謝佳華++劉軍

摘 要：為了進一步提高無線傳感器網(wǎng)絡（WSNs）的能量利用效率、數(shù)據(jù)準確性和收集數(shù)據(jù)精度，需要對采集的數(shù)據(jù)進行融合。針對現(xiàn)有BP神經(jīng)網(wǎng)絡（BPNN）解決該問題存在容易陷入局部最優(yōu)值的問題。文中把自由搜索（FS）算法和BP神經(jīng)網(wǎng)絡結合起來，充分發(fā)揮自由搜索算法的全局收斂性、自適應性、本質(zhì)并行性優(yōu)點。通過仿真實驗并與BP神經(jīng)網(wǎng)絡相比較，該算法能有效減少通信量、提高數(shù)據(jù)準確性、延長網(wǎng)絡生存時間，從而證明了該算法的有效性。

關鍵詞：WSNs；數(shù)據(jù)融合；自由搜索算法；BP神經(jīng)網(wǎng)絡

中圖分類號：TP393 文獻標識碼：A 文章編號：2095-1302（2015）11-00-03

0 引 言

無線通信技術、傳感器技術、嵌入式計算技術、微電子技術等技術的發(fā)展和成熟，促成了無線傳感器網(wǎng)絡（Wireless Sensor Networks ， WSNs）的產(chǎn)生[1，2]。WSNs廣泛應用于國防軍事、工業(yè)生產(chǎn)、精準農(nóng)業(yè)、醫(yī)療健康、環(huán)境監(jiān)測等領域[3]。

Nakamura E.F.等[4]對WSNs數(shù)據(jù)融合的模型、方法以及分類進行了研究；陳斌等[5]把神經(jīng)網(wǎng)絡和證據(jù)理論結合起來，建立了管道泄漏診斷模型；李志宇等[6]人提出的基于網(wǎng)格和移動代理的WSNs數(shù)據(jù)融合算法有較小的網(wǎng)絡能耗和延時。但這些算法存在收斂速度慢，易陷入局部最優(yōu)等缺點，所以本文提出一種自由搜索（Free Search，F(xiàn)S）和BP神經(jīng)網(wǎng)絡（Back Propagation Neural Network ， BPNN）相結合的算法（FS-BF），優(yōu)化數(shù)據(jù)融合性能，降低網(wǎng)絡能量消耗，延長網(wǎng)絡生存時間。

1 BP神經(jīng)網(wǎng)絡和自由搜索算法

為實現(xiàn)BPNN和自由搜索算法的結合，建立切實可行的WSNs數(shù)據(jù)融合優(yōu)化模型，本節(jié)介紹了兩個算法的優(yōu)化過程。

1.1 BP神經(jīng)網(wǎng)絡

BPNN是一種單向傳播的多層前饋網(wǎng)絡，圖1所示為一個三層BPNN示意圖，包括輸入層、隱層和輸出層[7]。

圖1 三層BPNN模型

設BPNN的輸入n維向量X∈Rn，X=[x1，x2，…，xn]T，輸出為m維向量Y∈Rm，Y=[y1，y2，…，ym]，隱層共有l(wèi)個神經(jīng)元，則隱層輸出為l維的向量Z∈Rl，Z=[z1，z2，…，zl]，網(wǎng)絡的輸出為：

（1）

式（1）中，wij（0）和wij（1）分別為由輸入層到隱層和隱層到輸出層的連接權值，θi和φj分別為隱層和輸出層的閾值。

一般情況下把Sigmoid函數(shù)作為傳遞函數(shù)。

（2）

輸出層和前面各層的誤差值可以通過如下公式計算：

（3）

（4）

對于隱含層和輸出層神經(jīng)元個數(shù)，可以參考下式確定：

隱含層： （5）

輸出層：h=log2m （6）

其中，m為輸入神經(jīng)元個數(shù)，n為輸出神經(jīng)元個數(shù)，a為1-10之間的任意數(shù)。

1.2 自由搜索算法

FS算法的尋優(yōu)過程包括初始化、搜索過程和終止三個步驟來確定目標函數(shù)的最優(yōu)值[8]。

1.2.1 初始化

通過隨機值產(chǎn)生初始種群，并生成初始信息素Pk。

x0ji=ximin+（ximax-ximin）·random （7）

式（7）中，j=1，2，…，m，表示第j只個體，i表示變量的第i維，i=1，2，…，n， x0ji為動物個體j的初始位置，ximax和ximin為搜索空間的邊界，即個體j在第i維上的最大值和最小值。random為（0，1）之間的隨機數(shù)。

