陳　莎 ，高紅菊，劉艷哲，梁　棟，伍　丹

(1.中國(guó)農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京　100083；2. 農(nóng)業(yè)部信息中心 數(shù)據(jù)資源處，北京　100125;3.農(nóng)業(yè)部干部管理學(xué)院，北京　102208)

?

基于JN5139的農(nóng)田無(wú)線傳感器網(wǎng)內(nèi)數(shù)據(jù)融合研究

陳莎1，高紅菊1，劉艷哲1，梁棟2，伍丹3

(1.中國(guó)農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京100083；2. 農(nóng)業(yè)部信息中心 數(shù)據(jù)資源處，北京100125;3.農(nóng)業(yè)部干部管理學(xué)院，北京102208)

摘要：在無(wú)線傳感器網(wǎng)絡(luò)中，各個(gè)節(jié)點(diǎn)的存儲(chǔ)能力、通信能力、計(jì)算能力及能源的供給都十分有限，因而運(yùn)用網(wǎng)內(nèi)數(shù)據(jù)融合算法消除冗余數(shù)據(jù)，減小數(shù)據(jù)傳輸量，從而達(dá)到節(jié)省功耗、延長(zhǎng)節(jié)點(diǎn)生命周期、提高數(shù)據(jù)采集效率和準(zhǔn)確度的目的。介紹了系統(tǒng)結(jié)構(gòu)及主要模塊JN5139，采用簡(jiǎn)單滑動(dòng)平均法、指數(shù)平滑法及自回歸滑動(dòng)平均模型(ARMA)，在分析大量WSN數(shù)據(jù)的基礎(chǔ)上，利用時(shí)間序列對(duì)數(shù)據(jù)進(jìn)行建模預(yù)測(cè)，提出了適合WSN的數(shù)據(jù)處理模型并用MatLab進(jìn)行仿真，之后將程序燒寫到節(jié)點(diǎn)中進(jìn)行試驗(yàn)。試驗(yàn)表明：該方法在保證采集數(shù)據(jù)可靠性的前提下有效地減少了網(wǎng)絡(luò)的耗能，延長(zhǎng)了網(wǎng)絡(luò)的生命周期。

關(guān)鍵詞：無(wú)線傳感器網(wǎng)絡(luò)；數(shù)據(jù)融合；時(shí)間序列預(yù)測(cè)模型；能量消耗

0引言

隨著無(wú)線傳感器網(wǎng)絡(luò)WSN(Wireless Sensor Network)的發(fā)展，無(wú)線傳感器網(wǎng)絡(luò)[1]成為了當(dāng)前國(guó)際研究熱點(diǎn)。無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)目龐大，其節(jié)點(diǎn)一般攜帶有限的、不可替代的能源，在沒(méi)有長(zhǎng)期可供能源的情況下，工作壽命十分有限[2]，其能源的有限性成為其發(fā)展的瓶頸。感知節(jié)點(diǎn)主要在數(shù)據(jù)傳輸、信號(hào)處理及硬件操作上消耗能量，其中數(shù)據(jù)傳輸消耗能量最多，因此，需要首先解決的是如何實(shí)現(xiàn)傳感器網(wǎng)絡(luò)在能量有限的情況下實(shí)現(xiàn)復(fù)雜的數(shù)據(jù)監(jiān)測(cè)和信息報(bào)告。

數(shù)據(jù)融合(Data Fusion)是WSN中一項(xiàng)十分重要的技術(shù)，將傳感器采集到的原始數(shù)據(jù)通過(guò)該技術(shù)進(jìn)行模型融合運(yùn)算處理，從而減少冗余數(shù)據(jù)[3]，只將有價(jià)值的、變化的數(shù)據(jù)傳送到網(wǎng)關(guān)節(jié)點(diǎn)，不僅提高了數(shù)據(jù)收集的效率，同時(shí)還節(jié)省了傳輸數(shù)據(jù)所消耗的能量，有效地減少了能源的開(kāi)銷，達(dá)到延長(zhǎng)了網(wǎng)絡(luò)節(jié)點(diǎn)的使用壽命的目的。

1無(wú)線傳感器網(wǎng)絡(luò)系統(tǒng)架構(gòu)機(jī)構(gòu)

