邊鵬飛，何志琴，唐 杰

（貴州大學(xué) 電氣工程學(xué)院，貴陽 550025）

無線傳感器網(wǎng)絡(luò)WSN（wireless sensor network）是由部署在監(jiān)測區(qū)域內(nèi)大量的微型傳感器節(jié)點(diǎn)組成，通過無線通信的方式形成的一個(gè)多跳的自組織網(wǎng)絡(luò)系統(tǒng)，感知、采集和處理網(wǎng)絡(luò)覆蓋區(qū)域中感知對象的信息，并發(fā)送給觀察者[1]。多傳感器無線網(wǎng)絡(luò)通過分布式處理大量的采集信息，提高了檢測的準(zhǔn)確度，降低了對于單個(gè)節(jié)點(diǎn)精度的要求和單一節(jié)點(diǎn)失效對檢測結(jié)果造成的不良影響[2]。

多傳感器網(wǎng)絡(luò)大量冗余節(jié)點(diǎn)的存在，導(dǎo)致傳感器節(jié)點(diǎn)采集的大量冗余數(shù)據(jù)在無線網(wǎng)絡(luò)中傳遞，大大增加了傳感器節(jié)點(diǎn)的能量損耗[3]，降低了網(wǎng)絡(luò)的生命周期。相對于節(jié)點(diǎn)接收、空閑、睡眠等狀態(tài)，傳感器節(jié)點(diǎn)在發(fā)送數(shù)據(jù)時(shí)能耗最大。在多數(shù)情況下并不需要這些原始的冗余數(shù)據(jù)，而只需要監(jiān)測的結(jié)果[4]。因此在條件允許時(shí)盡量進(jìn)行片上數(shù)據(jù)處理，可以有效減少傳感器節(jié)點(diǎn)的能量消耗。

傳感器節(jié)點(diǎn)部署的環(huán)境復(fù)雜，惡劣環(huán)境對傳感器節(jié)點(diǎn)的干擾、造成的節(jié)點(diǎn)失效或傳感器失效，導(dǎo)致從傳感器節(jié)點(diǎn)獲得的信息可靠性難以保證。針對多傳感器無線網(wǎng)絡(luò)存在的以上問題，本文首先采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對采集的冗余數(shù)據(jù)進(jìn)行處理，提取有效信息，無線網(wǎng)絡(luò)的拓?fù)淇刂撇捎酶倪M(jìn)的基于節(jié)點(diǎn)平均能量的LEACH算法，將經(jīng)過數(shù)據(jù)融合處理的數(shù)據(jù)通過無線網(wǎng)絡(luò)傳至匯聚節(jié)點(diǎn)，并最終傳至監(jiān)控終端，完成無線傳感器網(wǎng)絡(luò)對于監(jiān)測區(qū)域的動(dòng)態(tài)數(shù)據(jù)監(jiān)測。

1 BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年D.ERumelhart和J.L.McClelland提出的一種利用誤差反向傳播訓(xùn)練算法，簡稱BP網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要包括輸入層、隱含層和輸出層。BP神經(jīng)網(wǎng)絡(luò)算法的基本原理是采用梯度最速下降法，調(diào)整網(wǎng)絡(luò)權(quán)值使網(wǎng)絡(luò)的誤差達(dá)到最小[5]。多層BP神經(jīng)網(wǎng)絡(luò)包含了正向和反向傳播2個(gè)階段，正向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，每一層的神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元的權(quán)值，最終達(dá)到誤差最小的目標(biāo)。

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，神經(jīng)網(wǎng)絡(luò)的輸入層有M個(gè)輸入節(jié)點(diǎn)，分別為 x1，x2，x3，…，xm，輸出層有L個(gè)節(jié)點(diǎn)，分別為 y1，y2，y3，…，yL，隱含層有 q 個(gè)神經(jīng)元，輸入層到隱含層的連接權(quán)值為Wij，隱含層到輸出層的連接權(quán)值為 Wki，其中 0＜i＜q，0＜j＜M，0＜k＜L。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 BP neural network structure

