)

(5)

其中:α表示學習率，0<α<1。

其流程圖如圖5所示。

圖5 基于SOM的網絡優化部署流程圖

4 仿真結果

4.1 仿真環境以及參數設置

為了更好地分析基于自組織圖算法的傳感器優化部署方案，需要對其進行仿真研究，采用Matlab軟件實現對傳感器優化部署的仿真測試。在仿真開始之前，首先需要初步對參數進行設定。

將傳感器節點部署在水域30 m×20 m的二維平面上，設置傳感器個數為25，傳感器半徑為2.5 m，隨機事件為100件。其參數設定如表1所示。

表1 仿真參數設定

4.2 仿真結果分析

將傳感器節點隨機部署在水域30 m×20 m的二維平面上。傳感器網絡初始部署如圖6所示。

圖6 傳感器網絡初始部署圖

預設水環境中隨機事件呈L型不均勻分布，基于隨機事件的區域模型如圖7所示，其中圖中星號代表L型不均勻分布的隨機事件。

圖7 基于隨機事件的區域模型圖

從圖7分析可以得出，隨機事件大部分發生在傳感器的覆蓋漏洞處，無法被傳感器有效監測。因此需要通過將傳感器移動到事件所在地，對隨機事件進行監測。UWSNs主要關注點是確定傳感器需要移動到的目標位置，采用自組織圖算法將未發生隨機事件區域的傳感器移動到理想位置，以達到最優的監測效果。其仿真圖如圖8所示，其中正方形代表傳感器需要移動到的目標位置。圖7和圖8對比可以看出，使用基于SOM的傳感器優化部署方法可以將節點有效地移動到隨機事件發生區域，以達到實時監測水環境的目的。

圖8 基于SOM確立的傳感器目標位置

仿真實驗中在相同的區域面積部署相同數量及大小的傳感器節點。考慮到開始隨機部署的不確定性對實驗結果的影響，進行了多次實驗。表2表示隨機部署和使用基于SOM的傳感器優化部署兩種方式的覆蓋率對比情況，從表2可以看出，使用SOM優化部署可以有效提高隨機事件的覆蓋率，實時監測水環境。

表2 事件驅動下覆蓋率對比 %

5 結束語

合理部署傳感器節點是水下無線傳感器網絡組建的一個關鍵環節，一個良好的節點部署方案能夠有效提高目標的監測質量，為傳感器網絡的整體運行提供堅實的支撐。由于水下環境的特殊性，水下傳感器網絡優化部署研究與陸地無線傳感器網絡部署研究相比具有獨特性：水下環境復雜多變，隨機事件動態性強，傳感器節點可移動性好。針對水環境中隨機事件的突發性和不確定性，提出了水下無線傳感器網絡優化部署方案，首先在水環境中隨機部署傳感器，預設隨機事件呈L型不均勻分布，隨機事件發生在傳感器覆蓋漏洞處時，采用基于自組織圖算法的傳感器優化部署方法確定傳感器需要移動到的目標位置。仿真結果表明該方案可以有效提高對隨機事件的覆蓋率，達到實時監測水環境的目的。在下一步計劃中，將研究網絡中移動和靜止傳感器節點的動態配置問題，在保證網絡有效監測的前提下降低硬件成本。