具有代表性的無(wú)線傳感器網(wǎng)絡(luò)的系統(tǒng)由分布式無(wú)線傳感器節(jié)點(diǎn)、 匯聚節(jié)點(diǎn)、通信衛(wèi)星或互聯(lián)網(wǎng)以及任務(wù)管理節(jié)點(diǎn)[4]組成，如圖1所示。其中，A-E代表隨機(jī)部署在感知區(qū)域內(nèi)部的分布式無(wú)線傳感器節(jié)點(diǎn)群，這些節(jié)點(diǎn)群對(duì)本地信息進(jìn)行采集與處理。節(jié)點(diǎn)之間可通過(guò)自組織方式構(gòu)成網(wǎng)絡(luò)，并由無(wú)線方式采用多跳路由將采集的數(shù)據(jù)傳輸至匯聚節(jié)點(diǎn)。匯聚節(jié)點(diǎn)直接與傳感器網(wǎng)絡(luò)、Internet等外部網(wǎng)絡(luò)相連，通過(guò)GPRS網(wǎng)絡(luò)將收集的數(shù)據(jù)轉(zhuǎn)發(fā)至外部網(wǎng)絡(luò)。用戶即可訪問(wèn)農(nóng)田信息監(jiān)測(cè)平臺(tái)，查詢相關(guān)信息進(jìn)行分析處理，從而指導(dǎo)農(nóng)業(yè)生產(chǎn)。

圖1　無(wú)線傳感器網(wǎng)絡(luò)系統(tǒng)架構(gòu)

本文節(jié)點(diǎn)系統(tǒng)的主體選用Jennic公司生產(chǎn)的JN5139模塊，節(jié)點(diǎn)及模塊如圖2所示。JN5139系列模塊是基于Jennic第二代無(wú)線微控制器的低功耗無(wú)線通訊模塊，其存儲(chǔ)能力、運(yùn)算能力有限[5]，使得很多計(jì)算復(fù)雜的模型都不適用。若采用的融合算法復(fù)雜度過(guò)高，不但不能節(jié)省能量，可能會(huì)加大能量的開(kāi)銷，故采用算法較簡(jiǎn)單的模型，在確保預(yù)測(cè)結(jié)果準(zhǔn)確性的情況下，盡可能減小算法的復(fù)雜度。傳感器采集的數(shù)據(jù)以平穩(wěn)性、周期性數(shù)據(jù)為主，時(shí)間序列模型能有效地描述其特征。運(yùn)用基于時(shí)間序列的數(shù)據(jù)融合算法進(jìn)行網(wǎng)內(nèi)數(shù)據(jù)融合可減少數(shù)據(jù)冗余，提高其采集效率，延長(zhǎng)整個(gè)網(wǎng)絡(luò)的使用壽命。

圖2　節(jié)點(diǎn)電路板圖

2網(wǎng)內(nèi)數(shù)據(jù)融合算法設(shè)計(jì)

時(shí)間序列數(shù)據(jù)一般都為季節(jié)型、水平型、周期型、線性趨勢(shì)型和非線性趨勢(shì)型其中之一[6]，可根據(jù)數(shù)據(jù)類型的不同，合理靈活選擇預(yù)測(cè)分析模型。在無(wú)線傳感器網(wǎng)絡(luò)感知節(jié)點(diǎn)進(jìn)行網(wǎng)內(nèi)數(shù)據(jù)融合，系統(tǒng)首先設(shè)定一個(gè)容忍閾值，在一個(gè)采樣周期內(nèi)，在獲取充分的歷史數(shù)據(jù)之后，根據(jù)預(yù)測(cè)模型對(duì)即將要采集的數(shù)據(jù)進(jìn)行初步預(yù)測(cè)，計(jì)算采集的真實(shí)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)之間的差值。當(dāng)預(yù)測(cè)值與真實(shí)值的差值小于容忍閾值時(shí)，表明預(yù)測(cè)合理，系統(tǒng)不傳輸數(shù)據(jù)，遠(yuǎn)端平臺(tái)直接進(jìn)行同樣的預(yù)測(cè)模型，將該預(yù)測(cè)值顯示在服務(wù)器中；當(dāng)預(yù)測(cè)值與真實(shí)值的差值大于容忍閾值時(shí)，表明預(yù)測(cè)不合理，系統(tǒng)將進(jìn)一步發(fā)送該數(shù)據(jù)。系統(tǒng)的主要思想即為根據(jù)歷史數(shù)據(jù)預(yù)測(cè)未來(lái)數(shù)據(jù)，若預(yù)測(cè)合理，該數(shù)據(jù)不傳輸，減少了無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)據(jù)的傳輸量，從而可減少感知節(jié)點(diǎn)能量的消耗，延長(zhǎng)整個(gè)網(wǎng)絡(luò)的使用壽命。