1.2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于如果有足夠的隱含層和隱節(jié)點(diǎn)，BP神經(jīng)網(wǎng)絡(luò)可以逼近任意的非線性映射關(guān)系，適用于處理各種非線性問題。但是實(shí)際的網(wǎng)絡(luò)結(jié)構(gòu)中隱含層和隱節(jié)點(diǎn)的個(gè)數(shù)是有限的，BP神經(jīng)網(wǎng)絡(luò)也存在收斂速度慢、訓(xùn)練時(shí)間長、局部極值問題、隱含層和隱節(jié)點(diǎn)的個(gè)數(shù)沒有明確的量化方法等缺點(diǎn)。

典型的改進(jìn)方法主要有引入慣性項(xiàng)、引入動(dòng)量項(xiàng)、共軛梯度法、變尺度法、變步長法等。其中引入動(dòng)量項(xiàng)如式（1）所示，能夠有效減少在學(xué)習(xí)過程中的振蕩，改善神經(jīng)網(wǎng)絡(luò)算法的收斂性，提高樣本訓(xùn)練效率。

式中：D（k）為 k 時(shí)刻的負(fù)梯度；D（k-1）為 k-1 時(shí)刻的負(fù)梯度；η為學(xué)習(xí)效率；α為動(dòng)量因子（0≤α＜1）。

2 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

2.1 LEACH算法

低能量自適應(yīng)分簇路由協(xié)議LEACH（low energy adaptive clustering hierarchy），是一種周期性循環(huán)的分簇拓?fù)渌惴ǎ枯喲h(huán)分為簇的建立階段和穩(wěn)定的數(shù)據(jù)通信階段。在簇的建立階段，相鄰節(jié)點(diǎn)動(dòng)態(tài)地形成簇，隨機(jī)產(chǎn)生簇頭；在數(shù)據(jù)通信階段，簇內(nèi)節(jié)點(diǎn)把數(shù)據(jù)發(fā)送給簇頭，簇頭進(jìn)行數(shù)據(jù)融合并把結(jié)果發(fā)送給匯聚節(jié)點(diǎn)。

選舉簇頭根據(jù)式（2）確定簇頭當(dāng)選的概率，首先判斷節(jié)點(diǎn)是否在本輪循環(huán)中已經(jīng)當(dāng)選過簇頭，如果是則將其設(shè)置為0，則該節(jié)點(diǎn)不會(huì)重復(fù)當(dāng)選。如果未被當(dāng)選為簇頭T（n）節(jié)點(diǎn)，則以T（n）的概率當(dāng)選。隨著本輪當(dāng)選簇頭的節(jié)點(diǎn)增多，簇頭在所有節(jié)點(diǎn)中所占的百分比P不斷增大，T（n）不斷趨近于1，表示未被選中的節(jié)點(diǎn)被選中的可能性不斷趨近于1。

式中：P為簇頭在所有節(jié)點(diǎn)中所占的百分比；r為選舉輪數(shù)；rmod（1/P）為這一輪循環(huán)中當(dāng)選過簇頭的節(jié)點(diǎn)個(gè)數(shù)；G為這一輪循環(huán)中未當(dāng)選過簇頭的節(jié)點(diǎn)集合[6]。