1.2.2 搜索過程

（1）計算靈敏度，靈敏度定義如下：

Si=Smin+ΔSj （8）

ΔSj=（Smax-Smin）·randomj （9）

Smax和Smin為靈敏度的最大值和最小值。

（2）確定初始點，選擇新一輪搜索起始點。

（10）

k是標記信息素的坐標點。

（3）更新個體位置。

xtji =x0ji-Δxtji +2Δxtji randomtji （11）

xtji為更新后個體的位置分量，t為當前步伐數(shù)，t=1，2，…，T，T為每次行走的最大步伐數(shù)；randomtji為介于（0，1）的隨機數(shù)；修改策略Δxtji 按下式確定：

Δxtji =Rji （xmaxi-xmini）randomtji （12）

式（12）中，Rji 表示領域距離，Rji∈（Rmin，Rmax）。領域距離體現(xiàn)著個體的靈活性，受整個搜索空間的約束。

可按如下兩式定義個體的行為：

ftj=f（xtij） （13）

fj=maxf（xtj） （14）

其中，f（xtij） 是一個個體完成搜索步以后作標記的位置。

（4）釋放信息素，信息素定義如下：

（15）

max（fi） 表示第j個個體的最佳值。并且規(guī)定：Smin=Pmin，Smax=Pmax。

新一輪的搜索起始點由如下公式確定：

（16）

1.2.3 終止條件

可以有以下三種方式終止算法：

（1）尋優(yōu)方式 fmax≥f0

fmax為搜索的最優(yōu)值，f0為可接受的期望值。

（2）迭代方式 g≥G

g為當前的迭代數(shù)，G為限制的最大迭代數(shù)。

（3）復合方式，即滿足（1）和（2）中的一種終止算法。

BPNN主要存在三個缺陷：一是局部極小點問題，二是收斂速度慢的問題，三是隱含層神經(jīng)元節(jié)點個數(shù)難以確定的問題。而自由搜索算法具有全局搜索特性以及比其他算法收斂速度快的優(yōu)點彌補了BPNN前兩個不足，故本文嘗試把自由搜索算法和BPNN結合起來，優(yōu)化WSNs數(shù)據(jù)融合的效果。

2 FS-BP在WSNs數(shù)據(jù)融合中的應用

2.1 WSN數(shù)據(jù)融合模型

本節(jié)主要是建立以BPNN為主體的匯聚節(jié)點數(shù)據(jù)融合模型，其數(shù)據(jù)融合的過程如圖2所示。該模型系統(tǒng)包括無線傳感器子系統(tǒng)和匯聚節(jié)點數(shù)據(jù)融合處理子系統(tǒng)兩大部分。前者主要是由傳感器節(jié)點組成，每個節(jié)點可以有一個或者多個傳感器采集相關數(shù)據(jù)，后者包括數(shù)據(jù)預處理和數(shù)據(jù)融合兩個步驟，其中預處理的作用是把有用數(shù)據(jù)分離出來，而數(shù)據(jù)融合是接收預處理后的數(shù)據(jù)，然后把數(shù)據(jù)輸入到已訓練好的BPNN中進行融合并得出融合結果。另外，匯聚節(jié)點把原始數(shù)據(jù)信息和融合結果存儲起來，便于對比分析融合結果和原始信息，方便進行必要的反饋調(diào)節(jié)。

圖2 數(shù)據(jù)融合模型

2.2 FS-BP算法

算法構建的主要思想是：針對BPNN初始值敏感、收斂速度慢以及易陷入局部最優(yōu)解的缺點，利用FS代替BPNN中的梯度修正，搜索符合既定條件的權值，提高算法性能。具體方法描述如下：