在一個(gè)采樣周期的節(jié)點(diǎn)的工作流程如圖3所示。這種融合方法在滿足觀測(cè)者對(duì)于數(shù)據(jù)準(zhǔn)確性要求的前提下，盡可能地減少感知節(jié)點(diǎn)與網(wǎng)關(guān)節(jié)點(diǎn)之間的數(shù)據(jù)發(fā)送量，同時(shí)具有實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)變化并自適應(yīng)調(diào)節(jié)的能力，使得該系統(tǒng)不會(huì)漏檢突發(fā)事件。

圖3　感知節(jié)點(diǎn)數(shù)據(jù)融合流程圖

2.1簡(jiǎn)單滑動(dòng)平均法

簡(jiǎn)單滑動(dòng)平均法基本原理為把大量歷史時(shí)期所統(tǒng)計(jì)的數(shù)據(jù)作為觀察值，求出算術(shù)平均數(shù)作為預(yù)測(cè)值。該方法適用于數(shù)據(jù)變化范圍小、方差小變化趨勢(shì)不大的數(shù)據(jù)類型，該模型假設(shè)“過(guò)去這樣，今后也將這樣”。預(yù)測(cè)值為

(1)

式中Ft+1—對(duì)下一周期數(shù)據(jù)的預(yù)測(cè)值；

n—滑動(dòng)平均個(gè)體樣本；

xt—t時(shí)刻感知節(jié)點(diǎn)采集的真實(shí)值；

xt-1、xt-n+1—分別表示t-1時(shí)刻采集的真實(shí)值和前t-n+1時(shí)刻采集的真實(shí)值。

隨著樣本n的增加，平滑作用將加強(qiáng)。若數(shù)據(jù)出現(xiàn)大的波動(dòng)性，預(yù)測(cè)數(shù)據(jù)將出現(xiàn)大的誤差。

2.2指數(shù)平滑法

指數(shù)平滑法基于歷史實(shí)際采集值和預(yù)測(cè)值，要求的數(shù)據(jù)量小，只要求上一周期的實(shí)際采集值以及上期的預(yù)測(cè)值，便可預(yù)測(cè)下一周期的估計(jì)值，同時(shí)該模型不舍棄往日的歷史數(shù)據(jù)；歷史數(shù)據(jù)賦予逐步減小的影響因子，給予不同時(shí)期的數(shù)據(jù)不同的權(quán)重，減少了較遠(yuǎn)時(shí)期數(shù)據(jù)對(duì)模型的影響程度。模型通過(guò)2個(gè)數(shù)據(jù)的計(jì)算進(jìn)行預(yù)測(cè)，減少了數(shù)據(jù)的處理時(shí)間、能量消耗及存儲(chǔ)量，十分適合短期預(yù)測(cè)。指數(shù)平滑公式為

Ft+1=αxt(1-α)Ft

(2)

式中Ft+1—t+1時(shí)刻指數(shù)平滑值；

α—平滑系數(shù)，0<α<1；

Ft—t時(shí)刻指數(shù)平滑值。

運(yùn)用該模型可預(yù)測(cè)t+1時(shí)刻的預(yù)測(cè)值Ft+1，指數(shù)平滑法的關(guān)鍵在于平滑系數(shù)α的選取，其選取的大小直接影響預(yù)測(cè)值的準(zhǔn)確度。在實(shí)際應(yīng)用中，一般α的選取依靠預(yù)測(cè)研究人員反復(fù)測(cè)試及研究人員對(duì)數(shù)據(jù)屬性變化特性來(lái)確定。根據(jù)目前研究現(xiàn)狀來(lái)看，若序列比較平穩(wěn)，無(wú)大的波動(dòng)，α的取值一般較小，如0.1～0.3之間；若時(shí)間序列數(shù)據(jù)有明顯的變動(dòng)傾向，α一般取0.6～0.9之間[7]。