由于被當(dāng)選的簇頭需要完成接收簇內(nèi)其他節(jié)點(diǎn)的數(shù)據(jù)、完成片上數(shù)據(jù)融合、與匯聚節(jié)點(diǎn)通信等工作，所以能量消耗比較大。LEACH算法能夠保證簇內(nèi)各節(jié)點(diǎn)等概率地?fù)?dān)任簇頭，使得網(wǎng)絡(luò)中的節(jié)點(diǎn)相對均衡地消耗能量，有效避免了單個(gè)節(jié)點(diǎn)反復(fù)當(dāng)選簇頭，造成簇內(nèi)部分節(jié)點(diǎn)能量耗盡而造成的節(jié)點(diǎn)失效。但是LEACH簇頭輪詢算法仍存在不足之處，由于傳感器節(jié)點(diǎn)在監(jiān)控區(qū)域內(nèi)隨機(jī)部署，部分節(jié)點(diǎn)分布位置遠(yuǎn)離匯聚節(jié)點(diǎn)，該部分節(jié)點(diǎn)當(dāng)選為簇頭時(shí)，簇頭與匯聚節(jié)點(diǎn)通信時(shí)廣播所需的能耗較大，能量消耗快，造成該部分節(jié)點(diǎn)相對于簇內(nèi)其他節(jié)點(diǎn)過早失效，減少了網(wǎng)絡(luò)存在壽命[7]。

2.2 改進(jìn)的LEACH算法

改進(jìn)的LEACH算法針對傳統(tǒng)的LEACH算法存在的簇頭在監(jiān)測區(qū)域分配不均導(dǎo)致的能量消耗不均衡的問題進(jìn)行了改進(jìn)。以簇內(nèi)節(jié)點(diǎn)的平均能量作為節(jié)點(diǎn)能否參與簇內(nèi)競爭的標(biāo)準(zhǔn)。

在進(jìn)行簇頭競爭前，簇內(nèi)所有節(jié)點(diǎn)以廣播的形式發(fā)送自身的剩余能量，上次當(dāng)選的簇頭收集簇內(nèi)節(jié)點(diǎn)剩余能量 Eresident（i），并根據(jù)式（3）計(jì)算剩余能量的平均值Eaverage，并廣播給簇內(nèi)其他節(jié)點(diǎn)，簇內(nèi)其他節(jié)點(diǎn)在接收剩余能量平均值后進(jìn)行判斷，若自身剩余能量高于簇內(nèi)剩余能量的平均值則參與簇頭競爭，根據(jù)式（4）和式（5）確定簇頭當(dāng)選的概率，以TR（n）概率當(dāng)選簇頭，反之則不參與簇頭競爭。

式中：Eaverage為簇內(nèi)所有節(jié)點(diǎn)的平均能量；N為簇內(nèi)節(jié)點(diǎn)的個(gè)數(shù)；Eresident（i）為第i個(gè)節(jié)點(diǎn)的剩余能量。

R（i）=1，則第 i個(gè)節(jié)點(diǎn)可以參與簇頭競選；R（i）=0，則第i個(gè)節(jié)點(diǎn)不可以參與簇頭競選。

式中：TR（n）為當(dāng)選簇頭的概率；PR為簇頭在所有滿足簇頭競選的節(jié)點(diǎn)中所占的百分比；GR為這一輪循環(huán)中未當(dāng)選過簇頭的節(jié)點(diǎn)集合；r為選舉輪數(shù)；rmod（1/PR）為這一輪循環(huán)中當(dāng)選過簇頭的節(jié)點(diǎn)個(gè)數(shù)。

改進(jìn)的LEACH算法在傳統(tǒng)LEACH算法簇頭輪詢的基礎(chǔ)之上，將節(jié)點(diǎn)剩余能量也作為參與簇頭競爭的條件，這樣能夠有效避免能量相對較少的節(jié)點(diǎn)在簇頭輪詢的過程中當(dāng)選為簇頭節(jié)點(diǎn)，使簇內(nèi)節(jié)點(diǎn)的能量消耗趨于均衡，避免了部分節(jié)點(diǎn)由于能量耗盡造成的節(jié)點(diǎn)失效，從而達(dá)到延長網(wǎng)絡(luò)壽命的目的。

3 數(shù)據(jù)融合的Matlab仿真

3.1 仿真環(huán)境

采用Matlab仿真軟件，利用一個(gè)三輸入二輸出的3層BP神經(jīng)網(wǎng)絡(luò)對輸入的樣本進(jìn)行仿真。仿真參數(shù)為學(xué)習(xí)效率η＝0.05；期望誤差最小值Emin＝0.005；最大訓(xùn)練次數(shù)epochmax=10000。