神經(jīng)網(wǎng)絡的初值權重按照傳統(tǒng)的常規(guī)辦法生成，用wi（i=1，2，…，m）表示任意一組完整的wi。一個動物個體，則有m個這樣的個體，所以m為種群的大小。優(yōu)化目標函數(shù)為均方誤差函數(shù)：

（17）

上式中，E為均方誤差，N為樣本個數(shù)，yid為第i個預期輸出值，yi為第i個實際輸出值。

FS搜索的任務是通過對公式（17）的優(yōu)化，得到該函數(shù)的最小值，找出均方誤差最小的網(wǎng)絡權重， 再輸入到BPNN各層中。該算法的主要流程如圖3所示。

利用FS算法對初始權值進行優(yōu)化處理后，把輸出的權值輸入到神經(jīng)網(wǎng)絡。本文采用三層BPNN模型，結合BPNN理論和所建立的數(shù)據(jù)融合模型，F(xiàn)S-BPNN算法的具體步驟如下：

①初始化參數(shù)，包括神經(jīng)網(wǎng)絡的結構、初始權值、迭代次數(shù)上限、誤差閾值、學習速率、學習樣本以及FS的種群大小，步伐數(shù)和小步數(shù)以及鄰居距離。

②隨機選取訓練一對數(shù)據(jù)，將輸入向量加到輸入層。

③利用關系式（1）輸出每一層和輸出層的輸出值。

④采用公式（3）（4）輸出層和前面各層的實際輸出和要求的目標值的誤差。得到的誤差值若小于閾值，則轉(zhuǎn)⑥，否則轉(zhuǎn)步驟 ⑤。

⑤利用FS算法優(yōu)化公式（17），搜索符合條件的權值，并返回③。

⑥ 結束。

圖3 網(wǎng)絡參數(shù)優(yōu)化流程圖

3 算法仿真

采用三層BPNN模型，輸入神經(jīng)元個數(shù)與傳感器節(jié)點數(shù)相同，隱含層神經(jīng)元個數(shù)按公式（6）確定，輸出層神經(jīng)元個數(shù)按公式（7）確定。仿真環(huán)境為Matlab，版本為R2008a。

3.1 參數(shù)設置

相關的參數(shù)設置如表1所列。

表1 參數(shù)設置表參數(shù) 取值 參數(shù) 取值

區(qū)域大小 50 m×50 m 種群規(guī)模 120

傳感器節(jié)點數(shù) 120 終止代數(shù)G 500

網(wǎng)絡拓撲 隨機部署 搜索小步數(shù)T 120

節(jié)點通信半徑 20 m 搜索半徑Rji 0.01，0.5，1

節(jié)點感知半徑 10 m 誤差閾值 10-3

節(jié)點初始能量 0.7 J 訓練速率系數(shù) 0.3

數(shù)據(jù)傳輸能耗 20 nJ/bit 數(shù)據(jù)接收能耗 12 nJ/bit

3.2 仿真實驗

為了盡可能全面驗證算法的有效性和可行性，本文從以下三個角度設置仿真實驗。

3.2.1 仿真實驗1——網(wǎng)絡的收斂性

把120個傳感器節(jié)點隨機拋撒在監(jiān)控區(qū)域內(nèi)，在相同的數(shù)據(jù)采集環(huán)境中，對比BPNN算法和FS-BPNN算法的收斂性。仿真結果如圖4所示。

3.2.2 仿真實驗2——網(wǎng)絡存活節(jié)點數(shù)和時間的關系

在監(jiān)控區(qū)域中隨機拋撒120個傳感器節(jié)點，并按表1設置各個相關參數(shù)，比較BPNN和FS-BP算法優(yōu)化下隨著時間（秒/s）的增加節(jié)點存活的個數(shù)。存活節(jié)點數(shù)和時間的關系如圖5所示。

圖4 收斂性比較

圖5 存活節(jié)點數(shù)和時間的關系

3.2.3 仿真實驗3——節(jié)點平均耗能情況

在50 m×50 m的監(jiān)測區(qū)域內(nèi)分別隨機拋撒90，100，110，120，130，150個傳感器節(jié)點，比較兩種算法的平均耗能情況，仿真結果如圖6所示。