2.3自回歸移動(dòng)平均模型

在實(shí)際的時(shí)間序列分析系統(tǒng)中，ARMA時(shí)間序列分析模型被廣泛應(yīng)用，它將隨時(shí)間變化的預(yù)測(cè)對(duì)象時(shí)間序列看作一串隨機(jī)數(shù)字序列，用相應(yīng)的模型對(duì)這一串隨時(shí)間變化又相互關(guān)聯(lián)的數(shù)字進(jìn)行近似描述。在實(shí)際應(yīng)用中，首先利用感知節(jié)點(diǎn)采集的歷史數(shù)據(jù)進(jìn)行建模，建模完畢之后即可進(jìn)行未來(lái)數(shù)據(jù)的預(yù)測(cè)。該模型利用節(jié)點(diǎn)采集數(shù)據(jù)之間的相關(guān)性進(jìn)行設(shè)計(jì)，其更容易識(shí)別異常數(shù)據(jù)，并將之剔除[8]。公式為

xt=α0+α1xt-1+…+αpxt-p+εt-

φ1εt-1-…-φqεt-q

(3)

E(εt)=0

E(εsεt)=0

s≠t

E(Xsεt)=0

?s

式中p—自回歸部分的階數(shù)；

q—滑動(dòng)部分的階數(shù)；

αt—自回歸系數(shù)；

φj—滑動(dòng)平均系數(shù)。

其中，xt和xt-1,xt-2,…，xt-p為具有一定相關(guān)性的時(shí)間序列變量。

ARMA(p,q)模型含有p+q+1個(gè)未知參數(shù)，在實(shí)際應(yīng)用中，一般考慮到實(shí)時(shí)檢測(cè)，如果階數(shù)p取值太大，將會(huì)產(chǎn)生很大的計(jì)算量。若要采用ARMA模型進(jìn)行預(yù)測(cè)，則在建模之前需判定時(shí)間序列{xt}是否具有正態(tài)、平穩(wěn)和零均值的特性。在時(shí)間序列中，要檢驗(yàn){xt}是否滿足正態(tài)曲線，一般只需檢驗(yàn){xt}的三階矩和四階矩是否滿足正態(tài)隨機(jī)變量的特性；之后用最小信息準(zhǔn)則對(duì)ARMA模型進(jìn)行定階。對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理后再對(duì){yt}進(jìn)行建模，有

(4)

本仿真數(shù)據(jù)基于2012年11月-2013年4月為期6個(gè)月在涿州實(shí)驗(yàn)地采集的土壤濕度值，以下介紹ARMA(p,q)土壤濕度擬合模型建模過(guò)程。

1)圖4(a)為傳感器感知節(jié)點(diǎn)采集的原始數(shù)據(jù)。首先利用公式(4)對(duì)原始數(shù)據(jù)進(jìn)行零化處理得到圖4(b)，可看到數(shù)據(jù)在零附件上下波動(dòng)，滿足了ARMA模型建立的數(shù)據(jù)零均值特性。

(a)　原始數(shù)據(jù)

(b)　零化處理后

2)圖5(a)為原始數(shù)據(jù)的自相關(guān)和偏相關(guān)仿真結(jié)果圖，圖5(b)為零化處理之后的自相關(guān)和偏相關(guān)仿真結(jié)果圖。從自相關(guān)圖中可知：MA(q)有截尾特性，從偏相關(guān)函數(shù)圖中可看出在滯后期p之后也有截尾特征；根據(jù)自相關(guān)圖可進(jìn)一步估算MA過(guò)程的階數(shù)q,根據(jù)偏相關(guān)圖可特征識(shí)別AR(p)過(guò)程的階數(shù)。

(a)　原始數(shù)據(jù)

(b)　零化處理后

3)進(jìn)行殘差分析，主要分析檢驗(yàn)過(guò)程是否為白噪聲，圖6為該數(shù)據(jù)的擬合殘差分析圖。

圖6　擬合殘差分析圖

由圖6可知：除了個(gè)別數(shù)據(jù)外，所擬合的模型滿足有關(guān)假設(shè)。圖7的全部數(shù)據(jù)都在置信水平0.95內(nèi)，表明建立了合適的回歸方程。進(jìn)一步找到合理的階數(shù)使得AIC值最小，對(duì)于土壤濕度數(shù)據(jù)，當(dāng)p=2，q=1時(shí)，AIC=-2.610 3為最小值，故建立預(yù)測(cè)土壤濕度的ARMA(2,1)模型。

圖7　殘差自相關(guān)和偏相關(guān)函數(shù)圖

3網(wǎng)內(nèi)數(shù)據(jù)融合算法實(shí)現(xiàn)

3.1仿真實(shí)現(xiàn)

3.1.1土壤濕度仿真實(shí)現(xiàn)