3.2 仿真結(jié)果及分析

圖2（a）所示為采用梯度下降法對樣本進(jìn)行訓(xùn)練的訓(xùn)練過程誤差曲線，訓(xùn)練次數(shù)7905次；圖2（b）為采用動(dòng)量梯度下降法對樣本進(jìn)行訓(xùn)練的訓(xùn)練過程誤差曲線，訓(xùn)練次數(shù)2670次；圖2（c）為變學(xué)習(xí)速率法對樣本進(jìn)行訓(xùn)練的訓(xùn)練過程誤差曲線，訓(xùn)練次數(shù)381次；圖2（d）為變學(xué)習(xí)速率結(jié)合動(dòng)量梯度法對樣本進(jìn)行訓(xùn)練的訓(xùn)練過程誤差曲線，訓(xùn)練次數(shù)213次；圖2（e）為共軛梯度法對樣本進(jìn)行訓(xùn)練的訓(xùn)練過程誤差曲線，訓(xùn)練次數(shù)54次；圖2（f）為近似二階梯度法對樣本進(jìn)行訓(xùn)練的訓(xùn)練過程誤差曲線，訓(xùn)練次數(shù)8次。

圖2 訓(xùn)練過程誤差曲線Fig.2 Training process error curve

通過比較分析以上6種仿真結(jié)果，梯度下降法的訓(xùn)練誤差曲線較為平滑，但是收斂速度緩慢；動(dòng)量梯度下降法的收斂速度有所提高；變學(xué)習(xí)速率法收斂速度較快，但是訓(xùn)練過程中振蕩較為頻繁；共軛梯度法與近似二階梯度法收斂速度快，但容易陷入局部最優(yōu)。因此綜合考慮采用變學(xué)習(xí)速率結(jié)合動(dòng)量梯度法的BP神經(jīng)網(wǎng)絡(luò)算法。

4 系統(tǒng)硬件平臺

系統(tǒng)硬件平臺主要包括部署在監(jiān)測環(huán)境中的傳感器節(jié)點(diǎn)和匯聚節(jié)點(diǎn)。其中，傳感器節(jié)點(diǎn)的主要功能是監(jiān)測數(shù)據(jù)的采集和數(shù)據(jù)融合，匯聚節(jié)點(diǎn)的主要功能是接收簇頭節(jié)點(diǎn)的數(shù)據(jù)，并與監(jiān)控終端進(jìn)行數(shù)據(jù)通訊。

傳感器節(jié)點(diǎn)采用意法半導(dǎo)體公司的STM32 Cortex-M3 32位微處理芯片，性能高、成本低、功耗低，非常適合低電壓、低功耗的場合，哈佛體系架構(gòu)，支持Thumb指令集，工作頻率可達(dá)72 MHz，工作電壓3.3 V。功能模塊包括12位AD轉(zhuǎn)換、定時(shí)器、支持 SPI、I2C、USART、CAN 等通信方式[8]，能夠完成傳感器節(jié)點(diǎn)的數(shù)據(jù)采集，并且具有很強(qiáng)的處理數(shù)據(jù)的能力，能夠完成片上的數(shù)據(jù)融合任務(wù)。

同時(shí)在傳感器節(jié)點(diǎn)上配置了CC2530射頻SoC，是基于2.4 GHz IEEE802.15.4的一個(gè)片上系統(tǒng)。CC2530內(nèi)部集成了增強(qiáng)型8051微處理器內(nèi)核和IEEE802.15.4兼容無線收發(fā)器，支持德州儀器的Z-Stack協(xié)議棧，能夠充分利用ZigBee協(xié)議中的API函數(shù)，縮短了開發(fā)周期。ZigBee具有成本低、功耗低、可靠性高、安全性高、網(wǎng)絡(luò)容量大等特點(diǎn)，廣泛應(yīng)用于智能家居、樓宇自動(dòng)化、工業(yè)控制和監(jiān)控醫(yī)療等許多領(lǐng)域。