圖6 節(jié)點平均耗能對比

3.3 仿真分析

由仿真實驗1可知，如圖4所示，在相同條件下，BPNN算法在迭代次數(shù)達到100時基本收斂，而FS-BP在迭代次數(shù)達到75時就基本趨于收斂，所以，本文提出的FS-BP算法在迭代次數(shù)較少的情況下，就能達到收斂要求。對于能量有限的WSNs網(wǎng)絡，算法收斂快慢也決定著能量的利用效率高低。

由仿真實驗2可知，如圖5所示，BPNN算法下的 WSNs數(shù)據(jù)融合中，在300 s時開始有節(jié)點死亡，在650 s時，只有一半節(jié)點存活，當時間達到740 s時，全部節(jié)點死亡；而在FS-BP算法下，在720 s時節(jié)點才開始有死亡的情況出現(xiàn)，在810 s時，死亡節(jié)點數(shù)接近一半，節(jié)點最長的持續(xù)時間接近900 s時，節(jié)點完全死亡。從仿真結果可以看出，F(xiàn)S-BP算法比BPNN算法更能延長網(wǎng)絡運行時間，特別是網(wǎng)絡的正常工作時間。

由仿真實驗3可知，BPNN算法隨著節(jié)點數(shù)的增加，平均每個節(jié)點的耗能也隨著增加，而FS-BP算法卻隨著節(jié)點數(shù)的增加而減少，且兩者之間的差距逐漸加大，這從另一個方面體現(xiàn)了FS-BP算法性能的優(yōu)越性和有效性。

綜上所述，在WSNs數(shù)據(jù)融合中，F(xiàn)S-BP算法比BPNN算法的性能更好，不僅提高了收斂速度和能量利用效率，還有效延長了網(wǎng)絡的生存時間。

4 結 語

數(shù)據(jù)融合作為延長WSNs生存時間的一種重要方法，是WSNs研究的重要領域之一。本文提出把FS算法與BPNN算法相結合，解決BPNN算法收斂速度慢的問題，通過建立模型，并從多個角度設置仿真實驗驗證算法的有效性，結果表明，F(xiàn)S-BP算法能夠像預期的一樣加快收斂速度，降低節(jié)點能量消耗，從而延長網(wǎng)絡的生存時間。下一步的研究應該進一步結合具體應用背景的特點，改進算法，提高WSNs數(shù)據(jù)融合的實際應用效果。

參考文獻

[1] Ian F. Akyildiz， Mehmet Can Vuran.Wireless Sensor Networks[M]. John Wiley & Sons Ltd，2010.

[2] 孫利明，李建中，陳瑜，等.無線傳感器網(wǎng)絡[M].北京：清華大學出版社，2005： 149-151.

[3] Akyildiz I F， Su W， Sankarasubramaniam Y， et al.Wireless sensor networks： a survey[J].Computer networks， 2002， 38（4）： 393-422.

[4] Nakamura E.F.， Louxeiro A.A.F.，F(xiàn)rery A.C.Information fusion for wireless sensor networks ： Methods， models， and classifications[J].Acm Computing Surveys，2007，39（3）.

[5] 陳斌， 萬江文， 吳銀鋒，等. 神經(jīng)網(wǎng)絡和證據(jù)理論融合的管道泄漏診斷方法[J].北京郵電大學學報， 2009， 32（1）：1007-1021.

[6] 李志宇， 史浩山.一種基于網(wǎng)格和移動代理的無線傳感器網(wǎng)絡數(shù)據(jù)融合算法[J].傳感技術學報， 2008， 21（7）：1232-1236.

[7] 王曉榮，倫淑嫻.基于改進粒子群算法的BP神經(jīng)網(wǎng)絡優(yōu)化研究[J].渤海大學學報：自然科學版， 2008，29（2）：189-193.

[8] Kalin P， Guy L.Free search-a comparative analysis[J].Information Science， 2005， 172（2）： 173-193.