本研究采用3 975個(gè)土壤濕度數(shù)據(jù)中的3 825個(gè)數(shù)據(jù)預(yù)測(cè)150個(gè)數(shù)據(jù)，進(jìn)行模型的建立，對(duì)以上介紹的3種算法分別進(jìn)行模型的建立與驗(yàn)證。

運(yùn)用簡(jiǎn)單滑動(dòng)平均算法時(shí)，考慮到結(jié)果的準(zhǔn)確性以及計(jì)算量的大小，本研究采用n=10,進(jìn)行滑動(dòng)預(yù)測(cè)。根據(jù)涿州采集土壤濕度進(jìn)行仿真驗(yàn)證，其效果如圖8所示。從圖8可看出：預(yù)測(cè)結(jié)果與真實(shí)結(jié)果較接近，但不能很好預(yù)測(cè)數(shù)據(jù)突變情況。

圖8　簡(jiǎn)單滑動(dòng)平均法預(yù)測(cè)土壤濕度效果圖

運(yùn)用指數(shù)平滑法對(duì)土壤濕度進(jìn)行預(yù)測(cè)，本研究中，數(shù)據(jù)的波動(dòng)起伏較大，經(jīng)過(guò)MatLab仿真及推導(dǎo)最終采用α=0.6的參數(shù)進(jìn)行模型構(gòu)造，預(yù)測(cè)值與真實(shí)值如圖9所示。該預(yù)測(cè)模型運(yùn)用少量的數(shù)據(jù)，預(yù)測(cè)效果較好，與真實(shí)值較接近，可較大程度上預(yù)測(cè)土壤濕度值。

圖9　指數(shù)平滑法預(yù)測(cè)土壤濕度效果圖

圖10　ARMA土壤濕度預(yù)測(cè)效果圖

3.1.2空氣溫度仿真實(shí)現(xiàn)

本研究采用在涿州試驗(yàn)采集的3 482個(gè)數(shù)據(jù)進(jìn)行模型的建立。由于空氣溫度成周期性實(shí)時(shí)變化，數(shù)據(jù)變化較快，下午2:00左右溫度最低，凌晨4時(shí)左右溫度最高，數(shù)據(jù)實(shí)時(shí)變化較快，因此采用n=2的簡(jiǎn)單滑動(dòng)平均模型，預(yù)測(cè)效果較好，如圖11所示。

圖11　簡(jiǎn)單滑動(dòng)平法預(yù)測(cè)空氣溫度效果圖

由于溫度變化較快，故指數(shù)預(yù)測(cè)模型中選用α=0.8的參數(shù)進(jìn)行數(shù)據(jù)預(yù)測(cè)，預(yù)測(cè)效果如圖12所示。

圖12　指數(shù)滑動(dòng)平法預(yù)測(cè)空氣溫度效果圖

3.1.3空氣濕度仿真實(shí)現(xiàn)

本研究采用在涿州試驗(yàn)田感知節(jié)點(diǎn)采集的3 482個(gè)數(shù)據(jù)進(jìn)行模型的建立。由于空氣濕度成周期性實(shí)時(shí)變化，數(shù)據(jù)變化較快，與溫度差不多相反，下午2:00左右濕度最低，凌晨4時(shí)左右濕度最高，數(shù)據(jù)實(shí)時(shí)變化較快。因此，采用n=2的簡(jiǎn)單滑動(dòng)平均模型，預(yù)測(cè)效果較好，如圖14所示。

圖13　指數(shù)ARMA預(yù)測(cè)空氣溫度效果圖

圖14　簡(jiǎn)單滑動(dòng)平法預(yù)測(cè)空氣濕度度效果圖

由于濕度變化較快，故指數(shù)預(yù)測(cè)模型中選用α=0.8的參數(shù)進(jìn)行數(shù)據(jù)預(yù)測(cè)，預(yù)測(cè)效果如圖15所示。

圖15　指數(shù)滑動(dòng)平法預(yù)測(cè)空氣濕度度效果圖

圖16　ARMA預(yù)測(cè)空氣濕度度效果圖

3.1.4CO2濃度仿真實(shí)現(xiàn)

本實(shí)驗(yàn)根據(jù)自己在實(shí)驗(yàn)室進(jìn)行長(zhǎng)達(dá)3個(gè)月采集的3 486個(gè)數(shù)據(jù)，根據(jù)其中3 336個(gè)數(shù)據(jù)進(jìn)行建模，對(duì)剩下150個(gè)數(shù)據(jù)進(jìn)行模擬。簡(jiǎn)單滑動(dòng)平均法采用n=3，預(yù)測(cè)效果如圖17所示。