傳感器節(jié)點(diǎn)如圖3所示，主要包括對于三相電壓電流的檢測，采用電壓互感器SPT204、電流互感器SCT254作為電壓電流的檢測元件，經(jīng)過信號調(diào)理電路將其轉(zhuǎn)化為0～3.0 V的電壓信號，溫濕度傳感器采用數(shù)字式溫濕度傳感器DHT11，是一款含有已校準(zhǔn)數(shù)字信號輸出的溫濕度復(fù)合傳感器，響應(yīng)速度快、抗干擾能力強(qiáng)。此外還有為各模塊供電的穩(wěn)壓電源。

圖3 傳感器節(jié)點(diǎn)的硬件結(jié)構(gòu)Fig.3 Hardware structure of the sensor node

匯聚節(jié)點(diǎn)硬件主要由STM32 Cortex-M3處理器模塊和CC2530射頻處理器2部分組成，CC2530接收傳感器節(jié)點(diǎn)發(fā)送的數(shù)據(jù)，并將其發(fā)送至STM32，STM32將接收的收據(jù)通過串口通訊發(fā)送至監(jiān)控終端。

5 系統(tǒng)軟件監(jiān)控平臺

5.1 節(jié)點(diǎn)的軟件設(shè)計(jì)

節(jié)點(diǎn)的軟件設(shè)計(jì)包括傳感器節(jié)點(diǎn)和匯聚節(jié)點(diǎn)的設(shè)計(jì)。傳感器節(jié)點(diǎn)的主要功能包括各功能模塊初始化、網(wǎng)絡(luò)初始化傳感器數(shù)據(jù)采集、節(jié)點(diǎn)組網(wǎng)、簇頭選舉、當(dāng)節(jié)點(diǎn)當(dāng)選為簇頭時(shí)進(jìn)行數(shù)據(jù)融合、無線通信、人機(jī)交互、時(shí)鐘控制等。匯聚節(jié)點(diǎn)的功能包括接收傳感器節(jié)點(diǎn)的數(shù)據(jù)、與監(jiān)測終端數(shù)據(jù)通信[9]。傳感器節(jié)點(diǎn)與匯聚節(jié)點(diǎn)的軟件流程如圖4、圖5所示。

圖4 傳感器節(jié)點(diǎn)軟件流程Fig.4 Flow chart of sensor node software

簇內(nèi)的傳感器節(jié)點(diǎn)通過改進(jìn)的LEACH協(xié)議進(jìn)行簇頭競爭，競選為簇頭的節(jié)點(diǎn)接收來自簇內(nèi)其它普通節(jié)點(diǎn)的數(shù)據(jù)，并在片上進(jìn)行神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合，并將處理后的數(shù)據(jù)轉(zhuǎn)發(fā)至匯聚節(jié)點(diǎn)。競選簇頭失敗后的普通節(jié)點(diǎn)進(jìn)行數(shù)據(jù)采集并將數(shù)據(jù)發(fā)送至簇頭節(jié)點(diǎn)，并廣播自身剩余能量，準(zhǔn)備進(jìn)行下一輪的簇頭競選。匯聚節(jié)點(diǎn)接收各個(gè)簇頭節(jié)點(diǎn)的數(shù)據(jù)，并通過串口通信發(fā)送至監(jiān)控終端。

5.2 監(jiān)控終端的軟件設(shè)計(jì)