圖17　簡(jiǎn)單滑動(dòng)平法預(yù)測(cè)CO2濃度效果圖

在CO2濃度數(shù)據(jù)中，CO2濃度每天都有規(guī)律的變化，在夏季，下午2時(shí)左右CO2濃度最低，晚上3：30左右CO2濃度最高，其數(shù)據(jù)波動(dòng)性大。通過(guò)分析計(jì)算，在指數(shù)滑動(dòng)平均算法中采用α=0.8進(jìn)行數(shù)據(jù)的預(yù)測(cè)，其預(yù)測(cè)效果圖如圖18所示。

圖18　指數(shù)滑動(dòng)平法預(yù)測(cè)CO2效果圖

圖19　ARMA預(yù)測(cè)CO2濃度效果圖

3.2實(shí)地實(shí)驗(yàn)

為驗(yàn)證仿真預(yù)測(cè)模型理論預(yù)測(cè)效果、預(yù)測(cè)模型是否能運(yùn)用于實(shí)地環(huán)境，以及是否節(jié)省了感知節(jié)點(diǎn)能量的消耗、延長(zhǎng)了整個(gè)網(wǎng)絡(luò)的使用壽命，基于JN5139主要模塊的硬件平臺(tái)，將模型在Jennic平臺(tái)CodeBlocks環(huán)境下運(yùn)用C語(yǔ)言進(jìn)行編寫，完成之后運(yùn)行生成bin文件，再運(yùn)用Flash Programmer1.8.9將bin文件燒寫至JN5139，從而進(jìn)行實(shí)地實(shí)驗(yàn)。

本研究對(duì)土壤濕度、空氣溫濕度及CO2濃度進(jìn)行模型編寫與試驗(yàn)，采用以上介紹的3種模型，同時(shí)進(jìn)行實(shí)地驗(yàn)證。本實(shí)驗(yàn)采用4個(gè)感知節(jié)點(diǎn)傳感器，其中1號(hào)感知節(jié)點(diǎn)燒寫沒(méi)有數(shù)據(jù)融合的示例程序，30min發(fā)送1次數(shù)據(jù)的程序；2號(hào)燒寫簡(jiǎn)單滑動(dòng)平均算法程序；3號(hào)燒寫指數(shù)滑動(dòng)平均算法程序；4號(hào)燒寫ARMA模型算法程序。

為避免外界環(huán)境因素的干擾，保證數(shù)據(jù)融合預(yù)測(cè)模型的有效性與正確性，本實(shí)驗(yàn)將土壤濕度傳感器放置同一環(huán)境中，感知節(jié)點(diǎn)放置同一地理位置，保證其所處外界環(huán)境一致，土壤濕度、空氣溫濕度實(shí)驗(yàn)地點(diǎn)為中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院樓頂，CO2濃度實(shí)驗(yàn)地點(diǎn)為實(shí)驗(yàn)室內(nèi)(另一個(gè)置于支架背后)，實(shí)地效果如圖20所示。

圖20　實(shí)地實(shí)驗(yàn)圖

節(jié)點(diǎn)持續(xù)運(yùn)行3個(gè)月，選取1個(gè)星期的實(shí)驗(yàn)數(shù)據(jù)結(jié)果進(jìn)行分析對(duì)比得出結(jié)果，如表1所示。從表1可知：有數(shù)據(jù)融合的2、3、4號(hào)節(jié)點(diǎn)明顯比沒(méi)有融合的1號(hào)節(jié)點(diǎn)發(fā)送次數(shù)少；4號(hào)節(jié)點(diǎn)燒寫ARMA模型融合效果最好。為了驗(yàn)證融合模型的可靠性，本實(shí)驗(yàn)結(jié)束后，在接收平臺(tái)用對(duì)應(yīng)的模型對(duì)未發(fā)送的數(shù)據(jù)進(jìn)行恢復(fù)，恢復(fù)的數(shù)據(jù)再與1號(hào)節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行比較，得出90%以上恢復(fù)的數(shù)據(jù)與1號(hào)節(jié)點(diǎn)采集的真實(shí)數(shù)據(jù)相差小于等于設(shè)定的相應(yīng)閾值，從而驗(yàn)證了上述3種模型的可靠性。因此，運(yùn)用數(shù)據(jù)融合可有效減少數(shù)據(jù)的發(fā)送，從而減少了發(fā)送數(shù)據(jù)所需能量，增加了無(wú)線傳感器網(wǎng)絡(luò)的使用壽命。

表1　數(shù)據(jù)融合實(shí)地結(jié)果分析

4節(jié)點(diǎn)使用壽命的估計(jì)

在整個(gè)無(wú)線傳感器網(wǎng)絡(luò)中，數(shù)據(jù)傳輸消耗的能量最多；但增加算法的復(fù)雜度及能量的消耗。因此，需要找到一個(gè)平衡點(diǎn)在一個(gè)周期內(nèi)使系統(tǒng)自身算法消耗的能量小于數(shù)據(jù)傳輸所消耗的能量。本研究中在JN5139模塊中采用了3組融合算法，對(duì)比1個(gè)周期(30min)內(nèi)有傳輸與無(wú)傳輸能量的消耗情況。感知節(jié)點(diǎn)中能量主要的消耗為

E=EWake+ERead+ECCA+ETransmte+Esteep(5)

其中，EWake+代表從睡眠中喚醒所消耗的能量，ERead代表從傳感器讀取數(shù)據(jù)所消耗的能量，ECCA代表對(duì)空閑信道評(píng)估所消耗的能量，ETransmte代表傳輸含64字節(jié)的數(shù)據(jù)幀至網(wǎng)關(guān)節(jié)點(diǎn)所消耗的能量，Esteep為1周期內(nèi)所消耗的能量。

在應(yīng)用程序與PAN Coordinator相關(guān)聯(lián)的情況下，應(yīng)用程序代碼還需要16字節(jié)的存儲(chǔ)空間，系統(tǒng)運(yùn)行的所消耗的電量可通過(guò)每個(gè)模塊的電流與每個(gè)模塊循環(huán)周期所需要的時(shí)間的乘積進(jìn)行計(jì)算。在1個(gè)周期內(nèi)發(fā)送數(shù)據(jù)，并且沒(méi)有數(shù)據(jù)融合算法系統(tǒng)所消耗的總能量為2 403.72μC,其計(jì)算詳細(xì)過(guò)程如表2所示。

從表2中可以看出：傳輸數(shù)據(jù)消耗的能量遠(yuǎn)遠(yuǎn)大于其它階段。如果在系統(tǒng)中增加算法，那么從休眠中喚醒所消耗的能量將會(huì)增加，但數(shù)據(jù)傳輸所消耗的能量會(huì)減少。用ARMA預(yù)測(cè)模型為例來(lái)計(jì)算能量的消耗情況，從睡眠中喚醒所需的時(shí)間增加到14.75ms，從而增加78.902 5μC電量消耗，同時(shí)減少數(shù)據(jù)傳輸所消耗的96.064μC。因此，總體看來(lái)ARMA預(yù)測(cè)模型的運(yùn)用1個(gè)周期內(nèi)能量大約減少了17.159μC。由此計(jì)算，若傳感器部署于大田6個(gè)月，運(yùn)用預(yù)測(cè)模型之后所傳輸?shù)臄?shù)據(jù)少于原來(lái)數(shù)據(jù)的50%。因此，運(yùn)用本文研究的簡(jiǎn)單滑動(dòng)平均算法、指數(shù)滑動(dòng)平均算法、ARMA在很大程度上節(jié)省了感知節(jié)點(diǎn)能量的消耗，為整個(gè)無(wú)線傳感器網(wǎng)絡(luò)延長(zhǎng)了使用壽命。

表2　能量消耗詳細(xì)分析表

5結(jié)論

本研究基于JN5139的網(wǎng)內(nèi)數(shù)據(jù)融合算法，通過(guò)減少冗余信息的發(fā)送，傳輸有價(jià)值的信息，減少了能量的消耗，從而延長(zhǎng)其生命周期。通過(guò)模型的選取、MatLab仿真和算法程序進(jìn)行C語(yǔ)言編寫，最后燒寫到節(jié)點(diǎn)進(jìn)行實(shí)地實(shí)驗(yàn)。結(jié)果表明：簡(jiǎn)單滑動(dòng)平均算法、指數(shù)滑動(dòng)算法和ARMA算法模型在保證采集數(shù)據(jù)可靠性前提下減少了節(jié)點(diǎn)能量的消耗，延長(zhǎng)了整個(gè)網(wǎng)絡(luò)的壽命。