系統(tǒng)監(jiān)控終端的上位機(jī)采用VB6.0編寫無線網(wǎng)絡(luò)節(jié)點(diǎn)的監(jiān)控軟件。Visual Basic 6.0是Microsoft公司面向?qū)ο蟮目梢暬_發(fā)編程工具，是一種結(jié)構(gòu)化的程序語言[10]。監(jiān)控終端主要通過MSComm串口通信控件實(shí)現(xiàn)上位機(jī)監(jiān)控終端與匯聚節(jié)點(diǎn)的通訊。ADO數(shù)據(jù)庫訪問控件實(shí)現(xiàn)了上位機(jī)對數(shù)據(jù)庫的操作。

如圖6所示為上位機(jī)監(jiān)控終端實(shí)現(xiàn)了與匯聚節(jié)點(diǎn)的數(shù)據(jù)通信，實(shí)時(shí)接收監(jiān)控區(qū)域的采集信息，并且以實(shí)時(shí)數(shù)據(jù)曲線的形式予以顯示，更加直觀。同時(shí)將采集到的數(shù)據(jù)同數(shù)據(jù)庫相連，并將實(shí)時(shí)數(shù)據(jù)同步至數(shù)據(jù)庫。

圖5 匯聚節(jié)點(diǎn)軟件流程Fig.5 Flow chart of convergence node software

圖6 監(jiān)控終端Fig.6 Monitoring terminal

6 結(jié)語

通過無線傳感器節(jié)點(diǎn)實(shí)現(xiàn)數(shù)據(jù)的采集，采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法進(jìn)行數(shù)據(jù)處理，并通過無線網(wǎng)絡(luò)傳至與上位機(jī)相連的匯聚節(jié)點(diǎn)，實(shí)時(shí)地通過上位機(jī)監(jiān)控終端實(shí)現(xiàn)對電網(wǎng)變量及環(huán)境變量的監(jiān)測，將采集到的數(shù)據(jù)實(shí)時(shí)輸出更新至數(shù)據(jù)庫中，實(shí)現(xiàn)了電網(wǎng)數(shù)據(jù)的遠(yuǎn)距離傳輸，通過上位機(jī)監(jiān)控終端對無線網(wǎng)絡(luò)節(jié)點(diǎn)采集數(shù)據(jù)進(jìn)行匯總，具有良好的靈活性和可擴(kuò)展性。

[1]孫凌逸，黃先祥，蔡偉，等.基于神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J].傳感器技術(shù)學(xué)報(bào)，2011，24（1）：122-127.

[2]孫利民，李建中，陳渝，等.無線傳感器網(wǎng)絡(luò)[M].北京：清華大學(xué)出版社，2010.

[3]徐潔，丁國強(qiáng)，熊明.低功耗無線傳感器終端網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].自動(dòng)化儀表，2015，36（1）：59-62.

[4]周觀民，李榮會(huì).基于神經(jīng)網(wǎng)絡(luò)的傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)研究[J].計(jì)算機(jī)仿真，2011，28（10）：118-120.

[5]李國勇.智能控制及其Matlab實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[6]陳雪東，陳碩紅.無線傳感器網(wǎng)絡(luò)功率控制的路由協(xié)議改進(jìn)[J].自動(dòng)化儀表，2015，36（1）：66-69.

[7]韓紅芳，孫守昌，鄒凌.無線傳感器網(wǎng)絡(luò)能量均衡分簇路由算法的改進(jìn)[J].自動(dòng)化儀表，2012，33（3）：31-34.

[8]黎冠，馬婕，卜祥麗.STM32單片機(jī)在室內(nèi)環(huán)境監(jiān)測系統(tǒng)中的應(yīng)用[J].自動(dòng)化儀表，2014，35（7）：29-31.

[9]宗學(xué)軍，宋國庫，陳斌，等.基于無線傳感器網(wǎng)絡(luò)的樓宇環(huán)境監(jiān)測系統(tǒng)設(shè)計(jì)[J].自動(dòng)化與儀表，2011，26（4）：23-26.

[10]李全江，湯智輝，朱東芹.Visual Basic數(shù)據(jù)采集與串口通信測控應(yīng)用實(shí)戰(zhàn)[M].北京：人民郵電出版社，2010.