無(wú)線傳感器網(wǎng)絡(luò)在精細(xì)農(nóng)業(yè)以及農(nóng)業(yè)現(xiàn)代化中運(yùn)用十分廣泛，感知節(jié)點(diǎn)對(duì)農(nóng)田環(huán)境信息實(shí)時(shí)、長(zhǎng)期地采集有助于農(nóng)戶長(zhǎng)期掌握農(nóng)田環(huán)境信息，對(duì)農(nóng)業(yè)的生產(chǎn)實(shí)施提供參考依據(jù)，對(duì)實(shí)施精細(xì)耕作有著重要意義。

參考文獻(xiàn)：

[1]孔鵬，余鎮(zhèn)危.無(wú)線傳感器執(zhí)行器網(wǎng)絡(luò)關(guān)鍵技術(shù)綜述[J].傳感器與微系統(tǒng)，2014,33(2)：4-8.

[2]張永梅，楊沖，馬禮，等.一種低功耗的無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)設(shè)計(jì)方法[J].計(jì)算機(jī)工程, 2012, 38(3):71-73.

[3]何受倩.現(xiàn)代優(yōu)化技術(shù)在無(wú)線傳感器網(wǎng)絡(luò)中的應(yīng)用[J].計(jì)算機(jī)科學(xué),2014, 41(6A):329-330.

[4]Akyildiz L F, W Su Y Sankarasubramaniam, E Cayirci. Wireless Sensor Networks: A Survey[J]. Computer Networks，2002，38(4):393-422.

[5]梁棟，高紅菊，李偲鈺，等.無(wú)線傳感器網(wǎng)絡(luò)終端節(jié)點(diǎn)設(shè)計(jì)與實(shí)現(xiàn)[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2012(4)：91-98.

[6]史浩山，楊俊剛，李田.無(wú)線傳感器網(wǎng)絡(luò)時(shí)間序列流量預(yù)估算法[J].中國(guó)電子科學(xué)研究院學(xué)報(bào),2010,5(2):120-125.

[7]齊馳，侯忠生.自適應(yīng)單指數(shù)平滑法在短期交通流預(yù)測(cè)中的應(yīng)用[J].控制理論與應(yīng)用，2012，29(4)：465-469.

[8]文軒，蔣文賢.無(wú)線傳感器網(wǎng)絡(luò)中一種ARMA流量預(yù)測(cè)的擁塞控制算法[J].小型微型計(jì)算機(jī)系統(tǒng),2012，33(5): 1098-1103.

In Network Data Fusion for Agricultural Information on Wireless Sensor Nodes Based on JN5139

Chen Sha1, Gao Hongju1, Liu Yanzhe1, Liang Dong2, Wu Dan3

(1.College of Information and Electrical Engineering, China Agricultural University, Beijing 100083,China; 2.Ministry of Agriculture Information Center,Beijing 100125，China; 3.Agricultural Management Institute of Ministry of Agriculture, Beijing 102208，China)

Abstract：In wireless sensor networks, the storage capacity of each node, communication capabilities, computing power and the supply of energy are very limited.By in network data fusion algorithm to eliminate redundant data, reduce the amount of data transferred,so as to achieve the purpose of saving power,prolong the life cycle of the nodes and improving the efficiency of data collection and accuracy. This paper describes the system structure and the main module JN5139, using a simple moving average,exponential smoothing and autoregressive moving average model (ARMA).On the basis of analyzing large data of WSN, proposed data processing model which fit for WSN and to simulate with Matlab.Field experiments conducted after verifying the simulation model.Experiments show that under the premise of ensuring the correctness of the data,the method is effective in reducing the energy consumption of the network, thus extending the network lifetime.

Key words：wireless sensor networks; data Fusion; time series forecasting model; energy consumption

文章編號(hào)：1003-188X(2016)05-0006-09

中圖分類號(hào)：S159-3；S126

文獻(xiàn)標(biāo)識(shí)碼：A

作者簡(jiǎn)介：陳莎(1991-)，女，湖北當(dāng)陽(yáng)人，碩士研究生，(E-mail)chenshacau@126.com。通訊作者：高紅菊(1972-)，女，河南鹿邑人，副教授，博士生導(dǎo)師，(E-mail)hjgao@cau.edu.cn。

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(31371531)

收稿日期：2015-04-27